💻 computer science

Mothership and multi-drone routing for spatial marine management

यह शोध पत्र स्थानिक समुद्री प्रबंधन के लिए एक नवीन मदरशिप और मल्टी-ड्रोन रूटिंग समस्या प्रस्तुत करता है, जो एक मेटाहेयुरिस्टिक समाधान प्रस्तावित करता है जो सटीक विधियों की तुलना में काफी कम गणना समय के साथ निकट-इष्टतम परिणाम प्राप्त करता है, जिससे मूंगा चट्टान बहाली (कोरल रीफ रिस्टोरेशन) जैसे अनुप्रयोगों के लिए व्यावहारिक-स्तर का समन्वय सक्षम होता है।

मूल लेखक: Ryu B. Lippmann, Kate J. Helmstedt, Paul Corry

प्रकाशित 2026-07-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ryu B. Lippmann, Kate J. Helmstedt, Paul Corry

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि ग्रेट बैरियर रीफ एक विशाल, पानी के नीचे बसी शहर की तरह है जिसे बड़े पैमाने पर नवीनीकरण (renovation) की आवश्यकता है। श्रमिकों के पास हजारों छोटे, कीमती मूंगे (coral) के "ईंटों" को समुद्र में बिखरे हुए विशिष्ट स्थानों पर छोड़ना है। लेकिन पेच यह है कि कोई सड़कें नहीं हैं, कोई गलियां नहीं हैं और न ही कोई ट्रैफिक लाइट है। यह सिर्फ खुला पानी है।

इस काम को पूरा करने के लिए, शोधकर्ता एक "मदरशिप" (एक बड़ी नाव) और ड्रोनों (छोटी सतह वाली नौकाओं) के बेड़े के बीच तालमेल का प्रस्ताव देते हैं। मदरशिप को एक विशाल, तैरते हुए डिलीवरी ट्रक के रूप में और ड्रोनों को फुर्तीले स्कूटरों के झुंड के रूप में समझें।

बड़ी चुनौती
सामान्य शहर की डिलीवरी में, एक ट्रक सड़क पर चलता है, एक घर पर रुकता है, एक पैकेज छोड़ता है, और फिर आगे बढ़ जाता है। लेकिन समुद्र में, ट्रक कहीं भी नहीं रुक सकता; उसे स्कूटरों से मिलने के लिए एक विशिष्ट स्थान पर मिलना होगा और फिर बाद में उन्हें वापस लेने के लिए फिर से मिलना होगा। पेचीदा हिस्सा यह तय करना है कि वे मिलने के स्थान कहाँ होने चाहिए। क्या ट्रक को मूंगे के बिल्कुल बगल में रुकना चाहिए? या उसे थोड़ा दूर रुकना चाहिए, जिससे स्कूटर बाहर निकल सकें और वापस आ सकें?

लेखकों ने इस पहेली को हल करने के लिए एक नया गणितीय पहेली बनाया। वे एक आदर्श मार्ग खोजना चाहते थे जो पूरे दल द्वारा तय की गई कुल दूरी को कम करे, और बड़ी नाव की लागत बनाम छोटी नावों की लागत के बीच संतुलन बनाए।

उन्होंने क्या आज़माया (और क्या काम नहीं आया)
सबसे पहले, टीम ने इसे "मिक्स्ड-इंटीजर लीनियर प्रोग्रामिंग" (MILP) नामक एक सुपर-सटीक गणित विधि का उपयोग करके हल करने की कोशिश की। आप इसे एक रूबिक क्यूब को हर एक संभावित चाल की जांच करके हल करने के समान समझ सकते हैं।

परिणाम: यह 8 या 12 स्थानों वाले बहुत छोटे पहेलियों के लिए पूरी तरह से काम कर गया। लेकिन जैसे ही उन्होंने 12 स्थानों वाली एक वास्तविक समस्या को हल करने की कोशिश की, कंप्यूटर की मेमोरी खत्म हो गई और वह क्रैश हो गया। यह एक कैलकुलेटर के साथ समुद्र तट पर रेत के हर कण को गिनने की कोशिश करने जैसा था; यह बड़े कामों के लिए बहुत धीमा और भारी है।

चतुर शॉर्टकट
इसलिए, लेखकों ने एक "मेटाहेयुरिस्टिक" (metaheuristic) एल्गोरिदम का आविष्कार किया। यदि सटीक गणित विधि एक धीमे, सावधान मुनीम की तरह है, तो यह नई विधि एक चतुर, तेज़ खोजकर्ता की तरह है। यह सिमुलेटेड एनीलिंग (Simulated Annealing) नामक तकनीक का उपयोग करता है (जो धातु को गर्म करने और फिर एक मजबूत आकार खोजने के लिए उसे धीरे-धीरे ठंडा होने देने जैसा है)।

यह कैसे काम करता है: एल्गोरिदम एक अस्त-व्यस्त, यादृच्छिक (random) योजना के साथ शुरू होता है। फिर, यह छोटे, यादृच्छिक बदलाव करना शुरू करता है—जैसे कि कौन सा मूंगा किस ड्रोन को दिया जाए, या मिलने के स्थानों को थोड़ा बदलना। यदि कोई बदलाव यात्रा को छोटा बनाता है, तो यह उसे रख लेता है। यदि कोई बदलाव इसे लंबा बनाता है, तो यह फिर भी कुछ समय के लिए इसे रख सकता है (ताकि वह उस "लोकल ट्रैप" में न फंस जाए जहाँ उसे लगता है कि वह काम पूरा कर चुका है, लेकिन वास्तव में वह नहीं हुआ है)।
जादू: इस खोजकर्ता ने उन समाधानों को खोज निकाला जो सटीक गणितीय उत्तर के लगभग उतना ही अच्छे थे (2% त्रुटि के भीतर), लेकिन इसने इसे चार गुना अधिक (चार ऑर्डर्स ऑफ मैग्नीट्यूड) तेज़ी से किया। जबकि धीमी गणित विधि को घंटों या दिनों तक चलने में लग सकता था या क्रैश हो सकती थी, इस नई विधि ने उसी समस्या को कुछ ही सेकंडों में हल कर दिया।

उन्होंने क्या खोजा
हजारों सिमुलेशन चलाकर, टीम ने यह सीखा कि इस बेड़े को कैसे चलाया जाए:

अधिक क्लस्टर, कम ड्रोन कार्य: यदि आप मूंगे के स्थानों को अधिक, छोटे समूहों (clusters) में विभाजित करते हैं, तो बड़ी नाव सभी ड्रॉप-ऑफ बिंदुओं पर जाने के लिए अधिक दूरी तय करेगी। हालाँकि, छोटे ड्रोनों को बहुत कम यात्रा करनी होगी क्योंकि वे अपने करीबी इलाकों में काम कर रहे हैं। उनके परीक्षणों में, ड्रोनों के लिए बचत बड़ी नाव की अतिरिक्त लागत से अधिक थी, जिससे पूरी टीम अधिक कुशल हो गई।
बड़े ड्रोन = बेहतर: यदि ड्रोन एक बार में अधिक मूंगा ले जा सकते हैं, तो टीम को कम चक्कर लगाने पड़ते हैं, और कुल दूरी कम हो जाती है।
"लागत" स्विच: शोधकर्ताओं ने एक संख्या (जिसे $\gamma$ $γ$ कहा जाता है) का उपयोग यह तय करने के लिए किया कि बड़ी नाव ड्रोनों की तुलना में कितनी महंगी है।
- यदि बड़ी नाव बहुत महंगी है, तो एल्गोरिदम नाव को घर के पास रहने के लिए और ड्रोनों को सारा भारी काम करने के लिए भेज देता है।
- यदि बड़ी नाव सस्ती है, तो नाव इधर-उधर घूमती है, एक मोबाइल बेस के रूप में काम करती है ताकि ड्रोनों की मदद की जा सके।

उन्होंने क्या हल नहीं किया (अभी तक)
यह ध्यान रखना महत्वपूर्ण है कि इस अध्ययन ने कुछ चीजों को स्पष्ट रूप से बाहर रखा है।

कोई मौसम नहीं: मॉडल यह मानता है कि समुद्र एक शांत, खाली पूल की तरह है। यह लहरों, ज्वार-भाटा या हवा को ध्यान में नहीं रखता है, जो वास्तविक जीवन में रूटिंग को बहुत कठिन बना देंगे।
अलग-अलग ड्रोन नहीं: उन्होंने माना कि सभी छोटे ड्रोन एक जैसे हैं और हमेशा मूंगे की बिल्कुल समान मात्रा ले जाते हैं। उन्होंने बड़े और छोटे ड्रोनों के मिश्रण का परीक्षण नहीं किया।
समय सीमा नहीं: लक्ष्य दूरी को कम करना था, न कि समय को। वास्तविक दुनिया में, आपको काम कितनी जल्दी पूरा होता है, इसके बजाय इस बात की अधिक चिंता हो सकती है कि कितने मील नावें चलीं।

निष्कर्ष
लेखक सुझाव देते हैं कि यह नया "मदरशिप और मल्टी-ड्रोन" ढांचा बड़े पैमाने पर रीफ बहाली (reef restoration) की योजना बनाने के लिए एक शक्तिशाली उपकरण है। यह साबित करता है कि आप बिना सड़कों के खुले पानी में एक बेड़े को समन्वित कर सकते हैं, और एक स्मार्ट, तेज़ एल्गोरिदम उन मार्गों को ढूंढ सकता है जहाँ सुपर-सटीक गणित विधियाँ हार मान लेती हैं। हालांकि यह अभी तक एक पूर्ण, वास्तविक दुनिया का गाइड नहीं है (क्योंकि यह मौसम की अनदेखी करता है और आदर्श स्थितियों को मानता है), यह मूंगे को रीफ तक कुशलतापूर्वक पहुँचाने के लिए एक लचीला आधार प्रदान करता है।

तकनीकी सारांश: स्थानिक समुद्री प्रबंधन के लिए मदरशिप और मल्टी-ड्रोन रूटिंग

समस्या की परिभाषा
यह शोध एक नवीन रूटिंग समस्या को संबोधित करता है जो निरंतर (continuous), सड़क-मुक्त समुद्री वातावरण में निहित है, जो विशेष रूप से रीफ बहाली (reef restoration) के लिए बड़े पैमाने पर कोरल सीडिंग (coral seeding) की लॉजिस्टिक चुनौतियों से प्रेरित है। इस समस्या में एक प्राथमिक पोत (मदरशिप) और बेड़े के समान उपग्रह जहाजों (जिन्हें "ड्रोन" कहा जाता है, हालांकि वे सतह के जहाज हैं) के बीच समन्वय स्थापित करना शामिल है, ताकि भौगोलिक रूप से बिखरे हुए डिप्लॉयमेंट नोड्स (deployment nodes) की सेवा की जा सके।

पारंपरिक वाहन रूटिंग समस्याओं (VRP) या यहाँ तक कि मौजूदा "फ्लाइंग साइडकिक" (Flying Sidekick) स्वरूपों के विपरीत, जो सड़क नेटवर्क या पूर्व-निर्धारित ग्राहक स्थानों पर निर्भर करते हैं, यह समस्या एक निरंतर द्वि-आयामी डोमेन (two-dimensional domain) में संचालित होती है। मुख्य चुनौती बेड़े के कुल भारित यात्रा पथ (total weighted travel distance) को न्यूनतम करने के लिए चार परस्पर निर्भर निर्णयों को एक साथ अनुकूलित (optimize) करने में है:

क्लस्टरिंग (Clustering): डिप्लॉयमेंट नोड्स को $n_c$ समान आकार के क्लस्टरों में विभाजित करना।
वेपॉइंट चयन (Waypoint Selection): प्रत्येक क्लस्टर के लिए इष्टतम लॉन्च और रेंडेवू (rendezvous) वेपॉइंट्स का निर्धारण करना। ये वेपॉइंट्स निरंतर निर्णय चर (continuous decision variables) हैं, न कि किसी पूर्व-निर्धारित ग्रिड या नोड सेट तक सीमित।
सॉर्टी असाइनमेंट (Sortie Assignment): प्रत्येक क्लस्टर के भीतर नोड्स को विशिष्ट ड्रोन सॉर्टीज़ (sorties) को आवंटित करना।
अनुक्रमण (Sequencing): एक सॉर्टी के भीतर ड्रोन किन नोड्स पर जाएगा, उसका क्रम निर्धारित करना।

यह समस्या एक "मोबाइल डिपो" मॉडल मानती है जहाँ मदरशिप क्लस्टरों के बीच यात्रा करता है, एक ही वेपॉइंट से एक विशिष्ट क्लस्टर के लिए सभी ड्रोन लॉन्च करता है और एक अगले वेपॉइंट पर उन्हें वापस प्राप्त (retrieve) करता है। ड्रोन्स को अपनी सॉर्टीज़ पूरी करनी चाहिए और बेड़े के अगले क्लस्टर पर बढ़ने से पहले मदरशिप के साथ रेंडेवू (मिलन) करना चाहिए। ऑब्जेक्टिव फंक्शन (objective function) मदरशिप की यात्रा दूरी और संचयी ड्रोन यात्रा दूरी के भारित योग को कम करता है, जिसे एक वेटिंग पैरामीटर $\gamma$ द्वारा नियंत्रित किया जाता है।

कार्यप्रणाली (Methodology)
लेखक इस समस्या को हल करने के लिए दोहरी पद्धति प्रस्तावित करते हैं: एक सटीक मिक्स-इंटीजर लीनियर प्रोग्रामिंग (MILP) सूत्रीकरण और एक मेटाहेयुरिस्टिक एल्गोरिदम।

MILP सूत्रीकरण: बेंचमार्किंग के लिए सटीक समाधान प्राप्त करने हेतु, लेखक निरंतर स्थानिक डोमेन को उम्मीदवार वेपॉइंट्स के एक परिमित ग्रिड में विभाजित करते हैं। यह सूत्रीकरण मदरशिप टूर और ड्रोन सॉर्टीज़ को परिभाषित करने के लिए बाइनरी वेरिएबल्स का उपयोग करता है, साथ ही सबटूर (subtours) को रोकने के लिए सहायक वेरिएबल्स (मिलर-टकर-ज़ेमलिटिन बाधाओं का उपयोग करके) का भी उपयोग करता है। यह दृष्टिकोण केवल छोटे उदाहरणों (जैसे, 12 नोड्स तक) के लिए ही गणनात्मक रूप से व्यवहार्य है क्योंकि इससे समाधान स्थान और मेमोरी की आवश्यकता तेजी से बढ़ती है।
मेटाहेयुरिस्टिक (सिमुलेटेड एनीलिंग - Simulated Annealing): उन व्यावहारिक स्तर के उदाहरणों को संबोधित करने के लिए जहाँ MILP विफल हो जाता है, लेखक एक सिमुलेटेड एनीलिंग (SA) मेटाहेयुरिस्टिक विकसित करते हैं। समाधान का प्रतिनिधित्व नोड-टू-क्लस्टर और नोड-टू-सॉर्टी असाइनमेंट द्वारा किया जाता है। एल्गोरिदम निम्नलिखित का उपयोग करता है:
- प्रारंभिक समाधान निर्माण: क्लस्टरों के लिए रैंडम नोड क्लस्टरिंग, मदरशिप के लिए क्लस्टरों के निकटतम-पड़ोसी (nearest-neighbor) अनुक्रमण, और ड्रोन सॉर्टीज़ के लिए निकटतम-पड़ोसी रूटिंग की एक क्रमिक प्रक्रिया।
- परटर्बेशन ऑपरेटर्स (Perturbation Operators): तीन अलग-अलग ऑपरेटर्स समाधान में संशोधन करते हैं: इंट्रा-क्लस्टर नोड स्वैप, इंटर-क्लस्टर नोड स्वैप, और इंटर-क्लस्टर सॉर्टी स्वैप।
- लोकल सर्च (Local Search): ड्रोन सॉर्टीज़ के लिए 2-ऑप्ट (2-opt) ह्यूरिस्टिक लागू किया जाता है, और एक निरंतर-स्थान वेपॉइंट ह्यूरिस्टिक (क्लस्टर सेंट्रॉइड्स और पिछले वेपॉइंट्स के भारित संयोजन पर आधारित) का उपयोग गतिशील रूप से मदरशिप वेपॉइंट्स की गणना करने के लिए किया जाता है।
- वेपॉइंट ह्यूरिस्टिक: कार्यप्रणाली का एक विशिष्ट योगदान निरंतर-स्थान वेपॉइंट गणना (समीकरण 23-25) है, जो एक स्केलिंग फैक्टर $\theta$ के आधार पर लॉन्च और रेंडेवू बिंदुओं को निर्धारित करता है, जो मदरशिप की वर्तमान स्थिति या क्लस्टर सेंट्रॉयड की ओर झुकाव रखता है।

मुख्य परिणाम

गणना दक्षता (Computational Efficiency): मेटाहेयुरिस्टिक, सटीक MILP की तुलना में महत्वपूर्ण गणनात्मक लाभ प्रदर्शित करता है। 8-नोड वाले उदाहरणों पर, मेटाहेयुरिस्टिक ने MILP इष्टतम के 2.1% के भीतर समाधान प्राप्त किया, जबकि गणना समय को दो क्रम (orders of magnitude) कम कर दिया। 12-नोड वाले उदाहरणों में, जहाँ MILP अक्सर मेमोरी समाप्त होने या उचित समय के भीतर इष्टतम समाधान खोजने में विफल रहता है, मेटाहेयुरिस्टिक ने लगभग 3-6 सेकंड में सर्वोत्तम ज्ञात MILP परिणामों के 2% के भीतर समाधान प्रस्तुत किए (जो कि चार क्रम तक की कमी है)।
समाधान स्थिरता (Solution Stability): 48-नोड वाले उदाहरण पर 1,000 स्टोकेस्टिक रन के माध्यम से, एल्गोरिदम ने ऑब्जेक्टिव वैल्यूज का एक मल्टी-मोडल वितरण उत्पन्न किया। सर्वोत्तम समाधान ( $z^* = 494.62$ ) रन के दौरान 0.82% के मानक विचलन के साथ पाया गया, जो दर्शाता है कि हालांकि एल्गोरिदम स्थानीय मिनिमा (local minima) की ओर अभिसरित होता है, फिर भी विचरण (variance) अपेक्षाकृत कम है।
संवेदनशीलता विश्लेषण (Sensitivity Analysis):
- क्लस्टर कॉन्फ़िगरेशन: क्लस्टरों की संख्या बढ़ाने से कुल भारित दूरी कम हो गई, क्योंकि इसने अधिक भौगोलिक रूप से केंद्रित क्लस्टर बनाए, जिससे मदरशिप की यात्रा दूरी बढ़ने के बावजूद ड्रोन यात्रा दूरी कम हो गई।
- बेड़ा संरचना (Fleet Composition): ड्रोन क्षमता (प्रति सॉर्टी नोड्स) बढ़ाने से आवश्यक सॉर्टीज़ की संख्या कम होने के कारण कुल भारित दूरी में उल्लेखनीय कमी आई। हालांकि, ड्रोन बेड़े की संरचना का मदरशिप के रूटिंग पथ पर नगण्य प्रभाव पड़ा।
- वेसल वेटिंग ( $\gamma$ ): वेटिंग पैरामीटर रूटिंग रणनीति को मौलिक रूप से बदल देता है। जैसे-जैसे $\gamma$ बढ़ता है (मदरशिप लागत प्रभावी होती जाती है), समाधान एक "फिक्स्ड डिपो" वाहन रूटिंग समस्या की संरचना की ओर झुक जाता है जहाँ मदरशिप मूल स्थान के पास रहती है। जैसे-जैसे $\gamma$ घटता है, मदरशिप ड्रोन यात्रा को कम करने के लिए एक "मोबाइल डिपो" के रूप में कार्य करती है, जो मोबाइल-डिपो रूटिंग शासन के करीब पहुँच जाती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह समन्वित बेड़ा रूटिंग साहित्य में एक महत्वपूर्ण अंतर को भरता है, जिसमें तीन विशेषताओं को एकीकृत किया गया जिन्हें पहले अलग-अलग अध्ययन किया गया था:

एक मदरशिप जो नेटवर्क के बजाय निरंतर, सड़क-मुक्त स्थान में संचालित होती है।
एकाधिक ड्रोन जो प्रत्येक सॉर्टी में एकाधिक डिलीवरी करने में सक्षम हैं।
गतिशील लॉन्च और रेंडेवू स्थान जो पूर्व-निर्धारित उम्मीदवार स्थानों तक सीमित होने के बजाय निरंतर स्थान में स्वतंत्र रूप से चुने जाते हैं।

लेखक का तर्क है कि उनका ढांचा बड़े पैमाने के समुद्री लॉजिस्टिक्स, जैसे कि रीफ बहाली और अपतटीय पवन फार्म (offshore windfarm) की सेवा के लिए एक लचीला और गणनात्मक रूप से प्रभावी आधार प्रदान करता है। वे इस बात पर जोर देते हैं कि निरंतर-स्थान वेपॉइंट ह्यूरिस्टिक और सड़क-मुक्त वातावरण में मल्टी-डिलीवरी सॉर्टीज़ को संभालने की क्षमता इस कार्य को मौजूदा स्थलीय ट्रक-ड्रोन स्वरूपों से अलग करती है। अध्ययन निष्कर्ष निकालता है कि हालांकि यह मॉडल कुछ परिचालन वास्तविकताओं को सरल बनाता है (जैसे, सजातीय बेड़े को मानना और बाथिमेट्री जैसे पर्यावरणीय बाधाओं को अनदेखा करना), यह स्थानिक रूप से बिखरे हुए समुद्री वातावरण में संसाधन परिनियोजन को अनुकूलित करने के लिए एक मजबूत आधार प्रदान करता है।

इसी तरह के और पेपर