🔢 mathematics

Multi-sites fisheries modeling with Itô stochastic differential equations and stochastic optimization problem

यह शोध पत्र फिश एग्रीगेटिंग डिवाइसेस (FADs) का उपयोग करने वाले बहु-स्थल मत्स्य पालन के लिए एक संख्यात्मक रूप से कुशल इतो स्टोकेस्टिक डिफरेंशियल इक्वेशन मॉडल प्रस्तावित करता है और मछली पकड़ने के प्रयासों को इष्टतम रूप से नियंत्रित करके मछली पकड़ने के लाभ को अधिकतम करने के लिए एक संगत स्टोकेस्टिक अनुकूलन समस्या को हल करता है।

मूल लेखक: Sidy Ly, Mouhamadou A.M.T. Balde, Babacar M. Ndiaye

प्रकाशित 2026-08-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sidy Ly, Mouhamadou A.M.T. Balde, Babacar M. Ndiaye

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

समुद्र की कल्पना एक स्थिर नीले बैकड्रॉप के रूप में नहीं, बल्कि एक हलचल भरे, अराजक शहर के रूप में करें जहाँ मछलियाँ यात्री हैं और नावें टैक्सियाँ हैं। वास्तविक दुनिया में, यह शहर अस्त-व्यस्त है। मछलियाँ एक सटीक समय सारिणी का पालन नहीं करतीं; वे डर जाती हैं, वे भटक जाती हैं, और मौसम उनके मिजाज को बदल देता है। लंबे समय तक, वैज्ञानिकों ने यह अनुमान लगाने की कोशिश की कि कितनी मछलियाँ आसपास होंगी, इसके लिए "डिटरमिनिस्टिक" (deterministic) मॉडल का उपयोग किया—इन्हें कठोर ट्रेन समय सारिणी की तरह समझें जहाँ यदि आप प्रस्थान का समय जानते हैं, तो आप जानते हैं कि ट्रेन कब आएगी। लेकिन समुद्र एक ट्रेन नहीं है; यह एक जैज़ इम्प्रोवाइज़ेशन (jazz improvisation) है। इसे समझने के लिए, हमें "स्टोकेस्टिक" (stochastic) मॉडलों की आवश्यकता है, जो ट्रैफिक का अनुमान लगाने के समान हैं जहाँ यह स्वीकार किया जाता है कि कभी सड़क पर गिलहरी दौड़ जाती है, कभी बारिश होती है, और कभी टैक्सी ड्राइवर रास्ता बदल लेता है। यहीं पर गणित पेचीदा हो जाता है: समीकरणों में इस यादृच्छिकता (जिसे "शोर" या "noise" कहा जाता है) को जोड़ने से आमतौर पर कंप्यूटर का काम अविश्वसनीय रूप से कठिन हो जाता है, जैसे किसी ऐसे पहेली को हल करने की कोशिश करना जहाँ टुकड़े अपना आकार बदलते रहते हैं।

यह शोध पत्र, जो सेनेगल के चेख अंता डियोप विश्वविद्यालय के शोधकर्ताओं द्वारा लिखा गया है, इस अराजक समुद्र में गोता लगाता है ताकि कई स्थानों, जिन्हें फिश एग्रीगेटिंग डिवाइसेस (FADs) कहा जाता है, में मछली पकड़ने के प्रबंधन को समझा जा सके। ये तैरती हुई वस्तुएं हैं जो मछली चुंबक की तरह काम करती हैं, जिससे मछलियों के झुंड एक स्थान पर एकत्र होते हैं। लेखक एक ऐसा गणितीय मॉडल बनाना चाहते थे जो इन स्थानों के बीच मछलियों के घूमने और उनके पीछे भागने वाली नावों की यादृच्छिकता को पकड़ सके, बिना कंप्यूटर को अत्यधिक जटिल गणित से क्रैश किए। उन्होंने केवल मॉडल ही नहीं बनाया; उन्होंने यह परम प्रश्न भी पूछा: "हम अधिकतम लाभ कैसे कमाएं बिना मछलियों को अस्तित्व से मिटाए, भले ही भविष्य एक रहस्य हो?"

मछली वाले शहर की कहानी

शोधकर्ताओं ने एक सरल परिदृश्य से शुरुआत की: दो मछली पकड़ने के स्थान (FADs) और खुला समुद्र। उन्होंने मछली की आबादी को अपने घरों (समुद्र) और दो अलग-अलग कार्यालयों (FADs) के बीच घूमने वाले लोगों के समूह के रूप में कल्पित किया। कभी मछलियाँ जन्म लेती हैं, कभी मर जाती हैं, और कभी वे एक कार्यालय से दूसरे कार्यालय में छलांग लगाती हैं। नावें भी इन स्थानों के बीच दौड़ती हैं, मछलियों को पकड़ने की कोशिश करती हैं। पुराने तरीके में, गणित के लिए यह आवश्यक था कि कंप्यूटर यादृच्छिकता को संभालने के लिए एक विशाल, अस्त-व्यस्त मैट्रिक्स (संख्याओं का ग्रिड) का "वर्गमूल" (square root) निकाले। यह एक ऐसी संख्या का वर्गमूल खोजने जैसा है जो हर सेकंड बदलती रहती है; यह धीमा, गणनात्मक रूप से महंगा और त्रुटियों के प्रति संवेदनशील है।

लेखकों की मुख्य तरकीब एक शॉर्टकट खोजने की थी। उन्होंने समीकरणों को लिखने का एक नया तरीका प्रस्तावित किया जो ठीक उसी अराजक गति का वर्णन करता है लेकिन उस भारी, धीमे गणित से बचता है। उन्होंने दिखाया कि आप मछलियों की यादृच्छिक यात्रा को उपकरणों के एक अलग सेट का उपयोग करके वर्णित कर सकते हैं (एक विशिष्ट मैट्रिक्स जिसे वे H कहते हैं) जो कंप्यूटर के लिए संभालना बहुत हल्का और तेज़ है। यह साबित करने के लिए कि उनका शॉर्टकट काम करता है, उन्होंने 500 अलग-अलग "क्या होगा अगर" वाले परिदृश्यों के साथ एक विशाल सिमुलेशन चलाया। उन्होंने अपने नए, तेज़ तरीके की तुलना पुराने, भारी तरीके से की। परिणाम? मछली की आबादी और नावों की आवाजाही दोनों संस्करणों में लगभग एक जैसी थी। अंतर इतना सूक्ष्म था कि वह व्यावहारिक रूप से अदृश्य था, जैसे दो धावक एक ही सेकंड में दौड़ पूरी करते हैं। इसका अर्थ है कि वैज्ञानिक अब सटीकता खोए बिना जटिल समुद्री परिदृश्यों का अनुकरण करने के लिए तेज़ तरीके का उपयोग कर सकते हैं।

मछली की बड़ी लूट (अनुकूलन/Optimization)

एक बार जब उनके पास अराजकता का अनुकरण करने का एक विश्वसनीय तरीका था, तो टीम ने बड़े मुद्दे पर काम किया: लाभ के लिए मछली पकड़ना। उन्होंने एक "स्टोकेस्टिक ऑप्टिमाइज़ेशन" खेल तैयार किया। कल्पना करें कि आप मछली पकड़ने वाले बेड़े के कप्तान हैं, और आपको हर एक दिन में प्रत्येक स्थान पर कितनी मेहनत से मछली पकड़नी है, इसका निर्णय लेना है। लेकिन आप नहीं जानते कि क्या तूफान आने वाला है, क्या मछलियाँ प्रवास करेंगी, या क्या मछली की कीमत गिर जाएगी। आप एक सीजन में अधिकतम पैसा कमाना चाहते हैं, लेकिन आपको यह भी सुनिश्चित करना है कि आप इतनी मछलियाँ न पकड़ लें कि आबादी शून्य तक गिर जाए।

"हैमिल्टन-जैकोबी-बेलमैन" (Hamilton-Jacobi-Bellman) समीकरण नामक एक गणितीय रणनीति का उपयोग करते हुए (जो मूल रूप से एक अराजक यात्रा के हर चरण पर सर्वोत्तम निर्णय लेने के लिए एक अत्यंत जटिल नियम पुस्तिका है), उन्होंने "इष्टतम" (optimal) मछली पकड़ने के प्रयास की गणना की। उनके सिमुलेशन ने दिखाया कि अनिश्चितता के बावजूद, मछली पकड़ने का एक स्मार्ट तरीका मौजूद है। उन्होंने पाया कि सबसे अच्छी रणनीति यह है कि आप देखी गई मछलियों के आधार पर अपने प्रयास को समायोजित करें। यदि मछली का स्टॉक (समुद्र में मछलियों की संख्या) अधिक है, तो आप थोड़ा अधिक मछली पकड़ सकते हैं। यदि मछलियाँ कम हैं, तो आप पीछे हट जाते हैं। "वैल्यू फंक्शन" (एक स्कोरकार्ड कि आपका भविष्य कितना अच्छा दिखता है) तब बढ़ता है जब बहुत सारी मछलियाँ होती हैं और तब कम होता है जब आप बहुत अधिक मछली पकड़ते हैं।

उन्होंने क्या पाया और आगे क्या है

यह शोध पत्र पुष्टि करता है कि उनका नया, तेज़ गणित बहु-स्थल मत्स्य पालन में मछली की आबादी की भविष्यवाणी करने के लिए पुराने, धीमे गणित जितना ही प्रभावी है। उन्होंने केवल यह नहीं कहा कि "यह काम करता है"; उन्होंने 500 अलग-अलग रास्तों के साथ सिमुलेशन किया और दिखाया कि त्रुटि नगण्य थी। हालांकि, वे सावधानीपूर्वक यह नोट करते हैं कि यह एक सिमुलेशन है, वास्तविक नावों पर वास्तविक दुनिया का प्रयोग नहीं। मॉडल कुछ चीजों को मानता है जैसे निरंतर प्रवास दर और सरल जन्म/मृत्यु नियम, जो कुछ हद तक यह मानने जैसा है कि सभी कारें एक ही गति से चलती हैं और कभी खराब नहीं होतीं। वास्तविकता में, मछलियों की उम्र होती है, वे एक-दूसरे को खाती हैं, और समुद्र जलवायु परिवर्तन से प्रभावित होता है, जिनमें से कोई भी इस विशिष्ट मॉडल में शामिल नहीं है।

लेखक सुझाव देते हैं कि उनका ढांचा एक लचीला आधार है। भविष्य में, वे इसमें वास्तविकता की अधिक परतें जोड़ने की आशा करते हैं, जैसे विभिन्न प्रजातियों की परस्पर क्रिया (शिकारी द्वारा शिकार खाना) या कैसे जलवायु मॉडल मछलियों को इधर-उधर स्थानांतरित कर सकते हैं। लेकिन फिलहाल, उन्होंने मछली पकड़ने के उद्योग को अनिश्चितता के तूफानी समुद्रों में नेविगेट करने के लिए एक नया, हल्का उपकरण सौंपा है, यह साबित करते हुए कि आप असंभव को हल करने के लिए सुपरकंप्यूटर की आवश्यकता के बिना सर्वोत्तम लाभ की योजना बना सकते हैं।

तकनीकी सारांश: इटो स्टोकेस्टिक डिफरेंशियल इक्वेशन्स और स्टोकेस्टिक ऑप्टिमाइज़ेशन के साथ मल्टी-साइट मत्स्य पालन मॉडलिंग

समस्या विवरण
यह शोध पत्र मल्टी-साइट मत्स्य पालन के मॉडलिंग और अनुकूलन (optimization) को संबोधित करता है, विशेष रूप से उन प्रणालियों पर ध्यान केंद्रित करता है जो फिश अग्रीगेटिंग डिवाइसेस (FADs) का उपयोग करती हैं। जबकि नियतात्मक (deterministic) मॉडल ऐतिहासिक रूप से जनसंख्या गतिशीलता पर हावी रहे हैं, वे जलवायु परिवर्तन और पारिस्थितिक व्यवधानों जैसे प्राकृतिक उतार-चढ़ाव और अनिश्चितताओं को समझने में विफल रहते हैं। लेखक कई साइटों ( $L$ ) और एक अपतटीय स्टॉक ( $s$ ) के माध्यम से मछली के बायोमास और मछली पकड़ने के प्रयासों के विकास को मॉडल करने के लिए एक ढांचा प्रस्तावित करते हैं। मुख्य चुनौती एक ऐसी प्रणाली को तैयार करने में निहित है जो जन्म, मृत्यु, प्रवास और मछली पकड़ने की गतिविधियों के यादृच्छिक (random) उतार-चढ़ाव को कैप्चर कर सके, बिना अत्यधिक कम्प्यूटेशनल लागत के, विशेष रूप से मानक स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) स्वरूपों के लिए आवश्यक मैट्रिक्स वर्ग मूल (matrix square roots) की गणना के संबंध में। इसके अलावा, यह शोध पत्र एक स्टोकेस्टिक ऑप्टिमाइज़ेशन समस्या को हल करने का प्रयास करता है ताकि गतिशील, अनिश्चित बाधाओं के तहत मछली पकड़ने के लाभ को अधिकतम किया जा सके।

कार्यप्रणाली
यह शोध दो-भाग वाली कार्यप्रणाली का उपयोग करता है: स्टोकेस्टिक मॉडलिंग और स्टोकेस्टिक ऑप्टिमाइज़ेशन।

स्टोकेस्टिक मॉडलिंग (SDE फॉर्मूलेशन):
- डिस्क्रीट से कंटीन्यूअस: लेखक $L$ साइटों वाली एक प्रणाली के लिए एक डिस्क्रीट-टाइम स्टोकेस्टिक प्रक्रिया को परिभाषित करने से शुरुआत करते हैं। वे एक छोटे समय अंतराल $\Delta t$ के दौरान सभी संभावित अवस्था परिवर्तनों (जन्म, मृत्यु, साइटों और अपतटीय स्टॉक के बीच प्रवास, और नावों की आवाजाही) को सूचीबद्ध करते हैं।
- ड्रिफ्ट और डिफ्यूजन: इन डिस्क्रीट ट्रांजिशन से, वे प्रत्याशा वेक्टर (ड्रिफ्ट टर्म, $f$ ) और कोवेरिएंस मैट्रिक्स ( $V$ ) प्राप्त करते हैं।
- तुल्य प्रणालियाँ (Equivalent Systems): मानक SDE फॉर्मूलेशन $dX_t = f(t, X)dt + B(t, X)dW(t)$ के लिए $B = V^{1/2}$ आवश्यक है। लेखक नोट करते हैं कि एक बड़े $(2L+1) \times (2L+1)$ मैट्रिक्स के वर्ग मूल की गणना करना कम्प्यूटेशनल रूप से महंगा है और बड़े $L$ के लिए इसके स्पष्ट सूत्र उपलब्ध नहीं हैं।
- मैट्रिक्स डिकंपोजिशन: सीधे मैट्रिक्स वर्ग मूल की गणना से बचने के लिए, लेखक एक तुल्य फॉर्मूलेशन $dX_t = f(t, X)dt + H(t, X)dW^{**}(t)$ का उपयोग करते हैं, जहाँ $V = HH^T$ है। मैट्रिक्स $H$ को जन्म, मृत्यु, प्रवास और नाव की आवाजाही का प्रतिनिधित्व करने वाले ब्लॉक मैट्रिसेस का उपयोग करके स्पष्ट रूप से निर्मित किया गया है। यह दृष्टिकोण $V^{1/2}$ की गणना करने की आवश्यकता के बिना, $H$ की स्पष्ट संरचना का उपयोग करके सीधे $V^{1/2}$ की गणना करने के बोझ से बचता है। $L \ge 3$ के लिए, मैट्रिक्स $H$ के आयाम $(2L+1) \times (L+1)^2$ हैं, जिसका अर्थ है कि इसमें अवस्था आयाम की तुलना में अधिक कॉलम हैं, लेकिन इसका स्पष्ट निर्माण पूर्ण कोवेरिएंस मैट्रिक्स $V$ के संख्यात्मक बोझ को दरकिनार कर देता है।
- सामान्यीकरण: मॉडल को पहले $L=2$ साइटों के लिए विस्तार से बताया गया है और फिर $L \ge 3$ साइटों के लिए सामान्यीकृत किया गया है, जिसमें मछली की आबादी के लिए लॉजिस्टिक ग्रोथ और विशिष्ट कैचैबिलिटी दरों को शामिल किया गया है।
स्टोकेस्टिक ऑप्टिमाइज़ेशन:
- उद्देश्य फलन (Objective Function): लक्ष्य समय क्षितिज $[0, T]$ पर अपेक्षित कुल लाभ को अधिकतम करना है, जिसे राजस्व (पकड़ मूल्य $\times$ कैचैबिलिटी $\times$ बायोमास $\times$ प्रयास) और लागत (प्रति इकाई प्रयास लागत) के अंतर के रूप में परिभाषित किया गया है।
- बाधाएं: अनुकूलन व्युत्पन्न SDE गतिकी के अधीन है। एक स्टॉपिंग टाइम $\tau$ को स्टॉक के शून्य तक पहुँचने के पहले समय या समय $T$ के रूप में परिभाषित किया गया है, जो भी पहले हो।
- डायनेमिक प्रोग्रामिंग: इस समस्या को डायनेमिक प्रोग्रामिंग सिद्धांत का उपयोग करके हल किया जाता है, जो हैमिल्टन-जैकोबी-बेलमैन (HJB) समीकरण की ओर ले जाता है। वैल्यू फंक्शन $U(x, t)$ अधिकतम भविष्य के अपेक्षित लाभ का प्रतिनिधित्व करता है।
- नियंत्रण के लिए सरलीकरण: अनुकूलन चरण के लिए, लेखक डिफ्यूजन मैट्रिक्स $H$ को $H_1$ में सरल बनाते हैं, जिसमें नाव आंदोलन लागत और बिक्री से संबंधित शब्दों को बाहर रखा गया है, और केवल नियंत्रण चर (मछली पकड़ने का प्रयास) के लिए प्रासंगिक जैविक और कैच गतिकी पर ध्यान केंद्रित किया गया है।

प्रमुख योगदान

तुल्य SDE प्रणालियाँ: शोध पत्र एक मानक SDE फॉर्मूलेशन (जिसमें $V^{1/2}$ की आवश्यकता होती है) और एक वैकल्पिक फॉर्मूलेशन का उपयोग करके समानता स्थापित करता है जिसमें मैट्रिक्स $H$ का उपयोग किया जाता है जहाँ $V=HH^T$ है। यह विकल्प सैद्धांतिक रूप से सुदृढ़ है और संख्यात्मक रूप से अधिक कुशल है क्योंकि यह उच्च-आयामी प्रणालियों के लिए मैट्रिक्स वर्ग मूल की गणना करने के कम्प्यूटेशनल बोझ से बचकर ब्लॉक मैट्रिसेस से $H$ को स्पष्ट रूप से निर्मित करता है।
मल्टी-साइट स्टोकेस्टिक फ्रेमवर्क: लेखक एक व्यापक मल्टी-साइट मत्स्य पालन मॉडल विकसित करते हैं जो स्पष्ट रूप से साइटों और अपतटीय स्टॉक के बीच मछली के प्रवास के साथ-साथ मछली पकड़ने वाले जहाजों की आवाजाही को भी ध्यान में रखता है।
स्टोकेस्टिक ऑप्टिमाइज़ेशन समाधान: अध्ययन मल्टी-साइट मत्स्य पालन के लिए एक स्टोकेस्टिक ऑप्टिमल कंट्रोल समस्या को तैयार करता है और उसे हल करता है। SDE गतिकी को HJB समीकरण के साथ जोड़कर, लेखक अनिश्चितता के तहत लाभ को अधिकतम करने के लिए इष्टतम मछली पकड़ने के प्रयास की रणनीतियाँ प्राप्त करते हैं।

परिणाम

संख्यात्मक सत्यापन: लेखकों ने $L=2$ और $L=10$ साइटों के मामलों के लिए 500 सैंपल पाथ के साथ ऑयलर-मारुरामा (Euler-Maruyama) विधि का उपयोग करके संख्यात्मक सिमुलेशन किए।
समानता की पुष्टि: मानक फॉर्मूलेशन (मैट्रिक्स $B=V^{1/2}$ का उपयोग करते हुए) और प्रस्तावित फॉर्मूलेशन (मैट्रिक्स $H$ का उपयोग करते हुए) के बीच तुलना से पता चला कि बायोमास और मछली पकड़ने के प्रयासों के अपेक्षित मान लगभग समान थे। दोनों विधियों के बीच पूर्ण त्रुटियां कम थीं, जो सैद्धांतिक समानता और उच्च-आयामी प्रणालियों के लिए कम्प्यूटेशनल जटिलता को कम करने हेतु $H$ -फॉर्मूलेशन की उपयोगिता को प्रमाणित करती हैं।
ऑप्टिमाइज़ेशन परिणाम: HJB समीकरण के सिमुलेशन से पता चला कि वैल्यू फंक्शन स्टॉक और बायोमास स्तरों के साथ बढ़ता है लेकिन मछली पकड़ने के प्रयास के साथ घटता है। मॉडल द्वारा प्राप्त इष्टतम मछली पकड़ने के प्रयास की नीतियां दर्शाती हैं कि स्टोकेस्टिक झटकों की उपस्थिति में भी आर्थिक रिटर्न और पारिस्थितिक स्थिरता के बीच संतुलन बनाना संभव है।

महत्व और दावे
शोध पत्र का दावा है कि यह एक कठोर स्टोकेस्टिक ढांचे के माध्यम से सैद्धांतिक मॉडलिंग और संख्यात्मक दक्षता के बीच के अंतर को पाटकर मत्स्य प्रबंधन के क्षेत्र में योगदान देता है।

सैद्धांतिक योगदान: यह मल्टी-साइट प्रणालियों के लिए मानक SDE फॉर्मूलेशनों के मुकाबले एक गणितीय रूप से तुल्य लेकिन कम्प्यूटेशनल रूप से हल्का विकल्प प्रदान करता है, जिससे जटिल, उच्च-आयामी मत्स्य पालन का मॉडलिंग अधिक व्यवहार्य हो जाता है।
व्यावहारिक अनुप्रयोग: परिणाम बताते हैं कि आधुनिक मत्स्य पालन के लिए मजबूत नियंत्रण हेतु स्टोकेस्टिक ऑप्टिमाइज़ेशन विधियाँ आवश्यक हैं, जो अंतर्निहित अनिश्चितताओं का सामना कर रहे हैं। प्रस्तावित ढांचा अनुकूल हार्वेस्ट रणनीतियों और सतत मल्टी-साइट नीतियों के विकास का समर्थन करता है।
सीमाएं और भविष्य का कार्य: लेखक विनम्रतापूर्वक स्वीकार करते हैं कि उनका मॉडल स्थिर मापदंडों (जैसे प्रवास दर) को मानता है और इसमें आयु संरचना या जटिल प्रजाति अंतःक्रियाएं (शिकारी-शिकार) शामिल नहीं हैं। वे भविष्य के कार्य के रूप में पारिस्थितिकी तंत्र-आधारित प्रबंधन तक मॉडल का विस्तार करने, ट्रॉफिक अंतःक्रियाओं को शामिल करने और मत्स्य पालन मॉडल को जलवायु मॉडल के साथ जोड़ने का प्रस्ताव करते हैं। वे इस अध्ययन में उपयोग किए गए ऑयलर-मारुरामा विधि से परे उन्नत संख्यात्मक स्कीमा (जैसे मिलस्टीन, रनगे-कुटा) का पता लगाने का भी सुझाव देते हैं।

इसी तरह के और पेपर