Blind Smart Navigator Optimizer (BSNO): A Bio-Inspired Hybrid Metaheuristic Algorithm for Expensive Black-Box Optimization

इंजीनियरिंग और वैज्ञानिक खोज की दुनिया में, शोधकर्ता अक्सर एक निराशाजनक विरोधाभास का सामना करते हैं: सबसे महत्वपूर्ण समस्याओं को हल करना सबसे महंगा भी होता है। कल्पना कीजिए कि आप एक नए हवाई जहाज के पंख या एक जटिल चिकित्सा उपकरण को डिजाइन करने की कोशिश कर रहे हैं। यह जानने के लिए कि क्या कोई डिज़ाइन काम करता है, आप केवल एक फॉर्मूले में नंबर नहीं डाल सकते; आपको एक विशाल कंप्यूटर सिमुलेशन चलाना होगा जिसे पूरा होने में घंटों या यहाँ तक कि दिन भी लग सकते हैं। इन समस्याओं को "ब्लैक-बॉक्स" चुनौतियाँ कहा जाता है क्योंकि इनके आंतरिक कार्य छिपे हुए होते हैं, और उत्तर प्राप्त करने का एकमात्र तरीका कंप्यूटर को परीक्षण चलाने के लिए कहना है। जब एक एकल परीक्षण में इतना समय लगता है, तो आप बेतरतीब ढंग से अनुमान लगाने या लाखों यादृच्छिक विविधताओं को आज़माने का खर्च नहीं उठा सकते। आपको एक ऐसे मार्गदर्शक की आवश्यकता है जो अविश्वसनीय रूप से कुशल हो, जो जानता हो कि बिना एक भी कीमती कंप्यूटिंग घंटा बर्बाद किए आगे कहाँ देखना है।

द दशकों से, वैज्ञानिकों ने इसे प्रकृति की नकल करने वाले एल्गोरिदम बनाकर हल करने की कोशिश की है, जैसे कि पक्षियों के झुंड में उड़ने या विकासवाद द्वारा सबसे योग्य लक्षणों को चुनने का तरीका। हालांकि ये विधियाँ कई कार्यों के लिए अच्छी तरह से काम करती हैं, लेकिन वे अक्सर तब संघर्ष करती हैं जब प्रत्येक परीक्षण की लागत बहुत अधिक होती है। वे एक स्थानीय अच्छे स्थान में फंस सकते हैं, यह सोचकर कि यही सबसे अच्छा संभव समाधान है, या वे बिना किसी दिशा के भटक सकते हैं, जिससे सीमित परीक्षणों का उपयोग व्यर्थ हो जाता है। चुनौती एक ऐसा सिस्टम बनाने की थी जो केवल एक यादृच्छिक खोज न हो, बल्कि एक स्मार्ट, अनुकूलन योग्य प्रक्रिया हो जो हर कदम से सीखती हो, पिछली गलतियों को याद रखती हो, और जानती हो कि जोखिम कब लेना है।

एक नया दृष्टिकोण, जिसे बेहबान खतम अलनिया यूनिवर्सिटी ऑफ टेक्नोलॉजी के माजिद दहरमीराकी द्वारा विकसित किया गया है, एक अलग तरह की प्रेरणा प्रदान करता है। पक्षियों या बैक्टीरिया को देखने के बजाय, शोधकर्ता ने इस बात पर ध्यान दिया कि एक दृष्टिहीन व्यक्ति एक अपरिचित, ऊबड़-खाबड़ वातावरण में कैसे नेविगेट करता है। इसके परिणामस्वरूप विकसित प्रणाली, जिसे 'ब्लाइंड स्मार्ट नेविगेटर ऑप्टिमाइज़र' (Blind Smart Navigator Optimizer) कहा जाता है, एक कंप्यूटर प्रोग्राम है जिसे एक दृष्टिहीन यात्री की सावधानीपूर्वक, चरण-दर-चरण निर्णय लेने की प्रक्रिया की नकल करके इन महंगी, कठिन समस्याओं को हल करने के लिए डिज़ाइन किया गया है। अध्ययन बताता है कि मानव नेविगेशन की भौतिक और संज्ञानात्मक रणनीतियों को गणितीय नियमों में अनुवादित करके, यह एल्गोरिदम वर्तमान तरीकों की तुलना में बहुत कम बर्बाद किए गए परीक्षणों के साथ और तेज़ी से बेहतर समाधान पा सकता है।

इस नए एल्गोरिदम के पीछे का मूल विचार यह है कि अज्ञात में नेविगेट करने के लिए विशिष्ट क्रियाओं के क्रम की आवश्यकता होती है: तत्काल परिवेश को महसूस करना, एक चाल का निर्णय लेना, आपने कहाँ से यात्रा की है उसे याद रखना, और कभी-कभी मदद मांगना। कंप्यूटर संस्करण में, "यात्री" (वॉकर) संभावित समाधानों के परिदृश्य के माध्यम से घूमने वाला एक आभासी एजेंट है। चूंकि एजेंट पूरे मानचित्र को देख नहीं सकता, इसलिए वह एक "सफेद छड़ी" (वाइट केन) की रणनीति का उपयोग करता है। वास्तविक दुनिया में, एक दृष्टिहीन व्यक्ति आगे जमीन को महसूस करने के लिए अपनी छड़ी से थपथपाता है। एल्गोरिदम में, यह पहले से मूल्यांकित बिंदुओं के एक छोटे सेट का उपयोग करके एक स्थानीय सरोगेट मॉडल (surrogate model) बनाकर किया जाता है। यह कंप्यूटर को हर एक कदम के लिए महंगे, घंटों लंबे सिमुलेशन को चलाए बिना, वर्तमान स्थिति के ठीक बगल में इलाके के ढलान का अनुमान लगाने की अनुमति देता है। यह पूर्ण, महंगी परीक्षा तभी चलाता है जब 'आर्मिजो कंडीशन' (Armijo condition) यह पुष्टि करती है कि वह कदम उद्देश्य फलन (objective function) में पर्याप्त कमी लाता है।

एक बार जब एजेंट को दिशा का पता चल जाता है, तो उसे यह तय करना होता है कि कितनी लंबी छलांग लगानी है। एक दृष्टिहीन यात्री हर जगह एक ही आकार के कदम नहीं लेता है; वे चिकनी, सुरक्षित जमीन पर लंबे, आत्मविश्वासी कदम उठाते हैं, लेकिन जब उन्हें कोई बाधा या ऊबड़-खाबड़ हिस्सा महसूस होता है, तो वे अपने कदमों को छोटा कर देते हैं। नया एल्गोरिदम इसे स्वचालित रूप से अपने कदम के आकार को समायोजित करके नकल करता है। यदि पथ सुसंगत और आशाजनक दिखता है, तो यह तेज़ी से आगे बढ़ता है। यदि इलाका अस्थिर या अनिश्चित महसूस होता है, तो यह धीमा हो जाता है और छोटे, सुरक्षित कदम उठाता है। यह सिस्टम को एक अच्छे समाधान को पार करने या किसी कठिन जगह में फंसने से रोकता है। इसके अलावा, एजेंट उन स्थानों का एक मानसिक मानचित्र रखता है जहाँ उसने पहले प्रयास किया और विफल रहा। यदि वह खुद को एक लूप में फंसा हुआ पाता है, जो बार-बार एक ही मृत अंत को आजमा रहा है, तो वह इसे याद रखता है और खुद को पूरी तरह से एक नए क्षेत्र में जाने के लिए मजबूर करता है, यह सुनिश्चित करता है कि वह अनुत्पादक क्षेत्रों को दोबारा देखने में समय बर्बाद न करे।

यह प्रणाली सामाजिक शिक्षण (social learning) का एक रूप भी शामिल करती है। जिस तरह एक दृष्टिहीन व्यक्ति व्यापक परिप्रेक्ष्य प्राप्त करने के लिए राहगीर से दिशा पूछ सकता है, उसी तरह यह एल्गोरिदम अपने आभासी एजेंटों को जानकारी साझा करने की अनुमति देता है। यदि एक एजेंट को विशेष रूप से आशाजनक स्थान मिलता है, तो अन्य एजेंट उस स्थान की ओर बढ़ने के लिए अपने पथ को समायोजित करते हैं। यह सामूहिक मार्गदर्शन पूरे समूह को एक ही स्थानीय घाटी में फंसने के बजाय कुशलतापूर्वक सर्वोत्तम समाधान की ओर ले जाने में मदद करता है। एक गहरे गड्ढे में फंसने के जोखिम को संभालने के लिए, जो नीचे की ओर लग रहा है लेकिन वास्तव में नहीं है, एल्गोरिदम में एक तंत्र शामिल है जो कभी-कभी एक ऐसा कदम स्वीकार करता है जो वर्तमान से बदतर दिखता है। यह एक यात्री के निर्णय के समान है जो एक कठिन, चढ़ाई वाले रास्ते पर जाने का फैसला करता है क्योंकि यह बाद में बेहतर दृश्य की ओर ले जा सकता है।

शोधकर्ताओं ने इस नई पद्धति का परीक्षण कई स्थापित अनुकूलन तकनीकों के विरुद्ध किया, जिसमें जेनेटिक एल्गोरिदम और पार्टिकल स्वार्म ऑप्टिमाइज़ेशन शामिल हैं, जिसमें मानक गणितीय चुनौतियों का एक सेट उपयोग किया गया था जो हल करने के लिए कठिन मानी जाती हैं। इन परीक्षणों में विभिन्न स्तरों की जटिलता और आयामों वाली समस्याएं शामिल थीं। परिणाम दर्शाते हैं कि ब्लाइंड स्मार्ट नेविगेटर ऑप्टिमाइज़र ने अन्य तरीकों की तुलना में लगातार बेहतर समाधान खोजे, विशेष रूप से जैसे-जैसे समस्याएं अधिक जटिल होती गईं। यह उच्च-गुणवत्ता वाले उत्तरों तक तेज़ी से और प्रदर्शन में कम भिन्नता के साथ पहुँचा, जिसका अर्थ है कि यह विभिन्न प्रकार की समस्याओं के लिए अधिक विश्वसनीय था। सांख्यिकीय विश्लेषण ने पुष्टि की कि ये सुधार संयोग के कारण नहीं थे, बल्कि इस नए दृष्टिकोण का एक वास्तविक परिणाम थे।

जो इस कार्य को विशेष रूप से महत्वपूर्ण बनाता है वह केवल इसका अच्छा प्रदर्शन करना नहीं है, बल्कि यह है कि यह उस प्रदर्शन को कैसे प्राप्त करता है। कई आधुनिक एल्गोरिदम के विपरीत जो केवल विभिन्न तकनीकों का एक यादृच्छिक मिश्रण हैं, यह सिस्टम एक एकल, सुसंगत कहानी पर आधारित है। कोड के हर हिस्से के अस्तित्व का एक स्पष्ट कारण है, जो सीधे एक दृष्टिहीन व्यक्ति के व्यवहार से जुड़ा है जिसका उपयोग वह दुनिया में नेविगेट करने के लिए करता है। यह एल्गोरिदम को समझना और समझाना आसान बनाता है। यह "ब्लैक बॉक्स के भीतर ब्लैक बॉक्स" नहीं है; यह एक पारदर्शी प्रक्रिया है जहाँ खोज का तर्क उतना ही स्पष्ट है जितना कि एक अंधेरे कमरे में चलते हुए मानव का तर्क।

अध्ययन यह निष्कर्ष निकालता है कि यह मानव-प्रेरित ढांचा विशेष रूप से उन समस्याओं के लिए शक्तिशाली है जहाँ प्रत्येक कंप्यूटर परीक्षण में बहुत समय और पैसा खर्च होता है। अनावश्यक परीक्षणों से बचने के लिए स्मार्ट अनुमानों का उपयोग करके, पिछली विफलताओं को याद रखकर, और सावधानी एवं अन्वेषण के बीच संतुलन बनाकर, यह एल्गोरिदम कठिन इंजीनियरिंग और वैज्ञानिक समस्याओं को पहले की तुलना में अधिक कुशलता से हल करने में सक्षम है। जबकि वर्तमान संस्करण इसके व्यवहार के लिए निश्चित सेटिंग्स का उपयोग करता है, शोधकर्ता सुझाव देते हैं कि भविष्य का कार्य इसे और भी स्मार्ट बना सकता है, जिससे यह उस विशिष्ट समस्या के बारे में अधिक सीखकर अपनी रणनीतियों को स्वयं समायोजित करने में सक्षम हो सके। फिलहाल, ब्लाइंड स्मार्ट नेविगेटर ऑप्टिमाइज़र इस बात का प्रमाण है कि मानव व्यवहार को देखना, यहाँ तक कि सबसे चुनौतीपूर्ण संवेदी सीमाओं के तहत भी, दुनिया की सबसे कठिन कम्प्यूटेशनल पहेलियों को हल करने के लिए एक शक्तिशाली ब्लूप्रिंट प्रदान कर सकता है।