💻 computer science

Breaking Penalty Plateaus with Quantum-Inspired Improved Particle Swarm Optimization

यह शोध पत्र एक क्वांटम-प्रेरित उन्नत पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (QI-PSO) प्रस्तावित करता है जो क्लासिकल वेलोसिटी-ड्रिवन मूवमेंट को बाउंडेड-पोटेंशियल क्वांटम डिस्प्लेसमेंट लॉज़ से बदल देता है ताकि कंस्ट्रेंड मल्टीमॉडल ऑप्टिमाइज़ेशन में पेनल्टी प्लेटो को प्रभावी ढंग से दूर किया जा सके, जो एक्सप्लोइटेशन-डोमिनेंट समस्याओं पर क्लासिकल दृष्टिकोण की श्रेष्ठता को बनाए रखते हुए कठिन बेंचमार्क पर महत्वपूर्ण त्रुटि न्यूनीकरण प्रदर्शित करता है।

मूल लेखक: Prashant Pandey, Raju Prajapati

प्रकाशित 2026-08-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Prashant Pandey, Raju Prajapati

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 आप एक विशाल, धुंधले परिदृश्य में सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं। यह ऑप्टिमाइज़ेशन (optimization) नामक विज्ञान की एक शाखा का दैनिक कार्य है, जहाँ कंप्यूटर कुशल पुलों के डिज़ाइन से लेकर एयरलाइन रूटों के शेड्यूलिंग तक, जटिल पहेलियों को हल करने की कोशिश करने वाले हाइकर (हाइकर) की तरह कार्य करते हैं। आमतौर पर, इन पहेलियों के कुछ नियम होते हैं, जैसे "आप समुद्र तल से नीचे नहीं जा सकते" या "आपको इस बाड़ के भीतर रहना होगा।" गणित को आसान बनाने के लिए, वैज्ञानिक अक्सर इन नियमों को एक "पेनल्टी सिस्टम" (जुर्माना प्रणाली) में बदल देते हैं: यदि कोई हाइकर सीमा से बाहर कदम रखता है, तो उसके स्कोर में भारी जुर्माना जोड़ दिया जाता है। लक्ष्य सबसे कम स्कोर (सर्वश्रेष्ठ समाधान) वाला स्थान खोजना है जबकि जुर्माने से बचना है।

सबसे लोकप्रिय तरीका पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (Particle Swarm Optimization - PSO) है। कल्पना कीजिए कि पक्षियों का एक झुंड भोजन की तलाश कर रहा है। प्रत्येक पक्षी याद रखता है कि उसे व्यक्तिगत रूप से कहाँ सबसे अच्छा भोजन मिला था, और पूरा झुंड उस सबसे अच्छे भोजन के स्थान को साझा करता है जो किसी के द्वारा भी खोजा गया हो। पक्षी इन अच्छे स्थानों की ओर उड़ते हैं, लेकिन वे अपनी पुरानी गति (जड़त्व/inertia) का एक छोटा सा हिस्सा और यादृच्छिक रूप से इधर-उधर (wiggle) भी बनाए रखते हैं। यह चिकनी पहाड़ियों पर बहुत अच्छा काम करता है। लेकिन क्या होता है जब परिदृश्य सपाट, धुंधले पठारों या गहरे, कठिन घाटियों से भरा होता? पक्षी फंस सकते हैं, एक ही स्थान के चारों ओर चक्कर लगा सकते हैं क्योंकि उनकी "गति" समाप्त हो जाती है, जिससे वे उस बेहतर घाटी तक पहुँचने में असमर्थ हो जाते हैं जो बस पहुँच से बाहर है। यह शोध पत्र पूछता है: क्या होगा यदि हम पक्षियों को थोड़ा टेलीपोर्ट (teleport) होने की सुपरपावर दे दें, ताकि वे फंस जाने की स्थिति में बच सकें?

फंसे हुए पक्षियों के लिए क्वांटम छलांग (The Quantum Leap for Stuck Birds)

इस अध्ययन में, शोधकर्ताओं प्रशांत पांडे और राजू प्रजापति ने "पक्षियों" (या कणों) को चलने का एक नया तरीका देने का निर्णय लिया। केवल अपनी पुरानी गति और दिशा पर निर्भर रहने के बजाय, उन्होंने क्वांटम भौतिकी से एक अवधारणा उधार ली। क्वांटम दुनिया में, कणों का एक एकल, निश्चित पथ नहीं होता; इसके बजाय, वे संभावना के बादल के रूप में मौजूद होते हैं। वे एक केंद्र के पास पाए जाने की सबसे अधिक संभावना रखते हैं, लेकिन हमेशा एक बहुत छोटी, गैर-शून्य संभावना होती है कि वे दूर भी दिखाई दे सकते हैं।

टीम ने एक मानक, उन्नत संस्करण वाले पक्षी-झुंड एल्गोरिदम (जिसे IPSO कहा जाता है) को लिया और "वेलोसिटी" (वेग) के नियमों को इन क्वांटम-प्रेरित आंदोलन नियमों (quantum-inspired movement laws) से बदल दिया। उन्होंने तीन अलग-अलग "क्वांटम क्षेत्रों" (जिन्हें लोरेंत्ज़, रोसेन-मोर्स और कूलम्ब-जैसे वर्गमूल के नाम से जाना जाता है) का परीक्षण किया ताकि यह देखा जा सके कि कौन सा क्षेत्र पक्षियों को सपाट, धुंधले जाल से बाहर निकलने में सबसे अधिक मदद करता है। इन क्षेत्रों को विभिन्न प्रकार के "जंपिंग स्प्रिंग्स" (कूदने वाले स्प्रिंग) के रूप में सोचें: कुछ सख्त होते हैं और पक्षी को करीब रखते हैं, जबकि अन्य ढीले होते हैं और दुर्लभ, लंबी दूरी की छलांग की अनुमति देते हैं।

मैदानी इलाकों से महान पलायन (The Great Escape from Flatlands)

शोधकर्ताओं ने अपने नए "क् menyebabkan क्वांटम-प्रेरित PSO" (QI-PSO) का दस अलग-अलग गणितीय परिदृश्यों पर परीक्षण किया, विशेष रूप से उन कठिन परिदृश्यों पर जो कई घाटियों और सपाट स्थानों से भरे हुए हैं। उन्होंने प्रत्येक परिदृश्य के लिए सिमुलेशन को 30 बार चलाया, जिसमें "पेनल्टी" (नियम कितने सख्त थे) के चार अलग-अलग स्तरों का उपयोग किया गया।

परिणाम दो दुनियाओं की कहानी थे:

मैदानी इलाके (सफलता की कहानी): कठिन, बहु-घाटी वाले परिदृश्यों (विशेष रूप से रास्ट्रिगिन (Rastrigin), हिमेलब्लौ (Himmelblau) और ग्रिवैंक (Griewank) फंक्शन) पर, पुराना तरीका अक्सर फंस जाता था। पक्षी एक स्थानीय निम्न बिंदु के चारों ओर चक्कर लगाते रहते थे, यह सोचकर कि यही सबसे निचला बिंदु है, जबकि एक गहरी घाटी धुंध के ठीक परे इंतज़ार कर रही थी। हालाँकि, क्वांटम संस्करणों ने पक्षियों को चलते रहने में मदद की। उन "संभावना स्प्रिंग्स" का उपयोग करके, पक्षी कभी-कभी एक नए क्षेत्र में लंबी, गैर-स्थानीय छलांग लगाने में सक्षम थे।
- उन 11 विशिष्ट मामलों में जहाँ पुराना तरीका संघर्ष कर रहा था, नए क्वांटम विधि ने त्रुटि (पूर्ण उत्तर से दूरी) को भारी 42.24% से 99.96% तक कम कर दिया।
- उदाहरण के लिए, उच्च पेनल्टी वाले रास्ट्रिगिन फंक्शन पर, नए तरीके ने त्रुटि को लगभग 99.96% तक कम कर दिया।
- एक छोटी सी समस्या: कभी-कभी, उस बड़ी छलांग को लगाने के लिए, पक्षी अस्थायी रूप से "बाड़" (नियमों) से बाहर निकल जाते थे। शोधकर्ताओं ने नोट किया कि जबकि नया तरीका बेहतर उत्तर पाता है, इसमें कभी-कभी पुराने तरीके की तुलना में नियमों के भीतर रहने की दर थोड़ी कम रही, हालांकि यह अभी भी बहुत करीब रहा।
चिकनी पहाड़ियाँ (यथास्थिति): आसान, चिकनी समस्याओं पर जहाँ पुराना तरीका पहले से ही नीचे तक पहुँचने में अच्छा था, वहां क्वांटम विधि ने ज्यादा मदद नहीं की। वास्तव में, रोसेनब्रॉक (Rosenbrock) या बूथ (Booth) जैसे फंक्शन पर, पुराना तरीका पहले से ही इतना सटीक था कि वह कंप्यूटर की मेमोरी की सूक्ष्म सीमाओं तक पहुँच गया था। यहाँ, क्वांटम छलांग केवल अतिरिक्त शोर (noise) की तरह थी। शोध पत्र स्पष्ट रूप से कहता है कि नया तरीका पुराने वाले का सार्वभौमिक प्रतिस्थापन नहीं है; यह एक विशेष उपकरण है जब खोज अटक जाती है।

निर्णय (The Verdict)

शोध पत्र निष्कर्ष निकालता है कि यह क्वांटम-प्रेरित आंदोलन एक शक्तिशाली "नियंत्रित गैर-स्थानीय खोज" (controlled nonlocal search) है। यह ऐसा है जैसे आप अपनी खोज टीम को एक मानचित्र देते हैं जिसमें लिखा है, "आप यहाँ होने की संभावना रखते हैं, लेकिन आप वहाँ भी हो सकते हैं," जो उन्हें उन धुंधले पठारों से बचने की अनुमति देता है जहाँ पारंपरिक तरीके फंस जाते हैं।

शोधकर्ताओं ने पाया कि अधिकांश मामलों में कूलम्ब-लाइक स्क्वायर रूट (CS) पोटेंशियल फील्ड सबसे सफल "स्प्रिंग" था, इसके बाद रोसेन-मोर्स और लोरेंत्ज़ फील्ड्स का स्थान आया। उन्होंने इन विधियों का मानक, बिना बाधा वाले पहेलियों पर भी परीक्षण किया और समान सुधार पाए, जिससे पता चलता है कि यह "क्वांटम जंप" का विचार कई क्षेत्रों में मदद कर सकता है जहाँ कंप्यूटर स्थानीय लूप में फंस जाते हैं।

अंततः, अध्ययन बताता है कि जबकि हमें अपने पुराने, भरोसेमंद खोज तरीकों को फेंकने की आवश्यकता नहीं है, एक "क्वांटम छिड़काव" (quantum sprinkle) जैसा यादृच्छिकता (randomness) का तत्व जटिल, कठिन दुनिया में बाधाओं को तोड़ने और वास्तविक सर्वोत्तम समाधान खोजने की कुंजी हो सकता है।

तकनीकी सारांश: क्वांटम-प्रेरित उन्नत कण स्वार्म ऑप्टिमाइज़ेशन (QI-PSO) के माध्यम से पेनल्टी प्लेटू (Penalty Plateaus) को तोड़ना

समस्या विवरण
यह शोध पत्र बाधाओं वाले गैर-रेखीय प्रोग्रामिंग समस्याओं (NLPPs) को हल करने के लिए पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO) का उपयोग करने की चुनौती को संबोधित करता है। बाधाओं को संभालने के लिए एक सामान्य रणनीति 'क्वाड्रेटिक पेनल्टी मेथड' है, जो एक पेनल्टी टर्म को ऑब्जेक्टिव फंक्शन में जोड़कर एक बाधित समस्या को अनबाधित समस्या में बदल देती है। हालांकि, दंडित परिदृश्यों (penalized landscapes) पर, विशेष रूप से मल्टीमॉडल फलनों (multimodal functions) में, मानक इम्प्रूव्ड पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (IPSO) एल्गोरिदम अक्सर "प्लेटो" (plateau) व्यवहार से ग्रस्त होते हैं। यह तब होता है जब स्वार्म का वेग-आधारित (velocity-based) संचलन स्थानीय आकर्षण क्षेत्रों (सक्षम या लगभग सक्षम बेसिनों) के आसपास अत्यधिक रूढ़िवादी हो जाता है। इन परिदृश्यों में, एल्गोरिदम अपनी अन्वेषण शक्ति (exploratory strength) खो देता है, जिससे वह वैश्विक समाधान खोजने के लिए स्थानीय इष्टतम (local optima) से बाहर निकलने में विफल रहता है, जबकि अभिसरण वक्र (convergence curve) सपाट हो जाता है या त्रुटि दर स्थिर हो जाती है।

कार्यप्रणाली
लेखक एक क्वांटम-प्रेरित उन्नत पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (QI-PSO) का प्रस्ताव करते हैं जो एक प्रतिनिधि IPSO बेसलाइन के अट्रैक्टर स्ट्रक्चर को बनाए रखता है लेकिन इसके संचलन तंत्र को मौलिक रूप से बदल देता है।

बेसलाइन: अध्ययन एक विशिष्ट IPSO फ्रेमवर्क (प्राजपति आदि पर आधारित) का उपयोग करता है जो एक कंस्ट्रिक्शन फैक्टर (constriction factor), रैखिक रूप से घटते जड़त्व (inertia), और संज्ञानात्मक (cognitive) एवं सामाजिक (social) खिंचाव को जोड़ने के लिए एक एकल यादृच्छिक संख्या का उपयोग करता है। यह बेसलाइन पेनल्टी-आधारित बाधित अनुकूलन के लिए एक पुनरुत्पादक मानक के रूप में कार्य करती है।
क्वांटम विस्थापन (Quantum Displacement): कणों के स्थान को एक नियतात्मक वेग वेक्टर ( $v_{t+1} = v_t + \dots$ $v_{t + 1} = v_{t} + \dots$ ) के माध्यम से अपडेट करने के बजाय, प्रस्तावित QI-PSO बाउंडेड पोटेंशियल फील्ड्स (bounded potential fields) से प्राप्त एक संभाव्य विस्थापन नियम (probabilistic displacement law) द्वारा वेग चरण को बदल देता है।
- अट्रैक्टर (Attractor): कण का संचलन एक स्थानीय अट्रैक्टर ( $a_{ij}$ ) के चारों ओर केंद्रित होता है, जो कण के व्यक्तिगत सर्वश्रेष्ठ (personal best) और स्वार्म के वैश्विक सर्वश्रेष्ठ (global best) का एक भारित संयोजन है।
- पोटेंशियल फील्ड्स (Potential Fields): विस्थापन परिमाण $D(u)$ $D (u)$ उत्पन्न करने के लिए तीन विशिष्ट बाउंडेड पोटेंशियल फील्ड्स का उपयोग किया जाता है, जहाँ $u$ $u$ एक यूनिफॉर्म रैंडम वेरिएबल है:
  - लोरेंत्ज़ (Lorentz - LR): एक भारी बीजगणितीय पूंछ (heavy algebraic tail) उत्पन्न करता है।
  - रोसेन-मोर्स (Rosen–Morse - RM): एक हाइपरबोलिक-सेकेंट प्रकार की पूंछ उत्पन्न करता है।
  - कूलम्ब-जैसे स्क्वायर-रूट (Coulomb-like Square-Root - CS): एक स्ट्रेच्ड-एक्सपोनेंशियल (stretched-exponential) पूंछ उत्पन्न करता है।
- तंत्र (Mechanism): नया स्थान $x_{t+1} = a_{ij} + s_{ij} |x_{ij} - m_j| D(u)$ के रूप में गणना किया जाता है, जहाँ $m_j$ स्वार्म का माध्य व्यक्तिगत सर्वश्रेष्ठ है और $s_{ij}$ एक यादृच्छिक दिशा है। यह आशाजनक क्षेत्रों की ओर आकर्षण (exploitation) बनाए रखते हुए गैर-स्थानीय उछाल (nonlocal jumps - exploration) की अनुमति देता है।
प्रायोगिक सेटअप: अध्ययन एक विशिष्ट IPSO फ्रेमवर्क का उपयोग करके दस 2D बाधित बेंचमार्क फलनों (रास्ट्रिगिन, हिमेलब्लौ और ग्रिएवांक सहित) पर बेसलाइन IPSO और तीन QI-PSO वेरिएंट (LR, RM, CS) का मूल्यांकन करता है। प्रयोग चार पेनल्टी स्थिरांकों ( $c \in \{10, 100, 1000, 10000\}$ ) और प्रत्येक सेटिंग के लिए 30 स्वतंत्र पुनरावृत्तियों के साथ आयोजित किए गए हैं।

प्रमुख योगदान

फॉर्मूलेशन: बाधा-आधारित बाधित NLPPs के लिए विशेष रूप से क्वांटम-एक्सप्लोरेटरी IPSO परिवार का विकास।
तंत्र प्रतिस्थापन: वेग-संचालित संचलन को लोरेंत्ज़, रोसेन-मोर्स और कूलम्ब-जैसे स्क्वायर-रूट क्वांटम विस्थापन नियमों के साथ बदलना।
सैद्धांतिक अंतर्दृष्टि: एक एक-चरणीय संभाव्य विश्लेषण यह प्रदर्शित करता है कि जबकि स्थानीय रूप से क्लस्टर्ड क्लासिकल IPSO का एक सीमित स्टेप साइज होता है (एक चरण में एक विशिष्ट त्रिज्या से बाहर निकलने की शून्य संभावना), QI-PSO किसी भी परिमित त्रिज्या के लिए गैर-स्थानीय संचलन की एक सख्त सकारात्मक संभावना बनाए रखता है, बशर्ते कि कण स्वार्म के माध्य पर न हो।
अनुभवजन्य मूल्यांकन: 40 फंक्शन-पेनल्टी संयोजनों पर एक व्यापक तुलना, जो उन विशिष्ट मामलों की पहचान करती है जहाँ क्वांटम संचलन क्लासिकल वेलोसिटी-आधारित खोज से बेहतर प्रदर्शन करता है।

परिणाम
परिणाम विशिष्ट परिदृश्यों में चयनात्मक लेकिन महत्वपूर्ण सुधार दर्शाते हैं:

प्लेटो ब्रेकथ्रू (Plateau Breakthrough): 40 फंक्शन-पेनल्टी मामलों में से 11 पर (जो मल्टीमॉडल रास्ट्रिगिन, हिमेलब्लौ और ग्रिएवांक पर केंद्रित हैं), सर्वश्रेष्ठ QI-PSO वेरिएंट ने IPSO बेसलाइन के मीन एब्सोल्यूट एरर (MAE) को 42.24% से 99.96% तक कम कर दिया।
व्यवहार्यता ट्रेड-ऑफ (Feasibility Trade-offs): रास्ट्रिगिन और ग्रिएवांक के कुछ मामलों में, ऑब्जेक्टिव एरर में कमी के साथ स्ट्रिक्ट-फिजिबिलिटी रेट में थोड़ी कमी आई, जो अन्वेषण (exploration) और स्ट्रिक्ट कंस्ट्रेंट सेटिफिकेशन के बीच एक ट्रेड-ऑफ को उजागर करती है।
अभिसरण व्यवहार (Convergence Behavior): अभिसरण वक्र दिखाते हैं कि QI-PSO वेरिएंट्स त्रुटि को कम करना जारी रखते हैं जब IPSO वक्र सपाट हो जाता है, जिससे वे उन प्लेटो क्षेत्रों को पार कर पाते हैं जहाँ क्लासिकल एल्गोरिदम फंस जाते हैं।
सीमाएं: उन एक्सप्लोइटेशन-डोमिनेंट समस्याओं (जैसे रोसेनब्रॉक, फ्लेचर, बूथ) पर, जहाँ IPSO बेसलाइन पहले से ही मशीन प्रिसिजन तक ज्ञात इष्टतम तक पहुँच जाता है, क्वांटम वेरिएंट कोई सुधार नहीं देते हैं और कभी-कभी अनावश्यक गैर-स्थानीय सैंपलिंग के कारण थोड़ा खराब प्रदर्शन करते हैं।
सामान्यीकरण (Generalization): विधि का परीक्षण अनबाउंडेड स्टैंडर्ड बेंचमार्क पर भी किया गया, जिसने विशिष्ट मल्टीमॉडल और उच्च-आयामी फलनों पर समान सुधार (76.36% से 99.97% एरर रिडक्शन) दिखाए, जो इसके बाधित टेस्ट सेट से परे व्यापक अनुप्रयोग की पुष्टि करते हैं।

महत्व और दावे
शोध पत्र का दावा है कि QI-PSO सभी PSO खोजों के लिए एक सार्वभौमिक प्रतिस्थापन नहीं है, बल्कि एक नियंत्रित गैर-स्थानीय खोज तंत्र (controlled nonlocal search mechanism) है जो विशेष रूप से प्लेटो-प्रोन (plateau-prone), मल्टीमॉडल बाधित परिदृश्यों के लिए प्रभावी है।

संतुलित व्यवहार: अध्ययन इस बात पर जोर देता है कि जब खोज पहले से ही एक्सप्लोइटेशन-डोमिनेंट है और मशीन प्रिसिजन तक अभिसरित हो चुकी है, तो क्लासिकल IPSO बेसलाइन अधिक उपयुक्त रहता है।
लक्षित उपयोगिता: क्वांटम-प्रेरित संचलन उन मामलों में सबसे मूल्यवान है जहाँ दंडित परिदृश्य (penalized landscape) में अलग-अलग आकर्षण बेसिन या सपाट क्षेत्र होते हैं जहाँ वेलोसिटी-आधारित विधियाँ रुक जाती हैं।
वैज्ञानिक प्रेरणा: पोटेंशियल फील्ड्स के उपयोग को क्वांटम हार्डवेयर के बारे में दावा नहीं, बल्कि एक सिद्धांत आधारित तरीके के रूप में प्रस्तुत किया गया है जो नियतात्मक वेग प्रसार (deterministic velocity propagation) को एक संभाव्य नियम से बदलने के लिए है, जो अन्वेषण के लिए नियंत्रणीय टेल व्यवहार (tail behavior) प्रदान करता है।

निष्कर्षतः, लेखक QI-PSO को कठिन बाधित अनुकूलन समस्याओं के लिए एक विशेष संवर्धन के रूप में प्रस्तुत करते हैं जहाँ मानक वेलोसिटी-आधारित विधियाँ स्थानीय आकर्षण क्षेत्रों से बाहर निकलने में संघर्ष करती हैं, जो व्यक्तिगत और वैश्विक सर्वश्रेष्ठ मेमोरी के शोषण लाभों को छोड़े बिना प्लेटो को पार करने के लिए एक संभाव्य तंत्र प्रदान करता है।

फंसे हुए पक्षियों के लिए क्वांटम छलांग (The Quantum Leap for Stuck Birds)

मैदानी इलाकों से महान पलायन (The Great Escape from Flatlands)

निर्णय (The Verdict)

इसी तरह के और पेपर