A Future Search Optimization based Hybrid Meta-Heuristic Algorithm for Pandemic Spread and Mortality Prediction

सार्वजनिक स्वास्थ्य की जटिल दुनिया में, भविष्य की भविष्यवाणी करना अक्सर जीवन और मृत्यु का मामला होता है। जब कोई वायरस फैलता है, तो सरकारों को न केवल यह जानने की आवश्यकता होती है कि आज कितने लोग बीमार हैं, बल्कि यह भी कि कल कितने बीमार हो सकते हैं। यह टाइम-सीरीज मॉडलिंग का क्षेत्र है, जो भविष्य में क्या होने वाला है, इसका पूर्वानुमान लगाने के लिए पिछले पैटर्न को देखने की एक विधि है। दशकों से, वैज्ञानिक डेटा बिंदुओं के माध्यम से रेखाएं खींचने के लिए सांख्यिकीय उपकरणों का उपयोग करते रहे हैं, इस उम्मीद में कि वे आने वाली चीजों के आकार को देख सकें। हालांकि, बीमारी का प्रसार शायद ही कभी एक सीधी रेखा होती है; यह मानव व्यवहार, नीतिगत परिवर्तनों और जैविक कारकों से प्रभावित एक अराजक, परिवर्तनशील घटना है। इस जटिलता से निपटने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है, विशेष रूप से एक प्रकार के कंप्यूटर प्रोग्राम की ओर जिसे न्यूरल नेटवर्क कहा जाता है। एक न्यूरल नेटवर्क को एक डिजिटल मस्तिष्क के रूप में समझें जो उदाहरणों से सीखता है, अपने आंतरिक कनेक्शनों को तब तक समायोजित करता है जब है जब वह उन पैटर्नों को पहचान सके जिन्हें पारंपरिक गणित शायद छोड़ दे। फिर भी, ये डिजिटल मस्तिष्क भी अटक सकते हैं या गलतियाँ कर सकते हैं यदि उन्हें सही ढंग से निर्देशित नहीं किया गया। यहीं पर समस्या-समाधान के उपकरणों का एक नया वर्ग आता है, जिसे मेटा-ह्यूरिस्टिक एल्गोरिदम के रूप में जाना जाता है। ये प्रकृति से प्रेरित कम्प्यूटेशनल रणनीतियाँ हैं—जैसे कि पक्षियों का झुंड बनाना या व्हेल का शिकार करना—जो कंप्यूटर को सर्वोत्तम संभव समाधान खोजने के लिए व्यापक संभावनाओं के माध्यम से खोजने में मदद करती हैं, जिससे वे मृत अंतों और स्थानीय बाधाओं से बच सकें।

इस तत्काल आवश्यकता और तकनीकी नवाचार की पृष्ठभूमि में, तेहरान में खतम यूनिवर्सिटी के एक शोधकर्ता ने कोविड-19 महामारी के घातक प्रभाव की भविष्यवाणी करने के तरीके को परिष्कृत करने का लक्ष्य रखा। नीदरलैंड पर ध्यान केंद्रित करते हुए, जो संक्रमण की महत्वपूर्ण लहरों का अनुभव कर चुका था, अध्ययन ने फरवरी 2020 में प्रकोप की शुरुआत से अप्रैल 2021 तक के दैनिक मृत्यु रिकॉर्ड का विश्लेषण किया। लक्ष्य केवल मृतकों की गिनती करना नहीं था, बल्कि एक अधिक सटीक पूर्वानुमान मशीन बनाना था। शोधकर्ता ने कंप्यूटर को दैनिक मृत्यु संख्या से प्राप्त डेटा बिंदुओं की एक विस्तृत श्रृंखला फीड करके शुरुआत की। केवल मृत्यु की कच्ची संख्या का उपयोग करने के बजाय, टीम ने इस डेटा को सोलह अलग-अलग गणितीय संकेतकों में बदल दिया, ठीक वैसे ही जैसे एक वित्तीय विश्लेषक स्टॉक की कीमतों की भविष्यवाणी करने के लिए मूविंग एवरेज या मोमेंटम को देख सकता है। इन संकेतकों ने कंप्यूटर को रुझानों, परिवर्तन की गति और महामारी के वक्र की अस्थिरता को देखने में मदद की। यह सुनिश्चित करने के लिए कि कंप्यूटर अनावश्यक जानकारी से अभिभूत न हो जाए, शोधकर्ता ने एक जेनेटिक एल्गोरिदम का उपयोग किया, जो जैविक विकास की नकल करता है, ताकि डेटा को छाँटा जा सके और अंतिम मॉडल के लिए केवल सबसे प्रासंगिक संकेतकों का चयन किया जा सके।

डेटा तैयार होने के साथ, अध्ययन ने भविष्यवाणी मॉडल को प्रशिक्षित करने के कई अलग-अलग तरीकों का परीक्षण किया। आधार रेखा एक मानक आर्टिफिशियल न्यूरल नेटवर्क थी, जो अपने आप में एक शक्तिशाली उपकरण है। हालांकि, शोधकर्ता ने फिर चार अलग-अलग मेटा-ह्यूरिस्टिक एल्गोरिदम पेश किए यह देखने के लिए कि क्या वे न्यूरल नेटवर्क को एक बेहतर उत्तर तक ले जा सकते हैं। इनमें मॉथ-फ्लेम ऑप्टिमाइज़ेशन (Moth-Flame Optimization) शामिल था, जो यह सिम्युलेट करता है कि पतंगे प्रकाश द्वारा कैसे रास्ता खोजते हैं; व्हेल ऑप्टिमाइज़ेशन एल्गोरिदम (Whale Optimization Algorithm), जो हम्पबैक व्हेल की बबल-नेट शिकार रणनीति का मॉडल बनाता है; गीज़ा पिरामिड कंस्ट्रक्शन (Giza Pyramids Construction) एल्गोरिदम, जो एक ढलान पर भारी पत्थरों को ऊपर ले जाने के भौतिकी से प्रेरित है; और फ्यूचर सर्च ऑप्टिमाइज़ेशन (Future Search Optimization) नामक एक नया तरीका। यह अंतिम एल्गोरिदम अपने दृष्टिकोण में अद्वितीय है, जो यह मॉडल करता है कि समाज में लोग सबसे सफल व्यक्तियों का अनुकरण करके अपने जीवन को बेहतर बनाने का प्रयास कैसे करते हैं, और लगातार एक वैश्विक आदर्श की ओर अपने पथ को समायोजित करते हैं। कंप्यूटर को इन विभिन्न रणनीतियों को हजारों बार चलाने के लिए कहा गया, जिसमें हर बार अपनी भविष्यवाणी और वास्तविक ऐतिहासिक डेटा के बीच के अंतर को कम करने का प्रयास किया गया।

इस व्यापक डिजिटल प्रयोग के परिणाम स्पष्ट और निर्णायक थे। जबकि मानक न्यूरल नेटवर्क ने एक औसत पूर्वानुमान प्रदान किया, लेकिन प्रकृति से प्रेरित मार्गदर्शन का उपयोग करने वाले एल्गोरिदम ने इसे पीछे छोड़ दिया। परीक्षण किए गए विभिन्न तरीकों में से, फ्यूचर सर्च ऑप्टिमाइज़ेशन एल्गोरिदम सबसे सटीक उपकरण के रूप में उभरा। इसने सटीकता का एक ऐसा स्तर प्राप्त किया जो अन्य तरीकों, जिनमें व्हेल और मॉथ से प्रेरित रणनीतियाँ शामिल हैं, की तुलना में कई गुना बेहतर था। अध्ययन ने पाया कि यह एल्गोरिदम महामारी के अराजक डेटा के माध्यम से सटीकता के उस स्तर के साथ नेविगेट कर सकता था जिसे अन्य मॉडल नहीं छू सके, प्रभावी रूप से दैनिक उतार-चढ़ाव के शोर के बीच इष्टतम पथ खोज सकता था। शोध ने प्रदर्शित किया कि न्यूरल नेटवर्क की पैटर्न-पहचान शक्ति को इन उन्नत एल्गोरिदम की रणनीतिक खोज क्षमता के साथ जोड़कर, एक ऐसा मॉडल बनाना संभव है जो तेज़ और अधिक सटीक दोनों हो। अध्ययन निष्कर्ष निकालता है कि भविष्य की महामारियों के लिए, इन हाइब्रिड तरीकों पर भरोसा करने से सरकारों को समय पर निर्णय लेने के लिए आवश्यक विश्वसनीय दूरदर्शिता मिल सकती है, जो समय पर और अधिक प्रभावी हस्तक्षेपों की अनुमति देकर संभावित रूप से जीवन बचा सकती है। यह कार्य सुझाव देता है कि बीमारी के प्रसार के भविष्य को समझने की कुंजी न केवल अतीत को देखने में है, बल्कि उसे व्याख्या करने के लिए सही कम्प्यूटेशनल उपकरणों का उपयोग करने में है।