Residual-Guided Simulated Annealing for Multi-Dimensional Subset Sum

कंप्यूटर विज्ञान की दुनिया में, 'सबसेट सम प्रॉब्लम' (subset sum problem) के रूप में जानी जाने वाली पहेलियों की एक श्रेणी है। कल्पना कीजिए कि आपके पास वस्तुओं का एक बड़ा संग्रह है, जिनमें से प्रत्येक का एक विशिष्ट वजन है, और आपसे उन वस्तुओं का एक समूह खोजने के लिए कहा जाता है जिनका कुल योग एक सटीक लक्ष्य संख्या के बराबर हो। यह कार्य तब सरल लगता है जब केवल एक ही लक्ष्य को प्राप्त करना हो, लेकिन जब आपको एक ही समय में कई अलग-अलग लक्ष्यों को पूरा करना होता है, तो इसकी कठिनाई अत्यधिक बढ़ जाती है। इस कठिन संस्करण को 'मल्टी-डायमेंशनल सबसेट सम प्रॉब्लम' (multi-dimensional subset sum problem), या शोध समुदाय में "मार्केट स्प्लिट" (Market Split) समस्या कहा जाता है। यह एक कंप्यूटर से वस्तुओं के एक सेट को दो समूहों में विभाजित करने के लिए कहता है ताकि प्रत्येक समूह का कुल वजन कई श्रेणियों में लक्ष्यों के एक विशिष्ट सेट के अनुरूप हो। ये पहेलियाँ केवल शैक्षणिक अभ्यास नहीं हैं; वे अनुकूलन (optimization) की एक मौलिक चुनौती का प्रतिनिधित्व करती हैं, जो इस बात का परीक्षण करती हैं कि कंप्यूटर कितनी अच्छी तरह जटिल संभावनाओं के परिदृश्यों में नेविगेट करके एक सटीक फिट पा सकते हैं। दशकों से, शोधकर्ता इन समस्याओं के साथ संघर्ष कर रहे हैं क्योंकि संभावित संयोजनों की संख्या इतनी तेजी से बढ़ती है कि सबसे शक्तिशाली सुपरकंप्यूटर भी भटक जाते हैं, और अरबों गलत मोड़ों के बीच एक एकल सटीक समाधान खोजने में असमर्थ हो जाते हैं।

भारत में 'ब्लॉक क्वांटम' (Bloq Quantum) के एक शोधकर्ता, श्रीकुट्टन एल. एस. ने हाल ही में इस चुनौती को एक नए दृष्टिकोण के साथ हल किया है, जिसे सटीक उत्तर खोजने के बजाय, तब तक बहुत करीब पहुँचने के लिए डिज़ाइन किया गया है जब तक कि सटीक उत्तर पहुंच से बाहर हो। यह अध्ययन अनुकूलन विधियों का परीक्षण करने के लिए उपयोग किए जाने वाले एक मानक पुस्तकालय के एक विशिष्ट कठिन पहेली सेट पर केंद्रित है। हर संभावना की जांच करके समस्या को हल करने के बजाय, जो बड़े सेटों के लिए असंभव है, शोधकर्ता ने 'रेसिड्यूअल-गाइडेड सिम्युलेटेड एनीलिंग' (Residual-Guided Simulated Annealing) नामक एक विधि विकसित की है। इसे समझने के लिए, कल्पना कीजिए कि आप एक तराजू को कई अलग-अलग भारों के साथ संतुलित करने की कोशिश कर रहे हैं। यदि तराजू एक तरफ झुका हुआ है, तो आप जानते हैं कि आपको कितने वजन की कमी है। यह विधि उस "कमी वाली राशि", या त्रुटि (error) का उपयोग अपने अगले कदम को निर्देशित करने के लिए करती है। जब कंप्यूटर अपने वर्तमान समूह में एक वस्तु को दूसरी वस्तु से बदलने का निर्णय लेता है, तो वह यादृच्छिक (randomly) रूप से चयन नहीं करता है। इसके बजाय, वह ठीक से गणना करता है कि नया आइटम त्रुटि को समाप्त करने के लिए क्या होना चाहिए और फिर उस उपलब्ध आइटम की तलाश करता है जो उस आदर्श प्रतिस्थापन के सबसे करीब आता है। यह एक स्मार्ट, दिशात्मक खोज है जो लगातार इस आधार पर अपना मार्ग सुधारती है कि वह लक्ष्य से कितनी दूर है।

शोधकर्ता ने इस नई विधि का परीक्षण पुराने, अधिक यादृच्छिक दृष्टिकोणों और कई अन्य शक्तिशाली कंप्यूटर प्रोग्रामों के विरुद्ध किया। प्रयोगों को मार्केट स्प्लिट पहेली के आठ विभिन्न संस्करणों पर चलाया गया था, जो छोटे, प्रबंधनीय आकार से लेकर एक प्रमुख संस्करण तक, जिसे अत्यंत कठिन माना जाता है। परीक्षण के पहले दौर में, इस नई विधि की तुलना उस संस्करण से की गई जिसमें त्रुटि का उपयोग करके चयन करने के बजाय यादृच्छिक बदलाव (random swaps) किए गए थे। परिणामों ने गाइडेड (निर्देशित) दृष्टिकोण के लिए स्पष्ट लाभ दिखाया। सबसे कठिन परीक्षण मामले में, यादृच्छिक विधि ने औसतन लगभग 104 यूनिट की त्रुटि छोड़ी, जबकि नई गाइडेड विधि ने उस त्रुटि को घटाकर लगभग 100 यूनिट कर दिया। हालांकि यह अंतर छोटा लग सकता है, लेकिन इन पहेलियों के संदर्भ में, यह एक ऐसे समाधान को खोजने में महत्वपूर्ण सुधार का प्रतिनिधित्व करता है जो पूर्ण होने के बहुत करीब है। अध्ययन ने एक पूर्ण पाइपलाइन का भी परीक्षण किया जिसमें इस गाइडेड विधि के साथ कुछ अन्य सहायक चरण शामिल थे, जिसने औसत त्रुटि को और कम करके लगभग 100.37 यूनिट कर दिया। महत्वपूर्ण रूप से, इस प्रारंभिक चरण के किसी भी रन ने सटीक समाधान नहीं पाया, लेकिन गाइडेड विधि ने लगातार यादृच्छिक प्रयासों की तुलना में लक्ष्य के बहुत करीब परिणाम दिए।

यह देखने के लिए कि यह विधि व्यापक प्रतिस्पर्धा में कैसे टिकी रहती है, शोधकर्ता ने अध्ययन का विस्तार किया ताकि इसमें समय की सीमाओं की एक विस्तृत श्रृंखला को शामिल किया जा सके और इस नई विधि की तुलना छह अन्य स्थापित सॉल्वर (solvers) के साथ की जा सके, जिनमें कुछ सटीक उत्तर खोजने के लिए डिज़ाइन किए गए सॉल्वर भी शामिल हैं। परीक्षण 25 सेकंड की सख्त समय सीमा के साथ किए गए थे। इस दौड़ में, नई गाइडेड विधि अत्यधिक विश्वसनीय साबित हुई। जबकि अन्य कई शक्तिशाली सॉल्वर समय सीमा के भीतर कोई उपयोगी उत्तर देने में विफल रहे, गाइडेड विधि ने लगातार एक परिणाम प्रस्तुत किया। जब समय सीमा बढ़ाकर 300 सेकंड कर दी गई, तो गाइडेड विधि में सुधार जारी रहा, और इसने 36.54 यूनिट की मध्यिका (median) त्रुटि तक पहुँच बनाई। इसकी तुलना में, एक अलग प्रकार की यादृच्छिक खोज पर आधारित विधि ने 263.46 यूनिट की त्रुटि दर्ज की, और एक अन्य लोकप्रिय जेनेटिक एल्गोरिदम 72.27 यूनिट पर स्थिर रहा। गाइडेड विधि अपने प्रतिस्पर्धियों की तुलना में लक्ष्य के काफी करीब समाधान खोजने में सक्षम रही, भले ही उसने सटीक उत्तर खोजने का दावा नहीं किया।

अध्ययन एक सटीक समाधान खोजने और एक बहुत अच्छा समाधान खोजने के बीच स्पष्ट अंतर करता है। शोधकर्ता स्पष्ट रूप से कहते हैं कि यह विधि यह सिद्ध नहीं करती है कि एक सटीक समाधान मौजूद है या नहीं, बल्कि यह केवल एक ऐसा समाधान ढूंढती है जो पूर्ण के बहुत करीब है। इन पहेलियों की दुनिया में, एक "परफेक्ट" समाधान का अर्थ है कि संख्याएँ बिल्कुल मेल खाती हैं, जबकि एक "नियर-फिजिबल" (near-feasible) समाधान का अर्थ है कि वे बहुत करीब हैं। यह नई विधि बहुत जल्दी 'नियर-परफेक्ट' समाधान खोजने में उत्कृष्ट है। यह एक कंप्यूटर को उस बिंदु तक पहुँचाने के लिए एक शक्तिशाली उपकरण के रूप में कार्य करती है जहाँ वह उत्तर के बहुत करीब हो, जिसका उपयोग बाद में अन्य विधियों के लिए शुरुआती बिंदु के रूप में किया जा सकता है जो अंततः सटीक समाधान खोज सकती हैं। अनुसंधान इस बात पर प्रकाश डालता है कि इन पहेलियों के सबसे कठिन संस्करणों के लिए, जहाँ सटीक सॉल्वर अक्सर समय या मेमोरी की कमी के कारण रुक जाते हैं, यह गाइ引导 (निर्देशित) दृष्टिकोण कुछ ही सेकंडों में लक्ष्य के बहुत करीब पहुँचने का एक विश्वसनीय तरीका प्रदान करता है।

निष्कर्ष बताते हैं कि खोज को निर्देशित करने के लिए गणना में त्रुटि (error) का उपयोग करना एक अत्यधिक प्रभावी रणनीति है। यह देखने के बाद कि क्या कमी है और उस आइटम की तलाश करके जो उस अंतर को सबसे अच्छी तरह से भरता है, कंप्यूटर उस निरर्थक भटकने से बच जाता है जो पुराने यादृच्छिक तरीकों की विशेषता है। यह दृष्टिकोण सटीक उत्तर की आवश्यकता होने पर सटीक सॉल्वर की जगह नहीं लेता है, बल्कि यह सबसे कठिन मामलों को संभालने के लिए एक मजबूत और पारदर्शी तरीका प्रदान करता है जहाँ सटीक विधियाँ संघर्ष करती हैं। अध्ययन का निष्कर्ष है कि इन विशिष्ट कठिन पहेलियों के लिए, गाइडेड विधि लगातार कम-त्रुटि वाले परिणाम देती है जो सत्यापित और पुनरुत्पादित (reproducible) योग्य हैं। यह इन समस्याओं को दृष्टिकोण देने के लिए एक नया आधार प्रदान करता है, यह दिखाते हुए कि भले ही सटीक समाधान पहुंच से बाहर हो, एक स्मार्ट, गाइडेड खोज उल्लेखनीय रूप से करीब पहुँच सकती है, जो जटिल अनुकूलन चुनौतियों पर काम करने वाले शोधकर्ताओं और इंजीनियरों के लिए एक मूल्यवान उपकरण प्रदान करती है।