Aye-Aye Optimizer (AAO): A Bio-Inspired Metaheuristic Algorithm Based on the Percussive Foraging Strategy

तकनीकी सारांश: अये-अये ऑप्टिमाइज़र (AAO)

समस्या विवरण
पारंपरिक अनुकूलन विधियाँ, जैसे कि ग्रेडिएंट-आधारित तकनीकें और रैखिक प्रोग्रामिंग, अक्सर अत्यधिक गैर-रैखिक (nonlinear), बहु-मोडल (multimodal), असंतत (discontinuous), और उच्च-आयामी (high-dimensional) उद्देश्य फलनों (objective functions) के साथ संघर्ष करती हैं। जबकि मेटाहेयुरिस्टिक एल्गोरिदम ने अन्वेषण (exploration - वैश्विक खोज) और शोषण (exploitation - स्थानीय परिशोधन) के बीच संतुलन बनाकर इन सीमाओं को दूर करने के लिए उभरते हुए नए समाधान दिए हैं, "नो फ्री लंच" (No Free Lunch) प्रमेय यह प्रतिपादित करता है कि कोई भी एकल एल्गोरिदम हर संभव समस्या परिदृश्य में अन्य सभी से बेहतर प्रदर्शन नहीं कर सकता है। फलस्वरूप, जटिल अनुकूलन समस्याओं के विशिष्ट वर्गों को अधिक प्रभावी ढंग से संभालने के लिए विशिष्ट खोज गतिकी (search dynamics) और अनुकूलन तंत्र विकसित करने की निरंतर वैज्ञानिक आवश्यकता बनी रहती है।

कार्यप्रणाली
यह शोध पत्र अये-अये ऑप्टिमाइज़र (AAO) प्रस्तुत करता है, जो एक जनसंख्या-आधारित, जैव-प्रेरित मेटाहेयुरिस्टिक एल्गोरिदम है, जिसे मेडागास्कर के एक निशाचर लेमूर, अये-अये (Daubentonia madagascariensis) की अनूठी प्रहारपूर्ण भोजन रणनीति (percussive foraging strategy) पर आधारित किया गया है। यह एल्गोरिदम थपथपाने (tapping), सुनने (listening) और निकालने (extracting) के जैविक व्यवहार को एक कम्प्यूटेशनल ढांचे में अनुवादित करता है, जिसमें तीन क्रमिक चरण शामिल हैं:

1. अन्वेषणात्मक प्रहार (टैपिंग चरण): पेड़ की छाल पर अये-अये द्वारा खोखली जगहों का पता लगाने के लिए किए जाने वाले प्रारंभिक यादृच्छिक प्रहार की नकल करते हुए, एल्गोरिदम एजेंटों को खोज क्षेत्र (search space) के भीतर यादृच्छिक रूप से आरंभ करता है। एक फीडबैक त्रिज्या ($R$) को परिभाषित किया गया है, जो इटरेशन (iterations) के साथ तेजी से घटती है ($R = e^{-t/t_{max}}$)। यह तंत्र एक स्वचालित स्टेप-साइज़ एनीलिंग रणनीति के रूप में कार्य करता है, जो शुरुआती चरणों में व्यापक वैश्विक कवरेज की अनुमति देता है और धीरे-धीरे खोज क्षेत्र को संकुचित करता है।
2. केंद्रित स्थानीयकरण (Focused Localization): एक बार जब आशाजनक क्षेत्रों की पहचान हो जाती है, तो एल्गोरिदम स्थानीयकरण चरण की ओर बढ़ता है। यह तीन अनुकूलन योग्य मापदंडों ($\alpha, \beta, \gamma$) द्वारा नियंत्रित होता है जो वर्तमान सर्वोत्तम समाधान ($x_{opt}$) की ओर एजेंटों की गति को नियंत्रित करते हैं:
   • $\alpha$ (नियतात्मक आकर्षण - Deterministic Attraction): वैश्विक सर्वोत्तम की ओर खिंचाव को मजबूत करने और शोषण (exploitation) को तीव्र करने के लिए इटरेशन के साथ धीरे-धीरे बढ़ता है।
   • $\beta$ (स्टोकेस्टिक विक्षोभ - Stochastic Perturbation): विविधता बनाए रखने और समयपूर्व अभिसरण (premature convergence) को रोकने के लिए नियंत्रित यादृच्छिक उतार-चढ़ाव (शून्य के आसपास दोलन) पेश करता है।
   • $\gamma$ (दूरी-निर्भर तीव्रता - Distance-Dependent Intensification): इटरेशन के साथ रैखिक रूप से और वैश्विक सर्वोत्तम से दूरी के व्युत्क्रमानुपाती रूप से स्केल होता है, जिससे आशाजनक क्षेत्रों के पास सूक्ष्म-परिशोधन (fine-grained refinement) बढ़ता है।
     स्थिति अपडेट समीकरण इस प्रकार है: $x_i(t+1) = x_i(t) + (\alpha + \beta + \gamma) \times (x_{opt}(t) - x_i(t))$।
3. शोषण और निष्कर्षण (Exploitation and Extraction): अंतिम चरण में वैश्विक इष्टतम (global optimum) को निकालने के लिए गहन स्थानीय खोज शामिल है, जो शिकार को प्राप्त करने के लिए अये-अये द्वारा अपनी विशेष उंगली के उपयोग के समान है। बाउंड्री हैंडलिंग को एक रिपेयर मैकेनिज्म द्वारा प्रबंधित किया जाता है जो सीमा से बाहर के समाधानों को घटती त्रिज्या $R$ का उपयोग करके व्यवहार्य क्षेत्र (feasible region) की ओर वापस लाता है।

एल्गोरिदम बिना वेग वेक्टर (velocity vectors) या मोमेंटम टर्म्स के एक एकीकृत स्थिति-अपडेट तंत्र का उपयोग करता है, जो इसे पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO) जैसे एल्गोरिदम से अलग करता है। इसकी कम्प्यूटेशनल जटिलता $O(TND)$है, और मेमोरी जटिलता$O(ND + TD)$ है, जो मानक जनसंख्या-आधारित ऑप्टिमाइज़र्स के तुलनीय है।

प्रमुख योगदान

• नवीन जैविक प्रेरणा: यह शोध पत्र अये-अये के विशिष्ट प्रहारपूर्ण भोजन व्यवहार पर आधारित एक नया मेटाहेयुरिस्टिक प्रस्तावित करता है, जो अन्वेषण-शोषण संतुलन के लिए एक विशिष्ट सादृश्य (analogy) प्रदान करता है।
• अनुकूलन योग्य पैरामीटर संरचना: तीन विशिष्ट मापदंडों ($\alpha, \beta, \gamma$) का परिचय नियतात्मक मार्गदर्शन, स्टोकेस्टिक अन्वेषण और अनुकूलित तीव्रता के स्वतंत्र मॉड्यूलेशन की अनुमति देता है। लेखक तर्क देते हैं कि यह अपघटन एकल-गुणांक दृष्टिकोणों की तुलना में अधिक लचीलापन और व्याख्यात्मकता प्रदान करता है।
• व्यापक सत्यापन: AAO का पांच स्थापित एल्गोरिदम (जेनेटिक एल्गोरिदम, पार्टिकल स्वार्म ऑप्टिमाइज़ेशन, आर्टिफिशियल बी कॉलोनी, मॉथ-फ्लेम ऑप्टिमाइज़ेशन, और फ्लो डायरेक्शन एल्गोरिदम) के विरुद्ध निम्नलिखित श्रेणियों में कठोर परीक्षण किया गया है:
  • 23 बेंचमार्क फंक्शन (Unimodal, Multimodal, और Fixed-dimension)।
  • CEC 2022 बेंचमार्क सूट (Hybrid और Composition फंक्शन)।
  • पांच वास्तविक इंजीनियरिंग डिजाइन समस्याएं: टेंशन/कंप्रेशन स्प्रिंग, प्रेशर वेसल, वेल्डेड बीम, थ्री-बार ट्रस, और गियर ट्रेन डिजाइन।

परिणाम
विभिन्न आयामों (20, 30, 50) और जनसंख्या आकारों के साथ 100 स्वतंत्र रन से प्राप्त प्रायोगिक परिणाम संकेत देते हैं कि AAO समाधान सटीकता और अभिसरण गति (convergence speed) के मामले में तुलना किए गए एल्गोरिदम को लगातार पछाड़ देता है।

• बेंचमार्क प्रदर्शन: AAO ने Unimodal, Multimodal, Fixed-dimension, और CEC 2022 फंक्शन के अधिकांश टेस्ट केसों में रैंक 1 (सर्वश्रेष्ठ प्रदर्शन) प्राप्त किया। इसने मल्टीमोडल परिदृश्यों में स्थानीय इष्टतम (local optima) से बचने की उत्कृष्ट क्षमता और यूनिमोडल अभिसरण में उच्च सटीकता प्रदर्शित की।
• इंजीनियरिंग अनुप्रयोग: वास्तविक दुनिया की डिजाइन समस्याओं में, AAO ने संरचनात्मक बाधाओं को पूरा करते हुए उद्देश्य फलनों (जैसे वजन, लागत) को सफलतापूर्वक कम किया, जो अक्सर अन्य मेटाहेयुरिस्टिक्स द्वारा पाए गए सर्वोत्तम-ज्ञात समाधानों के बराबर या उनसे बेहतर रहा।
• संवेदनशीलता विश्लेषण: एल्गोरिदम ने अपने नियंत्रण मापदंडों ($\alpha_c, \beta_c, \gamma_c$) के मध्यम बदलावों के प्रति कम संवेदनशीलता दिखाई, और एब्लेशन अध्ययनों ने पुष्टि की कि इष्टतम प्रदर्शन के लिए तीन अनुकूलन योग्य मापदंडों का पूर्ण संयोजन आवश्यक है।

महत्व और दावे
शोध पत्र का दावा है कि AAO यह प्रदर्शित करके बुद्धिमत्ता का एक नया प्रतिमान स्थापित करता है कि कैसे एक सरल जैविक सिद्धांत से जटिल अनुकूलन व्यवहार उत्पन्न हो सकता है। इसका महत्व निम्नलिखित में निहित है:

1. प्रभावी संतुलन: एल्गोरिदम अन्वेषण और शोषण के बीच एक मजबूत संतुलन प्राप्त करता है, जो इसके अनुकूलन योग्य मापदंडों के गतिशील विकास द्वारा सुगम होता है।
2. व्याख्यात्मकता: अये-अये के भोजन चरणों (टैपिंग, सुनने, निकालने) और एल्गोरिदम के चरणों के बीच सीधा मानचित्रण जैविक प्रेरणा और अनुकूलन यांत्रिकी के बीच एक सहज और व्याख्यात्मक संबंध प्रदान करता है।
3. प्रतिस्पर्धी दक्षता: अपने नवीन गतिकी के बावजूद, AAO शास्त्रीय मेटाहेयुरिस्टिक्स के समान कम्प्यूटेशनल दक्षता बनाए रखता है, जिससे यह उच्च-आयामी समस्याओं के लिए स्केलेबल बनता है।

लेखक निष्कर्ष निकालते हैं कि जबकि AAO आशाजनक परिणाम दिखाता है, भविष्य के कार्यों में अनुकूलित पैरामीटर ट्यूनिंग, मशीन लर्निंग या स्थानीय खोज विधियों के साथ हाइब्रिडाइजेशन, और विनिर्माण, लॉजिस्टिक्स और AI में बड़े पैमाने की औद्योगिक समस्याओं में अनुप्रयोग शामिल हो सकते हैं।