न्यूनतम और अधिकतम: चरम बिंदु कैसे खोजें और उनका अर्थ समझें

जब भी कोई कंपनी सर्वोत्तम लाभ मार्जिन के लिए कीमतें तय करती है, या कोई मॉडल भविष्यवाणी त्रुटि घटाने के लिए अपने वज़न समायोजित करता है, तो पृष्ठभूमि में वही कलन का प्रश्न चलता है: किसी फलन का सबसे ऊँचा या सबसे निचला मान ढूंढ़ना। यही न्यूनतम और अधिकतम का सार है—वे चोटियाँ और घाटियाँ जहाँ फलन अपने चरम मानों पर पहुँचता है।

इस लेख में, हम शुरू करेंगे कि चरम वास्तव में क्या होते हैं, स्थानीय और वैश्विक व्यवहार में फर्क करेंगे, अवकलजों का उपयोग करके उन्हें कैसे खोजें यह कदम-दर-कदम देखेंगे, और इसे इस बात से जोड़ेंगे कि अनुकूलन और डेटा साइंस में यह सब क्यों मायने रखता है। यदि आप इन विचारों पर व्यावहारिक अभ्यास के साथ निर्माण करना चाहते हैं, तो हमारा Introduction to Optimization in Python कोर्स संगणकीय पक्ष को कवर करता है।

न्यूनतम और अधिकतम क्या हैं?

किसी न्यूनतम का अर्थ है वह सबसे निचला मान जहाँ फलन पहुँचता है; अधिकतम सबसे ऊँचा मान है। साथ मिलकर, इन्हें चरम (एकवचन: चरम मान) कहा जाता है। ग्राफ़ पर ये वही होते हैं जो आप सोचते हैं: घाटियों के तल और चोटियों के शिखर।

एक बात शुरू से स्पष्ट रखनी चाहिए: चरम मान स्वयं फलन का मान होता है (y-निर्देशांक), जबकि जहाँ वह होता है वह x-मान होता है। "अधिकतम x = 3 पर है" अलग है "अधिकतम मान f(3) = 10 है" से। यह फर्क लोगों को अक्सर उलझा देता है, और यह परीक्षा और साक्षात्कार—दोनों में दिखता है।

हर फलन में दोनों—न्यूनतम और अधिकतम—नहीं होते। एक रेखा में कोई नहीं होता। ऊपर की ओर खुलने वाली परवलय में न्यूनतम होता है पर अधिकतम नहीं। खुले अंतरालों पर परिभाषित फलन चरम मानों के करीब जा सकते हैं पर उन्हें छू नहीं पाते। चरम मान स्वतःसिद्ध नहीं हैं; वे फलन के आकार और आपके चुने हुए परिभाषा-क्षेत्र पर निर्भर करते हैं।

स्थानीय बनाम वैश्विक न्यूनतम और अधिकतम

चरम ढूँढ़ने से पहले, एक फर्क साफ़ कर लें जो आगे की हर बात में चलता है: वे चरम जो स्थानीय रूप से महत्वपूर्ण हैं बनाम वे जो वैश्विक रूप से। यह अनुकूलन में सबसे व्यावहारिक अहम विचारों में से एक है—और यही जगह सबसे ज़्यादा भ्रम भी होता है।

फर्क दायरे का है। स्थानीय चरम किसी बिंदु के आसपास छोटे पड़ोस को देखता है; वैश्विक चरम पूरे परिभाषा-क्षेत्र को।

स्थानीय न्यूनतम और अधिकतम

किसी स्थानीय न्यूनतम पर फलन का मान आसपास के सभी मानों से कम होता है। आप एक घाटी के तल पर हैं—भले ग्राफ़ पर कहीं और और गहरी घाटी हो। एक स्थानीय अधिकतम वह चोटी है जो अपने आस-पास से ऊँची है—भले कहीं दूर और ऊँची चोटी हो।

लहरदार पहाड़ियों वाली एक ट्रेकिंग पगडंडी की कल्पना करें। हर पहाड़ी की चोटी एक स्थानीय अधिकतम है, और पहाड़ियों के बीच हर धँसाव स्थानीय न्यूनतम। इन्हें पहचानने के लिए आपको पूरी पगडंडी देखने की ज़रूरत नहीं—बस अपने आस-पास से तुलना करें।

वैश्विक न्यूनतम और अधिकतम

एक वैश्विक न्यूनतम (इसे परम न्यूनतम भी कहते हैं) वह एकल सबसे निचला मान है जो फलन अपने पूरे परिभाषा-क्षेत्र में लेता है। वैश्विक अधिकतम (या परम अधिकतम) एकल सबसे ऊँचा मान है। वैश्विक चरम हमेशा स्थानीय चरम भी होता है, पर इसका उल्टा सही नहीं।

उसी पगडंडी पर, वैश्विक अधिकतम पूरी मार्ग का सबसे ऊँचा बिंदु है, न कि केवल आस-पास की सबसे ऊँची पहाड़ी। किसी फलन में कई स्थानीय चरम हो सकते हैं, पर अधिकतम एक वैश्विक न्यूनतम मान और एक वैश्विक अधिकतम मान होगा (हालाँकि वे मान कई बिंदुओं पर आ सकते हैं)।

यह स्थानीय-वैश्विक का फर्क केवल सैद्धांतिक नहीं है। यह सीधे मशीन लर्निंग में दिखता है, जहाँ ग्रेडिएंट डिसेंट वैश्विक न्यूनतम खोजते हुए स्थानीय न्यूनतम में फँस सकता है। इस पर आगे बात करेंगे।

न्यूनतम और अधिकतम कैसे खोजें

चरम ढूँढ़ना एक सुसंगत प्रक्रिया का अनुसरण करता है। आप मूलतः पूछ रहे हैं: फलन कहाँ बढ़ना रोकता है और घटने लगता है—या उल्टा? अवकलज आपको इसका सटीक उत्तर देने का औज़ार देता है।

सामान्य तरीका यह है:

1. प्रथम अवकलज f'(x) निकालें।
2. क्रिटिकल बिंदु खोजें, जहाँ f'(x) = 0 हो या f'(x) अस्तित्व में न हो।
3. हर क्रिटिकल बिंदु को स्थानीय न्यूनतम, स्थानीय अधिकतम या न तो इनमें से किसी के रूप में वर्गीकृत करें।
4. यदि आप एक बंद अंतराल पर काम कर रहे हैं, तो सिरों की भी जाँच करें।
5. सभी उम्मीदवार मानों की तुलना करके परम (एब्सोल्यूट) चरम पहचानें।

बात ठोस रखने के लिए हम पूरे समय एक ही फलन लेंगे: f(x) = 2x³ − 9x² + 12x − 4, जो [0, 4] अंतराल पर परिभाषित है।

क्रिटिकल बिंदु और चरम

f(x) का कोई भी क्रिटिकल बिंदु वह x-मान है जहाँ f'(x) = 0 हो या f'(x) अपरिभाषित हो। ये चरम के उम्मीदवार होते हैं—जहाँ फलन दिशा बदल सकता है।

चरम क्रिटिकल बिंदुओं पर क्यों आते हैं? किसी चिकनी चोटी या घाटी पर स्पर्शरेखा क्षैतिज होती है, इसलिए अवकलज शून्य होता है। पर हर क्रिटिकल बिंदु चरम नहीं होता—और यह अहम है। पारंपरिक प्रति-उदाहरण f(x) = x³ पर x = 0 है: अवकलज शून्य है, पर फलन दिशा नहीं बदलता—बस थोड़ा समतल होता है और फिर ऊपर बढ़ता है। जहाँ अवकलज अस्तित्व में नहीं होता, वे बिंदु भी ध्यान माँगते हैं। जैसे f(x) = |x| पर x = 0 पर तेज़ कोना है—अवकलज नहीं है—फिर भी वहीं न्यूनतम बैठा है।

हमारे उदाहरण में, f'(x) = 6x² − 18x + 12 = 6(x² − 3x + 2) = 6(x − 1)(x − 2)। इसे शून्य रखने पर क्रिटिकल बिंदु x = 1 और x = 2 मिलते हैं। अब हमें हर एक पर क्या हो रहा है, यह समझना है।

प्रथम अवकलज परीक्षण का उपयोग कैसे करें

प्रथम अवकलज परीक्षण f'(x) के चिन्ह-परिवर्तन की जाँच करके क्रिटिकल बिंदुओं का वर्गीकरण करता है। यदि फलन बढ़ने से घटने में जाता है, तो आप चोटी पर हैं। यदि घटने से बढ़ने में जाता है, तो आप घाटी में हैं।

धनात्मक से ऋणात्मक

जब किसी क्रिटिकल बिंदु से गुज़रते हुए f'(x) धनात्मक से ऋणात्मक होता है, तो वह बिंदु स्थानीय अधिकतम होता है। फलन वहाँ तक चढ़ा और फिर नीचे आया।

ऋणात्मक से धनात्मक

जब f'(x) ऋणात्मक से धनात्मक होता है, तो फलन गिर रहा था और फिर चढ़ना शुरू हुआ। वह क्रिटिकल बिंदु स्थानीय न्यूनतम होता है।

कोई चिन्ह-परिवर्तन नहीं

यदि f'(x) दोनों ओर धनात्मक रहे (या दोनों ओर ऋणात्मक), तो क्रिटिकल बिंदु न तो न्यूनतम है न अधिकतम। फलन ठहरा, पर दिशा नहीं बदली—जैसे f(x) = x³ पर x = 0।

हमारे फलन के लिए, x = 1 और x = 2 के आसपास के अंतराल जाँचें। जाँच बिंदु लें: f'(0.5) = 6(0.5 − 1)(0.5 − 2) = 6(−0.5)(−1.5) = 4.5 > 0, f'(1.5) = 6(0.5)(−0.5) = −1.5 < 0, और f'(3) = 6(2)(1) = 12 > 0। x = 1 पर अवकलज धनात्मक से ऋणात्मक: स्थानीय अधिकतम। x = 2 पर ऋणात्मक से धनात्मक: स्थानीय न्यूनतम। फलन मान हैं f(1) = 1 और f(2) = 0।

प्रथम अवकलज परीक्षण हमेशा काम करता है, पर हर अंतराल में जाँच बिंदु चुनने पड़ते हैं—जो जल्दी उबाऊ हो सकता है। कुछ शर्तें पूरी होने पर एक तेज़ तरीका है।

द्वितीय अवकलज परीक्षण का उपयोग कैसे करें

द्वितीय अवकलज परीक्षण तब काम करता है जब क्रिटिकल बिंदु पर f''(x) ≠ 0 हो। अंतरालों में चिन्ह-परिवर्तन जाँचने के बजाय, आप क्रिटिकल बिंदु पर सीधे द्वितीय अवकलज का मान निकालते हैं।

विचार अवतल-उत्तलता से जुड़ा है। यदि f''(c) > 0, तो फलन c पर अवतल ऊपर है—कटोरे जैसा मुड़ता है—तो क्रिटिकल बिंदु तल पर है: स्थानीय न्यूनतम। यदि f''(c) < 0, तो फलन अवतल नीचे है—पहाड़ी जैसा—तो क्रिटिकल बिंदु शिखर पर है: स्थानीय अधिकतम। यदि f''(c) = 0, तो परीक्षण कुछ नहीं बताता—ऐसे में प्रथम अवकलज परीक्षण पर लौटें।

हमारे फलन के लिए, f''(x) = 12x − 18। x = 1 पर: f''(1) = 12 − 18 = −6 < 0, जो स्थानीय अधिकतम की पुष्टि करता है। x = 2 पर: f''(2) = 24 − 18 = 6 > 0, जो स्थानीय न्यूनतम की पुष्टि करता है। पहले जैसे ही उत्तर, पर तेज़ी से। द्वितीय अवकलज परीक्षण हमेशा नहीं चलेगा (यह विवर्तन बिंदुओं और कुछ विशेष क्रिटिकल बिंदुओं पर विफल होता है), पर जहाँ चलता है, समय बचाता है।

अंतराल पर परम न्यूनतम और अधिकतम कैसे खोजें

जब आप किसी बंद अंतराल [a, b] पर एक सतत फलन के साथ काम करते हैं, तो चरम मान प्रमेय यह सुनिश्चित करता है कि परम अधिकतम और परम न्यूनतम दोनों मौजूद होंगे। यानी आपकी मेहनत बेकार नहीं जाएगी।

इस विधि को बंद-अंतराल विधि कहते हैं:

1. (a, b) के भीतर f(x) के सभी क्रिटिकल बिंदु खोजें।
2. हर क्रिटिकल बिंदु पर f(x) का मान निकालें।
3. दोनों सिरों a और b पर f(x) का मान निकालें।
4. सबसे बड़ा मान परम अधिकतम है; सबसे छोटा परम न्यूनतम।

f(x) = 2x³ − 9x² + 12x − 4 के लिए [0, 4] पर, हमें पहले से पता है कि क्रिटिकल बिंदु x = 1 और x = 2 हैं। जहाँ-जहाँ ज़रूरी है, वहाँ मान निकालते हैं:

f(0) = -4

f(1) = 2 - 9 + 12 - 4 = 1

f(2) = 16 - 36 + 24 - 4 = 0

f(4) = 128 - 144 + 48 - 4 = 28

परम न्यूनतम f(0) = −4 है, और परम अधिकतम f(4) = 28 है। ध्यान दें कि परम अधिकतम सिरा-बिंदु पर है, क्रिटिकल बिंदु पर नहीं। यही कारण है कि आप सिरों की जाँच नहीं छोड़ सकते—और यही सबसे आम गलती भी है। इस पर त्रुटियों वाले भाग में आएँगे।

अब तक की सारी बातें एक चर वाले फलनों पर लागू होती हैं। ज़्यादातर वास्तविक समस्याएँ बहु-चर वाली होती हैं, इसलिए देखें कि यह आगे कैसे बढ़ता है।

बहु-चर फलनों के न्यूनतम और अधिकतम

किसी f(x, y) के लिए, दोनों आंशिक अवकलज शून्य रखने पर क्रिटिकल बिंदु मिलते हैं: ∂f/∂x = 0 और ∂f/∂y = 0। अब क्रिटिकल बिंदु एक युग्म (x, y) होता है, अकेला मान नहीं। वर्गीकरण पेचीदा हो जाता है क्योंकि एक नया विकल्प आता है: काठी बिंदु, जहाँ फलन एक दिशा में ऊपर और दूसरी में नीचे मुड़ता है—Pringles चिप के केंद्र जैसा सोचें।

बहु-चर क्रिटिकल बिंदुओं का वर्गीकरण करने के लिए आप हेसियन मैट्रिक्स का उपयोग करते हैं—यह द्वितीय-क्रम के आंशिक अवकलजों का वर्गाकार मैट्रिक्स होता है। इसका डेटर्मिनेंट और प्रविष्टियों के चिन्ह बताते हैं कि आप स्थानीय न्यूनतम पर हैं, स्थानीय अधिकतम पर या काठी बिंदु पर। हमारा Hessian Matrix ट्यूटोरियल यांत्रिकी को गहराई से समझाता है और दिखाता है कि यह उच्च आयामों में वक्रता से कैसे जुड़ता है।

अनुकूलन और मशीन लर्निंग में न्यूनतम और अधिकतम

यदि आपने मशीन लर्निंग के साथ काम किया है, तो आप पहले ही न्यूनतम की समस्याएँ सुलझा रहे हैं। किसी मॉडल को प्रशिक्षित करना एक लॉस फ़ंक्शन को न्यूनतम करना होता है—और लॉस फ़ंक्शन भी बस एक और ऐसा ही फलन है जिसमें न्यूनतम और अधिकतम होते हैं।

ग्रेडिएंट डिसेंट यहाँ मुख्य औज़ार है। यह वर्तमान पैरामीटर मानों पर लॉस फ़ंक्शन का अवकलज (या बहु-आयाम में ग्रेडिएंट) निकालता है, फिर ऐसे दिशा में कदम लेता है जो लॉस घटाए। लॉस सरफेस पर ढलान के साथ नीचे चलते हुए, न्यूनतम ढूँढ़ना। हमारा Gradient Descent in Machine Learning ट्यूटोरियल पूरा एल्गोरिद्म कवर करता है।

यही जगह स्थानीय बनाम वैश्विक का फर्क वास्तविक इंजीनियरिंग चुनौती बनता है। गैर-उत्तल लॉस फ़ंक्शनों (जो ज़्यादातर न्यूरल नेटवर्क्स में होते हैं) के लिए, ग्रेडिएंट डिसेंट वैश्विक न्यूनतम के बजाय स्थानीय न्यूनतम में अटक सकता है। लर्निंग रेट शेड्यूल, मोमेंटम, और स्टोकेस्टिक ग्रेडिएंट डिसेंट जैसी तकनीकें एल्गोरिद्म को उथले स्थानीय न्यूनतम से निकलने में मदद करती हैं, हालाँकि गैर-उत्तल समस्याओं में वैश्विक न्यूनतम की गारंटी देना अब भी खुली चुनौती है। हमारा Cost Functions ट्यूटोरियल बताता है कि ये उद्देश्‍य फलन कैसे बनाए जाते हैं और उनका आकार क्यों मायने रखता है।

न्यूनतम और अधिकतम खोजते समय आम गलतियाँ

मान लेना कि हर क्रिटिकल बिंदु चरम है

हर क्रिटिकल बिंदु न्यूनतम या अधिकतम नहीं देता। f(x) = x³ में x = 0 जैसा विवर्तन बिंदु f'(x) = 0 रखता है पर दिशा-परिवर्तन नहीं होता। हमेशा किसी अवकलज परीक्षण से पुष्टि करें।

स्थानीय और वैश्विक चरम में भ्रम

स्थानीय न्यूनतम केवल किसी पड़ोस में सबसे निचला बिंदु होता है। वैश्विक न्यूनतम कहीं और भी हो सकता है—या किसी सिरे पर। एक स्थानीय चरम मिलने पर ही रुक न जाएँ।

सिरों को भूल जाना

किसी बंद अंतराल पर परम चरम सीमाओं पर भी हो सकते हैं। हमारे उदाहरण में परम अधिकतम x = 4 पर था, किसी क्रिटिकल बिंदु पर नहीं। सिरों को छोड़ना अनुकूलन समस्याओं में सबसे आम त्रुटियों में से है—और शायद इसने परीक्षाओं में सबसे अधिक अंक गंवाए हैं, किसी भी वैचारिक गलतफहमी से ज़्यादा।

मान लेना कि द्वितीय अवकलज शून्य होने का मतलब कोई चरम नहीं

जब f''(c) = 0 हो, तो द्वितीय अवकलज परीक्षण निष्कर्षहीन होता है। इसका मतलब यह नहीं कि बिंदु चरम नहीं है। जैसे f(x) = x⁴ पर x = 0: f''(0) = 0, फिर भी x = 0 स्पष्ट रूप से न्यूनतम है। द्वितीय अवकलज परीक्षण विफल हो तो प्रथम अवकलज परीक्षण का उपयोग करें।

चरम बिंदु और उसके मान में भ्रम

चरम का मान f(c) होता है, c स्वयं नहीं। "न्यूनतम x = 2 है" कहना, जबकि आपका आशय "न्यूनतम मान f(2) = 0 है" हो—इनपुट और आउटपुट गड़बड़ा देता है। रिपोर्टों और परीक्षा उत्तरों में स्थान नहीं, बल्कि फलन का मान अपेक्षित होता है।

निष्कर्ष

इस विषय का एक रूप वहीं रुक जाता है जहाँ "जहाँ अवकलज शून्य हो उसे खोजो" कहा जाता है। कई आरंभिक पाठ्यक्रम ठीक यही करते हैं—और इससे छात्र उस हिस्से के लिए तैयार नहीं होते जो व्यवहार में सचमुच मायने रखता है: आपने स्थानीय न्यूनतम पाया है या वैश्विक—और आप जो करना चाह रहे हैं उसके हिसाब से ये बिल्कुल अलग बातें हैं।

यहाँ कलन संक्षिप्त है—क्रिटिकल बिंदु, अवकलज परीक्षण, सिरे जाँच। जिसमें समय लगता है वह इसके नीचे की ज्यामिति को आत्मसात करना: क्यों अवतल-उत्तलता न्यूनतम के आकार को तय करती है, क्यों सिरे क्रिटिकल बिंदुओं से आगे निकल सकते हैं, क्यों किसी न्यूरल नेटवर्क में ग्रेडिएंट डिसेंट सचमुच ऐसे पृष्ठ पर न्यूनतम ढूँढ़ रहा है जिसमें हजारों स्थानीय न्यूनतम हो सकते हैं।

अमल के लिए, हमारा Introduction to Optimization in Python कोर्स इन समस्याओं को SciPy और SymPy का उपयोग करके संगणकीय रूप से कवर करता है—यहीं कलन और कोड के बीच का संबंध ठोस होता है।