---
title: "Nonlinear programming — অরৈখিক প্রোগ্রামিং"
source: "https://systems-analysis.info/int/Nonlinear_programming_%E2%80%94_%E0%A6%85%E0%A6%B0%E0%A7%88%E0%A6%96%E0%A6%BF%E0%A6%95_%E0%A6%AA%E0%A7%8D%E0%A6%B0%E0%A7%8B%E0%A6%97%E0%A7%8D%E0%A6%B0%E0%A6%BE%E0%A6%AE%E0%A6%BF%E0%A6%82"
wiki: "systems-analysis.info/int"
article: "Nonlinear_programming_—_অরৈখিক_প্রোগ্রামিং"
language: "bn"
categories:
  - "Category:Bengali"
  - "Category:Mathematical modeling"
  - "Category:Modeling"
  - "Category:Operations research"
revision_id: 4927
wiki_created_at: 2026-09-06T23:42:00Z
wiki_modified_at: 2026-09-06T23:42:00Z
downloaded_at: 2026-09-07T23:05:45Z
---

# Nonlinear programming — অরৈখিক প্রোগ্রামিং

**অরৈখিক প্রোগ্রামিং (NLP)** — এটি গাণিতিক প্রোগ্রামিং এবং অপারেশন রিসার্চের একটি শাখা, যা অপ্টিমাইজেশন সমস্যা নিয়ে কাজ করে, যেখানে উদ্দেশ্য ফাংশন এবং/অথবা কমপক্ষে একটি সীমাবদ্ধতা সিদ্ধান্ত চলকগুলির **অরৈখিক ফাংশন**।

NLP হলো রৈখিক প্রোগ্রামিংয়ের একটি সাধারণীকরণ এবং এটি বাস্তব সিস্টেম ও প্রক্রিয়াগুলির একটি বিস্তৃত শ্রেণী মডেল করতে সক্ষম করে, যেখানে চলকগুলির মধ্যে সম্পর্ক কঠোরভাবে আনুপাতিক নয় (অর্থাৎ সরল রেখার পরিবর্তে বক্ররেখা দ্বারা বর্ণিত)।

## বিষয় ও উদ্দেশ্য

অরৈখিক প্রোগ্রামিং এমন পরিস্থিতিতে সর্বোত্তম সমাধান খুঁজে পেতে ব্যবহৃত হয় যখন:

- নিয়ন্ত্রণযোগ্য প্যারামিটারের উপর লক্ষ্য সূচকের (লাভ, খরচ, দক্ষতা ইত্যাদি) নির্ভরতা অরৈখিক (যেমন, স্কেলের হ্রাসমান আয়, দ্বিঘাত খরচ)।
- সম্পদ বা প্রযুক্তিগত প্রক্রিয়াগুলির উপর সীমাবদ্ধতা অরৈখিক সম্পর্ক দ্বারা বর্ণিত হয় (যেমন, রাসায়নিক বিক্রিয়া, পদার্থবিজ্ঞানের সূত্র, অর্থনৈতিক নির্ভরতা)।

  
NLP সমস্যা অনেক ক্ষেত্রে দেখা দেয়:

- প্রকৌশল ডিজাইন (কাঠামো ও প্রক্রিয়ার অপ্টিমাইজেশন)।
- অর্থনীতি ও অর্থায়ন (ঝুঁকি বিবেচনায় পোর্টফোলিও অপ্টিমাইজেশন, বাজার মডেলিং)।
- রাসায়নিক প্রযুক্তি (রিঅ্যাক্টর মোডের অপ্টিমাইজেশন)।
- Machine Learning (নিউরাল নেটওয়ার্ক প্রশিক্ষণ, সাপোর্ট ভেক্টর মেশিন)।
- উৎপাদন প্রক্রিয়া ব্যবস্থাপনা। লজিস্টিক্স (অরৈখিক খরচ বিবেচনায়)।

## NLP সমস্যার গাণিতিক সূত্রায়ন

অরৈখিক প্রোগ্রামিংয়ের সাধারণ সমস্যাটি নিম্নরূপে সূত্রায়িত হয়:

**সিদ্ধান্ত চলকগুলির** মানের এমন একটি সেট খুঁজে বের করতে হবে, যা **অরৈখিক উদ্দেশ্য ফাংশনকে** সর্বাধিক বা সর্বনিম্ন করে। এক্ষেত্রে চলকগুলির মান **সীমাবদ্ধতা** সিস্টেমকে সন্তুষ্ট করতে হবে, যা **অসমতার** আকারে (যেমন, "A-এর মান B-এর চেয়ে কম বা সমান হতে হবে") এবং **সমতার** আকারে (যেমন, "C-এর মান ঠিক D-এর সমান হতে হবে") উভয়ভাবেই প্রকাশ করা যেতে পারে। গুরুত্বপূর্ণ বিষয় হলো, লক্ষ্য বা সীমাবদ্ধতা বর্ণনাকারী ফাংশনগুলির মধ্যে কমপক্ষে একটি **অরৈখিক**। প্রায়শই চলকগুলির **অ-ঋণাত্মকতার** শর্ত যোগ করা হয়, অর্থাৎ তাদের মান শূন্যের চেয়ে বড় বা সমান হওয়ার শর্ত।

সীমাবদ্ধতা সন্তুষ্টকারী চলকগুলির মানের সমস্ত সেটের সমষ্টি **সম্ভাব্য সমাধান অঞ্চল (ফিজিবল রিজিয়ন)** গঠন করে।

## রৈখিক প্রোগ্রামিং থেকে পার্থক্য

অরৈখিক প্রোগ্রামিং রৈখিক প্রোগ্রামিং (LP) থেকে উল্লেখযোগ্যভাবে আলাদা:

- অরৈখিকতা: উদ্দেশ্য ফাংশন বা সীমাবদ্ধতা (বা উভয়) অরৈখিক নির্ভরতা ধারণ করে।
- সম্ভাব্য অঞ্চলের বৈশিষ্ট্য: NLP-তে সম্ভাব্য সমাধান অঞ্চল অ-উত্তল হতে পারে (LP-এর বিপরীতে, যেখানে সম্ভাব্য অঞ্চল সর্বদা একটি উত্তল বহুতল)।
- অপ্টিমামের বৈশিষ্ট্য: NLP-তে সর্বোত্তম সমাধান অগত্যা সম্ভাব্য অঞ্চলের শীর্ষবিন্দুতে থাকে না, এটি সীমানায় বা অঞ্চলের ভেতরে থাকতে পারে। NLP-তে স্থানীয় অপ্টিমাম থাকতে পারে যা বৈশ্বিক নয়।
- সমাধানের জটিলতা: NLP সমস্যাগুলি সাধারণত LP সমস্যার চেয়ে উল্লেখযোগ্যভাবে বেশি জটিল। সমস্ত NLP সমস্যার জন্য সিম্পলেক্স পদ্ধতির অনুরূপ কোনো একক সর্বজনীন অ্যালগরিদম নেই।

## NLP-এর মূল অসুবিধা ও চ্যালেঞ্জ

অরৈখিক প্রোগ্রামিং সমস্যা সমাধানে বেশ কিছু অসুবিধা রয়েছে:

- স্থানীয় চরম মানের উপস্থিতি: বেশিরভাগ NLP পদ্ধতি কেবল স্থানীয় অপ্টিমাম (কিছু প্রতিবেশ অঞ্চলে সেরা সমাধান) খুঁজে পাওয়ার নিশ্চয়তা দেয়। বৈশ্বিক অপ্টিমাম (পুরো সম্ভাব্য অঞ্চলে সেরা সমাধান) অনুসন্ধান একটি কঠিন কাজ, বিশেষত অ-উত্তল সমস্যার ক্ষেত্রে।
- অ-উত্তলতা: যদি সমস্যাটি উত্তল না হয় (উদ্দেশ্য ফাংশন বা সম্ভাব্য অঞ্চল অ-উত্তল), তাহলে একাধিক স্থানীয় অপ্টিমাম থাকতে পারে এবং আদর্শ গ্রেডিয়েন্ট পদ্ধতিগুলি তাদের মধ্যে একটিতে "আটকে" যেতে পারে।
- গণনামূলক জটিলতা: NLP সমাধানের অ্যালগরিদমগুলি প্রায়শই LP-এর তুলনায় উল্লেখযোগ্যভাবে বেশি গণনা সম্পদ প্রয়োজন করে।

## NLP সমস্যার গুরুত্বপূর্ণ শ্রেণী

সাধারণ জটিলতা সত্ত্বেও, NLP সমস্যার গুরুত্বপূর্ণ উপশ্রেণী রয়েছে যার জন্য কার্যকর সমাধান পদ্ধতি তৈরি করা হয়েছে:

- উত্তল প্রোগ্রামিং: উত্তল সম্ভাব্য সমাধান সেটে উত্তল ফাংশন সর্বনিম্ন করার সমস্যা (বা অবতল ফাংশন সর্বাধিক করা)। মূল বৈশিষ্ট্য: যেকোনো স্থানীয় ন্যূনতম একই সাথে বৈশ্বিক ন্যূনতমও। এটি সর্বোত্তম সমাধান অনুসন্ধানকে উল্লেখযোগ্যভাবে সহজ করে।
- দ্বিঘাত প্রোগ্রামিং: উদ্দেশ্য ফাংশন দ্বিঘাত এবং সমস্ত সীমাবদ্ধতা রৈখিক।
- বিচ্ছিন্ন প্রোগ্রামিং: উদ্দেশ্য ফাংশন এবং সীমাবদ্ধতাগুলি ফাংশনের যোগফল হিসাবে উপস্থাপন করা যায়, যার প্রতিটি কেবল একটি চলকের উপর নির্ভর করে।

## NLP সমস্যা সমাধানের পদ্ধতি

অরৈখিক প্রোগ্রামিং (NLP) সমস্যা সমাধানের পদ্ধতিসমূহ

**I. শর্তহীন অপ্টিমাইজেশন পদ্ধতি (সীমাবদ্ধতা ছাড়া অপ্টিমাইজেশন):**

- গ্রেডিয়েন্ট পদ্ধতি (দ্রুততম অবতরণ পদ্ধতি, কনজুগেট গ্রেডিয়েন্ট পদ্ধতি);
- নিউটনের পদ্ধতি ও কোয়াসি-নিউটন পদ্ধতি (যেমন, BFGS);
- হেসিয়ান আনুমানিকতা ব্যবহার করে পদ্ধতি।

**II. শর্তযুক্ত অপ্টিমাইজেশন পদ্ধতি (সীমাবদ্ধতা সহ অপ্টিমাইজেশন):**

- রূপান্তর পদ্ধতি:
  - পেনাল্টি ফাংশন পদ্ধতি (penalty methods);
  - ব্যারিয়ার ফাংশন পদ্ধতি (barrier methods)।
- সরাসরি দিক অনুসন্ধান পদ্ধতি:
  - সম্ভাব্য দিক পদ্ধতি।
- অপ্টিমালিটি শর্তের উপর ভিত্তি করে পদ্ধতি:
  - Karush-Kuhn-Tucker পদ্ধতি (KKT-শর্ত);
  - Lagrange গুণক পদ্ধতি।
- পুনরাবৃত্তি পদ্ধতি:
  - ক্রমিক দ্বিঘাত প্রোগ্রামিং (SQP);
  - অভ্যন্তরীণ বিন্দু পদ্ধতি।

**III. বৈশ্বিক অপ্টিমাইজেশন পদ্ধতি:**

- হিউরিস্টিক ও মেটাহিউরিস্টিক পদ্ধতি:
  - জেনেটিক অ্যালগরিদম;
  - সিমুলেটেড অ্যানিলিং;
  - ট্যাবু সার্চ (tabu search)।
- নির্ধারণমূলক পদ্ধতি:
  - ব্রাঞ্চ অ্যান্ড বাউন্ড (branch and bound);
  - বিশেষ কাঠামোযুক্ত সমস্যার জন্য বৈশ্বিক অপ্টিমাইজেশন অ্যালগরিদম।

## সাহিত্য

- *বাজারা এম., শেটি কে.* অরৈখিক প্রোগ্রামিং। তত্ত্ব ও অ্যালগরিদম। — মস্কো: মির, ১৯৮২।
- *ফিয়াক্কো এ., ম্যাক-কর্মিক জি.* অরৈখিক প্রোগ্রামিং। ক্রমিক শর্তহীন সর্বনিম্নকরণের পদ্ধতি। — মস্কো: মির, ১৯৭২।
- *হিমেলব্লাউ ডি.* ফলিত অরৈখিক প্রোগ্রামিং। — মস্কো: মির, ১৯৭৫।
- *Nocedal, Jorge; Wright, Stephen J.* Numerical Optimization. — Springer, 2006. (2nd ed.)

## আরও দেখুন

- অপারেশন রিসার্চ
- অপ্টিমাইজেশন
- রৈখিক প্রোগ্রামিং
- উত্তল প্রোগ্রামিং
- উদ্দেশ্য ফাংশন
- সীমাবদ্ধতা
- সম্ভাব্য সমাধান অঞ্চল