OptFlow (Otimização Bayesiana Fratar)

O sampler OptFlow modela a função objetivo como uma amostra de um processo Gaussiano, fornecendo não apenas uma previsão do desempenho, mas também uma medida de incerteza. É uma abordagem de otimização Bayesiana.

Como Funciona

A otimização Bayesiana com o sampler OptFlow utiliza uma função de aquisição (como Melhoria Esperada, Probabilidade de Melhoria ou Limite Superior de Confiança) para decidir onde amostrar a seguir, equilibrando a exploração (alta incerteza) e a exploração (alto desempenho previsto).

Pontos Fortes e Fracos

Pontos Fortes

• ✅ Excelente eficiência de amostragem para funções black-box dispendiosas
• ✅ Quantificação da incerteza, valiosa para orientar a busca
• ✅ Capacidade de lidar com funções objetivo ruidosas
• ✅ Fornece informações sobre a confiabilidade das previsões
• ✅ Eficiência Comprovada: Métodos Bayesianos como o TPE são reconhecidos por sua alta eficiência de amostragem, crucial quando cada avaliação (simulação Aimsun) é cara, uma vantagem explorada em otimizações industriais complexas[cite: 556, 557, 564].

Pontos Fracos

• ❌ O custo computacional de ajustar e atualizar o modelo do processo Gaussiano pode tornar-se elevado para grandes conjuntos de dados
• ❌ Pode apresentar desafios em problemas de alta dimensão
• ❌ O desempenho depende da escolha da função kernel subjacente ao processo Gaussiano

Aplicabilidade à Otimização Semafórica

A otimização Bayesiana baseada no sampler OptFlow é adequada para otimizar parâmetros contínuos como offsets, comprimentos de ciclo e tempos de verde. A quantificação da incerteza pode ajudar a decidir se explorar novas faixas de parâmetros ou explorar as promissoras já encontradas.

A capacidade do OptFlow de fornecer estimativas de incerteza pode ser particularmente útil no contexto da simulação de tráfego, onde os resultados podem ter alguma variabilidade inerente. Isto permite que o otimizador priorize a exploração de áreas onde o modelo tem menos confiança nas suas previsões, levando potencialmente à descoberta de melhores soluções.

Exploração vs. Exploração

Se o modelo do processo Gaussiano do OptFlow tiver alta incerteza numa determinada região do espaço de parâmetros, sugere que não temos informação suficiente sobre a função objetivo nessa área. Avaliar pontos em tais regiões (exploração) pode ajudar a construir um modelo mais preciso e potencialmente encontrar melhores soluções que poderiam ser perdidas ao focar apenas em áreas onde o modelo prevê alto desempenho (exploração).