Tree-structured Parzen Estimator (TPE)

O TPE é um algoritmo de otimização sequencial baseado em modelos que utiliza estimadores de densidade de kernel para modelar a distribuição de conjuntos de parâmetros bons e maus com base em avaliações passadas.

Como Funciona

O TPE seleciona os próximos parâmetros a serem avaliados maximizando a melhoria esperada em relação ao melhor resultado atual. Este algoritmo demonstrou eficácia na otimização de hiperparâmetros para aprendizado de máquina.

Pontos Fortes e Fracos

Pontos Fortes

• ✅ Alta eficiência de amostragem, crucial para simulações dispendiosas do Aimsun
• ✅ Lida bem com funções objetivo não convexas e multimodais
• ✅ Adequado para parâmetros contínuos como offsets e tempos de verde
• ✅ 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

• ❌ Sensível ao conjunto inicial de avaliações
• ❌ Desempenho pode degradar-se em espaços de dimensões muito elevadas

Aplicabilidade à Otimização Semafórica

Para a otimização de parâmetros semafóricos no Aimsun, o TPE é um excelente ponto de partida devido à sua eficiência de amostragem. A dependência do TPE na modelagem da distribuição de parâmetros bons e maus é particularmente eficaz na identificação de regiões promissoras do espaço de parâmetros semafóricos com menos simulações do Aimsun.

Dica de Uso

Ao utilizar o TPE, considere iniciar com uma amostragem aleatória de tamanho médio (10-15 pontos) para permitir que o algoritmo construa um modelo inicial adequado antes de começar a otimização direcionada.