Introdução à Teoria de Otimização Semafórica

A otimização eficiente de sinais de trânsito desempenha um papel crucial na redução do congestionamento, na melhoria dos tempos de viagem e na diminuição das emissões veiculares. A utilização de métodos computacionais de otimização é fundamental para alcançar esses benefícios.

Desafios da Otimização Semafórica

A avaliação de planos semafóricos através de softwares de simulação como o Aimsun é dispendiosa em termos computacionais, frequentemente consumindo vários minutos por avaliação [37]. Este elevado custo limita o número de avaliações que podem ser realizadas dentro de um período de tempo razoável, tornando a eficiência da amostragem um fator crítico na escolha do algoritmo de otimização.

Otimização Bayesiana vs. Outras Abordagens

Neste contexto, a Otimização Bayesiana (representada no OptFlow pelos samplers TPE, OptFlow e HEBO) emerge como uma classe de métodos de otimização global com elevada eficiência de amostragem, empregando um modelo probabilístico da função objetivo para orientar a busca [37]. Essa eficiência não é apenas teórica; grandes empresas como a Meta (Facebook) utilizam a Otimização Bayesiana para ajustar sistemas online complexos, como compiladores (HHVM) e modelos de Machine Learning, conseguindo resultados superiores com um número significativamente menor de experimentos (A/B tests) comparado a abordagens manuais ou grid search [36].

Por outro lado, algoritmos meta-heurísticos como CMAES e Simulated Annealing, ou buscas locais como Hill Climbing, exploram o espaço de busca de maneiras diferentes. Meta-heurísticas são inspiradas em fenômenos naturais ou processos físicos e podem ser robustas para escapar de ótimos locais, mas frequentemente requerem um maior número de avaliações em comparação com os métodos Bayesianos. A busca local é rápida, mas propensa a ficar presa em soluções subótimas. A busca Random serve como um baseline simples.

Comparação de Abordagens A diferença fundamental está no fato de que:

Otimização Bayesiana: Utiliza um modelo para prever o desempenho e guiar a busca inteligentemente.
Meta-heurísticas/Evolucionários (CMAES, Simulated Annealing): Baseiam-se na melhoria iterativa, muitas vezes com mecanismos probabilísticos para explorar o espaço, sem um modelo explícito da função objetivo como os Bayesianos.
Busca Local (Hill Climbing): Foca estritamente na melhoria imediata a partir do ponto atual.
Busca Aleatória (Random): Explora sem direcionamento.

Otimização Bayesiana na Prática: Eficiência e Escalabilidade

A Otimização Bayesiana (BO), a tecnologia por trás dos samplers TPE, OptFlow e HEBO no OptFlow, demonstra seu valor especialmente em problemas onde cada avaliação da função objetivo é cara ou demorada. Isso inclui desde rodar simulações de tráfego detalhadas [37] até realizar experimentos A/B em larga escala em sistemas online [36].

Caso de Sucesso: Meta (Facebook) [36]

Um exemplo notável é o uso extensivo de BO pela Meta para otimizar os parâmetros de seus complexos sistemas de backend. Em vez de ajustes manuais ou buscas exaustivas (grid search), que são limitados e consomem muitos recursos, a Meta aplica BO para:

Ajustar Sistemas Críticos: Otimizar dezenas de parâmetros internos do compilador HHVM (usado para servir páginas do Facebook) e de modelos de Machine Learning para ranqueamento de conteúdo [36].
Maximizar Eficiência: Reduzir significativamente o número de experimentos A/B necessários, que podem levar semanas para rodar, liberando recursos e acelerando o ciclo de desenvolvimento [36].
Otimizar Múltiplos Parâmetros: Ajustar conjuntamente um número maior de parâmetros (rotineiramente até 20 na Meta), capturando interações complexas que seriam perdidas ao otimizar um parâmetro de cada vez [36].
Obter Melhores Resultados: Encontrar configurações de parâmetros que levaram a melhorias mensuráveis (ex: redução de uso de CPU no HHVM) e evitar testar configurações que provavelmente teriam desempenho ruim, melhorando a experiência durante os testes [36].
Gerar Entendimento: Utilizar o modelo estatístico subjacente (geralmente Processos Gaussianos) para visualizar e entender melhor a relação entre os parâmetros e os resultados [36].

Relevância para OptFlow e Aimsun

Os mesmos princípios que tornam a BO valiosa para a Meta aplicam-se diretamente à otimização semafórica com OptFlow e Aimsun:

Simulações Caras: Cada simulação no Aimsun é uma avaliação custosa da "função objetivo" (desempenho da rede) [37].
Parâmetros Interdependentes: Tempos de verde, ciclos e offsets interagem de forma complexa.
Dimensionalidade: Problemas de otimização de sinais em redes reais podem ter alta dimensionalidade [37].
Objetivo: Encontrar a melhor configuração possível com um número limitado de simulações.

Assim como a Meta otimiza sistemas online com A/B tests caros [36], o OptFlow utiliza a Otimização Bayesiana (TPE, OptFlow, HEBO) para encontrar configurações semafóricas eficientes com um número limitado das custosas simulações no Aimsun [37], permitindo explorar espaços de parâmetros complexos de forma inteligente e eficaz.

Objetivo deste Manual

Este manual serve como um guia para os usuários do software de otimização semafórica OptFlow, focado nos samplers TPE, OptFlow, CMAES, HEBO, Random, Hill Climbing, Simulated Annealing e o modo Sequencial. Seu objetivo é fornecer uma análise comparativa dos modelos de otimização oferecidos, considerando o elevado custo das avaliações, e guiar o usuário através do processo de uso da ferramenta, destacando os benefícios práticos de abordagens como a Otimização Bayesiana.