Análise Comparativa dos Algoritmos
A escolha do algoritmo (Sampler) correto é fundamental para o sucesso da otimização, especialmente considerando o custo computacional das simulações no Aimsun.
Tabela Resumo
A tabela a seguir resume as características principais de cada algoritmo disponível no OptFlow (versão reduzida) e a sua adequação geral para otimização semafórica com Aimsun:
| Algoritmo | Tipo | Lida com Parâmetros Contínuos? | Suporte Multi-Objetivo (Nativo/Extensões)? | Eficiência de Amostragem | Robustez a Ótimos Locais | Adequação para Otimização no Aimsun |
|---|---|---|---|---|---|---|
| TPE | Bayesiano | Sim | Sim (Extensões) | Alta | Média | Alta |
| OptFlow (GP) | Bayesiano | Sim | Sim (Extensões) | Alta | Média | Alta |
| CMAES | Evolucionário | Sim | Não (Extensões Existem) | Baixa | Alta | Média |
| HEBO | Bayesiano | Sim | Sim | Alta | Média | Média/Alta (Bom p/ Ruído) |
| Random | Amostragem | Sim | Não | Baixa | Baixa | Baixa (Baseline) |
| Hill Climbing | Busca Local | Sim | Não | N/A | Baixa | Baixa |
| Simulated Annealing | Meta-heurístico | Sim | Não | Baixa | Média | Média |
| Sequencial | Híbrido | Sim | Depende dos samplers usados | Variável | Variável | Média/Alta (Flexível) |
Nota: A classificação de "Tipo" pode variar ligeiramente em diferentes literaturas. "Sequencial" não é um algoritmo único, mas um modo de combinar outros.
Fatores que Influenciam a Escolha
Diversos fatores influenciam a escolha do algoritmo, incluindo:
- Número e tipo de parâmetros a otimizar (contínuos vs. discretos, dimensionalidade)
- Complexidade da rede de tráfego e do modelo de simulação (probabilidade de não convexidade, ruído na avaliação da função objetivo)
- Nível desejado de otimização e orçamento computacional (número de avaliações/iterações do Aimsun viáveis)
- Necessidade de otimização multi-objetivo (Embora não detalhado aqui, alguns samplers como TPE e OptFlow têm extensões para isso)
- Experiência e familiaridade do usuário com diferentes algoritmos
Recomendações por Cenário
-
Orçamento limitado de tempo/avaliações
Recomendado: TPE ou OptFlow
Quando cada simulação é custosa e o número total de avaliações deve ser minimizado. Ideal para a maioria dos casos de otimização semafórica de objetivo único com Aimsun. A capacidade da Otimização Bayesiana de encontrar boas soluções com menos avaliações é um de seus maiores trunfos, permitindo otimizar mais parâmetros conjuntamente e de forma mais eficaz do que métodos tradicionais, como demonstrado em otimizações de sistemas na Meta[cite: 556, 563, 564].
-
:material-noise-source: Resultados ruidosos (alta variabilidade nas simulações)
Recomendado: HEBO ou OptFlow (com configuração adequada)
Para lidar com a variabilidade inerente às simulações estocásticas do Aimsun.
-
Espaço de busca complexo (muitos ótimos locais)
Recomendado: CMAES ou Simulated Annealing
Para problemas onde algoritmos mais simples podem ficar presos em soluções subótimas. Requerem geralmente mais avaliações. Considere também TPE ou OptFlow que possuem boa exploração.
-
Necessidade de flexibilidade ou abordagens em fases
Recomendado: Sequencial
Permite combinar os pontos fortes de diferentes samplers em etapas distintas da otimização.
Recomendações Específicas por Algoritmo
- Otimização Bayesiana (TPE/OptFlow): Boas escolhas de propósito geral para otimização eficiente de parâmetros semafóricos contínuos. Comece com estes para otimização de objetivo único, especialmente se o tempo de simulação for um fator limitante.
- CMAES: Considere para problemas complexos e mal condicionados se um orçamento de avaliação maior for aceitável.
- HEBO: Experimente se os resultados do Aimsun forem particularmente ruidosos ou se a dimensionalidade for muito alta.
- Hill Climbing: Para comparações de referência muito simples ou como um componente em métodos híbridos (via modo Sequencial). Baixo desempenho esperado em problemas complexos.
- Simulated Annealing: Para potencialmente escapar de ótimos locais em paisagens complexas, mas preste atenção ao ajuste de parâmetros e ao orçamento de avaliação.
- Random: Principalmente como linha de base para comparação ou para a fase inicial de exploração no modo Sequencial.
- Sequencial: Use quando quiser aplicar estratégias diferentes em fases distintas da otimização (ex: exploração inicial com Random, seguida por refinamento com TPE ou OptFlow).
Consulte as páginas individuais de cada algoritmo para mais detalhes sobre seu funcionamento e parâmetros.