A trust-region funnel algorithm for gray-box optimization

Resumen Técnico: Algoritmo de Región de Confianza con Embudo para Optimización de Cajas Grises

1. Planteamiento del Problema

La optimización de cajas grises es un desafío central en la ingeniería de sistemas de procesos. En estos problemas, algunas partes del modelo son explícitas y analíticas ("cajas de vidrio" o glass-box), permitiendo el cálculo exacto de derivadas, mientras que otras partes dependen de modelos costosos, propietarios o simuladores externos que actúan como "cajas negras" (black-box), careciendo de información de derivadas analíticas.

Los métodos tradicionales, como los basados en Región de Confianza (TR) con filtros, han demostrado ser robustos pero presentan limitaciones:

• Requieren ajustes manuales complejos de parámetros de sintonización.
• Mantienen listas de pares (función objetivo, medida de factibilidad) que pueden ser computacionalmente costosas de gestionar.
• A menudo se estancan cuando los errores de los modelos reducidos dominan el proceso.
• Carecen de implementaciones de código abierto accesibles y flexibles.

El objetivo de este trabajo es desarrollar un método que combine la robustez de los métodos TR con una estrategia de aceptación más simple y adaptable, eliminando la necesidad de listas de filtros complejos y reduciendo la sensibilidad a los parámetros.

2. Metodología Propuesta

Los autores proponen un nuevo algoritmo: el Algoritmo de Región de Confianza con Embudo (TR Funnel).

• Formulación del Problema: Se reformula el problema de optimización de cajas grises introduciendo variables auxiliares para desacoplar las ecuaciones explícitas de las evaluaciones de caja negra. Se utilizan Modelos Reducidos (RMs) locales (como polinomios, series de Taylor o Procesos Gaussianos) para aproximar las componentes de caja negra dentro de una región de muestreo.
• Mecanismo del Embudo (Funnel):
  • A diferencia del método de filtro que gestiona múltiples pares de objetivos, el método de embudo impone una cota superior monótonamente no creciente (el "embudo") sobre la medida de infeasibilidad (error de aproximación de la caja negra).
  • En cada iteración, se verifica si el nuevo punto candidato cae dentro del ancho actual del embudo ($\phi^{(k)}$).
  • Tipos de Pasos:
    • Paso tipo $f$: Mejora la función objetivo manteniendo la factibilidad dentro del embudo.
    • Paso tipo $\theta$: Reduce la medida de infeasibilidad (ensancha la factibilidad) si no se cumple la condición de mejora de objetivo, pero sí la del embudo.
  • El ancho del embudo se actualiza dinámicamente, estrechándose progresivamente para forzar la convergencia hacia la factibilidad y la optimalidad.
• Estrategia de Globalización: Se mantiene un radio de región de confianza ($\Delta$) para controlar el tamaño del paso global, mientras que un radio de muestreo ($\sigma$) se contrae para asegurar la precisión de los modelos reducidos.
• Fase de Restauración: Si el subproblema de región de confianza no es compatible (el modelo reducido no satisface las restricciones locales), se activa una fase de restauración para ajustar el radio y reconstruir el modelo antes de continuar.

3. Contribuciones Clave

1. Nuevo Algoritmo de Aceptación: Reemplaza el criterio de aceptación basado en filtros (que requiere listas de pares no dominados) por un criterio unidimensional basado en un embudo dinámico. Esto simplifica la implementación y reduce la sensibilidad a parámetros de ajuste.
2. Prueba de Convergencia Global: Se establece una prueba rigurosa de convergencia global a un punto crítico de primer orden (punto KKT) para el problema de cajas grises, demostrando que la contracción del radio de muestreo ($\sigma$) es el mecanismo principal que garantiza la convergencia, incluso si el radio de región de confianza ($\Delta$) no tiende a cero.
3. Implementación de Código Abierto: El algoritmo se ha implementado en Pyomo (un framework de programación matemática en Python), permitiendo a los usuarios seleccionar entre múltiples formas de modelos reducidos (lineales, cuadráticos, GP, Taylor) y estrategias de globalización (filtro o embudo).
4. Eficiencia Computacional: El método demuestra ser capaz de manejar problemas a gran escala con múltiples componentes de caja negra sin intervención manual excesiva.

4. Resultados Experimentales

Los autores evaluaron el algoritmo TR Funnel comparándolo con el clásico método TR Filter en siete problemas de prueba (numéricos y de ingeniería):

• Benchmarks Numéricos (Colville, Himmelblau, Loeppky):
  • El método TR Funnel logró converger a los mismos valores óptimos que el método TR Filter.
  • En problemas con modelos reducidos de baja fidelidad (lineales o cuadráticos simples), el método de embudo requirió significativamente menos evaluaciones de la caja negra (hasta 4-135 veces menos en el problema de Colville) y menos tiempo de CPU.
  • La ventaja se debe a que el embudo limita los ciclos excesivos de corrección de factibilidad que a menudo sufren los métodos de filtro cuando los modelos son inexactos.
• Diseño de Ingeniería (Peso del Ala, Viga Soldada):
  • El algoritmo mostró un comportamiento de convergencia en dos fases: reducción rápida de la infeasibilidad inicial (restauración y pasos $\theta$) seguida de una mejora monótona de la función objetivo (pasos $f$).
  • En el problema de la viga soldada, el método TR Filter requirió hasta 50 iteraciones con modelos lineales, mientras que el TR Funnel convergió en 13, demostrando una mayor robustez ante modelos de baja fidelidad.
• Casos de Estudio de Procesos (Williams-Otto y Producción de Hidrógeno):
  • En el proceso Williams-Otto, el TR Funnel convergió en 34 iteraciones (195 evaluaciones) frente a 37 iteraciones (222 evaluaciones) del filtro.
  • En el caso de producción de hidrógeno (un problema a gran escala con 69 restricciones), ambos métodos convergieron en el mismo número de iteraciones, pero el enfoque de embudo demostró una gestión más suave de la factibilidad y una reducción monótona del error.

5. Significado e Impacto

Este trabajo representa un avance significativo en la optimización de sistemas de procesos complejos:

• Simplicidad y Extensibilidad: Al eliminar la complejidad de las listas de filtros y los parámetros de sintonización sensibles, el método TR Funnel ofrece una alternativa más accesible y fácil de implementar para ingenieros.
• Robustez Teórica y Práctica: La combinación de una prueba de convergencia rigurosa con resultados empíricos superiores (o comparables) en problemas reales valida su utilidad para aplicaciones industriales.
• Accesibilidad: Al estar disponible en Pyomo, democratiza el acceso a técnicas avanzadas de optimización de cajas grises, facilitando su adopción en la industria y la academia para el diseño y operación de plantas químicas y de energía.

En conclusión, el algoritmo TR Funnel proporciona un marco más simple, eficiente y teóricamente sólido para abordar problemas de optimización donde coexisten modelos analíticos y simuladores de caja negra, superando muchas de las limitaciones de los métodos de filtro tradicionales.