Optimal Transport-based Permutation-Invariant Bayesian Optimization of Offshore Wind Farm Layouts

Resumen Técnico: Optimización Bayesiana Invariante a la Permutación basada en Transporte Óptimo de Distribuciones de Parques Eólicos Marinos

1. Planteamiento del Problema

El artículo aborda la optimización global de funciones objetivo no convexas, de caja negra y costosas de evaluar, definidas sobre diseños (layouts). Un diseño se define como una nube de puntos (un conjunto de $m$ puntos en un espacio de $d$ dimensiones) donde el orden de los puntos no afecta el valor de la función objetivo. Este escenario es distinto de la optimización estándar de nubes de puntos donde el orden de los puntos sí importa.

El núcleo del desafío identificado es el "mecanismo de replicación". En los enfoques de vectorización estándar, donde una nube de puntos $P \in \mathbb{R}^{m \times d}$ se trata como un vector en $\mathbb{R}^{md}$, la función objetivo $f(P)$ se vuelve invariante a las permutaciones de las filas de $P$. Por consiguiente, si el problema real tiene un único óptimo global de diseño, la formulación vectorizada crea $m!$ (factorial) óptimos globales. Esta replicación infesta el espacio de búsqueda con óptimos locales y globales redundantes, creando una función extremadamente "ondulante" (wiggling). Esta condición dificulta la convergencia de los algoritmos de Optimización Bayesiana (BO) estándar, que luchan por distinguir la función subyacente real de sus permutaciones.

Los autores aplican este planteamiento del problema a un caso industrial del mundo real: la optimización de diseños de parques eólicos marinos. Dado que las turbinas eólicas son idénticas, intercambiar cualquier par de turbinas no cambia la Producción de Energía Anual (AEP), lo que hace que el problema sea invariante a la permutación.

2. Metodología: PIBO

Los autores proponen PIBO (Optimización Bayesiana Invariante a la Permutación), un marco que aprovecha la teoría del Transporte Óptimo (OT) para imponer la invariancia a la permutación directamente dentro del bucle de BO.

Componentes Técnicos Clave:

• Nube de Puntos de Referencia: Se muestrea una nube de puntos de referencia $\bar{P}$ a partir de una distribución normal multivariante fuera del espacio de búsqueda físico. Esto asegura que la matriz de costo entre $\bar{P}$ y cualquier diseño candidato $P$ esté en "posición general", facilitando planes de transporte únicos.
• Representación de Flujo Óptimo: En lugar de optimizar sobre las nubes de puntos $P$ directamente, PIBO optimiza sobre el flujo óptimo $X$. Para un diseño candidato $P$, el flujo se define como $X = P - \bar{P}$, derivado del mapa de transporte óptimo $T^*$ que minimiza la distancia euclidiana al cuadrado entre $\bar{P}$ y $P$.
  • Matemáticamente, el problema se enmarca utilizando la formulación de Monge (un problema de asignación) o su relajación lineal, la formulación de Kantorovich.
  • El flujo $X^*$ se calcula como $X^* = (T^{*\top} - I)\bar{P}$, donde $T^*$ es la matriz de transporte óptima.
• BO sobre Flujos: El modelo sustituto de Proceso Gaussiano (GP) se ajusta sobre el espacio de los flujos óptimos $X$ en lugar de sobre los diseños brutos. La función de adquisición (específicamente GP-UCB) se optimiza sobre este espacio de flujo.
• Gestión de Restricciones: Las restricciones físicas (por ejemplo, la distancia mínima $\rho$ entre turbinas) se reformulan en términos de los flujos. Los autores demuestran que si los puntos de referencia están suficientemente cerca, la restricción $\|p_i - p_j\| \geq \rho$ puede reescribirse como $\|x_i - x_j\| \geq \| \bar{p}_i - \bar{p}_j \| + \rho$, permitiendo que las restricciones se gestionen directamente durante la optimización de la función de adquisición.
• Iteración: En cada iteración, la función de adquisición propone un nuevo flujo $X'$. Se resuelve un problema de Kantorovich entre $\bar{P}$ y el diseño implícito $\bar{P} + X'$ para asegurar que el flujo resultante sea un plan de transporte óptimo válido antes de evaluar la función objetivo.

3. Principales Contribuciones

1. Algoritmo PIBO: La propuesta de un enfoque de optimización bayesiana invariante a la permutación basado en la teoría del Transporte Óptimo, diseñado específicamente para la optimización de diseños en espacios continuos.
2. Aplicación al Mundo Real: La evaluación de PIBO en la optimación de diseños de parques eólicos marinos, un problema caracterizado por activos idénticos e invariancia a la permutación.
3. Validación Empírica: Demostración de que PIBO supera a la BO vanilla (tanto sobre el espacio físico como sobre el espacio de flujo) y a los métodos de referencia (Búsqueda Aleatoria, TPE) tanto en términos del valor objetivo óptimo como en la eficiencia computacional.
4. Código Abierto: La liberación del código para asegurar la replicabilidad.

4. Resultados Experimentales

Los autores evaluaron PIBO frente a varios modelos de referencia en un caso de prueba que involucra $m=5$ turbinas eólicas idénticas en un dominio de $[0,1]^2$ con una restricción de separación mínima.

• Rendimiento:

  • PIBO (usando un kernel Exponencial y un bono de incertidumbre $\xi=6$) logró el valor objetivo promedio más alto (AEP) entre todos los métodos.
  • La BO vanilla sobre flujos (sin imposición de la invariancia a la permutación) funcionó mejor que la BO vanilla sobre nubes de puntos, pero peor que PIBO.
  • Los métodos TPE (Estimador Tree-Parzen) y de búsqueda aleatoria (LHS, URS) fueron superados por todas las variantes de BO.
  • Específicamente, PIBO con el kernel Exponencial y $\xi=6$ produjo un valor óptimo promedio de 70.77, comparado con 70.66 para la BO vanilla sobre flujos y 69.82 para la BO vanilla sobre nubes de puntos.

• Eficiencia Computacional:

  • A pesar de la sobrecarga de resolver un problema de programación lineal (formulación de Kantorovich) en cada iteración, PIBO fue aproximadamente dos veces más rápido que las otras variantes de BO.
  • Tiempo promedio por iteración (ajuste de GP + adquisición): 347.9 segundos para PIBO frente a ~692 segundos para la BO vanilla sobre flujos.
  • Los autores atribuyen esta aceleración a la simplificación del proceso de ajuste del GP; al modelar la función subyacente suave sobre los diseños en lugar de la función replicada y "ondulante" sobre las nubes de puntos, el modelo sustituto converge de manera más eficiente.

• Análisis Cualitativo:

  • Las visualizaciones de los mejores diseños muestran que PIBO produce soluciones con flujos que no se cruzan (consistentes con la teoría de OT), mientras que la BO vanilla sobre flujos a menudo producía flujos cruzados, indicando una falta de verdadera invariancia a la permutación.
  • PIBO fue el único método capaz de inferir una organización no lineal del espacio físico en regiones de influencia asociadas a turbinas específicas.

5. Significado y Reivindicaciones

El artículo sostiene que el mecanismo de replicación en las formulaciones estándar de BO para problemas de diseño es una barrera principal para la convergencia. Al utilizar el Transporte Óptimo para mapear el espacio de búsqueda a un espacio de flujos óptimos, PIBO elimina eficazmente esta redundancia.

Los autores afirman que la invariancia a la permutación es la "clave para lograr el mejor rendimiento" frente a la BO estándar y los baselines sin sustitutos. Además, destacan un hallazgo contraintuitivo: imponer la invariancia a la permutación mediante OT, lo cual añade un paso de programación lineal, en realidad reduce el costo computacional total porque simplifica drásticamente el paso de ajuste del GP.

El artículo concluye señalando limitaciones respecto a la escalabilidad para nubes de puntos muy grandes ($m > 1000$), donde el costo de resolver el problema de Kantorovich podría ser prohibitivo, sugiriendo que un ordenamiento prefijado podría ser una alternativa en tales casos. Se sugiere como trabajo futuro la optimización de la adquisición de BO por lotes (batch-BO) y extensiones multi-objetivo.