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

Resumo Técnico: Otimização Bayesiana Invariante à Permutação Baseada em Transporte Ótimo para Layouts de Parques Eólicos Offshore

1. Definição do Problema

O artigo aborda a otimização global de funções de objetivo não convexas, de caixa-preta e de custo de avaliação elevado, definidas sobre layouts. Um layout é definido como uma nuvem de pontos (um conjunto de $m$ pontos em um espaço de $d$ dimensões) onde a ordem dos pontos não afeta o valor da função de objetivo. Este cenário é distinto da otimização padrão de nuvens de pontos, onde a ordem dos pontos importa.

O principal desafio identificado é o "mecanismo de replicação". Em abordagens de vetorização padrão, onde uma nuvem de pontos $P \in \mathbb{R}^{m \times d}$ é tratada como um vetor em $\mathbb{R}^{md}$, a função de objetivo $f(P)$ torna-se invariante às permutações das linhas de $P$. Consequentemente, se o problema real possui um único layout ótimo global, a formulação vetorizada cria $m!$ (fatorial) ótimos globais. Esta replicação infesta o espaço de busca com ótimos locais e globais redundantes, criando uma paisagem de função extremamente "ondulante" (wiggling). Esta condição dificulta a convergência dos algoritmos de Otimização Bayesiana (BO) padrão, que lutam para distinguir a função subjacente real de suas permutações.

Os autores aplicam esta formulação de problema a um caso industrial do mundo real: a otimização de layouts de parques eólicos offshore. Dado que as turbinas eólicas são idênticas, trocar qualquer par de turbinas não altera a Produção de Energia Anual (AEP), tornando o problema invariante à permutação.

2. Metodologia: PIBO

Os autores propõem o PIBO (Otimização Bayesiana Invariante à Permutação), um framework que utiliza a teoria do Transporte Ótimo (OT) para impor a invariância à permutação diretamente dentro do loop de BO.

Componentes Técnicos Principais:

• Nuvem de Pontos de Referência: Uma nuvem de pontos de referência $\bar{P}$ é amostrada de uma distribuição normal multivariada fora do espaço de busca físico. Isso garante que a matriz de custo entre $\bar{P}$ e qualquer layout candidato $P$ esteja em "posição geral", facilitando planos de transporte únicos.
• Representação de Fluxo Ótimo: Em vez de otimizar sobre as nuvens de pontos $P$ diretamente, o PIBO otimiza sobre o fluxo ótimo $X$. Para um layout candidato $P$, o fluxo é definido como $X = P - \bar{P}$, derivado do mapa de transporte ótimo $T^*$ que minimiza a distância euclidiana ao quadrado entre $\bar{P}$ e $P$.
  • Matematicamente, o problema é formulado usando a formulação de Monge (um problema de atribuição) ou sua relaxação linear, a formulação de Kantorovich.
  • O fluxo $X^*$ é calculado como $X^* = (T^{*\top} - I)\bar{P}$, onde $T^*$ é a matriz de transporte ótimo.
• BO sobre Fluxos: O modelo substituto de Processo Gaussiano (GP) é ajustado no espaço dos fluxos ótimos $X$ em vez dos layouts brutos. A função de aquisição (especificamente GP-UCB) é otimizada sobre este espaço de fluxo.
• Tratamento de Restrições: Restrições físicas (ex: distância mínima $\rho$ entre turbinas) são reformuladas em termos dos fluxos. Os autores provam que, se os pontos de referência forem suficientemente próximos, a restrição $\|p_i - p_j\| \geq \rho$ pode ser reescrita como $\|x_i - x_j\| \geq \| \bar{p}_i - \bar{p}_j \| + \rho$, permitindo que as restrições sejam tratadas diretamente durante a otimização da função de aquisição.
• Iteração: Em cada iteração, um novo fluxo $X'$ é proposto pela função de aquisição. Um problema de Kantorovich é resolvido entre $\bar{P}$ e o layout implícito $\bar{P} + X'$ para garantir que o fluxo resultante seja um plano de transporte ótimo válido antes de avaliar a função de objetivo.

3. Principais Contribuições

1. Algoritmo PIBO: A proposta de uma abordagem de BO invariante à permutação baseada na teoria do Transporte Ótimo, especificamente projetada para otimização sobre layouts em espaços contínuos.
2. Aplicação no Mundo Real: A avaliação do PIBO na otimização de layouts de parques eólicos offshore, um problema caracterizado por ativos idênticos e invariância à permutação.
3. Validação Empírica: Demonstração de que o PIBO supera a BO vanilla (tanto no espaço físico quanto no espaço de fluxo) e métodos de linha de base (Busca Aleatória, TPE) em termos de valor objetivo ótimo e eficiência computacional.
4. Código Aberto: O lançamento do código para garantir a replicabilidade.

4. Resultados Experimentais

Os autores avaliaram o PIBO contra várias linhas de base em um caso de teste envolvendo $m=5$ turbinas eólicas idênticas em um domínio $[0,1]^2$ com uma restrição de separação mínima.

• Desempenho:

  • O PIBO (usando um kernel Exponencial e bônus de incerteza $\xi=6$) alcançou o maior valor objetivo médio (AEP) entre todos os métodos.
  • A BO vanilla sobre fluxos (sem imposição de invariância à permutação) teve um desempenho melhor que a BO vanilla sobre nuvens de pontos, mas pior que o PIBO.
  • O TPE (Tree-Parzen Estimator) e os métodos de busca aleatória (LHS, URS) foram superados por todas as variantes de BO.
  • Especificamente, o PIBO com o kernel Exponencial e $\xi=6$ gerou um valor médio de melhor resultado de 70,77, comparado a 70,66 para a BO vanilla sobre fluxos e 69,82 para a BO vanilla sobre nuvens de pontos.

• Eficiência Computacional:

  • Apesar do overhead de resolver um problema de programação linear (formulação de Kantorovich) a cada iteração, o PIBO foi aproximadamente duas vezes mais rápido que as outras variantes de BO.
  • Tempo médio por iteração (ajuste de GP + aquisição): 347,9 segundos para o PIBO vs. ~692 segundos para a BO vanilla sobre fluxos.
  • Os autores atribuem essa aceleração à simplificação do processo de ajuste do GP; ao modelar a função subjacente suave sobre os layouts em vez da função replicada "ondulante" sobre as nuvens de pontos, o modelo substituto converge de forma mais eficiente.

• Análise Qualitativa:

  • Visualizações dos melhores layouts mostram que o PIBO produz soluções com fluxos que não se cruzam (consistentes com a teoria de OT), enquanto a BO vanilla sobre fluxos frequentemente produzia fluxos cruzados, indicando uma falta de verdadeira invariância à permutação.
  • O PIBO foi o único método capaz de inferir uma organização não linear do espaço físico em regiões de influência associadas a turbinas específicas.

5. Significância e Alegações

O artigo afirma que o mecanismo de replicação nas formulações padrão de BO para problemas de layout é uma barreira primária para a convergência. Ao utilizar o Transporte Ótimo para mapear o espaço de busca para um espaço de fluxos ótimos, o PIBO efetivamente remove essa redundância.

Os autores afirmam que a invariância à permutação é a "chave para alcançar o melhor desempenho" contra tanto a BO padrão quanto as linhas de base sem substitutos. Além disso, destacam um achado contraintuitivo: impor a invariância à permutação via OT, o que adiciona uma etapa de programação linear, na verdade reduz o custo computacional total porque simplifica drasticamente a etapa de ajuste do GP.

O artigo conclui observando limitações de escalabilidade para nuvens de pontos muito grandes ($m > 1000$), onde o custo de resolver o problema de Kantorovich pode se tornar proibitivo, sugerindo que a ordenação prefixada (prefixed sorting) pode ser uma alternativa nesses casos. Trabalhos futuros são sugeridos para otimização de aquisição de batch-BO e extensões multi-objetivo.