基于最优传输的排列不变贝叶斯优化：海上风电场布局优化新范式

背景

贝叶斯优化（Bayesian Optimization, BO）作为一种强大的黑盒优化算法，广泛应用于目标函数评估成本高昂、非凸且缺乏解析形式的优化问题中。然而，传统的“原生”贝叶斯优化算法存在一个显著的局限性：它无法有效利用目标问题中可能存在的对称性特征。

在优化问题中，有一类被称为“位置优化问题”（optimal location problems），其决策变量对应于连续空间内的有限点集。在这类问题中，点的排列顺序并不影响目标函数的值。为了与“点云优化”（point-clouds optimization，其中点的顺序至关重要）区分开来，本文将此类问题称为“布局优化”（optimization over layouts）。

一个典型的工业级应用场景是海上风电场的布局优化。假设风电场中安装了完全相同的涡轮机，那么交换任意两台涡轮机的位置，并不会改变风电场的年发电量（Annual Energy Production, AEP）。然而，原生 BO 算法通常将每个点的位置视为独立的决策变量，忽略了这种排列不变性（Permutation Invariance），导致搜索空间中存在大量冗余的等价解，从而降低了优化效率。

核心内容

本文提出了一种基于最优传输理论（Optimal Transport Theory）的新方法，称为 PIBO（Permutation-Invariant Bayesian Optimization，排列不变贝叶斯优化），专门用于解决海上风电场布局优化问题。

1. 问题定义与挑战

在海上风电场布局优化中，目标是在给定的海域内确定 $N$ 个相同风力涡轮机的最佳位置，以最大化年发电量。由于涡轮机是同质的，布局 ${x_1, x_2, ..., x_N}$ 与任意排列后的布局 ${x_{\pi(1)}, x_{\pi(2)}, ..., x_{\pi(N)}}$ 具有相同的目标函数值。原生 BO 算法在处理此类问题时，会将这些排列视为不同的状态进行搜索，造成了计算资源的浪费和收敛速度的降低。

2. 方法论：PIBO 架构

PIBO 的核心创新在于利用最优传输理论来建模布局之间的几何关系，并构建一个排列不变的代理模型。

• 最优传输理论的应用：最优传输理论提供了衡量两个概率分布之间距离的数学框架。在布局优化中，可以将风电场布局视为离散的概率分布（每个涡轮机位置对应一个质量点）。通过计算不同布局之间的最优传输距离，PIBO 能够量化布局之间的相似性，而不受涡轮机编号顺序的影响。
• 排列不变的代理模型：传统的 BO 使用高斯过程（Gaussian Process, GP）作为代理模型。PIBO 修改了这一过程，确保代理模型对输入点的排列具有不变性。这意味着无论输入向量中的点如何排序，模型输出的预测均值和方差保持一致。
• 采集函数（Acquisition Function）的调整：基于排列不变的代理模型，PIBO 设计了相应的采集函数，用于指导下一个评估点的选择。该函数能够更有效地探索搜索空间，避免在等价解上重复评估。

3. 实验结果

作者在海上风电场布局优化的真实工业场景中测试了 PIBO 方法，并与原生 BO 进行了对比。结果表明：

• 优化效果提升：PIBO 找到的风电场布局方案在年发电量方面优于原生 BO 找到的方案。
• 计算效率显著提高：由于消除了排列冗余，PIBO 将计算时间减少了约一半。

关键要点

• 排列不变性的重要性：在涉及相同对象（如涡轮机、传感器节点）的布局优化中，对象的排列顺序不影响目标函数值。忽略这一特性会导致搜索空间膨胀和优化效率低下。
• 最优传输理论的桥梁作用：最优传输理论为处理排列不变性提供了坚实的数学基础，能够有效地度量布局之间的几何距离，而不受标签或顺序的影响。
• PIBO 的核心优势：
  • 对称性利用：通过构建排列不变的代理模型，PIBO 显式地利用了问题的对称性。
  • 效率提升：计算时间减少约 50%。
  • 性能优化：在海上风电场布局案例中，获得了更优的发电量结果。
• 通用性潜力：虽然本文以海上风电场为例，但 PIBO 框架适用于任何具有排列不变性的布局优化问题，如无线传感器网络部署、工厂机器布局等。

意义与影响

这项研究在计算优化和可再生能源工程领域具有重要意义：

1. 推动高效优化算法的发展：PIBO 展示了如何将先进的数学理论（最优传输）与机器学习优化方法（贝叶斯优化）相结合，以解决特定结构（对称性）的优化问题。这为处理其他具有对称性或不变性的复杂优化问题提供了新的思路。
2. 加速海上风电场的开发：海上风电场的布局优化是一个计算密集型任务。PIBO 将计算时间减半，意味着可以在更短的时间内评估更多设计方案，从而加快风电场的规划和部署进程，降低前期开发成本。
3. 提升能源产出效率：通过找到更优的布局，PIBO 有助于最大化风电场的年发电量，从而提高可再生能源的经济效益和环境效益。
4. 方法论的扩展性：该研究强调了在优化算法设计中考虑问题内在结构（如对称性）的重要性。未来，类似的方法可能被应用于其他领域，如物流路径规划、芯片布局设计等，其中对象的排列不影响整体性能。

总之，PIBO 不仅是一个针对海上风电场布局优化的专用工具，更是一种处理排列不变优化问题的通用框架，其提出的基于最优传输的对称性利用机制，为贝叶斯优化领域带来了重要的理论和方法论贡献。