TESO Tabu Enhanced Simulation Optimization für verrauschte Black-Box-Probleme
TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems
December 30, 2025
papers.authors: Bulent Soykan, Sean Mondesire, Ghaith Rabadi
cs.AI
papers.abstract
Simulationsoptimierung (SO) sieht sich häufig mit verrauschten Bewertungen, hohen Rechenkosten und komplexen, multimodalen Suchlandschaften konfrontiert. Dieses Papier stellt Tabu-Enhanced Simulation Optimization (TESO) vor, ein neuartiges metaheuristisches Framework, das adaptive Suche mit speicherbasierten Strategien kombiniert. TESO nutzt eine kurzfristige Tabu-Liste, um Zyklen zu vermeiden und Diversifizierung zu fördern, sowie ein langfristiges Elite-Memory, das durch Perturbation vielversprechender Lösungen eine Intensivierung steuert. Ein Aspirationskriterium ermöglicht es, Tabu-Beschränkungen für außergewöhnliche Kandidaten außer Kraft zu setzen. Diese Kombination ermöglicht ein dynamisches Gleichgewicht zwischen Exploration und Exploitation in stochastischen Umgebungen. Wir demonstrieren die Wirksamkeit und Zuverlässigkeit von TESO anhand eines Warteschlangenoptimierungsproblems, zeigen eine verbesserte Leistung im Vergleich zu Benchmark-Verfahren und validieren den Beitrag seiner Speicherkomponenten. Quellcode und Daten sind verfügbar unter: https://github.com/bulentsoykan/TESO.
English
Simulation optimization (SO) is frequently challenged by noisy evaluations, high computational costs, and complex, multimodal search landscapes. This paper introduces Tabu-Enhanced Simulation Optimization (TESO), a novel metaheuristic framework integrating adaptive search with memory-based strategies. TESO leverages a short-term Tabu List to prevent cycling and encourage diversification, and a long-term Elite Memory to guide intensification by perturbing high-performing solutions. An aspiration criterion allows overriding tabu restrictions for exceptional candidates. This combination facilitates a dynamic balance between exploration and exploitation in stochastic environments. We demonstrate TESO's effectiveness and reliability using an queue optimization problem, showing improved performance compared to benchmarks and validating the contribution of its memory components. Source code and data are available at: https://github.com/bulentsoykan/TESO.