TESO Optimización por Simulación Mejorada con Tabú para Problemas de Caja Negra con Ruido
TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems
December 30, 2025
Autores: Bulent Soykan, Sean Mondesire, Ghaith Rabadi
cs.AI
Resumen
La optimización de simulación (OS) se enfrenta frecuentemente a desafíos como evaluaciones ruidosas, altos costos computacionales y espacios de búsqueda complejos y multimodales. Este artículo presenta la Optimización de Simulación Mejorada con Tábú (TESO), un novedoso marco metaheurístico que integra búsqueda adaptativa con estrategias basadas en memoria. TESO aprovecha una Lista Tábú a corto plazo para prevenir ciclos y fomentar la diversificación, y una Memoria de Élite a largo plazo para guiar la intensificación mediante la perturbación de soluciones de alto rendimiento. Un criterio de aspiración permite anular las restricciones tábú para candidatos excepcionales. Esta combinación facilita un equilibrio dinámico entre exploración y explotación en entornos estocásticos. Demostramos la eficacia y confiabilidad de TESO utilizando un problema de optimización de colas, mostrando un rendimiento mejorado en comparación con los puntos de referencia y validando la contribución de sus componentes de memoria. El código fuente y los datos están disponibles en: 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.