TESO Tabu : Optimisation par Simulation Améliorée pour les Problèmes de Boîte Noire Bruitée
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
L'optimisation par simulation (SO) est fréquemment confrontée à des défis tels que des évaluations bruitées, des coûts computationnels élevés et des paysages de recherche complexes et multimodaux. Cet article présente l'Optimisation par Simulation Améliorée par Tabou (TESO), un nouveau cadre métaheuristique intégrant une recherche adaptative à des stratégies basées sur la mémoire. TESO exploite une Liste Tabou à court terme pour éviter les cycles et encourager la diversification, ainsi qu'une Mémoire d'Élite à long terme pour guider l'intensification en perturbant les solutions performantes. Un critère d'aspiration permet de lever les restrictions taboues pour les candidats exceptionnels. Cette combinaison facilite un équilibre dynamique entre exploration et exploitation dans des environnements stochastiques. Nous démontrons l'efficacité et la fiabilité de TESO sur un problème d'optimisation de file d'attente, montrant des performances supérieures par rapport à des références et validant la contribution de ses composants mémoriels. Le code source et les données sont disponibles à l'adresse : 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.