TESO Ottimizzazione con Simulazione Potenziata da Tabù per Problemi Black Box Rumore
TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems
December 30, 2025
Autori: Bulent Soykan, Sean Mondesire, Ghaith Rabadi
cs.AI
Abstract
L'ottimizzazione per simulazione (SO) è frequentemente ostacolata da valutazioni rumorose, elevati costi computazionali e paesaggi di ricerca complessi e multimodali. Questo articolo presenta la Tabu-Enhanced Simulation Optimization (TESO), un nuovo framework metaeuristico che integra una ricerca adattativa con strategie basate sulla memoria. TESO utilizza una Tabu List a breve termine per prevenire cicli e favorire la diversificazione, e una Elite Memory a lungo termine per guidare l'intensificazione perturbando soluzioni ad alte prestazioni. Un criterio di aspirazione consente di ignorare le restrizioni tabu per candidati eccezionali. Questa combinazione facilita un equilibrio dinamico tra esplorazione e sfruttamento in ambienti stocastici. Dimostriamo l'efficacia e l'affidabilità di TESO utilizzando un problema di ottimizzazione di code, mostrando prestazioni migliorate rispetto ai benchmark e validando il contributo dei suoi componenti di memoria. Il codice sorgente e i dati sono disponibili all'indirizzo: 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.