ノイズを含むブラックボックス問題のためのTESO Tabu拡張シミュレーション最適化

TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems

December 30, 2025

著者: Bulent Soykan, Sean Mondesire, Ghaith Rabadi

cs.AI

要旨

シミュレーション最適化（SO）は、ノイズを含む評価、高い計算コスト、複雑で多峰性の探索空間によって頻繁に課題に直面する。本論文では、適応的探索とメモリベース戦略を統合した新しいメタヒューリスティックフレームワークであるTabu-Enhanced Simulation Optimization（TESO）を提案する。TESOは、短期記憶であるタブーリストを利用して循環を防止し、多様化を促進する。また、長期記憶であるエリートメモリは、高性能な解を摂動させることで集中化を導く。アスピレーション基準により、卓越した候補解に対してはタブー制限を解除する。この組み合わせにより、確率的環境下での探索と活用の動的バランスが実現される。待ち行列最適化問題を用いた検証により、TESOの有効性と信頼性を実証し、ベンチマーク比較で性能向上を示すとともに、そのメモリ構成要素の貢献を検証する。ソースコード及びデータは以下で公開されている：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.