노이즈 블랙 박스 문제를 위한 TESO 타부 향상 시뮬레이션 최적화

초록

시뮬레이션 최적화(SO)는 노이즈가 있는 평가, 높은 계산 비용, 복잡하고 다중 모드를 가진 탐색 공간으로 인해 자주 어려움을 겪습니다. 본 논문은 적응형 탐색과 메모리 기반 전략을 통합한 새로운 메타휴리스틱 프레임워크인 Tabu-Enhanced Simulation Optimization(TESO)을 소개합니다. TESO는 단기 기억 Tabu 목록을 활용하여 순환을 방지하고 다양화를 촉진하며, 장기 기억 Elite Memory를 통해 우수한 해를 변형하여 집중화를 유도합니다. 예외적으로 우수한 후보 해에 대해서는 tabu 제한을 무시할 수 있는 aspiration 기준을 적용합니다. 이러한 조합은 확률론적 환경에서 탐사와 활용 사이의 동적 균형을 용이하게 합니다. 저희는 대기행렬 최적화 문제를 사용하여 TESO의 효율성과 신뢰성을 입증하며, 벤치마크 대비 향상된 성능을 보이고 메모리 구성 요소의 기여도를 검증합니다. 소스 코드와 데이터는 https://github.com/bulentsoykan/TESO에서 확인할 수 있습니다.

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.

노이즈 블랙 박스 문제를 위한 TESO 타부 향상 시뮬레이션 최적화

TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems

초록

Support