TESO Tabu Verbeterde Simulatieoptimalisatie voor Ruisgevoelige Black Box-problemen
TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems
December 30, 2025
Auteurs: Bulent Soykan, Sean Mondesire, Ghaith Rabadi
cs.AI
Samenvatting
Simulatie-optimalisatie (SO) wordt vaak belemmerd door ruis in evaluaties, hoge rekentijden en complexe, multimodale zoeklandschappen. Dit artikel introduceert Tabu-Enhanced Simulation Optimization (TESO), een nieuw metaheuristisch raamwerk dat adaptieve zoekstrategieën integreert met geheugen-gebaseerde technieken. TESO benut een kortetermijn Tabu Lijst om cycli te voorkomen en diversificatie te stimuleren, en een langetermijn Elite Geheugen om intensivering te sturen door hoogwaardige oplossingen te verstoren. Een aspiratiecriterie maakt het mogelijk tabubeperkingen te omzeilen voor uitzonderlijke kandidaten. Deze combinatie bevordert een dynamisch evenwicht tussen exploratie en exploitatie in stochastische omgevingen. We demonstreren de effectiviteit en betrouwbaarheid van TESO aan de hand van een wachtrijoptimalisatieprobleem, waarbij verbeterde prestaties ten opzichte van referentiemethoden worden aangetoond en de bijdrage van de geheugencomponenten wordt gevalideerd. Broncode en data zijn beschikbaar op: 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.