TESO Tabu: Otimização por Simulação Aprimorada com Tabu para Problemas de Caixa-Preta com Ruído
TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems
December 30, 2025
Autores: Bulent Soykan, Sean Mondesire, Ghaith Rabadi
cs.AI
Resumo
A otimização por simulação (SO) é frequentemente desafiada por avaliações ruidosas, custos computacionais elevados e paisagens de busca complexas e multimodais. Este artigo introduz a Otimização por Simulação com Aprimoramento Tabu (TESO), uma nova estrutura metaheurística que integra busca adaptativa com estratégias baseadas em memória. A TESO aproveita uma Lista Tabu de curto prazo para evitar ciclagem e incentivar a diversificação, e uma Memória de Elite de longo prazo para orientar a intensificação através da perturbação de soluções de alto desempenho. Um critério de aspiração permite anular restrições tabu para candidatos excepcionais. Esta combinação facilita um equilíbrio dinâmico entre exploração e exploração em ambientes estocásticos. Demonstramos a eficácia e a confiabilidade da TESO usando um problema de otimização de filas, mostrando um desempenho melhorado em comparação com benchmarks e validando a contribuição dos seus componentes de memória. O código-fonte e os dados estão disponíveis em: 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.