TESO Tabu: Улучшенная симуляционная оптимизация для зашумленных задач черного ящика
TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems
December 30, 2025
Авторы: Bulent Soykan, Sean Mondesire, Ghaith Rabadi
cs.AI
Аннотация
Оптимизация методом моделирования (ОММ) часто сталкивается с такими проблемами, как зашумленные оценки, высокая вычислительная стоимость и сложные многомодальные пространства поиска. В данной статье представлена Табу-усиленная оптимизация методом моделирования (ТУОММ) — новый метаэвристический фреймворк, объединяющий адаптивный поиск со стратегиями, основанными на памяти. ТУОММ использует краткосрочный Табу-список для предотвращения зацикливания и стимулирования диверсификации, а также долгосрочную Элитную память для управления интенсификацией путем возмущения высококачественных решений. Критерий аспирации позволяет отменять табу-ограничения для исключительных кандидатов. Такое сочетание обеспечивает динамический баланс между исследованием и использованием в стохастических средах. Мы демонстрируем эффективность и надежность ТУОММ на примере задачи оптимизации очереди, показывая улучшение производительности по сравнению с эталонными методами и подтверждая вклад компонентов памяти. Исходный код и данные доступны по адресу: 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.