TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems

📄 arXiv: 2512.24007v1 📥 PDF

作者: Bulent Soykan, Sean Mondesire, Ghaith Rabadi

分类: cs.NE, cs.AI

发布日期: 2025-12-30

备注: 11 pages, 2 figures, Presented at the Winter Simulation Conference 2025, Seattle, Washington (December 2025)

🔗 代码/项目: GITHUB

💡 一句话要点

提出TESO，一种结合禁忌搜索和精英记忆的噪声黑盒问题优化方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 模拟优化 禁忌搜索 元启发式算法 噪声优化 黑盒优化

📋 核心要点

  1. 模拟优化面临噪声评估、计算成本高昂和复杂搜索空间等挑战，现有方法难以有效平衡探索与利用。
  2. TESO框架结合禁忌列表和精英记忆，短期禁忌列表避免循环，长期精英记忆引导搜索，实现探索与利用的平衡。
  3. 在排队优化问题上的实验表明，TESO的性能优于基准方法，验证了其记忆组件对性能提升的贡献。

📝 摘要（中文）

本文提出了一种名为禁忌增强模拟优化（TESO）的新型元启发式框架，旨在解决模拟优化（SO）中常见的噪声评估、高计算成本和复杂多峰搜索空间等挑战。TESO集成了自适应搜索和基于记忆的策略，利用短期禁忌列表防止循环并鼓励多样化，同时使用长期精英记忆通过扰动高性能解决方案来指导强化。一个渴望准则允许覆盖对特殊候选者的禁忌限制。这种组合促进了随机环境中探索和利用之间的动态平衡。我们通过一个排队优化问题证明了TESO的有效性和可靠性，与基准方法相比，性能有所提高，并验证了其记忆组件的贡献。源代码和数据可在https://github.com/bulentsoykan/TESO获取。

🔬 方法详解

问题定义：论文旨在解决噪声黑盒优化问题，这类问题常见于模拟优化领域。现有方法在处理噪声评估、高计算成本以及复杂多峰搜索空间时，难以有效地平衡探索（寻找新的有希望的区域）和利用（在已知良好区域进行精细搜索）。

核心思路：TESO的核心思路是结合禁忌搜索和精英记忆，利用禁忌搜索的短期记忆来防止算法陷入局部最优，并通过精英记忆的长期记忆来引导算法向有希望的区域搜索。这种结合旨在实现探索和利用之间的动态平衡，从而更有效地解决噪声黑盒优化问题。

技术框架：TESO框架主要包含以下几个模块：1) 解生成模块：生成新的候选解。2) 禁忌列表模块：维护一个短期禁忌列表，记录最近访问过的解，防止算法循环。3) 精英记忆模块：维护一个长期精英记忆，存储迄今为止找到的最好的解。4) 渴望准则模块：允许在特定情况下忽略禁忌限制，例如当一个被禁忌的解比当前精英记忆中的解更好时。5) 解评估模块：评估候选解的性能。

关键创新：TESO的关键创新在于将禁忌搜索和精英记忆相结合，并引入渴望准则。禁忌搜索防止算法陷入局部最优，精英记忆引导算法向有希望的区域搜索，渴望准则允许算法在特定情况下跳出禁忌限制，从而更有效地探索搜索空间。与传统方法相比，TESO能够更好地平衡探索和利用，从而在噪声环境下获得更好的优化结果。

关键设计：TESO的关键设计包括：1) 禁忌列表长度：禁忌列表的长度决定了算法避免循环的程度。2) 精英记忆大小：精英记忆的大小决定了算法利用历史信息的程度。3) 渴望准则：渴望准则的设置决定了算法跳出禁忌限制的频率。这些参数需要根据具体问题进行调整，以获得最佳性能。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，TESO在排队优化问题上优于基准方法。具体来说，TESO在找到更优解的同时，也表现出更高的可靠性。实验还验证了禁忌列表和精英记忆这两个组件对TESO性能的贡献，证明了TESO框架设计的有效性。

🎯 应用场景

TESO可应用于各种涉及噪声黑盒优化的领域，例如排队系统优化、供应链管理、金融风险管理、以及参数调优等。该方法能够在计算资源有限的情况下，有效地找到高质量的解决方案，具有重要的实际应用价值。未来，TESO可以进一步扩展到处理更大规模、更复杂的问题，并与其他优化技术相结合，以提高其性能和适用性。

📄 摘要（原文）

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.