論文の概要: TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems

• arxiv url: http://arxiv.org/abs/2512.24007v1
• Date: Tue, 30 Dec 2025 06:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.295102
• Title: TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems
• Title（参考訳）: TESO Tabuによるノイズブラックボックス問題のシミュレーション最適化
• Authors: Bulent Soykan, Sean Mondesire, Ghaith Rabadi,
• Abstract要約: 本稿では,適応探索とメモリベースの戦略を統合する新しいメタヒューリスティックフレームワークである Tabu-Enhanced Simulation Optimization (TESO) を紹介する。 本稿では、キュー最適化問題を用いてTESOの有効性と信頼性を実証し、ベンチマークよりも性能が向上し、メモリコンポーネントのコントリビューションが検証されたことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: シミュレーション最適化(SO)は、ノイズ評価、高い計算コスト、複雑なマルチモーダル検索ランドスケープによってしばしば挑戦される。 本稿では,適応探索とメモリベースの戦略を統合する新しいメタヒューリスティックフレームワークである Tabu-Enhanced Simulation Optimization (TESO) を紹介する。 TESOは短期間のTabu Listを活用してサイクリングを防ぎ、多様化を促進するとともに、長期のElite Memoryを使用してハイパフォーマンスなソリューションを摂動させることでインテンシフィケーションをガイドする。 アスピレーション基準により、例外的な候補者に対するタブ制限をオーバーライドすることができる。 この組み合わせは、確率的環境における探索と搾取の間の動的バランスを促進する。 本稿では、キュー最適化問題を用いてTESOの有効性と信頼性を示し、ベンチマークよりも性能が向上し、メモリコンポーネントのコントリビューションが検証されたことを示す。 ソースコードとデータは、https://github.com/bulentsoykan/TESO.comで入手できる。

関連論文リスト

• Empirical Comparison of Forgetting Mechanisms for UCB-based Algorithms on a Data-Driven Simulation Platform [0.16921396880325776]
  本稿では、ディスカウントに基づく長期視点とスライディングウインドウに基づく短期視点を統合した新しいデュアルビューアルゴリズムであるFDSW-UCBを紹介し、評価する。 ダイナミックな設定で優れたパフォーマンスを実現し、アンサンブル戦略自体が成功の決定的な要因であることを強調します。
  論文  参考訳（メタデータ） (2025-11-24T15:52:02Z)
• Relation-Aware Bayesian Optimization of DBMS Configurations Guided by Affinity Scores [2.474203056060563]
  データベース管理システム(DBMS)は,大規模および異種データの管理に基本的であり,その性能は構成パラメータの影響を強く受けている。 近年の研究では、機械学習を用いた自動構成最適化に焦点が当てられているが、既存のアプローチにはいくつかの重要な制限がある。 パラメータ依存をグラフとして表現する新しいフレームワークであるRelTuneを提案し,パフォーマンス関連セマンティクスを符号化したGNNベースの潜伏埋め込みを学習する。
  論文  参考訳（メタデータ） (2025-10-31T03:46:42Z)
• LLM-Symbolic Integration for Robust Temporal Tabular Reasoning [69.27153114778748]
  本研究では,システムおよび制御された評価のための合成データセットであるTempTabQA-Cを紹介する。 この構造化アプローチにより、LLM(Large Language Models)はsqlクエリの生成と実行を可能にし、一般化とバイアス軽減の強化を行う。
  論文  参考訳（メタデータ） (2025-06-06T05:14:04Z)
• COSMOS: A Hybrid Adaptive Optimizer for Memory-Efficient Training of LLMs [77.79640601822341]
  大規模言語モデル(LLM)は、様々な領域で顕著な成功を収めている。 それらの最適化は、彼らが居住している複雑で高次元のロスランドスケープのために重要な課題である。
  論文  参考訳（メタデータ） (2025-02-24T18:42:19Z)
• Indirect Query Bayesian Optimization with Integrated Feedback [17.66813850517961]
  我々は,未知関数の条件付き期待値$f$を最適化することで,統合されたフィードバックが与えられるような,ベイズ最適化の新たなクラスを開発する。 目的は、条件分布によって変換された空間を適応的にクエリし、観察することで、$f$のグローバルな最適値を見つけることである。 これは、プライバシ、ハードウェア、計算上の制約による直接的なフィードバックにアクセスできない現実世界のアプリケーションによって動機付けられている。
  論文  参考訳（メタデータ） (2024-12-18T07:20:33Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Bayesian Optimisation for Constrained Problems [0.0]
  本稿では,制約を扱える知恵グラディエント獲得関数の新たな変種を提案する。 我々は、このアルゴリズムを、他の4つの最先端制約されたベイズ最適化アルゴリズムと比較し、その優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-05-27T15:43:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。