소음 블랙박스 문제를 위한 탭우 강화 시뮬레이션 최적화
읽는 시간: 2 분
...
📝 원문 정보
- Title: TESO Tabu Enhanced Simulation Optimization for Noisy Black Box Problems
- ArXiv ID: 2512.24007
- 발행일: 2025-12-30
- 저자: Bulent Soykan, Sean Mondesire, Ghaith Rabadi
📝 초록 (Abstract)
시뮬레이션 최적화(SO)는 잡음이 섞인 평가, 높은 계산 비용, 복잡하고 다중극값을 갖는 탐색 공간 때문에 어려움을 겪는다. 본 논문에서는 적응형 탐색과 메모리 기반 전략을 결합한 새로운 메타휴리스틱 프레임워크인 탭우‑강화 시뮬레이션 최적화(TESO)를 제안한다. TESO는 단기 탭우 리스트를 활용해 순환을 방지하고 다양성을 촉진하며, 장기 엘리트 메모리를 통해 고성능 해를 교란시켜 집중 탐색을 유도한다. 또한, 뛰어난 후보에 대해 탭우 제한을 무시할 수 있는 어스피레이션 기준을 도입한다. 이러한 요소들의 조합은 확률적 환경에서 탐색과 활용 사이의 동적 균형을 가능하게 한다. 우리는 대기열 최적화 문제에 TESO를 적용하여 벤치마크 대비 성능 향상을 확인했으며, 메모리 구성 요소들의 기여도를 검증하였다. 소스 코드와 데이터는 github.com/bulentsoykan/TESO 에서 제공한다.💡 논문 핵심 해설 (Deep Analysis)
어스피레이션 기준은 탭우 제한을 무조건 고수하지 않고, 현재 후보가 사전에 정의된 품질 임계값을 초과하면 탭우를 무시하도록 허용한다. 이는 ‘예외적인 해’를 놓치지 않게 함으로써 최적해에 도달할 가능성을 높인다. 논문에서는 이러한 메커니즘을 대기열 최적화 문제에 적용했으며, 실험 결과는 표준 메타휴리스틱(예: 기본 탭우 서치, 유전 알고리즘, 입자 군집 최적화) 대비 수렴 속도와 최종 목표값에서 유의미한 개선을 보여준다. 특히, 엘리트 메모리와 어스피레이션을 각각 제거한…