Evoluční optimalizace v náhodných lineárních podprostorech

Abstract

Tato práce zkoumá použití náhodných vnoření v evolučních optimalizačních algoritmech k řešení problémů vysokodimenzionálních optimalizací typu černé skříňky. Za pomocí vnoření vysokodimenzionálních prostorů do prostorů s nižší dimenzí chceme zlepšit výkonnost a efektivitu optimalizačních algoritmů. Naše obsáhlé experimenty demonstrují dosud neprozkoumaný potenciál zlepšení výkonnosti evoluční strategie CMA-ES v kombinaci s metodou náhodného vnoření pro specifické případy.This thesis explores the use of random embeddings in evolutionary optimization algorithms to address high-dimensional black-box optimization problems. By embedding high-dimensional spaces into lower-dimensional subspaces, we aim to enhance the efficiency and effectiveness of optimization algorithms. Our experiments demonstrate the potential of random embeddings to improve the performance of Evolutionary Algorithms.