Implementace současného použití několika náhradních modelů pro evoluční optimalizaci

Abstract

Táto práca sa zameriava na súčasné použitie viacerých Gaussovských procesov (GP) ako náhradných modelov metódy Covariance Matrix Adaptation Evolution Strategy (CMA-ES), ktorá je významným algoritmom v oblasti black-box optimalizácie. Práca obsahuje implementáciu v prostredí MATLAB v spojení s knižnicou Gaussian Processes for Machine Learning (GPML) a benchmarkovými testami z platformy COmparing Continuous Optimisers (COCO). Taktiež sa zaoberá výberom modelov, ktoré budíu natrénované, ako aj určením najlepšieho z implementovaných algoritmov pre výber náhradného modelu, ktorý určuje model použitý pre budúcu generáciu CMA-ES. Práca obsahuje aj výsledky experimentov, ktoré preukázali zlepšenie celkového výkonu v porovnaní s použitím len jediného náhradného modelu.

This thesis is focused on using multiple Gaussian processes (GP) simultaneously as surrogate models for the Covariance Matrix Adaptation Evolution Strategy (CMA-ES) method, which is an important algorithm in the black-box optimization. The thesis contains an implementation in the MATLAB enviroment, which uses the Gaussian Processes for Machine Learning (GPML) library and benchmark tests from the COmparing Continuous Optimisers (COCO) platform. It also investigates the process of choosing the right models, which will be trained, as well as algorithms for the selection of the best surrogate model, which will be used for the next generation of CMA-ES. The thesis also contains the results of performed experiments that prove the improvement of overall performance when compared to using only one surrogate model.