Urychlení evoluční optimalizace pomocí response surface modelů na benchmarkových funkcích z praxe

Abstract

Tato práce se věnuje optimalizaci drahých black-box funkcí. Zaměřuje se na urychlení evoluční strategie CMA-ES pomocí náhradní modelů založených zejména na response surface modelech. Náhradní modely umožňují ušetření počtu potřebných ohodnocení optimalizovanou funkcí. Úspěšné verze CMA-ESu s náhradními modely jsou popsány a jejich evoluční kontroly a náhradní modely jsou permutovány mezi sebou. Vzniklé permutace různých evolučních kontrol a náhradních modelů jsou posléze otestovány na frameworku BBOB, který byl obohacen o nové funkce založené na reálných problémech. Výsledky testování slouží k posouzení míry podílu jednotlivých evolučních kontrol a náhradních modelů na urychlení původního algoritmu.

This thesis investigates optimisation of expensive black-box functions. It focuses on extending CMA-ES with surrogate models, which are mostly based on response surface modeling. Surrogate models are used for reducing required number of evaluations of function that is being optimised. Successful versions of CMA-ES with surrogate models are described and theirs evolution controls are permutated together with surrogate models between each other. Created permutations of different evolution controls and surrogate models are then tested on BBOB framework, which was enhanced with new functions based on real world problems. Results of testing are used to decide how big of a role each evolution control and surrogate model plays in saving evaluations.