global optimization; controlled random search; competing heuristics; nonlinear regression

Algoritmus řízeného náhodného prohledávání (Controlled Random Search, CRS) je od sedmdesátých let užíván pro hledání globálního minima. Patří do třídy evolučních algoritmů, které v posledních desetiletích doznaly velkého rozvoje a byly úspěšně aplikovány v řešení mnoha praktických problémů, kde deterministické algoritmy úspěšné nebyly. Navržené zobecnění spočívá v užití více heuristik generujících nové body populace. Výběr mezi heuristikami se řídí pravděpodobnostmi, které jsou úměrné jejich dosavadní úspěšnosti. V příspěvku jsou prezentovány výsledky odhadu parametrů nelineárních regresních modelů v obtížných úlohách, kdy standardní postupy selhávají.

Controlled random search (CRS) has been used for searching the global minimum since seventies. It belongs to the class of evolutionary algorithms in which extensive progress has been achieved during last decades. They were applied in solving many practical problems where deterministic algorithms were not successful. The generalization consists in the use of several heuristics for generating new points in population. Probabilities of heuristics' selection are proportional to their previous successfulness. The results of nonlinear-regression parameter estimates obtained on the tasks where standard algorithms failed are presented in this paper.