Global optimization; Evolutionary algorithms; Differential evolution; Controlled random search; Self-adaptation; Nonlinear regression

Článek se zabývá adaptací řídicích parametrů v algoritmech diferenciální evoluce (DE) a řízeného náhodného prohledávání (CRS). V DE je self-adaptace řídicích parametrů založena na soutěžení několika různých nastavení řídicích parametrů. V CRS na podobném principu soutěží několik lokálních heuristik generující nový bod pro případné zařazení do populace. Tyto algoritmy byly experimentálně porovnány s jinými evolučními algoritmy, DE na sadě testovacích funkcí a adaptivní algoritmus CRS v úlohách odhadu regresních parametrů na sadě 27 úloh nelineární regrese sestavené v Americkém ústavu pro standardizaci. Adaptivní algoritmy se soutěží předčily ostatní testované algoritmy jak v dosažené spolehlivosti, tak v rychlosti konvergence.

This paper is focused on the adaptation of control parameters in differential evolution (DE) and in controlled random search (CRS). The competition of different control parameter settings is used in order to ensure the self-adaptation of parameter values within the search process. In the generalized CRS the self-adaptation is ensured by several competing local-search heuristics for the generation of a new trial point. DE was experimentally compared with other adaptive algorithms on a benchmark, self-adaptive CRS was compared in estimation of regression parameters on NIST nonlinear regression datasets. The competitive algorithms outperformed other algorithms both in the reliability and in the convergence rate.