Nonlinear regression, parameter estimation, global optimization, differential evolution, controlled random search, self-adaptive algorithms.

Příspěvek se zabývá využitím adaptivních stochastických algoritmů v~odhadu parametrů nelineárních regresních modelů. Adaptivní algoritmus řízeného náhodného prohledávání (CRS) je experimentálně porovnán s~novými adaptivními verzemi diferenciální evoluce (DE) na úlohách z~referenční databáze NIST. Pouze některé verze DE jen na několika málo úlohách předčily algoritmus CRS.

Self-adaptive stochastic algorithms are applied to the estimation of parameters in non-linear regression models. Self-adaptive variant of controlled random search (CRS) is compared experimentally with novel self-adaptive variants of differential evolution (DE) using tasks of NIST reference datasets. Several variants of DE outperformed CRS in a few tasks only.