Learnable Evolution Model for Optimization (LEM)

Numerická optimalizace multimodálních či jinak netriviálních funkcí se stále drží blízko středu pozornosti výzkumníků v této oblasti. Jednou ze slibných metod je i hybridní přístup Learnable Evolution Model kombinující zavedené postupy z oblasti umělé inteligence a strojového učení s poslední dobou populárními a efektivními metodami evolučního programování. V této práci byla metoda zhodnocena z hlediska co už bylo implementováno a vyzkoušeno a bylo navrženo několik dalších možných implementací. Vybrané přístupy byly realizovány a otestovány na vybraných netriviálních spojitých funkcích. Výsledky byly následně porovnány s výsledky dosaženými pomocí EDA algoritmů.Numerical optimization of multimodal or otherwise nontrivial functions has stayed around the peak of the interest of many researchers for a long time. One of the promising methods that appeared is the hybrid approach of the Learnable Evolution Model that combines the well-established ways of artificial intelligence and machine learning with recently popular and efective methods of evolutionary programming. In this work, the method itself was reviewed with respect to what has been already implemented and tested and several possible new implementations of the method were proposed and some of them consequently implemented. The resulting program was then tested against a set of chosen nontrivial real-valued functions and its results were compared to those achieved with EDA algorithms.