CMAES（進化戦略）の解説
私達の研究トピックの一つに，進化戦略（Evolution Strategy）があります．進化戦略は目的関数の勾配を用いない連続パラメータの最適化法の一つです．とりわけ，CMA-ES（Covariance Matrix Adaptation Evolution Strategy）は，汎用的で効率的な探索法として，様々な場面で利用されています．ここでは，CMA-ESを学ぶためのコンテンツを公開します．
ブラックボックス最適化とは
ここでは，Black-Box 最適化を実際に自分の手で行うことで，ブラックボックス最適化とはどのようなものか，理解します．Black-Box最適化というものを知らない方が対象です．
ブラックボックス最適化とは[Open in Colab] [Open in GitHub]
CMA-ESのアルゴリズムを理解する
ここでは，CMA-ESの各コンポーネントがなぜ必要なのか，いつ必要なのか，を理解するために，単純なランダムサーチからスタートし，ステップサイズ適応，分散適応，共分散行列適応，などの構成要素を一つずつ追加していった場合の効果を，実習を通して学びます．
Evolution Strategy [Open in Colab] [Open in GitHub]
ステップサイズ適応 [Open in Colab] [Open in GitHub]
分散適応（Separable CMA-ES） [Open in Colab] [Open in GitHub]
変数非分離性と共分散適応 [Open in Colab] [Open in GitHub]
多峰性関数の最適化 [Open in Colab] [Open in GitHub]
アドバンストな共分散適応メカニズム[Open in Colab] [Open in GitHub]
CSAの課題と別のステップサイズ適応方法（TPA）（更新予定）
高次元最適化のためのCMA-ES（更新予定）
（コンテンツは修正中．随時更新していきます．）
CMA-ESを利用する
ここでは，CMA-ESをうまく利用するための実践ガイドを提供します．これからCMA-ESを自分の問題に対して利用したい方，CMA-ESを利用して得られた結果の解釈に困っている方，すでにCMA-ESを利用しているが望ましい結果が得られていない方，などが主な対象です．
CMA-ES実践ガイド [Open in Colab] [Open in GitHub]