L’algorithme CMA-ES (Covariance Matrix Adaptation – Evolution Strategy) implémente une méthode d’optimisation stochastique de fonctions numériques sans dérivées.

Il permet de traiter des problèmes d’optimisation difficiles, fortement non-linéaires, mal-conditionnés, non-convexes, multimodaux, bruités et de gagner plusieurs ordres de grandeurs en rapidité par rapport à des méthodes concurrentes (GA*, PSO**).

Disponible en open source, l’algorithme peut être implémenté :

• dans diverses applications,
• en divers langages,
• avec une interface d’utilisation facile,
• et un outil de visualisation permettant de suivre l’évolution de la procédure d’optimisation.

CMA-ES a déjà trouvé de nombreux débouchés industriels, dans des secteurs et pour l’optimisation d’applications aussi variés que :

• l’aérospatial et le dimensionnement de lanceurs,
• la biologie et la prédiction du repliement des protéines,
• l’optique et la calibration de systèmes de caméras

Le contexte industriel typique pour l’utilisation de CMA-ES est celui où il n’y a pas d’accès possible au code source, mais simplement à un exécutable du code, c’est-à-dire de la fonction à optimiser.

*GA (Genetic algorithms) : les algorithmes génétiques appartiennent à la famille des algorithmes évolutionnistes. Ils utilisent la notion de sélection naturelle et l’appliquent à une population de solutions potentielles au problème donné. Ils permettent d’obtenir une solution approchée à un problème d’optimisation, lorsqu’il n’existe pas de méthode exacte (ou que la solution est inconnue) pour le résoudre en un temps raisonnable.

**PSO – optimisation par essaims particulaires (OEP ou PSO en anglais) : cet algorithme macro-évolutionnaire s’inspire à l’origine du monde du vivant. Cette méthode d’optimisation se base sur la collaboration des individus entre eux. La méthode entraîne cependant un temps de calcul très important.