Black-box optimalizace je druh optimalizace, ve které neznáme analytický předpis optimalizované funkce a tím pádem ani její vlastnosti. K hledání extrémů funkce tedy využíváme pouze funkční hodnoty. Tato práce je zaměřena na představení některých metod, které tuto problematiku umí řešit a ukazuje dva různé přístupy k řešení, a to optimalizace pomocí vytváření modelové funkce a stochastické metaheuristiky. Jednotlivé metody a jejich příklady použití na testovacích funkcích jsou implementovány v programovacím jazyce Python.Black-box optimization is a type of optimization in which we are unable to use an anylytical expression or properties of the function being optimized. Thus, we use only the function values to find the extrema of the function. This thesis aims to present some methods that can solve this problem and to demonstrate two different approaches, namely optimization via modeling of the objective function and stochastic metaheuristics. The different methods and their example applications on test functions are implemented in the Python programming language.