时变图上分布式优化的几何收敛对偶方法
最优化与控制
2018-10-16 v1
摘要
本文考虑时变无向网络上的分布式凸优化问题。我们提出了一种对偶方法，即主要平均网络对偶上升（PANDA），在智能体目标函数强凸且梯度 Lipschitz 连续的条件下，该方法被证明 R-线性收敛到最优点。与对偶分解类似，PANDA 每次迭代所需的变量交换量是基于 DIGing 的方法的一半，并且如实验所示，其实际性能可得到提升。
引用
@article{arxiv.1810.05760,
title = {A geometrically converging dual method for distributed optimization over time-varying graphs},
author = {Marie Maros and Joakim Jaldén},
journal= {arXiv preprint arXiv:1810.05760},
year = {2018}
}
备注
Submitted to Transactions on Automatic Control