用于分布式优化的一种新型随机块坐标原始-对偶近端算法
最优化与控制
2019-10-01 v4
摘要
本文提出了 TriPD，一种新的原始-对偶算法，用于最小化一个 Lipschitz 可微凸函数与两个可能非光滑凸函数之和，其中一个凸函数与线性映射复合。我们设计了该算法的随机块坐标版本，其在与完整算法相同的步长条件下收敛。结果表明，当所涉函数为分段线性二次函数，或满足某种二次增长条件（弱于强凸性）时，原始算法与块坐标方案均具有线性收敛速率。此外，我们将所开发的算法应用于图上的多智能体优化问题，从而获得了新颖的同步与异步分布式方法。所提算法是完全分布式的，即每个智能体的更新和步长仅依赖于局部信息。事实上，不需要任何先验的全局协调。最后，我们展示了算法在分布式编队控制中的应用。
引用
@article{arxiv.1706.02882,
title = {A New Randomized Block-Coordinate Primal-Dual Proximal Algorithm for Distributed Optimization},
author = {Puya Latafat and Nikolaos M. Freris and Panagiotis Patrinos},
journal= {arXiv preprint arXiv:1706.02882},
year = {2019}
}