基于隐私保护有限时间Push-Sum的梯度法求解有向图上的分布式优化
最优化与控制
2023-07-06 v2 系统与控制
系统与控制
摘要
本文研究分布式优化问题，其中表示为有向图(有向图)的智能体网络旨在协作最小化其各自代价函数之和。现有的有向图上分布式优化方法，如Push-Pull，要求智能体与其邻居交换显式状态值以达成最优解。然而，这可能导致敏感和私有信息的泄露。为克服该问题，我们提出了一种基于状态分解的隐私保护有限时间push-sum (PrFTPS)算法，无需任何全局信息，如网络规模或图直径。进而，基于PrFTPS，我们设计了梯度下降算法(PrFTPS-GD)来求解分布式优化问题。证明在PrFTPS-GD下，各智能体的隐私得到保护，并实现了与优化迭代次数相关的线性收敛速率。最后，提供了数值仿真以说明所提方法的有效性。
引用
@article{arxiv.2305.15202,
title = {A Privacy-Preserving Finite-Time Push-Sum based Gradient Method for Distributed Optimization over Digraphs},
author = {Xiaomeng Chen and Wei Jiang and Themistoklis Charalambous and Ling Shi},
journal= {arXiv preprint arXiv:2305.15202},
year = {2023}
}