存在对抗性噪声时多智能体跟踪动态参数的在线优化方法

本文探讨多智能体网络中移动目标的跟踪问题。目标遵循被对抗性噪声破坏的线性动力学，即噪声并非由统计分布生成。目标在每个时刻的位置诱导出一个全局时变损失函数，且全局损失是局部损失之和，每个局部损失与一个智能体相关联。智能体的含噪观测可以是非线性的。我们将此问题表述为分布式在线优化，其中智能体相互通信以跟踪全局损失的最小化器。随后，我们提出了 Mirror Descent 算法的去中心化版本，并给出了该问题的非渐近分析。利用动态遗憾的概念，我们衡量了算法相对于集中式离线对应算法的性能。我们证明了动态遗憾的界限与网络谱隙成反比，并且它表示由对抗性噪声引起的相对于线性动力学的偏差。我们的结果包含了分布式优化文献中的若干结果。最后，在数值实验中，我们验证了该算法可以简单地实现具有非线性观测的多智能体跟踪。