针对具有不可分全局目标的去中心化在线优化的坐标对偶平均

我们考虑智能体网络中的去中心化在线凸优化问题，其中每个智能体仅控制全局决策向量的一个坐标（或一部分）。针对该问题，我们提出了 Nesterov 带对偶平均的原对偶算法的两个去中心化变体（ODA-C 和 ODA-PS）。在 ODA-C 中，为了缓解原向量更新上的不一致，智能体在静态无向图上实现了 Li 和 Marden 最近提出的一种局部信息交换动力学的推广。在 ODA-PS 中，智能体在一致连通有向图的时间变化序列上实现了基于广播的 push-sum 动力学。我们证明了当步长形式为 $1/\sqrt{t}$ 且目标函数为具有 Lipschitz 连续梯度的 Lipschitz 连续凸函数时，两种情形下的遗憾界均具有 $O(\sqrt{T})$ 的次线性增长，其中 $T$ 为时间跨度。我们还在传感器网络上实现了所提出的算法，以补充我们的理论分析。