无向连通网络上基于遗忘因子 Regret 的分布式在线优化
系统与控制
2025-03-28 v1 系统与控制
摘要
最终迭代跟踪性能的评估是分布式在线优化算法中的一大难题。为解决此问题，本文提出了一种名为分布式遗忘因子遗憾（DFFR）的新评估指标。它在每次迭代的损失函数中引入权重，在实现优化视界内动态权重分配的同时，逐步降低历史损失函数的权重。此外，我们基于无向连通网络开发了两种基于 DFFR 的分布式在线优化算法：用于 bandit 反馈问题的分布式在线无梯度算法，以及用于高维问题的分布式在线无投影算法。通过理论分析，我们推导了两种算法的 DFFR 上界，并进一步证明在温和条件下，随着迭代次数趋近无穷，DFFR 要么收敛于零，要么保持紧致上界。实验仿真证明了算法的有效性及 DFFR 的优越性能。
引用
@article{arxiv.2503.21498,
title = {Distributed Forgetting-factor Regret-based Online Optimization over Undirected Connected Networks},
author = {Lipo Mo and Jianjun Li and Min Zuo and Lei Wang},
journal= {arXiv preprint arXiv:2503.21498},
year = {2025}
}
备注
11 pages,6 figures