时变网络上的分布式非凸多智能体优化

我们研究多智能体网络中的非凸分布式优化问题，其中节点间的通信被建模为任意有向图的时间变化序列。我们引入了一种新颖的基于广播的分布式算法框架，用于（受约束的）最小化一个光滑（可能非凸且不可分）函数（即智能体的效用之和）加上一个凸（可能非光滑且不可分）正则化项。后者通常用于在解中引入某种结构，通常是稀疏性。所提出的方法基于逐次凸近似（SCA）技术，并结合了：i) 一种用于局部估计智能体成本函数梯度的跟踪机制；以及 ii) 一种用于传播信息并在智能体间分配计算的新颖广播协议。我们建立了向平稳解的渐近收敛性。所提出算法的一个关键特征是，它既不要求一致性矩阵的双重随机性（而仅要求列随机性），也不需要了解图序列即可实现。据我们所知，所提出的框架是首个在任意时变有向图上用于凸与非凸约束优化的基于广播的分布式算法。数值结果表明，我们的算法在凸与非凸问题上均优于现有方案。