含拜占庭对抗智能体的分布式在线优化

我们研究多智能体系统中的无约束、离散时间、在线分布式优化问题，其中部分智能体由于故障或恶意意图而不遵循规定的更新规则。各智能体均无法预先获知故障智能体的身份，且任何智能体只能与其直接邻居通信。在每一时间步，一个局部 Lipschitz 强凸代价函数在本地揭示给所有智能体，非故障智能体利用其本地信息及从邻居获得的信息更新自身状态。我们将在线算法的性能与离线版本（代价函数已知先验）进行比较来衡量，二者之差称为后悔值（regret）。在图拓扑、对抗者数量与位置满足充分条件时，所定义的后悔值呈次线性增长。我们进一步进行了数值实验以验证理论结果。