非平衡有向网络上具耦合不等式约束的分布式在线优化
最优化与控制
2023-09-06 v1
摘要
本文研究分布式在线凸优化问题，其中非平衡网络中的智能体协作最小化其时变局部代价函数之和，并受耦合不等式约束。为解决该问题，我们提出一种称为 DUST 的分布式对偶次梯度跟踪算法，其通过跟踪原始约束违反并融合对偶次梯度与 push sum 技术来优化对偶目标。与多数现有工作不同，我们允许底层网络为非平衡网络且混合矩阵为列随机矩阵。我们证明，只要最优序列的累积变化次线性增长，DUST 即可实现次线性动态遗憾与约束违反。若进一步施加标准 Slater 条件，DUST 相较适用于非平衡网络的现有替代方法获得更小的约束违反界。针对插电式电动汽车充电问题的仿真展示了 DUST 的优越收敛性。
引用
@article{arxiv.2309.01509,
title = {Distributed Online Optimization with Coupled Inequality Constraints over Unbalanced Directed Networks},
author = {Dandan Wang and Daokuan Zhu and Kin Cheong Sou and Jie Lu},
journal= {arXiv preprint arXiv:2309.01509},
year = {2023}
}