基于类牛顿神经网络动力学的二进制决策分布式资源分配
最优化与控制
2020-07-29 v2
摘要
本文旨在求解具有二进制局部约束的分布式资源分配问题。该问题被表述为一个二进制规划，其代价函数由智能体代价之和加上一个全局失配/惩罚项定义。我们提出了一种对 Hopfield 神经网络（HNN）动力学的改进，以在求解该问题的同时引入一种新颖的类牛顿权重因子。这一附加项有助于快速避开鞍点，而类梯度的 HNN 易于陷入此类鞍点。转向多智能体设定，我们重新表述了该问题并开发了类牛顿动力学的分布式实现。我们证明，若获得了分布式重构的局部解，则它也是集中式问题的局部解。本工作的主要贡献之一是证明，在较弱假设下，在集中式与分布式设定中收敛到适当定义的能量函数鞍点的概率均为零。最后，我们通过一种退火技术扩充了我们的算法，该技术逐步学习一个可行的二进制解。仿真结果表明，所提方法在解质量上可与集中式贪心方法和 SDP 松弛方法相竞争，而我们方法的主要优势在于相比 SDP 松弛方法在运行时间上的显著改善以及实现的分布式特性。
引用
@article{arxiv.1911.02111,
title = {Distributed Resource Allocation with Binary Decisions via Newton-like Neural Network Dynamics},
author = {Tor Anderson and Sonia Martinez},
journal= {arXiv preprint arXiv:1911.02111},
year = {2020}
}