一类多智能体分布式优化问题中逃离局部最优：一种提升函数方法
最优化与控制
2014-09-09 v3
摘要
我们解决多智能体系统优化问题中常见的多个局部最优问题，其中目标函数是非线性且非凸的。对于覆盖控制问题这一类，我们提出了一种系统的方法来逃离局部最优，而不是随机扰动可控变量。我们证明这些问题的目标函数可以分解，以便于评估系统中每个节点的局部偏导数，并洞察其结构。通过定义应用于上述局部偏导数的“提升函数”，在平衡点处其值为零，从而将其变换，诱导节点探索任务空间中覆盖较差的区域，直到达到新的平衡点。所提出的提升过程确保在其结束时，目标函数不劣于提升前的值。然而，无法保证全局最优。我们定义了三个具有不同性质的提升函数族，并提供了仿真结果，说明这种方法如何改善这类分布式优化问题所获得的解。
引用
@article{arxiv.1409.0776,
title = {Escaping Local Optima in a Class of Multi-Agent Distributed Optimization Problems: A Boosting Function Approach},
author = {Xinmiao Sun and Christos G. Cassandras and Kagan Gokbayrak},
journal= {arXiv preprint arXiv:1409.0776},
year = {2014}
}