FlexPD：一种用于分布式优化的灵活一阶原始对偶算法框架
最优化与控制
2020-03-31 v3
摘要
本文研究最小化凸目标函数之和的问题，这些函数局部可得于网络中各智能体。分布式优化算法使智能体能够通过局部计算与邻居通信协作求解问题。基于拉格朗日的分布式优化算法因精确收敛性质近年备受关注。然而，其中许多算法收敛缓慢或执行代价高昂。本文发展了一种灵活的一阶原始对偶算法框架（FlexPD），其允许每次迭代多次原始步。该框架包含 FlexPD-F、FlexPD-G 与 FlexPD-C 三种算法，可用于具有不同计算与通信限制的各种应用。对于强凸且 Lipschitz 梯度的目标函数，我们确立了所提框架至最优解的线性收敛性。仿真结果证实了该框架相较现有方法的优越性能。
引用
@article{arxiv.1912.07526,
title = {FlexPD: A Flexible Framework Of First-Order Primal-Dual Algorithms for Distributed Optimization},
author = {Fatemeh Mansoori and Ermin Wei},
journal= {arXiv preprint arXiv:1912.07526},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1903.12601