重访GDBA：释放引导式局部搜索在分布式约束优化中的力量

局部搜索是解决分布式约束优化问题（DCOP）的一类重要的非完备算法，但它常常收敛到较差的局部最优解。虽然广义分布式突破算法（GDBA）提供了一套全面的规则集来逃离早熟收敛，但其在一般值问题上的实际收益仍然有限。在这项工作中，我们系统地审视了GDBA，并识别出三个可能导致其性能不佳的因素，即：过于激进的约束违反条件、无限制的惩罚累积以及不协调的惩罚更新。为了解决这些问题，我们提出了分布式引导局部搜索（DGLS），这是一种用于DCOP的新型GLS框架，它结合了自适应违反条件以选择性地惩罚高代价约束、惩罚蒸发机制以控制惩罚幅度，以及用于协调惩罚更新的同步方案。我们从理论上证明了惩罚值是有界的，并且智能体在DGLS中进行势博弈。在各种基准测试上的大量实证结果表明，DGLS相对于最先进的基线方法具有巨大的优越性。与具有高阻尼因子的阻尼最大和算法相比，我们的DGLS在一般值问题上取得了有竞争力的性能，并在结构化问题上以显著的优势胜出，尤其是在任何时间结果方面。