面向时变网络上的分布式约束优化的 Anderson 加速
机器人学
2026-01-21 v1
摘要
本文将 Anderson 加速（AA）技术应用于求解时变网络上约束优化问题的 Fenchel 对偶梯度法（FDGM）。AA 原本用于加速固定点迭代，其直接应用于 FDGM 面临两个挑战：1) 时变网络中的 FDGM 无法表述为标准的固定点更新；2)即使网络固定以便 FDGM 可表示为固定点迭代，AA 的直接应用也不可分布式实现。为克服这些挑战，我们首先将 FDGM 的每个更新重写为包含仅两个相邻节点之间的局部问题的近似求解，然后将 AA 融入求解每个局部问题的更高精度，从而得到 Fenchel 对偶梯度法的 Anderson 加速版本（FDGM-AA）。为保证 FDGM-AA 的全局收敛，我们配备了新设计的安全护卫方案。在温和条件下，该算法的 primal 序列收敛速率为 ，dual 序列收敛速率为 。数值实验验证了该算法的竞争性能。
引用
@article{arxiv.2601.12397,
title = {Learning Diverse Skills for Behavior Models with Mixture of Experts},
author = {Wangtian Shen and Jinming Ma and Mingliang Zhou and Ziyang Meng},
journal= {arXiv preprint arXiv:2601.12397},
year = {2026}
}