面向大数据优化的并行与分布式连续凸近似方法
最优化与控制
2018-05-21 v1 分布式、并行与集群计算
摘要
近年来，大规模系统的并行与分布式优化方法兴趣激增。特别地，非凸大规模优化问题已在多个工程领域获得广泛应用。此类复杂、大规模系统的设计与分析带来若干挑战，并呼唤新优化模型与算法的发展。本文的主要贡献是提出一个基于连续凸近似（SCA）技术的通用、统一算法框架，用于一类一般非凸约束（不可分、网络化）问题的并行与分布式求解。所呈现框架统一并推广了若干现有 SCA 方法，使其适于并行/分布式实现，同时提供函数近似子、步长调度以及计算/通信效率控制的灵活选择。本文依据作者之一在 2014 年 6 月 23--27 日于意大利 Cetraro 举行的 CIME 暑期学校“集中式与分布式多智能体优化模型与算法”上授课内容组织。这些讲座为：I) 连续凸近似方法基础；II) 并行连续凸近似方法；III) 分布式连续凸近似方法。
引用
@article{arxiv.1805.06963,
title = {Parallel and Distributed Successive Convex Approximation Methods for Big-Data Optimization},
author = {Gesualdo Scutari and Ying Sun},
journal= {arXiv preprint arXiv:1805.06963},
year = {2018}
}