多智能体网络中耦合约束凸优化的推拉式分布式原始-对偶算法
最优化与控制
2023-10-25 v1
摘要
本文关注有向非平衡且时变的多智能体网络上的分布式耦合约束凸优化问题，其中全局目标函数是所有智能体私有局部目标函数之和，且所有智能体的决策受耦合等式和不等式约束以及一个紧致凸集的限制。在多智能体网络中，每个智能体与其他相邻智能体交换信息。最终，所有智能体在决策上达成共识，同时在给定约束条件下实现最小化全局目标函数的目标。为了保护每个智能体的信息隐私，我们首先建立本文所考虑约束凸优化问题的鞍点问题，然后基于推拉方法开发一种分布式原始-对偶算法来求解对偶问题。在 Slater 条件下，我们将证明所提算法生成的点序列收敛于拉格朗日函数的鞍点。此外，我们分析了该算法的迭代复杂度。
引用
@article{arxiv.2310.15626,
title = {Push-Pull Based Distributed Primal-Dual Algorithm for Coupled Constrained Convex Optimization in Multi-Agent Networks},
author = {Kai Gong and Liwei Zhang},
journal= {arXiv preprint arXiv:2310.15626},
year = {2023}
}