向量值隐私保护平均一致性
系统与控制
2022-09-23 v1 系统与控制
摘要
在不泄露敏感信息的情况下实现平均一致性，对多智能体协同而言可能是关键问题。本文研究向量值多智能体网络的隐私保护平均一致性（PPAC）。具体而言，一组具有向量值状态的智能体旨在协同达到其初始状态的精确平均一致性，同时每个智能体的初始状态不能被其他智能体泄露。我们表明，向量值 PPAC 问题可通过关联的高维智能体状态的矩阵加权网络求解。具体地，通过将智能体状态提升至高维空间并设计具有动态、低秩、半正定耦合矩阵的关联矩阵加权网络，提出一种新颖的分布式向量值 PPAC 算法，以同时隐藏向量值智能体状态并保证多智能体网络渐近收敛至平均一致性。本质上，收敛分析可转化为切换矩阵加权网络上的平均一致性问题。我们表明，若每个智能体至少有一个“合法”邻居，则可保证精确平均一致性且初始智能体状态保持私密。该算法仅涉及基本矩阵运算，在计算上比基于密码学的方法更高效，且能以完全分布式方式实现，无需依赖第三方。数值仿真验证了所提算法的有效性。
引用
@article{arxiv.2209.10786,
title = {Vector-valued Privacy-Preserving Average Consensus},
author = {Lulu Pan and Haibin Shao and Yang Lu and Mehran Mesbahi and Dewei Li and Yugeng Xi},
journal= {arXiv preprint arXiv:2209.10786},
year = {2022}
}