分佈式優化算法學習(一)
分佈式優化簡介
分佈式協同優化與傳統集中式優化相比較具有如下特點:
- 與優化問題相關的信息分佈存儲在每個智能體中, 因此更隱私;
- 每個智能體不需要將數據傳輸到中心節點, 只需要與鄰居智能體進行信息交互, 因此更加節約通信成本;
- 不存在單點故障問題, 極大地提高了系統的魯棒性;
- 不依賴於中心節點, 增強了網絡的可擴展性.
分佈式協同優化的基本結構,如上圖所示,每個智能體(節點)都有一個局部目標函數,全局目標函數是這些局部目標函數的和,每個節點通過與鄰居節點進行信息交互,最終協同實現全局優化的目標。
minx∈Rni=1∑Nfi(x)
即每個智能體的自身狀態收斂到全局最優解。
凸分析
對於函數f:Rn→R,如果對任意x,y∈Rn和 0≤θ≤1
f(θx+(1−θ)y)≤θf(x)+(1−θ)f(y)
則稱函數f爲凸函數。
對於連續可微函數f:Rn→R,如果存在常數μ>0使得下式對任意x,y∈Rn成立
(▽f(y)−▽f(x))T(y−x)≥μ∣∣y−x∣∣2
則函數f爲強凸函數。
對於連續可微函數f:Rn→R,如果存在常數μ>0使得下式對任意y∈Rn成立
(▽f(y)−▽f(x))T(y−x)≥μ∣∣y−x∣∣2
則函數f關於x是有限強凸的。
對於連續可微函數f:Rn→R,如果存在常數L>0使得下式對任意x,y∈Rn成立
∣∣▽f(y)−▽f(x)∣∣≤L∣∣y−x∣∣
則函數稱f爲L_光滑或簡稱光滑