.png){kind=icon}
返回
A Deep Reinforcement Learning Approach to Efficient Distributed Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCNS.2025.3587331.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在分布式优化中，实际问题的解决性能本质上对算法选择、参数设置、问题类型和数据模式敏感。因此，通常难以针对特定问题获取一种高效的方法。在本文中，我们提出了一种基于学习的方法，以实现网络化系统中的高效分布式优化。具体而言，开发了一种深度强化学习（DRL）框架，用于在参数化统一范式中进行自适应配置，该范式整合了丰富的分散式一阶和二阶优化算法。我们利用局部共识和目标信息来表征问题实例的规律性并追踪求解进度，这些构成了DRL智能体观察到的状态。该框架在具有相似结构但不同问题数据的大量实际问题实例上进行训练。在多种问题上的实验表明，我们提出的方法在收敛速度和求解精度方面优于几种最先进的分布式优化算法。
Keyword:
Distributed optimization
learning to optimize (L2O)
proximal policy optimization (PPO)
reinforcement learning (RL)
期刊
IF:
5
论文数:
1.7K
被引数:
5.8K
机构
引用论文
Alternating Direction Method with Self-Adaptive Penalty Parameters for Monotone Variational Inequalities单调变分不等式的自适应惩罚参数交替方向法
PREAI
分享收藏
分享收藏Initialization-free privacy-guaranteed distributed algorithm for economic dispatch problem.png)
AUTOMATICA
OAAI
AUTOMATICAIF5.9
OAAI分享收藏
查看更多内容