.png){kind=icon}
返回
A Safe-Point-Based Resilient Distributed Optimization Algorithm for Multidimensional Functions
.png){kind=icon}
PRE
AI
DOI：10.1109/tsipn.2026.3748485.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
设计一种具有恒定步长和多维局部变量的分布式优化鲁棒算法，对于防御攻击具有重要的理论和实践意义。为将算法应用于更广泛的分布式优化场景，需保持恒定步长且无函数冗余。因此，关键挑战在于量化局部状态的收敛性和最优性，特别是在确定特定共识误差。为解决此问题，我们提出一种基于安全点（Safe Point）与维度划分（Dimension Partition）的鲁棒分布式优化算法（DP-RDO），其核心为Safe Point with Dimension Partition（SPDP）策略。SPDP采用超矩形概念计算安全点，该点位于所有不受攻击影响正常代理的超矩形内。因此无需使用时变权重信息，使方法能够精确表达共识误差界。我们进一步分析所有正常代理状态的收敛性，推导出包含最优解和所有正常代理最终状态的一个欧氏球，并全面刻画其共识误差。此外，证明DP-RDO实现线性收敛。大量数值结果验证了理论发现。
Keyword:
Resilient distributed optimization
Safe Point
Convergence error
Convergence region
期刊
IF:
4.9
论文数:
744
被引数:
1.9K
机构
引用论文
暂无论文信息