.png){kind=icon}
返回
Distributed learning and optimization of a multi-agent macroscopic probabilistic model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ejcon.2025.101332.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新颖的分布式方法——宏观共识与微观梯度优化（MACROPT），该方法适用于一个能够学习概率宏观模型并通过作用于微观代理状态来同时优化该模型的代理网络。宏观模型通过聚合每个代表单个代理概率特征的局部核（例如其局部感知模型）来定义，而优化则是针对给定的成本指标（例如与目标分布相关的Kullback–Leibler散度）进行的。MACROPT通过微观协调代理并根据分布式梯度策略来改进宏观模型。同时，它允许每个代理通过基于共识的机制局部学习宏观模型。我们运用系统理论的观点分析了由此产生的互联方法。我们证明了MACROPT渐近收敛于非凸成本函数的驻点集。这些理论发现通过传感器网络事件检测场景中的数值模拟得到支持。
Keyword:
distributed optimization
macroscopic model
microscopic coordination
consensus-based learning
nonconvex cost function
期刊
IF:
2.6
论文数:
363
被引数:
2.5K
机构
暂无机构信息
引用论文
分享收藏
Multi-robots Gaussian estimation and coverage control: From client-server to peer-to-peer architectures.png)
AUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏
查看更多内容