.png){kind=icon}
返回
Distributed momentum gradient descent convex optimization algorithm with network communication
.png){kind=icon}
PRE
AI
DOI：10.1007/s11431-025-3038-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种用于多智能体网络凸优化的分布式连续时间动量梯度下降（MGD）算法，其中智能体通过协调通信协作最小化局部凸成本函数之和。首先，我们通过李雅普诺夫分析建立了理想连续时间协调下的指数收敛性。为弥合理论设计与数字实现之间的差距，开发了两种策略：（1）一种时间触发控制（TTC）方案，可在有界采样间隔下保证稳定性；（2）一种周期事件触发控制（PETC）策略。值得注意的是，PETC策略旨在解决TTC固有的网络资源利用低效问题，仅在有需要时激活通信。通过将基于PETC的算法表述为具有事件驱动阈值混合动力学系统，我们随后构建了一个参数化混合李雅普诺夫函数，以严格证明平衡点的全局渐近稳定性。全面的数值实验证实了算法在两种策略下的收敛性，PETC在减少通信频率的同时，保持了与TTC相比的解精度。
Keyword:
distributed convex optimization
momentum gradient descent
hybrid systems
periodic event-triggered control
期刊
IF:
4.9
论文数:
4.9K
被引数:
9.9K
机构
引用论文
Surplus-based accelerated algorithms for distributed optimization over directed networks.png)
AUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏分享收藏分享收藏Stability analysis of distributed convex optimization under persistent attacks: A hybrid systems approachAUTOMATICA
OAAI
AUTOMATICAIF5.9
OAAI分享收藏
查看更多内容