多智能体系统分布式优化算法的研究及应用

发布时间：2021-01-15 16:28

　　随着科学技术的飞速发展和网络规模的不断扩大,传统的集中式控制和优化技术已经难以解决大规模复杂的网络问题,更具有鲁棒性和灵活性的分布式优化算法引起越来越多的关注。鉴于多智能体系统在分布式计算方面有着不可替代的优势,许多研究者将其作为分布式优化的载体进行理论研究和应用推广。多智能体系统分布式优化理论在科学研究、工程设计和社会生活等多个领域均有非常广泛的应用,例如无线传感器网络边缘覆盖及源点定位,交通拥堵控制,多机器人编队控制和电力资源分配等。多智能体系统分布式优化通过多个智能体相互作用协同合作实现系统全局优化的目标,其中全局目标函数是所有智能体局部目标函数之和,每个智能体所拥有的局部目标函数仅被它本身知道。本文在现有研究的基础上进一步丰富相关理论,以解决实际生活中的优化决策问题为目标提出更为普适的分布式优化算法,主要研究内容概括如下:（1）针对有向拓扑环境下的分布式优化问题,本文概括总结了现有的分布式一阶方法,在此基础上提出一种新颖的分布式优化算法。在局部目标函数是强凸和利普希茨连续的前提下,算法采用行随机矩阵和异构步长,精确地驱使每个智能体逐渐地收敛到全局最优解,并且我们通过增加一个辅助... 

【文章来源】：西南大学重庆市 211工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

有向图和无向图

第三章基于行随机矩阵的多智能体系统分布式优化35[0.01,0.03]i和动量参数[0.1,0.5]i，并为所有智能体i=1,...,10设置初始值0inx和00iu。我们用标签1ijy表示样本ija有毒，标签1ijy表示样本ija没有毒。我们将提出的算法与其他现有算法（包括DEXTRA[48]，ADD-OPT[49],和FROST[54]）的收敛速度进行比较。从图3.2中可以看出，我们所提出的算法具有更好的收敛性。此外，图3.3表明当不超过步长上限时，步长的增加会促进所提出算法的收敛性。图3.1通信网络图3.2不同算法的性能比较3.6本章小结本章基于精确的一阶方法提出了一种分布式优化算法求解有向网络拓扑环境下的凸优化问题。该算法利用了异构步长和行随机矩阵，步长的选择更灵活且适

第三章基于行随机矩阵的多智能体系统分布式优化35[0.01,0.03]i和动量参数[0.1,0.5]i，并为所有智能体i=1,...,10设置初始值0inx和00iu。我们用标签1ijy表示样本ija有毒，标签1ijy表示样本ija没有毒。我们将提出的算法与其他现有算法（包括DEXTRA[48]，ADD-OPT[49],和FROST[54]）的收敛速度进行比较。从图3.2中可以看出，我们所提出的算法具有更好的收敛性。此外，图3.3表明当不超过步长上限时，步长的增加会促进所提出算法的收敛性。图3.1通信网络图3.2不同算法的性能比较3.6本章小结本章基于精确的一阶方法提出了一种分布式优化算法求解有向网络拓扑环境下的凸优化问题。该算法利用了异构步长和行随机矩阵，步长的选择更灵活且适

【参考文献】：
期刊论文
[1]分布式合作优化及其应用[J]. 衣鹏,洪奕光.  中国科学:数学. 2016(10)
[2]含风电场电力系统经济调度的模糊建模及优化算法[J]. 陈海焱,陈金富,段献忠.  电力系统自动化. 2006(02)



本文编号：2979141