Utility Design for Distributed Resource Allocation -- Part I: Characterizing and Optimizing the Exact Price of Anarchy
博弈论已经成为设计网络化多智能体系统的一个富有成效的范例。这种方法的一个基本组成部分是设计代理人的效用函数，使他们的自我利益最大化的结果在一个理想的集体行为。在这项工作中，我们专注于一个良好的研究类的分布式资源分配的问题，每个代理被要求选择一个子集的资源与优化给定的系统级目标的目标。我们的核心贡献是开发了一个新的框架，以严格表征任何由此产生的纳什均衡（无政府状态无政府代价）作为所选代理人的效用函数的函数的最坏情况下的性能。利用这一结果，我们确定如何设计这样的公用事业，以优化无政府状态无政府代价通过一个易于处理的线性规划。这为我们提供了适用于任何现有的学习算法能够驱动系统的平衡先验性能证书。这项工作的第二部分专门这些结果submodular和supermodular的目标，讨论了计算纳什均衡的复杂性，并提供了多个插图的理论研究结果。
2019-08-18 cs.GT math.OC
Distributed generalized Nash equilibrium seeking in aggregative games on time-varying networks
在部分决策信息下，我们设计了第一个在时变通信网络上的聚合博弈中寻求广义Nash均衡的全分布式算法，即，代理不能直接访问集合决策。该算法是通过将动态跟踪集成到投影伪梯度算法中而得到的。收敛性分析依赖于单调算子分裂框架和带误差的Krasnosel'skiii-Mann不动点迭代。
2020-02-11 math.OC
PANDA: A Dual Linearly Converging Method for Distributed Optimization over Time-Varying Undirected Graphs
本文考虑时变网络上的分布式凸优化问题。我们提出了一个对偶方法，R-线性收敛到最优点的代理的目标函数是强凸的，并有Lipschitz连续梯度。所提出的方法需要一半的量的可变交换比基于DIGing的方法，并产生改进的实际性能的经验证明。
2018-04-20 math.OC
Distributed Algorithm Over Time-Varying Unbalanced Topologies for Optimization Problem Subject to Multiple Local Constraints
研究了局部约束可能不同的分布式最优化问题，其全局目标函数由$N$凸函数组成.我们的目的是解决所考虑的最优化问题在一个分布式的方式在随时间变化的不平衡的有向拓扑结构，只使用本地信息，只执行本地计算。为此，综合行随机阵序列和列随机阵序列分析技术，提出了一种新的分布式离散时间算法。此外，对于分布式离散时间算法，它的收敛性的最优解以及它的收敛速度建立在一些温和的假设。最后通过数值模拟验证了理论分析的正确性。
2022-08-25 math.OC
A geometrically converging dual method for distributed optimization over time-varying graphs
本文考虑时变无向网络上的分布式凸优化问题。我们提出了一种对偶方法，主要是平均网络对偶上升（PANDA），这是证明收敛R-线性最优点的代理目标函数是强凸的，并有Lipschitz连续梯度。像对偶分解，PANDA需要一半的量的变量交换每单位的方法的基础上DIGing，并可以提供实际的改进性能的经验证明。
2018-10-12 math.OC
Distributed Convex Optimization for Continuous-Time Dynamics with Time-Varying Cost Function
研究了连续时间多智能体系统的时变分布凸优化问题。控制算法的情况下，单积分器和双积分器的动态设计。在每种情况下，提出了两种基于符号函数的不连续算法来解决问题。然后，在双积分动力学的情况下，两个连续的算法的基础上，分别提出了一个时变和固定的边界层连续近似的signum函数。此外，考虑到代理间碰撞的物理代理，一个分布式的群体跟踪行为的凸优化问题的单积分器和双积分器的动态。
2016-09-06 math.OC
A Distributed Optimization Algorithm over Time-Varying Graphs with Efficient Gradient Evaluations
我们提出了一个算法，分布式优化时变通信网络。我们的算法使用优化的通信轮数和梯度评估之间的比例，以实现快速收敛。迭代收敛到全局优化器的速度与集中式梯度下降相同，当使用最小数量的通信来这样做时，根据梯度评估的数量来测量。此外，迭代收敛在一个接近最佳的速度时，测量的通信轮数。我们比较我们的算法与其他几个已知的算法的分布式目标定位问题。
2020-01-07 math.OC
Distributed Convex Optimization With Coupling Constraints Over Time-Varying Directed Graphs
研究了时变多智能体网络上的分布式凸优化问题，其中每个智能体都有自己的决策变量，这些决策变量的设置应使其个体目标最小化，且受局部约束和全局耦合等式约束.在有向图上，提出了一种将推和协议与对偶次梯度方法相结合的分布式算法。在凸性假设下，首先建立了原始变量、对偶变量和约束违反的最优性。然后给出了算法的显式收敛速度。最后，通过对经济调度问题的数值实验，验证了算法的有效性。
2018-05-21 math.OC
Fenchel Dual Gradient Methods for Distributed Convex Optimization over Time-varying Networks
在现有的大量凸多智能体优化分布式算法中，只有少数算法能保证智能体网络在时变拓扑下的收敛速度，而这又限制了问题的无约束性.出于这一动机，我们开发了一个家庭的分布式Fenchel双梯度法解决约束，强凸，但不一定光滑的多智能体最优化问题随时间变化的无向网络。所提出的算法构造的基础上应用加权梯度法的Fenchel对偶的多智能体最优化问题，并可以实现在一个完全分散的方式。我们表明，所提出的算法驱动所有的代理原始和对偶最优渐近下的最小连通性条件和次线性速率下的标准连通性条件。最后，通过仿真验证了分布式Fenchel对偶梯度法的良好收敛性能.
2018-04-05 math.OC
Non-Concave Network Utility Maximization in Connectionless Networks: A Fully Distributed Traffic Allocation Algorithm
研究了无连接网络中多个端点间基于优化的流量分配问题。网络效用函数被建模为非凹函数，因为它是对具有非弹性应用（诸如视频和音频流）的用户感知的服务质量的最佳描述。然而，由此产生的非凸优化问题，是具有挑战性的，需要新的分析和解决方案的技术。为了克服这些挑战，我们首先提出了一个层次的问题，其最优值收敛到非凸优化问题的最优值的时刻趋于无穷大。从这一层次的问题，我们得到了一个凸松弛的原始非凸优化问题，考虑截断矩序列。为了解决凸松弛，我们提出了一个完全分布式的迭代算法，它使每个节点调整其数据分配/速率自适应之间的任何给定的一组下一跳仅仅基于来自相邻节点的信息。此外，所提出的流量分配算法收敛到凸松弛的最优值在$O(1/K)$率，其中$K$是迭代计数器，具有有界最优性。在本文的最后，我们进行了数值模拟，以证明该算法的合理性。
2017-02-27 math.OC
A Distributed Time-Varying Optimization Approach Based on an Event-Triggered Scheme
针对分布式时变优化问题，本文在分布式神经动力学框架下提出事件触发控制器，通过离散时刻通信和积分模态技术降低通信能耗与计算成本，并以电池充电示例验证有效性。
2024-10-25 math.OC
Distributed Optimization over Time-varying Graphs with Imperfect Sharing of Information
我们研究强凸分布最优化问题，其中一组代理有兴趣解决一个可分离的最优化问题合作。在本文中，我们提出并研究了两个时间尺度分散梯度下降算法的一个广泛的类的有损信息共享的时变图。一个时间尺度淡出来自相邻代理的（有损的）传入信息，并且一个时间尺度调节局部损失函数的梯度。对于强凸损失函数，通过适当选择步长，我们证明了智能体的估计以$O(T^{-1/2})$的速度收敛到全局最优状态。这项工作的另一个重要贡献是提供了新的工具来处理随时间变化的图形的平均权重递减。
2022-08-14 math.OC
Distributed stochastic optimization via correlated scheduling
本文考虑了一个问题，多个用户根据自己观察到的事件进行重复决策。每个时间步的事件和决策决定效用函数和罚函数集合的值。我们的目标是随着时间的推移，以最大限度地提高时间平均效用的时间平均约束的惩罚分布式决策。一个例子是功率受限的传感器节点的集合，这些节点重复地向融合中心报告它们自己的观测结果。最大时间平均效用从根本上降低，因为用户不知道其他人观察到的事件。最优性的特点是这种分布式的背景下。结果表明，最优性是通过一个众所周知的伪随机序列相关用户的决定。提出了一种基于时变权值的纯策略选择算法。
2013-05-10 cs.MA math.OC
Distributed proximal gradient algorithm for non-smooth non-convex optimization over time-varying networks
研究了具有非光滑正则化的分布式非凸优化问题，该问题在分散学习、估计和控制中有着广泛的应用。目标函数是不同的局部目标函数的和，这些局部目标函数由可微的（可能是非凸的）费用函数和非光滑的凸函数组成。针对时变多智能体网络上的非光滑非凸优化问题，提出了一种分布式近似梯度算法。每个智能体通过多步一致性算子和邻近算子更新局部变量估计。我们证明了生成的局部变量达到共识，收敛到一组临界点的收敛速度$O(1/T)$。最后，通过数值模拟验证了该算法的有效性.
2021-03-03 math.OC
Distributed Asynchronous Time-Varying Quadratic Programming with Asynchronous Objective Sampling
针对现有多智能体时变优化无法异步采样目标的问题，提出支持采样、通信和计算全异步的多智能体优化框架，证明其跟踪解时误差有界并解决二次规划开放问题，仿真验证有效性。
2025-08-20 math.OC
Distributed Strategy Selection: A Submodular Set Function Maximization Approach
约束子模集函数最大化问题经常出现在可行集离散的多智能体决策问题中。一个突出的例子是多代理移动传感器放置在一个离散域的问题。然而，子模集函数最优化问题是NP难问题。研究了一类次模最优化问题，该问题是指在一个连通的无向图上通信的一组网络代理上，满足一致拟阵约束的单调次模集函数的最大化问题.我们在值预言模型中工作，其中代理对效用函数的唯一访问是通过返回效用函数值的黑盒。我们提出了一个分布式的次优多项式时间算法，使每个代理，以获得其各自的战略，通过与邻近的代理的本地交互。我们的解决方案是一个完全分布式的基于梯度的算法，使用子模块集函数的多线性扩展，然后是一个分布式的随机Pipage舍入过程。该算法得到的策略集是：当团队效用函数在最坏情况下被评估时，效用函数值在最优解的1/c（1-e^（-c）-O（1/T））内，c为次模函数的曲率。一个例子证明了我们的结果。
2021-07-29 cs.DC math.OC
Asynchronous and Distributed Tracking of Time-Varying Fixed Points
本文提出了一个跟踪时变压缩映射不动点的算法框架。跟踪误差的分析结果建立的情况下，其中：（i）基本的收缩自映射在算法的每一步的变化;（ii）只有一个不完美的信息的地图是可用的;和，（iii）该算法是以分布式的方式实现的，与通信延迟和丢包导致异步算法更新。分析结果适用于几类问题，包括时变收缩映射出现的在线和异步实现的基于梯度的方法随时间变化的凸规划。在该领域中，所提出的框架还可以捕获基于反馈的在线算法的操作原理，其中在线梯度步骤被适当地修改以适应来自底层物理或逻辑网络的可操作反馈。提供的应用程序和说明性的数值结果的例子。
2018-09-12 math.OC
Distributed Online Optimization in Time-Varying Unbalanced Networks without Explicit Subgradients
研究了无显式次梯度的时变不平衡有向图上的分布式在线约束最优化问题。与现有算法形成鲜明对比的是，我们设计了一种新的基于共识的分布式在线算法，该算法具有局部随机零阶预言机，然后通过构造行随机阵来重新缩放预言机，旨在解决时变有向图的不平衡性。在温和的条件下，平均动态后悔超过一个时间范围内渐近收敛于一个次线性速率提供的累积变化增长的次线性与特定的顺序。此外，该算法的对应子梯度时，也提供了其动态遗憾界，这反映了我们的算法的收敛性基本上是不受零阶预言。通过对传感器网络中的分布式目标跟踪问题和动态稀疏信号恢复问题的仿真，验证了该算法的有效性。
2022-02-23 math.OC
Distributed Prediction-Correction ADMM for Time-Varying Convex Optimization
本文提出基于预测-校正框架的对偶正则化ADMM，用于分布式时变凸优化，并通过数值实验证明其在渐近误差和一致性约束违反方面优于非精确梯度法和精确对偶分解方法。
2020-11-17 math.OC
Distributed Bayesian: a continuous Distributed Constraint Optimization Problem solver
在连续分布式约束最优化问题（DCOP）框架下，提出了一种求解多智能体问题的分布式贝叶斯（D-Bay）算法。该框架将经典的DCOP框架扩展到具有连续域的效用函数。传统的DCOP求解器将连续域离散化，这使问题的规模呈指数级增加。D-Bay通过利用贝叶斯优化对变量进行自适应采样来完全避免离散化，从而克服了这个问题。我们从理论上证明了D-Bay收敛到Lipschitz连续效用函数的DCOP的全局最优值。基于样本效率对算法的性能进行了经验评估。所提出的算法相比，一个集中的方法与等距离散的连续域的传感器协调问题。我们发现，我们的算法产生更好的解决方案，同时需要更少的样本。
2020-02-08 math.OC
Centralized and distributed online learning for sparse time-varying optimization
在过去的几年里，在线算法的发展，以跟踪时变系统引起了很多关注，特别是在在线凸优化的框架。同时，稀疏时变优化已经成为一个强大的工具，以处理广泛的应用，从动态压缩传感到简约系统辨识。在大多数关于稀疏时变问题的文献中，假设系统演化的一些先验信息是可用的。相比之下，在本文中，我们提出了一种在线学习方法，它不使用给定的模型，适用于对抗框架。具体来说，我们开发集中式和分布式算法，我们从理论上分析他们的动态遗憾，在网上学习的角度来看。此外，我们提出了数值实验，说明其实际有效性。
2020-01-31 cs.LG math.OC
Distributed Event-Triggered Bandit Convex Optimization with Time-Varying Constraints
针对带时变约束的分布式赌博机凸优化问题，提出带两点赌博机反馈的事件触发在线原始-对偶算法，在节省通信资源的同时取得与全信息反馈算法相当的性能界，并通过数值算例验证。
2024-06-20 math.OC
Generic Frameworks for Distributed Functional Optimization and Learning over Time-Varying Networks
Georgia Institute of Technology（佐治亚理工学院）；Nanjing University of Science and Technology（南京理工大学）
本文提出了一种基于巴纳赫空间的分布式函数优化理论，解决了传统方法在处理函数空间优化问题时的理论和技术不足，并建立了两种算法的收敛理论，为分布式学习提供了新的分析框架。
2025-12-31 math.OC
Finite-Time Convergent Algorithms for Time-Varying Distributed Optimization
本文提出两类有限时间收敛的分布式算法，分别解决无约束时变共识优化和带耦合约束的时变资源分配问题，通过扩展零梯度和对偶变换实现，无需Hessian逆，并用数值实验验证。
2023-09-01 math.OC
FAB: A First-Order AB-based Gradient Algorithm for Distributed Bilevel Optimization over Time-Varying Directed Graphs
Southern University of Science and Technology（南方科技大学）；Peng Cheng Laboratory（鹏城实验室）；School of Computer Science and Engineering, Sun Yat-Sen University（中山大学计算机科学与工程学院）；School of Artificial Intelligence, Southern University of Science and Technology（南方科技大学人工智能学院）；National Center for Applied Mathematics Shenzhen（深圳应用数学国家研究中心）；Detection Institute for Advanced Technology Longhua-Shenzhen（深圳龙华先进技术检测研究院）
本文提出一种首次-order分布式梯度算法，结合Push-Pull通信策略和价值函数惩罚法，解决时间变化有向图上的分布式双层优化问题，并建立非渐近收敛性。
2026-05-07 math.OC
On Convergence Rate of a Continuous-Time Distributed Self-Appraisal Model with Time-Varying Relative Interaction Matrices
本文研究了最近提出的一个连续时间分布的自我评价模型，该模型具有$n$个体网络之间的时变相互作用，其特征在于一系列时变相对相互作用矩阵。该模型通过反映评价机制实时描述了个体的社会置信水平的演变。我们首先通过例子表明，当相对相互作用矩阵是随机的（不是双重随机的），社会置信水平的个人可能不会收敛到一个稳定的状态。然后，我们证明了当相对交互作用矩阵是双随机的时，$n$个体的置信水平在适当的假设下都将以指数速度收敛到$1/n$，这表明$1/n$是一个民主的状态，并给出了收敛速度的显式表达式。
2017-03-16 math.OC
A distributed ADMM-like method for resource sharing over time-varying networks
我们考虑合作的多智能体资源共享问题在时变通信网络，只允许本地通信。我们的目标是最小化的总和代理特定的复合凸函数受到圆锥约束，耦合代理的决定。我们提出了一个分布式的原始对偶法DPDA-D解决鞍点公式的共享问题的时变（非）有向通信网络，我们表明，原始对偶序列收敛到一个点定义的原始最优解和一个共识的双重价格的耦合约束。此外，我们提供了收敛速度的次优，不可行性和共识违反代理的双重价格评估;检查底层网络拓扑结构的影响，建议分散算法的收敛速度;并比较DPDA-D与集中式方法的基础上追求去噪和多通道功率分配问题。
2019-08-25 math.OC
Distributed Convex Optimization of Time-Varying Cost Functions with Swarm Tracking Behavior for Continuous-time Dynamics
研究了连续时间多智能体系统中具有群体跟踪行为的分布式凸优化问题。智能体的任务是通过局部交互来驱动其中心跟踪最优轨迹，该最优轨迹使局部时变费用函数之和最小化，同时保持连通性并避免智能体之间的碰撞。每个局部费用函数仅为单个代理所知，并且团队的最优解是时变的。这里考虑两种情况，单积分器动态和双积分器动态。对于每种情况下，提出了一种分布式的群体跟踪行为的凸优化算法，每个代理只依赖于自己的位置和相对位置（和速度在双积分的情况下）之间的本身和它的邻居。结果表明，智能体的中心跟踪最优轨迹，智能体之间的连通性将保持和避免智能体间的碰撞。最后，数值例子进行说明。
2015-07-16 math.OC
A unified framework for distributed optimization algorithms over time-varying directed graphs
在本文中，我们提出了一个框架下，分散的优化算法建议在\cite{JKJJ,MA, NO,NO2}可以被视为在一个统一的方式。更准确地说，我们表明，分布式次梯度下降算法\cite{JKJJ, NO}，次梯度推算法\cite{NO2}，和分布式算法与行随机阵\cite{MA}可以通过适当的选择一致性矩阵，步长和次梯度从分散次梯度下降提出的\cite{NO}。作为这样的统一理解的结果，我们提供了一个收敛性证明，涵盖了算法在\cite{JKJJ,MA, NO,NO2}下一个新的代数条件，严格弱于传统的图论条件在\cite{NO}。这种统一也使我们能够得到一个新的分布式优化方案。
2021-08-04 math.OC
On the Dynamics of Distributed Energy Adoption: Equilibrium, Stability, and Limiting Capacity
电力公司的死亡螺旋假说代表了一种正反馈现象，即受管制的电力公司因价格上涨和需求下降而导致财务不稳定。我们建立了死亡螺旋存在的条件和分布式能源稳定采用的条件。我们特别表明，线性关税总是引起死亡螺旋时，公用事业的固定运营成本上升超过一定的阈值。对于两部分的连接和容量收费的关税，拉姆齐定价，优化短视的社会福利的收入充足性约束诱导一个稳定的均衡。然而，拉姆齐定价以高昂的连接费用抑制了可再生能源的采用。相比之下，一个小的连接费的两部分关税的结果在一个稳定的采用过程，可再生能源的采用水平较高，更大的长期总消费者盈余。市场数据用于说明各种太阳能采用情况。
2018-10-16 math.DS math.OC
Distributed Convex Optimization with Inequality Constraints over Time-varying Unbalanced Digraphs
考虑时变不平衡有向图上带不等式约束的分布凸优化问题，其中代价函数是局部目标之和，图的每个节点只知道其局部目标和不等式约束.虽然有大量的分布式优化文献，但大多数都要求图是平衡的，这是非常限制性的，也是不必要的。最近，不平衡的问题已经得到解决，无论是时不变的图形或无约束优化。这项工作解决了不平衡的集中在一个epigraph形式的约束优化。一个显著的特点是，这个新的想法可以很容易地用来研究时变不平衡有向图。在本地通信下，然后为每个节点设计一个简单的迭代算法。我们证明了，如果图是一致联合强连通的，每个节点渐近收敛到某个公共的最优解。
2016-12-29 cs.DC math.OC
Distributed Constrained Optimization with Delayed Subgradient Information over Time-Varying Network under Adaptive Quantization
本文研究了时变通信网络中具有延迟次梯度信息的分布式约束最优化问题，其中每个智能体只能与其邻居通信，通信信道具有有限的数据速率.我们提出了一种自适应量化方法来解决这个问题。基于Bregman发散理论，建立了一种带延迟次梯度信息的镜像下降算法。该方法采用非欧几里德Bregman投影算法，从本质上推广了许多经典的基于欧几里德投影的分布式算法。通过所提出的自适应量化方法，可以获得无任何量化误差的最优值。对算法的收敛性进行了综合分析，结果表明，在适当的条件下，可以得到最优的收敛速度$O(1/\sqrt{T})$。最后，数值例子证明了我们的算法和理论结果的有效性。
2021-06-15 math.OC
Time-Varying Distributed Optimization for A Class of Stochastic Multi-Agent Systems
本文首次研究一类随机多智能体系统的时变分布式优化，提出固定时间全局变量估计器与分布式协议，证明跟踪误差均方指数最终有界，并通过仿真验证。
2025-03-17 math.OC
Distributed Adaptive Time-Varying Optimization with Global Asymptotic Convergence
针对多智能体时变优化，本文提出由死区算法桥接平均估计器与自适应优化器的分布式算法，证明全局渐近收敛并扩展至一般代价函数。
2024-08-03 cs.SY eess.SY math.OC
Distributed Prediction-Correction Algorithms for Time-Varying Nash Equilibrium Tracking
本文主要研究了动态环境下非合作对策中的时变Nash均衡轨迹跟踪问题。为了解决这个问题，我们提出了一个分布式预测校正算法，称为DPCA，其中每个球员预测未来的战略，根据以前的观察，然后利用预测，有效地跟踪NE轨迹，通过使用一个或多个分布式梯度下降步骤在网络上。我们严格证明，所提出的算法产生的跟踪序列是能够跟踪随时间变化的NE有界误差。我们还表明，跟踪误差可以任意接近零时，采样周期足够小。此外，我们实现了线性收敛的时不变纳什均衡寻求问题作为我们的结果的特殊情况。最后，一个多机器人监控场景的数值模拟验证了所提出的算法的跟踪性能和必要的预测。
2022-12-14 math.DS math.OC
Decentralized convex optimization over time-varying graphs: a survey
本文为时变图上的去中心化凸优化综述，梳理了该领域的最新研究成果与相关技术，同时指出了待解决问题并给出未来研究的假设与方向。
2023-04-17 math.OC
Distributed Online Economic Dispatch with Time-Varying Coupled Inequality Constraints
East China Normal University（华东师范大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；Institute of Systems Science, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院系统科学研究所）；School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）
本文提出了一种基于对偶方法和约束跟踪的算法，用于解决具有时间变化耦合不等式约束的分布式在线经济调度问题，证明了算法在动态遗憾和约束违反方面的亚线性收敛性。
2025-12-24 math.OC stat.ME
Linear Convergence Rate Analysis of a Class of Exact First-Order Distributed Methods for Weight-Balanced Time-Varying Networks and Uncoordinated Step Sizes
本文分析一类精确分布式一阶方法在时变权重平衡网络与非协调步长下的R-线性收敛性，证明统一Extra、统一DIGing及精确谱梯度方法对此类设置具有高度鲁棒性。
2023-05-12 math.OC
A Note on Optimal Distributed State Estimation for Linear Time-Varying Systems
Universidad de Zaragoza（萨拉戈萨大学）
本文证明 ODEFTC 是连续时间随机线性时变系统的首个最优分布式状态估计器，可渐近达到集中式 Kalman-Bucy 滤波器的误差协方差性能，并给出保证稳定性的一致性增益条件。
2025-10-21 cs.SY eess.SY math.OC
Distributed Nash Equilibrium Seeking for Monotone Generalized Noncooperative Games by a Regularized Penalty Method
本文研究了具有集合约束和共享仿射不等式约束的单调广义非合作对策的分布式Nash均衡求解问题。提出了一种分布式正则化惩罚方法。其思想是使用一个具有时变罚参数的可微罚函数来处理不等式约束。通过引入时变正则化项，解决了单调性假设和时变惩罚项引起的病态问题。证明了该对策的最小范数变分均衡的渐近收敛。数值算例表明了该算法的有效性和效率。
2020-10-25 math.OC
A Distributed Online Pricing Strategy for Demand Response Programs
University of Washington（华盛顿大学）
本文提出了一种分布式在线定价策略，用于在不确定性和有限通信环境下优化需求响应。通过联合在线学习和定价算法，实现对消费者成本函数的估计，并在时间槽内发送价格信号，最终通过模拟实验验证了算法的有效性。
2017-08-09 cs.SY eess.SY math.OC
Achieving Utility-Delay-Reliability Tradeoff in Stochastic Network Optimization with Finite Buffers
一个实际的开放的问题是开发一个分布式算法，实现近最佳效用，仅使用有限（和小）的缓冲区大小的队列中的随机网络。本文研究了有限缓冲区机制下的效用最大化（或成本最小化），并考虑了相应的延迟和可靠性（或丢包率）的权衡。浮动队列算法允许随机网络优化框架以丢包为代价用有限的缓冲区来实现。此外，缓冲区大小的要求是显着小于以前的作品在这方面。在$B$数据包的缓冲区大小有限的情况下，该算法在保持$O(B)$的平均每跳时延和稳态下$O(e^{-B})$的平均每跳丢弃率的同时，实现了最优效用的$O(e^{-B})$。从实现的角度来看，浮动队列算法需要对众所周知的漂移加惩罚策略（包括MaxWeight和Backpressure策略）进行很少的修改。因此，浮动队列算法继承了这些策略的分布式和低复杂性的性质。
2015-01-14 math.OC
Differentially Private Online Distributed Aggregative Games With Time-Varying and Non-Identical Communication and Feedback Delays
本文提出了一种在线分布式双平均算法，以处理具有时间变化和非相同通信和反馈延迟的差分隐私在线分布式聚合博弈中的隐私泄露问题，并实现了可证明的低遗憾界。
2025-12-13 cs.GT math.OC
Distributed Regularized Dual Gradient Algorithm for Constrained Convex Optimization over Time-Varying Directed Graphs
研究了多智能体协作时变网络上的分布式最优化问题，其中每个智能体都有自己的决策变量，这些决策变量的设置应使其个体目标在局部约束和全局耦合约束下最小化.基于推和协议和对偶分解，设计了一种分布式正则化对偶梯度算法，该算法在时变有向图中实现，只需要通信矩阵的列随机性.通过在相应的拉格朗日函数上增加一个二次正则项，我们首先得到了拉格朗日乘子的上界，与大多数基于原-对偶的方法相比，该方法不需要构造包含对偶最优集的紧集.对强凸目标函数，本文方法的收敛速度达到了$\mathcal{O}(\ln T/T)$阶，其中$T$为迭代次数.此外，还给出了约束违反的显式界。最后，通过对网络效用最大化问题的数值计算，验证了算法的有效性。
2018-05-21 math.OC
Distributed Time-Varying Optimization via Unbiased Extremum Seeking
Harbin Institute of Technology（哈尔滨工业大学）；Tel-Aviv University（特拉维夫大学）；University of California San Diego（加州大学圣迭戈分校）
本文提出一种基于无偏极值搜索的分布式时变优化框架，无需导数信息，支持有向图、可调收敛速率，并通过李括号平均和LMI条件保证收敛，数值实验验证有效。
2026-09-09 cs.SY eess.SY math.OC
Robust Distributed Fixed-Time Economic Dispatch under Time-Varying Topology
定义北美电网的集中式发电基础设施正在慢慢转向分布式架构，这是由于可再生能源和分布式能源（DER）的使用激增，例如住宅太阳能，风力涡轮机和电池存储。此外，可变的定价政策和大量的灵活负载需要从各个发电单元所需的功率输出的频繁和严重的变化，需要快速的功率分配的可用性。为此，提出了一种固定时间收敛的，完全分布式的经济调度算法，用于在一组DER之间调度最优发电。该算法结合了负荷平衡和发电容量约束。
2020-08-27 cs.SY eess.SY math.OC
Distributed Gaussian Learning over Time-varying Directed Graphs
Boston University（波士顿大学）；University of Illinois（伊利诺伊大学）
本文提出一种分布式非贝叶斯学习算法，用于高斯噪声下的参数估计，通过显式更新高斯信念参数，证明了收敛率和几乎必然收敛性。
2016-12-07 cs.LG cs.MA cs.SY
Achieving Geometric Convergence for Distributed Optimization over Time-Varying Graphs
本文研究时变图上的分布式优化问题。对于无向图的情况下，我们介绍了一种分布式算法，称为DIGing，基于分布式不精确梯度法和梯度跟踪技术的组合。DIGing算法使用双随机混合矩阵，并采用固定的步长，然而，驱动所有的代理的迭代到一个全球性的和一致的最小值。当图是有向的，在这种情况下，双随机混合矩阵的实现是不现实的，我们构造了一个算法，将推和协议的DIGing结构，从而获得推-DIGing算法。Push-Diging使用列随机阵和固定步长，但它仍然收敛到一个全局和一致的最小值。在强凸性假设下，只要步长不超过某个上界，我们证明了算法以R-线性（几何）速度收敛。我们建立明确的估计的收敛速度。当图是无向的，它表明，DIGing规模多项式的代理人的数量。我们还提供了一些数值实验来证明所提出的算法的有效性，并验证我们的理论研究结果。
2017-03-20 math.OC
Analysis and Design of First-Order Distributed Optimization Algorithms over Time-Varying Graphs
本文主要研究时变图上分布式一阶优化算法的分析与设计。这种算法的目标是优化全局函数，该全局函数是仅使用局部计算和通信的局部函数的平均值。已经提出了几种不同的算法，实现线性收敛的全局最优值时，局部函数是强凸的。我们提供了一个统一的分析，产生的最坏情况下的线性收敛速率的局部函数的条件数，频谱间隙的图形，和算法的参数的函数。该框架需要解决一个小的半定程序，其大小是固定的，它不依赖于本地功能的数量或其域的尺寸。其结果是一种计算效率高的分布式算法分析方法，可以快速比较，选择和调整算法。最后，我们提出了一个新的算法，我们称之为SVL，这是很容易实现的，并实现了更快的最坏情况下的收敛速度比所有其他已知的算法。
2020-02-14 math.OC
Distributed Stochastic Optimization with Gradient Tracking over Time-Varying Directed Networks
本文提出SAB-TV分布式随机优化方法，在时变有向网络上利用梯度跟踪和行列随机权重实现智能体协同优化，并证明其线性收敛到最优解邻域。
2023-10-30 math.OC
Distributed Resource Allocation over Time-varying Balanced Digraphs with Discrete-time Communication
本文研究了在连续时间环境下的分布式资源分配问题，同时考虑了在无限连通平衡有向图上的离散时间通信。我们提供了一个被动为基础的连续时间算法的角度来看，间歇性的通信计划的基础上开发。特别地，通过分析每个节点处的分布式动态的输出采样的无源性退化，首先导出周期性通信方案。在此基础上，进一步提出了一种异步分布式事件触发机制。基于采样的事件触发通信方案不受Zeno行为的影响，因为最小事件间时间是采样周期的下界。该算法中的参数仅依赖于每个节点的局部信息，可以以真正的分布式方式进行设计
2021-01-15 cs.MA cs.SY eess.SY
A Slow-Fast Stochastic Framework for Zeroth-Order Distributed Time-Varying Optimization
Sichuan University（四川大学）
研究仅用零阶信息的随机多智能体系统分布式时变优化，构建慢-快随机框架，引入辅助变量和快速子系统生成梯度估计，慢子系统进行优化和一致性，分析收敛性并通过模拟验证，建立界表征参数等对跟踪性能的影响。
2026-07-17 math.OC
An Accelerated Method For Decentralized Distributed Stochastic Optimization Over Time-Varying Graphs
我们考虑一个分布式的随机最优化问题，解决了一个分散的网络的代理与相邻的代理之间只有本地通信。整个系统的目标是最小化一个全局目标函数，该函数是由每个代理持有的局部目标之和。每个局部目标被定义为一个凸光滑随机函数的期望值，并允许代理对该函数的随机梯度进行采样。对于这种设置，我们提出了第一个加速（在Nesterov的加速意义上）的方法，同时达到最佳的对数因子通信和Oracle的复杂性边界光滑强凸分布随机最优化。我们还考虑的情况下，当通信图被允许随时间变化，并获得我们的算法的复杂性界限，这是第一个上复杂性界限，在文献中的设置。
2022-11-09 math.OC
Distributed Time-Varying Coverage Control via Singular Perturbations
本文提出了一种基于奇异摄动理论的分布式时间变化覆盖控制算法，通过双时间尺度分离方法实现机器人对动态密度函数的最优部署跟踪。
2025-12-01 math.OC
