Submodular Optimization for Consensus Networks with Noise-Corrupted Leaders
Rensselaer Polytechnic Institute(伦斯勒理工学院)
研究在存在噪声干扰的共识网络中,通过子模优化选择领袖以最小化节点状态稳态方差,分析贪心算法的性能。
2017-12-21 cs.SY eess.SY math.OC
Shifting Opinions in a Social Network Through Leader Selection
我们研究了法国DeGroot的意见动态在一个社会网络中有两个两极分化的政党。我们考虑一个网络,其中一方的领导人是给定的,我们提出的问题,选择的领导人集的反对党,以转移的平均意见,以一个期望的值。当每一方只有一个领导者时,我们用转移矩阵和网络中随机游动的平稳分布来表示平均意见。分析表明,两个领导者节点之间的影响平衡。我们发现,选择最多$k$绝对领导者转移的平均意见的问题是$\mathbf{NP}$ -硬。然后,我们把问题归结为一个带有次模块背包约束和附加基数约束的次模块最大化问题,并提出了一个带有上界搜索的贪心算法来逼近最优解。我们还在随机网络和真实网络中进行了实验,以证明该算法的有效性。
2020-05-16 cs.SI cs.SY eess.SY
Platoon Coordination and Leader Selection in Mixed Transportation Systems via Dynamic Programming
本文针对燃油与电动卡车混合车队,提出基于动态规划的枢纽编队协调方法,优化等待时间、充电量和领头车辆分配,实现收益最大化并保证多项式时间可扩展性。
2025-07-20 cs.SY eess.SY math.OC
Optimal leader selection and demotion in leader-follower multi-agent systems
我们认为领导者跟随多智能体系统,有许多领导者,定义在任何连接的加权无向图,并解决领导者的选择和降级问题。领导者选择问题被制定为一个最小化问题的$H^2$范数的原始和新的代理系统的传递函数之间的差异,假设下,要降级的领导者代理。领导者降级问题是寻找最优的领导者代理被降级,并制定使用的全球最优解的领导者选择问题。我们证明了领导者选择问题的全局最优解是除了那些被降级为追随者的原始领导者代理的集合。为此,我们将原问题放松为可微问题。然后,通过计算松弛问题的目标函数的梯度和Hessian,证明了该函数是凸的。证明了梯度的零点是领袖选择问题的全局最优解,这是一个有限组合最优化问题。此外,我们证明了任何一组的领导者代理被降级受到固定数量的元素是一个解决方案的领导者降级问题。通过结合领导者选择和降级问题的解,证明了:如果从原领导者中选择新的领导者,而不选择被降级的领导者,则原代理系统和新代理系统的传递函数之间的相对$H^2$误差完全取决于原领导者和被降级为跟随者的领导者的数量.也就是说,我们发现,相对$H^2$错误不依赖于代理的数量上的图。最后,我们用一个简单的例子验证了解决方案。
2018-02-19 math.OC
Algebraic and Graph-Theoretic Conditions for the Herdability of Linear Time-Invariant Systems
在本文中,我们研究了一个宽松的概念的可控性,在文献中称为herdability,即一个系统的能力,被推向(内部的)正正交。具体来说,我们调查heredability线性定常系统,无论是从代数的角度来看,并根据代表系统的相互作用的图形。此外,我们专注于对应于矩阵对(A;B)的线性状态空间模型,其中矩阵B是一个选择矩阵,决定了网络中的领导者,我们表明,追随者给领导者的权重不影响系统的可牧性。然后,我们专注于一个单一的领导者,其中的相互作用是对称的,网络拓扑结构是非循环的系统的可牧性问题,在这种情况下,提供了一个算法的领导者选择。在此背景下,在相互距离的一些附加条件下,给出了整个系统可牧的充要条件。
2021-08-04 cs.SY eess.SY math.OC
Online Leader Selection for Improved Collective Tracking and Formation Maintenance
CNRS, LAAS(法国国家科学研究中心,系统分析与研究实验室);Univ de Toulouse, LAAS(图卢兹大学,系统分析与研究实验室);CNRS at Irisa and Inria Rennes Bretagne Atlantique(法国国家科学研究中心与布列塔尼大西洋雷恩国家信息与自动化研究所,Irisa)
本文提出一种在线选择领导者的方法,以优化群体跟踪性能并维持编队,通过分析领导者变化的影响,设计了适合的误差度量标准,利用谱特性实现分布式自适应策略。
2016-01-31 cs.MA cs.SY eess.SY
Joint Centrality Distinguishes Optimal Leaders in Noisy Networks
Princeton University(普林斯顿大学)
研究在噪声环境中,通过联合中心性选择最优领导者以最小化系统误差,提出新的中心性度量方法,证明单一领导者最优条件及多领导者平衡信息中心性与覆盖度。
2015-06-15 cs.SY eess.SY math.OC
Algorithms for leader selection in stochastically forced consensus networks
University of Minnesota(明尼苏达大学);Syracuse University(雪城大学)
针对随机力驱动共识网络,通过凸松弛和贪婪算法优化领导者选择以最小化均方偏差。
2013-05-29 cs.RO cs.SY eess.SY
Minimum leader selection for Structural Controllability of Undirected Graphs with Leader-follower Framework
研究了无向图能控性的最小领导集的最优化问题。不仅难以找到它的最优解,而且难以找到它的近似算法。我们提出了一个新的概念,即最小完美临界集(MPCS),以获得一个最优解。给出了一些性质,并在此基础上完全解决了两种典型的自相似二部网络--确定性无标度网络(DSFN)和Cayley树的最小领导集问题.
2021-12-02 math.CO math.OC
Structured decentralized control of positive systems with applications to combination drug therapy and leader selection in directed networks
University of Minnesota(明尼苏达大学);ETH Zürich(苏黎世联邦理工学院);University of Southern California(南加州大学)
本文研究了一类结构化的最优控制问题,其中动态矩阵的主对角线是设计变量的线性函数。对于正系统,证明了H2和H∞最优控制形式的凸性,允许任意凸约束和控制输入的正则化。此外,建立了当与动态生成器关联的图弱连通时H∞范数的可微性,并开发了计算最优解的定制算法,即使在不可微的情况下。将结果应用于有向共识网络中的领导者选择和HIV治疗的组合药物治疗问题。在领导者选择中,通过推导最优性能的上界和下界来解决组合挑战。在组合药物治疗中,开发了定制的子梯度方法,以高效治疗突变模式不连通的疾病。
2018-03-04 cs.DC cs.SY eess.SY
Clustering as a means of leader selection in consensus networks
在领导者-追随者方法中,一个或多个代理被选择为领导者,他们不改变自己的状态或具有自主动态,并且可以影响其他代理,而其他代理,称为追随者,根据其邻居的状态执行简单的协议。这种方法提供了一个自然的联系之间的控制理论和网络代理与他们的输入数据。尽管领导者-追随者方法被广泛使用,但基本问题仍然存在:如何从一组代理中选择领导者。这个问题被称为选择领导者的问题。仍然没有一种选择算法既能在自然准则下达到最优,又能快速实现。在本文中,代理,服从线性共识协议,我们提出了选择领导者使用图节点的聚类算法,并表明这种方法是最准确的快速选择领导者的现有算法。
2019-12-01 cs.MA math.OC
Leader Selection in Multi-Agent Networks with Switching Topologies via Submodular Optimization
在具有切换拓扑结构的主从多智能体网络中,选择一个智能体子集作为领导者是实现期望性能的关键步骤。在本文中,我们集中在选择一个最小的领导人,确保跟踪的参考信号在高阶线性多智能体网络与一组给定的拓扑结构相关的停留时间(TDDT)的问题。首先,我们推导出一个充分条件,保证所有代理的状态收敛到一个预期的状态轨迹。其次,利用次模优化方法,我们制定了一个最小的领导集,满足所提出的充分条件的识别问题。第三,我们提出了一个算法与可证明的最优性界来解决制定的问题。最后,通过数值算例验证了所设计的选择方案的有效性。
2019-12-12 cs.MA math.OC
Leader-Follower Synchronization of a Network of Boundary-Controlled Parabolic Equations With In-Domain Coupling
本文研究了一类具有边界控制和域内耦合的偏微分方程的前导同步问题。我们描述的问题在一个抽象的制定,我们专门为网络的抛物型偏微分方程。我们考虑一个设置中的一个子集的追随者连接到领导者通过边界控制,而追随者之间的互连是强制执行的分布式域耦合。以矩阵不等式的形式给出了实现指数同步的控制参数选择的充分条件。数值模拟说明并证实了理论研究结果。
2022-01-02 cs.SY eess.SY math.OC
Optimizing Leader Influence in Networks through Selection of Direct Followers
本文考虑的问题的领导者,寻求最佳影响的意见,代理商在有向网络中,通过连接有限数量的代理商(“直接追随者”),可能存在一个固定的竞争领导者。将单个领导者和两个竞争领导者的设置统一为一般的组合最优化问题,并提出了两种启发式方法。第一种方法是基于凸松弛方案,可能与$\ell_1$ -范数正则化技术相结合,第二种方法是基于贪婪选择策略。这项工作的主要技术创新是在建立超模块的目标函数和凸性的连续松弛。贪婪方法保证具有比$(1-1/e)$更尖锐的近似比的下界,而凸方法可以受益于有效的(定制的)数值求解器,以具有可能具有更快的计算时间的实际上相当的解决方案。这两种方法可以结合起来,以提供更好的结果。在数值示例中,根据直接跟随者的数量,可以使近似比达到$90\%$或更高。
2018-06-19 cs.SI math.OC
Portfolio problems with two levels decision-makers: Optimal portfolio selection with pricing decisions on transaction costs. Extended version and complete risk profiles analysis
本文提出了一种新的双层领导者-追随者投资组合选择问题,其中金融中介成为决策者。这个金融中介机构决定投资某些证券的单位交易成本,使其收益最大化,而投资者则选择他的最佳投资组合,使风险最小化,并确保给定的预期回报。因此,交易成本成为投资组合问题中的决策变量,并纳入两个层次的决策者:金融中介和投资者。这些情况导致了一般非线性规划公式在这两个层次的决策过程。我们提出了不同的两层版本的问题:金融中介领导者,投资者领导者和社会福利,并分析了他们的属性。此外,我们开发的混合规划线性规划配方的一些建议的问题和有效的算法为其他一些。最后,我们报告了一些计算实验的数据取自道琼斯工业平均指数,并分析和比较不同的模型得到的结果。
2019-12-10 math.OC
Aspiration-based Perturbed Learning Automata in Weakly-Acyclic Games with Noisy Utility Measurements
Software Competence Center Hagenberg GmbH(软件能力中心哈根贝格有限公司)
本文提出了一种基于收益的学习方案,用于分析弱无环游戏中在存在噪声观测时的随机稳定性,首次解决了此类游戏的收敛问题。
2026-09-01 cs.GT cs.SY eess.SY
Induced Stackelberg Equilibrium Seeking via Iterative Tikhonov Regularization
Delft University of Technology(代尔夫特理工大学);VITO(佛兰德技术研究所);EnergyVille(能源村)
本文提出通过迭代Tikhonov正则化诱导Stackelberg均衡选择,解决多均衡情况下标准算法收敛失败的问题。
2026-04-29 math.OC
Optimal Strategic Mining Against Cryptographic Self-Selection in Proof-of-Stake
本文研究权益证明协议中密码自选择机制下的自私挖矿攻击,证明对手无论控制多少权益都能通过选择性广播凭证获益,并利用马尔可夫决策过程刻画了最优攻击策略。
2022-07-16 cs.CR econ.TH math.OC
Laplacian Spectral Shaping for Non-Uniform Scaling Formation Control of Open Multi-Agent Systems
School of Automation, Chongqing University(重庆大学自动化学院)
研究开放多智能体系统非均匀缩放编队控制问题,开发分布式协议调整拉普拉斯矩阵部分权重,能在动态拓扑变化下保留期望编队谱,具有更稀疏传感图、无需预定义层次结构和支持领导者重新分配等优势,经理论分析和模拟验证有效。
2026-07-21 cs.MA cs.SY eess.SY
A Distance-Based Approach to Strong Target Control of Dynamical Networks
本文研究动态网络的能控性。完全控制大规模网络通常是不可行的或不必要的,这促使控制网络的代理的规定子集。这种特定形式的输出控制称为目标控制。研究了一类与网络相关联的线性控制系统的目标控制问题,给出了网络强目标可控的一个充分必要拓扑条件.此外,提出了一种领导者选择算法来计算实现目标控制的领导者集合。
2016-08-07 math.DS math.OC
The Robust Bilevel Selection Problem
University of Passau, School of Business, Economics and Information Systems(帕绍大学商业、经济与信息系统学院)
本文研究了鲁棒双层选择问题的复杂性,证明其在某些情况下为NP难,并提出近似算法和精确解法。
2025-02-13 cs.DS math.OC
Minimum Cost Feedback Selection for Arbitrary Pole Placement in Structured Systems
本文讨论了结构系统一般任意极点配置的最优反馈选择问题,当每个反馈边都与一个代价相关联时。给定一个结构化系统和一个反馈代价矩阵,我们的目标是找到一个可行的最小代价反馈矩阵,以保证闭环结构化系统的任意极点配置。我们首先给出了一个多项式时间减少的加权集覆盖问题的反馈选择问题的一个实例,从而表明该问题是NP-困难的。然后,我们证明了问题的不可近似性,表明常数因子近似的问题不存在,除非集合覆盖问题可以近似在一个常数因子。由于这个问题是困难的,我们研究了一个子类的系统,其使用状态有向图的强连通分支构造的有向无圈图是线图,并且状态二部图具有完美匹配。针对这类系统,提出了一种基于动态规划的多项式时间优化算法。进一步地,在同类系统上,我们放宽了完美匹配的假设,并给出了一个基于动态规划的多项式时间2-最优解和一个最小代价完美匹配算法。
2017-07-05 math.OC
On the Complexity of the Constrained Input Selection Problem for Structural Linear Systems
本文研究在给定线性定常系统的结构和一组可能的输入的情况下,求出保证系统结构能控的最小输入向量子集的问题。我们把这个问题称为最小约束输入选择(minCIS)问题,因为选择必须在初始给定的一组可能的输入上进行。我们证明了minCIS问题是NP难的,这解决了最近的一个公开问题,是否存在多项式算法(在系统植物矩阵的大小),解决minCIS问题。为此,我们表明,相关的判定问题,被称为CIS,确定是否存在一个子集(给定的集合的输入)与规定的基数,以确保结构的可控性,是NP完全的。此外,我们详细探讨了实际上重要的子类minCIS通过引入更具体的假设,无论是系统动力学或输入集的情况下,系统的解决方案的方法是通过构建明确的减少众所周知的计算问题。通过多智能体领导者-追随者型控制问题的例子说明了分析结果。
2014-11-03 math.OC
Supervised Feature Selection in Graphs with Path Coding Penalties and Network Flows
INRIA Grenoble Rhône-Alpes(法国国立信息与自动化研究院格勒诺布尔罗讷-阿尔卑斯中心)
我们考虑监督学习问题,其中特征嵌入在图中,例如基因网络中的基因表达。在这种情况下,它是非常感兴趣的自动选择一个子图与几个连接组件;通过利用先验知识,确实可以提高预测性能或获得更容易解释的结果。最近提出了用于选择图中特征的正则化或惩罚函数,但它们提出了新的算法挑战。例如,它们通常需要解决所有连通子图之间的组合硬选择问题。在本文中,我们提出了计算上可行的策略来选择一个稀疏和良好连接的功能子集坐在一个有向无环图(DAG)。我们引入结构化稀疏惩罚路径上的DAG称为“路径编码”的处罚。与现有的正则化函数不同,这些正则化函数对图中特征之间的远程交互进行建模,路径编码惩罚是易于处理的。惩罚及其邻近算子涉及路径选择问题,我们利用网络流优化有效地解决了这个问题。我们在合成,图像和基因组数据上的实验表明,我们的方法是可扩展的,并且比图的其他正则化函数导致更多的连接子图。
2013-08-29 cs.LG math.OC stat.ML