Chance-Constrained ADMM Approach for Decentralized Control of Distributed Energy Resources
Tandon School of Engineering, New York University（纽约大学坦顿工程学院）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）
本文提出一种基于机会约束的ADMM方法，用于分布式能源资源的去中心化控制，通过局部功率流测量设计控制器，以维持电压和功率流动在限值内并缓解光伏资源的波动性。
2018-03-09 cs.SY eess.SY
Scalable distributed and decentralized $\mathscr{H}_2$ controller synthesis for interconnected linear discrete-time systems
当前线性互联系统的分布式$\mathscr{H}_2$控制器综合的局限性是可扩展性，由于非凸或非结构化的综合条件。在本文中，我们开发了凸的和结构化的条件存在的分布式$\mathscr{H}_2$控制器的离散时间互联系统的互连结构，对应于一个任意的图形。中性互联和存储功能与块对角结构被用来获得耦合条件是一个相当低的计算复杂度相比，相应的集中式$\mathscr{H}_2$控制器综合问题。此外，开发的条件适用于相应的分散$\mathscr{H}_2$控制器综合问题与固定的供应功能的互连。所开发的分布式$\mathscr{H}_2$控制器综合方法的有效性和可扩展性证明了小型到大型振荡器网络的循环图。
2021-01-14 cs.SY eess.SY
Distributed decentralized receding horizon control for very large-scale networks with application to satellite mega-constellations
针对超大规模动态解耦网络，提出计算与内存需求不随网络规模增长、仅靠局部通信并容忍时延的分布式去中心化滚动时域控制方法，并通过 Starlink 高保真星座仿真验证。
2023-10-04 cs.SY eess.SY
Speeding Ticket: Unveiling the Energy and Emission Burden of AI-Accelerated Distributed and Decentralized Power Dispatch Models
本文首次比较了集中式、分布式与去中心化ML驱动的电力调度模型在IEEE 33节点系统上的能耗与碳排放，揭示了运行效率与环境可持续性之间的权衡，为未来能源系统AI实施提供生态指导。
2024-08-26 cs.SY eess.SY
Resilient Decentralized Control of Inverter-interfaced Distributed Energy Sources in Low-voltage Distribution Grids
本文表明，可以找到一个逆变器接口的可再生能源RES和其最佳无功功率支持的终端电压之间的关系。这种关系被称为电压-无功曲线VVC，能够实现RES的分散操作，以实现有源电压管理（AVM）。在本文中，分散AVM技术进行修改，以考虑现实的操作约束的RES的影响。AVM技术利用逆变器的无功功率支持能力，以实现所需的目标，在不平衡的有源低压配电系统LVDS。然而，结果表明，这种AVM技术无法满足运营商的目标时，网络结构动态变化。通过根据系统配置和组件可用性更新VVC，目标函数将得到显著改善，并且AVM方法对网络变化保持弹性。为了保持分布式结构，逆变器的阻抗识别能力被用来找到系统配置本地。自适应VVC能够在线设置中分散控制逆变器。一个现实生活中的郊区住宅LV-DS在都柏林，爱尔兰被用来展示所提出的方法，并证明了所提出的弹性有源电压管理技术的有效性。
2019-11-26 cs.SY eess.SY
A Dual Accelerated Method for Online Stochastic Distributed Averaging: From Consensus to Decentralized Policy Evaluation
出于分散的传感和政策评估问题，我们考虑一种特殊类型的分布式随机最优化问题的网络，称为在线随机分布平均问题。我们设计了一个基于对偶的方法来解决这个带有Polyak-Ruppert平均的分布式一致性问题，并分析了它的行为。我们表明，该算法达到了加速确定性误差最佳依赖于网络的条件数，也有一个顺序最优的随机误差。这提高了保证国家的最先进的分布式随机最优化算法时，专门为此设置，并产生-除其他事项外-推论分散的政策评估。我们的证明依赖于明确地研究几个相关的线性系的演化，可能是独立的利益。数值实验，验证了我们的理论结果，并表明，我们的方法优于现有的方法在有限样本的情况下，几个自然的网络拓扑结构。
2022-08-08 cs.MA cs.SY eess.SY
An essentially decentralized interior point method for control
本文针对非线性网络化系统控制中的非凸约束优化问题，提出一种具有超线性收敛保证的基本分散式原-对偶内点法，并在电力系统算例中验证其相比ADMM在计算时间和子问题复杂度上更具优势。
2023-07-04 cs.SY eess.SY math.OC
Cooperative Distributed MPC via Decentralized Real-Time Optimization: Implementation Results for Robot Formations
Institute for Energy Systems, Energy Efficiency and Energy Economics, TU Dortmund University（能源系统、能源效率与能源经济学研究所，德累斯顿理工大学）；Institute of Engineering and Computational Mechanics, University of Stuttgart（工程与计算力学研究所，斯图加特大学）
本文提出一种基于协同 DMPC 的移动机器人编队控制方法，结合 ADMM 与分散式序列二次规划实现无中央协调器的分散式实时优化，实验验证了其有效性与实时可行性。
2023-05-24 cs.RO cs.SY eess.SY
Decentralized Real-Time Iterations for Distributed NMPC
TU Dortmund University（多特蒙德工业大学）；logarithmo GmbH & Co. KG（logarithmo有限责任公司及合伙公司）；University of Freiburg（弗赖堡大学）
本文提出一种用于分布式NMPC的分散实时迭代方案，通过双层dSQP单次外部迭代满足实时性，仅需邻居通信，并证明局部指数稳定性。
2025-10-17 cs.SY eess.SY math.OC
Distributed and Decentralized Optimization Algorithms via Consensus ALADIN
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）；University of Pittsburgh（匹兹堡大学）；KTH Royal Institute of Technology（皇家理工学院）；Digital Futures（数字未来）
本文研究了分布式共识优化问题，提出了一种基于增广拉格朗日法的交替方向不精确牛顿法（ALADIN）的扩展版本，即共识ALADIN（C-ALADIN），该方法通过中央协调器直接处理共识约束。我们开发了两种变体：一种是第一阶变体，另一种是利用Hessian近似器的第二阶变体，避免直接传输第二阶信息，同时保持快速局部收敛性。然后，我们开发了C-ALADIN的去中心化版本，该版本在有向图上运行，使用有限时间协调协议进行量化通信。对于两种版本，我们为凸问题建立了全局收敛性保证，为非凸问题建立了局部收敛性保证。在去中心化情况下，迭代收敛到由量化级别决定的最优解的邻域。数值结果表明，我们的方法在保持快速收敛的同时，显著减少了通信和计算成本，相比现有去中心化方法。
2026-05-20 cs.SY eess.SY math.OC
Centralized Versus Decentralized Team Games of Distributed Stochastic Differential Decision Systems with Noiseless Information Structures-Part II: Applications
University of Cyprus（塞浦路斯大学）；University of Ottawa（渥太华大学）
本文利用随机最大值原理、条件哈密顿量和耦合正倒向随机微分方程，推导了无噪声信息结构下分布式随机微分系统的团队最优分散策略，并通过线性和非线性二次型示例展示了信息信号对降低计算复杂度的作用。
2013-02-14 cs.IT cs.SY eess.SY
Decentralized and Distributed Temperature Control via HVAC Systems in Energy Efficient Buildings
Harvard Center for Green Buildings and Cities（哈佛绿色建筑与城市中心）；School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
本文设计了实时去中心化和分布式控制方案，平衡用户舒适度与节能，通过调整区域流量率优化温度和能耗，采用两种方法解决非凸问题，最终通过数值示例验证有效性。
2017-02-10 cs.SY eess.SY
Understanding A Class of Decentralized and Federated Optimization Algorithms: A Multi-Rate Feedback Control Perspective
University of Minnesota（明尼苏达大学）
分布式算法在诸如机器学习、信号处理和控制等许多应用中发挥着越来越重要的作用。大量的研究工作致力于开发和分析各种应用的新算法。在这项工作中，我们提供了一个新的视角来理解，分析和设计分布式优化算法。通过镜头的多速率反馈控制，我们表明，广泛的分布式算法，包括流行的分散/联邦计划，可以被视为离散化的某个连续时间反馈控制系统，可能有多个采样率，如分散梯度下降，梯度跟踪，联邦平均。这个关键的观察不仅使我们能够开发一个通用的框架来分析整个算法类的收敛性。更重要的是，它还带来了一种设计新的分布式算法的有趣方式。我们开发了我们的框架背后的理论，并提供了一些例子来强调如何在实践中使用该框架。
2022-11-02 cs.LG cs.SY eess.SY
Decentralized Control of Distributed Cloud Networks with Generalized Network Flows
新兴的分布式云架构，例如，雾和移动边缘计算在实时流处理应用（也称为增强信息服务）的有效递送中发挥着越来越重要的作用，所述实时流处理应用诸如工业自动化和虚拟实境体验（例如，延展实境、沉浸式游戏）。虽然这样的应用需要处理的流被多个用户/设备共享并同时消费，但是现有技术缺乏有效的机制来处理其固有的多播性质，导致不必要的业务冗余和网络拥塞。在本文中，我们建立了一个统一的框架，分布式云网络控制与广义（混合广播）的流量，允许优化所需的数据包处理，转发和复制操作的分布式执行。我们首先描述了扩大的多播网络的稳定区域下的新的控制框架（相对于其单播对应）。然后，我们设计了一种新的排队系统，允许调度数据包根据其当前的目的地集，并利用李雅普诺夫漂移加惩罚控制理论开发的第一个完全分散的，吞吐量和成本最优的组播流量控制算法。数值实验验证了分析结果，并证明了所提出的设计在现有的网络控制策略的性能增益。
2022-09-30 cs.NI cs.SY eess.SY
Use of fitted polynomials for the decentralized estimation of network variables in unbalanced radial LV feeders
在低压（LV）住宅馈线的综合监测设备的缺乏，阻碍了短期部署的集中计划，为国内规模的分布式发电（DG）的整合。在这种情况下，本文介绍了一种技术，生成一组拟合多项式，来自离线模拟和回归分析，这将代表性的网络变量（即网络操作的关键）的大小作为一个直接的分析表达式的任何DG单元（即有功和无功功率注入）的可控本地条件。至关重要的是，这些多项式的系数可以在每个DG单元的位置处自主地估计，而不需要远程监控（即，仅使用本地可用的测量）。在在线实施过程中，该方法仅由直接计算（即非迭代）组成，便于实时操作。多项式的准确性，以估计网络变量的大小进行评估，在多个场景下的一个代表性的径向低压馈线。此外，在新一代汽车和电动汽车的存在下，该方法的鲁棒性得到了证明。
2020-08-12 cs.SY eess.SP eess.SY
Distributed Reinforcement Learning for Decentralized Linear Quadratic Control: A Derivative-Free Policy Optimization Approach
John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院）
研究了具有部分状态观测和局部代价的分散线性二次型控制的分布式强化学习问题。我们提出了一个零阶分布式策略优化算法（ZODPO），学习线性局部控制器在分布式的方式，利用策略梯度，零阶优化和共识算法的思想。在ZODPO中，每个代理通过一致性估计全局成本，然后基于零阶梯度估计并行执行局部策略梯度。即使在大规模系统中，ZODPO也只需要有限的通信和存储。此外，我们调查的非渐近性能的ZODPO，并表明，样本的复杂性，以接近一个平稳点是多项式的误差容限的逆和问题的尺寸，展示了ZODPO的可扩展性。我们还表明，整个ZODPO产生的控制器是稳定的控制器具有很高的概率。最后，我们在多区域HVAC系统上对ZODPO进行了数值测试。
2020-10-23 cs.LG cs.SY eess.SY
Consensus-Based Decentralized Energy Trading for Distributed Energy Resources
在智能电网中，分布式能源（DER）已经渗透到居民区，以提供一种新的电力供应形式，主要来自可再生能源。拥有DER的居民家庭和商业建筑已经成为当地电网中的生产消费者，因为他们可以将剩余的电力出售给其他人。已经开始研究通过更好的控制和沟通策略来整合和利用DER。随着物联网（IoT）技术的进步，DER之间可以实现前所未有的协调，以促进能源交易和交互式能源管理。然而，在优化过程中防止用户信息泄露一直是研究人员面临的挑战，这促使他们开发保护隐私的能源管理系统。在本文中，我们开发了一个完全分散的交互式能源管理使用基于共识的算法。具体来说，我们设计了一个虚拟池，供产消者在物联网技术的支持下进行能源交易和信息交换。基于共识的算法使产消者能够以协调的方式独立地获得最佳能源计划，而不会泄露任何个人数据。我们使用真实世界的数据进行模拟和验证我们开发的算法。结果表明，我们的共识为基础的分散式交易能量管理策略是可行的，可以显着降低系统的整体成本。
2021-10-28 cs.SY eess.SY math.OC
Decentralized set-valued state estimation and prediction for hybrid systems: A symbolic approach
Technische Universitat Berlin, Control Systems Group（柏林工业大学控制系统组）
提出一种符号方法，通过分解外部信号空间将混合系统的状态估计与预测任务分散到多个分布式状态机，以降低计算复杂度，并利用转移关系的结构性质恢复精确状态集。
2013-02-27 cs.SY eess.SY
CoDGraD: A Code-based Distributed Gradient Descent Scheme for Decentralized Convex Optimization
在本文中，我们考虑了一个大型网络包含许多区域，每个区域都配备了一个工人与一些数据处理和通信能力。对于这样的网络，一些工人可能会成为掉队者，由于故障或严重的延迟计算或通信。为了解决上述离散问题，最近提出了一种编码方案，为每个工人引入一定的冗余，并开发了梯度编码范式来解决凸优化问题时，网络具有一个集中式融合中心。在本文中，我们提出了一个迭代分布式算法，称为基于代码的分布式梯度下降算法（CoDGraD），解决分布式网络上的凸优化问题。在所提出的算法的每次迭代中，一个积极的工人共享编码的局部梯度和近似解的凸优化问题与非离散工人在相邻区域。在本文中，我们还提供了一致性和收敛性分析的CoDGraD算法，我们通过数值模拟来证明其性能。
2022-04-13 cs.SY eess.SY math.OC
Decentralized Singular Value Decomposition for Large-scale Distributed Sensor Networks
针对分布式传感器网络中的 d-SVD 问题，提出结合局部有理函数逼近与平均一致性的两类算法及正交归一代表向量截断技术，验证其可收敛至集中式解并降低通信成本。
2025-01-08 cs.SY eess.SP eess.SY
Decomposition of non-convex optimization via bi-level distributed ALADIN
Institute for Automation and Applied Informatics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院自动化与应用信息研究所）；School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）
本文提出了一种通过双层分布式ALADIN算法进行去中心化非凸优化的框架，解决了约束非凸优化中现有算法性能有限或缺乏收敛保证的问题，通过在内层使用去中心化共轭梯度或ADMM方案来求解简化后的凸协调QP，并通过电力系统和机器人案例验证了该框架的性能。
2019-03-27 cs.DC cs.SY eess.SY
Towards a Decentralized Digital Engineering Assets Marketplace: Empowered by Model-based Systems Engineering and Distributed Ledger Technology
基于模型的系统工程（MBSE）已被广泛用于形式化系统构件，并在整个生命周期中促进其开发。在复杂的系统开发过程中，MBSE模型需要在涉众之间频繁地交换。对使用传统数据交换方法的数据安全和篡改的担忧阻碍了为数字资产构建可靠的市场。以区块链为代表的分布式账本技术（DLT）以其防篡改、去中心化等独特优势为这一目的提供了一种新颖的解决方案。在本文中，我们将MBSE方法与DLT相结合，旨在创建一个分散的市场，以促进数字工程资产（DEA）的交换。我们首先从数字工程对象、开发过程和系统架构的角度定义DEA。基于此定义，使用图对象属性点角色关系（GOPPRR）方法对DEA进行形式化。然后，我们提出了一个分散的DEA市场的框架，并指定的要求，在此基础上，我们选择了有向无环图（DAG）结构的DLT解决方案。作为一个概念验证，提出的DEA市场的原型开发和案例研究进行验证其可行性。实验结果表明，建议的市场促进自由的DEA交换具有高度的安全性，效率和分散。
2020-05-11 cs.CR cs.SY eess.SY
Decentralized Safety-Critical Control of Resilient DC Microgrids with Large-Signal Stability Guarantees
针对直流微电网现有初级控制器缺乏严格安全保证、易牺牲扩展性等问题，提出结合控制屏障函数与端口哈密顿理论的分布式安全关键控制器，实现分散式可扩展安全镇定，经仿真验证在多故障场景下具备优势。
2025-09-04 cs.SY eess.SY
Decentralized Continuification Control of Multi-Agent Systems via Distributed Density Estimation
Scuola Superiore Meridionale（南方高等学院）
本文提出一种去中心化连续化控制方法，通过分布式密度估计实现多智能体系统在单位圆上的密度控制，有效提升系统可靠性与实用性。
2026-09-21 cs.SY eess.SY math.AP
A Fast Row-Stochastic Decentralized Method for Distributed Optimization Over Directed Graphs
针对有向图上的一致性优化，本文提出仅用行随机权重的FRSD算法，通过新颖动量项隐式实现梯度跟踪，在线性收敛的同时降低通信与存储开销。
2023-09-28 cs.SY eess.SY math.OC
A Decentralized Shared CAV System Design and Application
在这项研究中，我们提出了一种新的启发式两步算法共享乘车，其中用户可以分享他们的游乐设施，只有一个用户。该算法，这是集中制定，开始与匹配用户和创建一组乘客对在步骤1中，然后通过解决分配问题，以分配乘客对的车辆。为了解决动态乘车匹配问题中的高计算时间的问题，我们提出了一个分布式系统，是基于车辆到基础设施（V2I）和基础设施到基础设施（I2I）的通信。为了评估分布式系统的性能，我们将其与建议的集中式乘车算法进行比较。集中式和分布式系统都在一个微型交通模拟器中实现，以评估它们的性能及其对交通拥堵的影响。多伦多市中心的道路网络被选为研究区域。根据我们得到的结果，分布式系统的服务率为91.59%，接近集中式系统的95.80%。然而，与集中式系统相比，分布式系统产生的计算时间要少得多。通过在小型网络上的测试和与整个网络的比较，验证了分布式系统的可扩展性。
2021-04-17 cs.DC cs.SY eess.SY
Blockchain-Based Decentralized Energy Management Platform for Residential Distributed Energy Resources in A Virtual Power Plant
分布式能源（DER）的出现，如分布式可再生能源、储能、电动汽车和可控负载，\rv{brings}对集中式电力系统产生了重大的破坏性和变革性影响。人们普遍认为，一个分散的电力系统与双向潮流的范式转变是必要的DER的整合。虚拟发电厂（VPP）是管理参与电力系统的DER的一个很有前途的范例。在本文中，我们开发了一个基于区块链的VPP能源管理平台，以促进VPP中具有可再生能源，能源存储和灵活负载的住宅用户之间的丰富的交互式能源活动。具体地，用户可以通过VPP彼此交互以交易能量以实现互利，并提供网络服务，诸如馈入能量、储备和需求响应。为了尊重用户的独立性和保护用户的隐私，我们设计了一个分散的优化算法来优化用户的能源调度，能源交易和网络服务。然后，我们开发了一个用于VPP能源管理的原型区块链网络，并在区块链网络上实现了所提出的算法。通过对真实数据的追踪实验，验证了算法和区块链系统的可行性和有效性。仿真结果表明，我们基于区块链的VPP能源管理平台将用户成本降低了38.6%，并将整体系统成本降低了11.2%。
2021-05-31 cs.CR cs.DC cs.SY
Decentralized Multi-agent Reinforcement Learning based State-of-Charge Balancing Strategy for Distributed Energy Storage System
本文提出一种去中心化多智能体强化学习（Dec-MARL）方法，通过一阶平均一致性和反事实需求平衡算法，在无需专家经验下解决分布式储能系统的荷电状态均衡问题，仿真验证了其有效性与高效性。
2023-08-29 cs.AI cs.LG cs.SY
Distributed Nonlinear Model Predictive Control for District Heating Networks
Politecnico di Milano（米兰理工大学）；ETH Zurich（苏黎世联邦理工学院）
提出一种基于交替方向乘子法的分布式非线性模型预测控制方法，利用图模型优化建筑质量流量吸收，在集中式控制性能和分散式隐私保护之间取得平衡。
2026-05-28 cs.SY eess.SY math.OC
Privacy-Preserving Serverless Edge Learning with Decentralized Small Data
North Carolina State University（北卡罗来纳州立大学）
在过去的十年中，数据驱动算法在许多研究领域（如计算机视觉、自然语言处理等）的表现优于传统的基于优化的算法。然而，广泛的数据使用给深度学习算法带来了新的挑战甚至威胁，即，保护隐私分布式训练策略最近已成为在训练深度模型时确保数据隐私的一种很有前途的方法。本文通过无服务器边缘学习架构扩展了传统的无服务器平台，并从网络角度提供了一个高效的分布式训练框架。该框架动态地编排异构物理单元之间的可用资源，以有效地实现深度学习目标。该设计综合考虑了学习任务请求和底层基础设施异构性，包括最后一英里传输、移动设备的计算能力、边缘和云计算中心以及设备电池状态。此外，为了显着减少分布式训练开销，小规模的数据训练，提出了一个通用的，简单的数据分类器集成。这种低负载增强可以与各种分布式深度模型无缝协作，以提高训练阶段的通信和计算效率。最后，开放的挑战和未来的研究方向鼓励研究社区开发高效的分布式深度学习技术。
2021-12-01 cs.LG cs.SY eess.SY
Decentralized Implicit Differentiation
本文提出约束耦合优化问题的去中心化梯度计算框架，利用图结构灵敏度衰减设计带收敛保证的全分布式算法，并用于电力系统边际排放率估计。
2024-03-02 cs.SY eess.SY math.OC
Distributed Continuous Aerial Surveillance by UAS Swarms Under Formal Mission Specifications
Department of Aerospace and Mechanical Engineering（航空航天与机械工程系）
研究在有界线性时态逻辑任务规范下无人机群的分布式连续空中监视，提出将团队分固定锚点和移动工作者，构建通信拓扑，证明协调动力学有限时间收敛，用信息论优化框架合成参考配置，实现持续监视覆盖及多种特性。
2026-07-20 cs.SY eess.SY math.LO
Synthesizing Decentralized Controllers with Graph Neural Networks and Imitation Learning
Rice Univ.（莱斯大学）；Univ. of Pennsylvania（宾夕法尼亚大学）；Cambridge University（剑桥大学）
由一组自主智能体组成的动态系统面临的挑战是，必须完成一个全球性的任务，只依赖于本地信息。虽然集中式控制器很容易获得，但它们在可扩展性和实现方面面临限制，因为它们不尊重代理网络系统所施加的分布式信息结构。鉴于在寻找最优分散控制器的困难，我们提出了一种新的框架，使用图神经网络（GNNs）的\emph{learn}这些控制器。GNN非常适合这项任务，因为它们是自然分布的架构，并且具有良好的可扩展性和可转移性。我们表明，GNN通过模仿学习学习适当的分散控制器，利用其排列不变性特性成功地扩展到更大的团队，并在部署时转移到看不见的场景。群集和多智能体路径规划的问题进行了探讨，以说明GNNs在学习分散控制器的潜力。
2022-03-23 cs.LG cs.SY eess.SP
Decentralized Coordination of Distributed Energy Resources through Local Energy Markets and Deep Reinforcement Learning
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）；University of Hradec Králové（赫拉德茨-克拉洛韦大学）
本研究利用深度强化学习智能体自动化终端用户在本地能源市场中的参与，以最小化能源账单并有效降低社区层面的净负荷波动，其在削减进口、出口和峰值需求上表现出了与动态规划基准相当或更优的性能。
2024-11-14 cs.AI cs.LG cs.MA
Decentralized Stochastic Optimization with Inherent Privacy Protection
Clemson University（克莱姆森大学）；Princeton University（普林斯顿大学）
分散随机优化是现代协作机器学习、分布式估计和控制以及大规模传感的基本构建块。由于所涉及的数据通常包含敏感信息，如用户位置，医疗记录和金融交易，隐私保护已成为一个越来越迫切的需求，在实现分散的随机优化算法。在本文中，我们提出了一个分散的随机梯度下降算法，这是嵌入固有的隐私保护，为每个参与代理对其他参与代理和外部窃听。该算法建立在一个基于动态的梯度混淆机制，使隐私保护，而不损害优化精度，这是在显着的差异，基于隐私的隐私解决方案的分散优化，必须贸易优化精度的隐私。基于动态的隐私方法是免维护的，因此避免了产生沉重的通信或计算开销，这是分散随机优化的基于加密的隐私解决方案的常见问题。除了严格的特征的收敛性能的分散随机梯度下降算法下凸目标函数和非凸目标函数，我们还提供了严格的信息理论分析其强度的隐私保护。分布式估计问题的仿真结果以及在基准机器学习数据集上进行分散学习的数值实验证实了所提出方法的有效性。
2022-05-08 cs.LG cs.SY eess.SY
ALADIN-$α$ -- An open-source MATLAB toolbox for distributed non-convex optimization
本文介绍了一个开源的分布式非凸优化软件ALADIN- $α$。ALADIN- $α$是增广拉格朗日交替方向不精确牛顿（ALADIN）算法的定制变体的MATLAB实现。它的用户界面是方便的非凸分布式优化算法的快速原型。包括最近提出的ALADIN的两级变体的改进版本，使分散的非凸优化与减少信息交换。从不同的应用领域，包括化学工程，机器人和电力系统的例子集合巩固了ALADIN- $α$的潜力。
2021-10-04 cs.DC cs.MA cs.SY
Biologically Inspired Design Principles for Scalable, Robust, Adaptive, Decentralized Search and Automated Response (RADAR)
University of New Mexico（新墨西哥大学）
本文借鉴免疫系统和蚁群等生物系统的分布式协调机制，提出用于可扩展、鲁棒、自适应、去中心化搜索与自动响应（RADAR）的设计原则，并讨论其在人工生命、机器人集群、移动计算网络等领域的应用。
2011-02-24 cs.DC cs.NE cs.SY
