A Distributed Control Problem for a Three-Dimensional Lagrangian Averaged Navier-Stiokes-α MODEL
本文研究了三维Lagrange平均Navier-Stokes-？模型进行了研究。证明了最优控制问题的可解性，并建立了一阶最优性条件。利用拉格朗日乘子方法，得到了一个弱形式和一个强形式的最优性系统。
2013-10-21 math.OC
Throughput Optimality and Overload Behavior of Dynamical Flow Networks under Monotone Distributed Routing
研究了单调分布路由策略下单商品动态流网络的吞吐量行为。该网络被建模为基于有向图上的质量守恒定律的常微分方程系统，其链路上的流量有限，并且在某些源节点处具有恒定的外部流入。在路由策略单调性假设下，证明了当外部流入不违反切容量约束时，存在全局渐近稳定的均衡点，使得网络达到最大吞吐量.相反，如果违反这样的约束，则网络过载行为被表征。特别是，它建立了存在一个削减，相对于每个链路上的流量密度随时间线性增长（分别。同时达到它们各自的极限）。finite）。结果采用单调动力系统的$l_1$ -压缩原理。
2014-05-07 math.OC
Dual Privacy Guarantees for Distributed Nash Equilibrium Seeking in Aggregative Games
School of Automation, Nanjing University of Science and Technology（南京理工大学自动化学院）
针对聚合博弈中的隐私保护分布式纳什均衡求解问题，提出一种结合随机事件触发与随机量化的差分隐私机制，通过双重随机性实现严格差分隐私并保证收敛性。
2026-05-26 math.OC
Privacy-Preserving Distributed Energy Resource Control with Decentralized Cloud Computing
可再生能源的快速增长的渗透给配电网络带来了前所未有的挑战-大量并网可控设备的管理遇到了控制可扩展性危机和潜在的终端用户隐私泄露。尽管重要性，分布式能源（DER）控制的隐私保护的研究是缺乏一个完全可扩展的方式。为了填补这一空白，本文设计了一种新的分布式隐私保护DER控制框架，该框架1）实现了对DER种群和异构性的控制可扩展性; 2）消除了对等通信，并保护所有参与DER的隐私免受各种类型的攻击; 3）与最先进的隐私保护方法相比，具有更高的计算效率和准确性。建立了一个强耦合的最优化问题来控制包括太阳能光伏发电系统和储能系统在内的DER的功率消耗和输出，然后使用投影梯度法求解。云计算和秘密共享无缝集成到所提出的分散计算中，以实现隐私保护。仿真结果证明了该方法在DER控制应用中的能力。
2023-01-05 math.OC
Local Differential Privacy via Dynamic Quantization in Distributed Online Stochastic Optimization
Nanjing University of Science and Technology（南京理工大学）；Huazhong University of Science and Technology（华中科技大学）
提出一种使用动态随机量化器实现本地差分隐私的分布式在线随机优化算法，在几乎必然收敛到最优解的同时为每个智能体提供(0,δ^i)-本地差分隐私，并适用于有向图网络。
2026-05-28 math.OC
Stability and optimality of multi-scale transportation networks with distributed dynamic tolls
我们研究由动态反馈收费控制的交通网络。我们考虑一个多尺度交通网络模型，其中的交通流的动态交织在一起的司机的路线选择。后者受整个网络的拥塞状态以及系统运营商设置的动态收费的影响。我们的主要研究结果表明，广泛的一类分散的收费依赖收费全球各地的Wardrop均衡稳定的交通网络。此外，使用动态边际成本收费，可以保证交通网络的稳定性周围的社会最优交通分配。这是特别值得注意的，因为所考虑的分散反馈收费策略不需要任何关于网络结构或网络或状态上的外源业务负载的全局信息，并且可以以完全本地的方式计算。我们还评估了这些反馈收费政策的性能，无论是在渐近和瞬态制度，通过数值模拟。
2019-01-29 math.OC
Cryptography-Based Privacy-Preserving Method for Distributed Optimization over Time-Varying Directed Graphs with Enhanced Efficiency
针对分布式优化中的智能体隐私泄露问题，提出基于AES的隐私保护算法，可应用于时变有向网络，满足初始有合法邻居即可保护隐私，强凸光滑目标下线性收敛，经传感器融合仿真验证有效。
2024-05-14 math.OC
Privacy Preservation in Distributed Subgradient Optimization Algorithms
隐私保护在数据采掘和机器学习中正成为一个越来越重要的问题。在本文中，我们考虑分布式次梯度优化算法的隐私保护功能。我们首先表明，一个著名的分布式次梯度同步优化算法，其中所有的代理，使他们的优化更新同时在任何时候，是不是隐私保护的意义上说，恶意代理可以学习其他代理的次梯度渐近。然后，我们提出了一个分布式次梯度投影异步优化算法，而不依赖于任何现有的隐私保护技术，代理之间可以直接交换数据的邻居。与同步算法相比，在新的异步算法中，代理异步地进行优化更新。通过引入投影操作和异步优化机制，保证了异步优化算法的隐私保护性。此外，我们还建立了新提出的算法的最优收敛性。所提出的隐私保护技术为开发其他隐私保护分布式优化算法提供了借鉴。
2015-12-30 cs.DC math.OC
Global Optimality in Distributed Low-rank Matrix Factorization
Colorado School of Mines（科罗拉多矿业学院）
我们研究了分布式梯度下降（DGD）的一个变种的收敛性的分布式低秩矩阵近似问题，其中一些优化变量用于共识（如在经典的DGD）和一些优化变量只出现在本地的网络中的一个单一的节点。我们称所得到的算法为DGD+ DGD。使用算法连接到梯度下降和几何连接到集中式低秩矩阵逼近问题的良好景观，我们确定了充分条件，保证DGD+ DGD收敛到原集中式问题的全局极小值的精确共识。对于分布式低秩矩阵近似问题，这些保证是更强的-在共识和最优性方面-比出现在文献中的经典DGD和更一般的问题。
2018-12-24 cs.LG math.OC stat.ML
A Weighted Gradient Tracking Privacy-Preserving Method for Distributed Optimization
Engineering Research Center of Metallurgical Automation and Measurement Technology（冶金自动化与测量技术工程研究中心）；Wuhan University of Science and Technology（武汉科技大学）；College of Control Science and Engineering（控制科学与工程学院）；Zhejiang University（浙江大学）
本文针对分布式优化中的隐私泄露问题，揭示梯度跟踪的固有风险，并提出一种基于衰减权重的加权梯度跟踪隐私保护算法，在时变异构步长下证明其精确收敛，并通过数值仿真验证有效性。
2025-09-14 cs.LG math.OC
Passivity-Based Local Design Conditions for Global Optimality in Distributed Convex Optimization
本文利用无源性理论为分布式凸优化建立了仅需局部设计条件的通用框架，使异构智能体无需全局初始化即可实现即插即用的全局最优收敛，并支持有向拓扑扩展。
2025-03-12 cs.SY eess.SY math.OC
Centralized Versus Decentralized Team Games of Distributed Stochastic Differential Decision Systems with Noiseless Information Structures-Part I: General Theory
分布式随机微分系统的分散优化是半个多世纪以来的一个活跃的研究领域。它的制定利用静态团队和个人的最优性标准进行了很好的研究。然而，结果还没有推广到非线性分布随机微分系统可能是由于分散决策策略固有的技术困难。在本文的第一部分中，我们推导了具有不同信息结构的分布式随机微分系统的团队最优性和个人最优性条件最优性条件。最优性条件给出的哈密顿系统系统的耦合向后和向前随机微分方程和一个条件哈密尔顿方程，根据经常和放松的战略。我们的方法是基于半鞅表示定理和变分方法。在整个演示文稿中，我们讨论的相似之处集中式决策的最优性条件。
2013-02-14 cs.IT math.IT math.OC
Aggregating Privacy-Conscious Distributed Energy Resources for Grid Service Provision
高级计量基础设施的日益普及导致人们越来越担心高分辨率测量带来的隐私风险。这已经引起了隐私保护技术，其物理地改变消费者的能量负载简档，通过使用本地化设备（例如电池或柔性负载）来掩盖私人信息。与此同时，人们对聚集住宅消费者的分布式能源（DER）以向电网提供服务的兴趣也越来越大。在本文中，我们提出了一个在线分布式算法聚合DER的隐私意识的消费者提供服务的网格，同时保护他们的隐私。结果表明，从分布式方法的优化解决方案收敛到一个接近使用理想的集中式解决方案的方法，网格服务提供，消费者偏好和隐私保护之间的平衡计算的最佳。更重要的是，分布式方法保护了消费者的隐私，并且不需要高带宽的双向通信基础设施。
2020-10-26 cs.SY eess.SY math.OC
A Privacy-Aware Distributed Approach for Loosely Coupled Mixed Integer Linear Programming Problems
在本文中，我们提出了两个精确的分布式算法来解决混合整数线性规划（MILP）问题的多个代理的数据隐私是很重要的代理。一个关键的挑战是，由于MILP的非凸性质，经典的分布式和分散式优化方法不能直接应用于找到它们的最优解。所提出的精确算法是基于添加原始切割和限制拉格朗日松弛的原始MILP问题。我们证明了这些算法的有限收敛MILP只有二进制和连续变量。我们测试所提出的算法上的机组组合问题，并讨论其优点和缺点相比，中央MILP方法。
2022-04-30 math.CO math.OC
Using Non-Lipschitz Signum-based Functions for Distributed Optimization and Machine Learning: Trade-off Between Con-vergence Rate and Optimality Gap
Semnan University（塞姆南大学）；Oregon State University（俄勒冈州立大学）；Kazan Federal University（喀山联邦大学）；Sharif University of Technology（谢里夫理工大学）
本文针对分布式机器学习中收敛速率慢的问题，研究非利普希茨符号函数在分布式优化中的应用，发现其可加快收敛但会产生大最优性间隙，成果推进了相关分布式算法讨论。
2026-08-04 cs.LG cs.SY eess.SP
Distributed Optimal Allocation with Quantized Communication and Privacy-Preserving Guarantees
在本文中，我们分析了在分布式和隐私保护的方式最优分配资源的问题。我们提出了一种新的分布式最优资源分配算法与隐私保护的保证，它运行在一个有向通信网络。我们的算法在有限时间内收敛，并允许每个节点处理和传输量化的消息。我们的算法采用分布式量化平均共识策略结合隐私保护机制。我们表明，该算法收敛于有限时间，我们证明，在特定条件下的网络拓扑，节点能够保持其初始状态的隐私。最后，为了说明结果，我们考虑一个例子，其中测试试剂盒需要按比例分配到一个地区的感染数量。结果表明，所提出的隐私保护的资源分配算法表现良好，在隐私保证适当的收敛速度。
2022-07-17 cs.SY eess.SY math.OC
Distributed Least-Squares Optimization Solvers with Differential Privacy
针对局部代价函数需差分隐私保护的分布式最小二乘问题，提出基于梯度跟踪加噪和洗牌一致性机制的两种求解器，并证明隐私—精度权衡及后者的网络规模无关精度。
2024-03-03 cs.SY eess.SY math.OC
Robust Constrained Consensus and Inequality-constrained Distributed Optimization with Guaranteed Differential Privacy and Accurate Convergence
本文协同设计分布式优化与差分隐私噪声机制，提出可在无限迭代下保证精确收敛和 ε-差分隐私的不等式约束优化算法，并给出隐私约束一致性算法。
2024-04-02 cs.SY eess.SY math.OC
Guaranteed Privacy of Distributed Nonconvex Optimization via Mixed-Monotone Functional Perturbations
在本文中，我们引入了一个新的概念，保证隐私，要求相应的包含函数的范围的变化是真的函数很小。特别是，利用混合单调包含函数，我们提出了一个隐私保护机制的非凸分布式优化，这是基于确定性的，但未知的，仿射扰动的局部目标函数，这是强于概率微分隐私。该设计需要一个强大的最优化方法，以表征最佳的精度，可以通过一个最佳的扰动。随后，这是用来指导细化的私有扰动机制，可以通过理论上的上界，这被证明是独立的所选择的优化算法，以实现可量化的精度。
2022-09-23 cs.SY eess.SY math.OC
A Privacy Preserving Distributed Model Identification Algorithm for Power Distribution Systems
针对分布式方法收敛慢及敏感信息通信隐私保护问题，提出一种仅通过虚拟变量通信的分布式模型辨识算法，使智能体辨识局部控制与系统输出的关系，并在改进的IEEE配电系统电压调节中验证了其有效性。
2023-04-06 cs.SY eess.SY math.OC
Distributed Automatic Load-Frequency Control with Optimality in Power Systems
Harvard University（哈佛大学）；the Chinese University of Hong Kong（香港中文大学）
本文研究了电力系统中平衡供需和维持额定频率的挑战，提出了一种完全分布式自动负荷控制算法，通过局部测量和通信实现，证明该算法能够全局收敛到最优运行点，同时恢复额定频率和调度的联络线功率流，并满足负荷容量限制和传输线热约束。
2020-04-15 cs.SY eess.SY math.OC
Stability and optimality of distributed secondary frequency control schemes in power networks
University of Cambridge（剑桥大学）；Cambridge Centre for Analysis, Centre for Mathematical Sciences, University of Cambridge（剑桥大学数学科学中心分析中心）
本文提出一种系统方法，用于设计分布式发电和需求控制方案，以保证二次频率调节的稳定性与经济最优功率分配。通过设定网络供电变量的耗散条件来提供稳定性保证，并通过显式解耦的稳态条件实现经济最优。
2017-03-01 cs.SY eess.SY math.OC
Privacy-Preserving Obfuscation for Distributed Power Systems
研究了分布式电力系统中隐私保护负荷数据的发布问题。本文的重点是用于解决最优潮流（OPF）问题的数据，并提出了一种分布式算法，符合差分隐私的概念，一个强大的隐私框架，用于约束重新识别的风险。这个问题是具有挑战性的，因为传统的差分隐私机制的应用程序的负载数据从根本上改变了基本的最优化问题的性质，往往会导致严重的可行性问题。该算法基于乘法器的交替方向法（ADMM），保证了所发布的隐私保护数据保持高保真度，并满足交流潮流约束。在多种OPF基准上的实验结果证明了该方法的有效性。
2019-10-07 cs.CR cs.MA cs.SY
Recycled ADMM: Improve Privacy and Accuracy with Less Computation in Distributed Algorithms
University of Michigan（密歇根大学）
交替方向乘子法是求解分散凸优化问题的一种有效方法。在分布式设置中，每个节点使用其本地数据执行计算，并且本地结果以迭代的方式在相邻节点之间交换。在这个迭代过程中，数据隐私的泄漏会出现，并且会在多次迭代中显著累积，从而难以平衡隐私-效用权衡。在这项研究中，我们提出了一个线性近似的ADMM（R-ADMM），其中的线性近似是适用于每一个偶数迭代，其解决方案直接计算只使用以前的结果，奇数迭代。事实证明，在这样的计划下，一半的更新不会造成隐私损失，需要更少的计算相比，传统的ADMM。我们得到了R-ADMM收敛的充分条件，并给出了基于目标扰动的隐私分析。
2018-10-07 cs.CR cs.LG math.OC
Distributed design of deterministic discrete-time privacy preserving average consensus for multi-agent systems through network augmentation
平均一致性协议在分布式系统和决策中发挥着核心作用，如分布式信息融合，分布式优化，分布式估计和控制。这些协议的一个关键优点是，代理交换和透露他们的状态信息只给他们的邻居。然而，在代理的状态包含敏感信息的情况下，它可能会引起隐私问题。在本文中，我们提出了一种新的（无噪声）隐私保护分布式算法的多智能体系统，以达到平均共识。算法的主要思想是每个代理运行具有精心制作的结构和动态的（小）网络以形成网络的网络（即，新创建的网络之间的连接以及它们关于初始网络连接的互连）。再加上重新加权的动态参数指示代理间的动态和初态，我们表明，它是可能的，以确保每个节点的值收敛到原始网络的共识值。此外，我们表明，在温和的假设下，它是可能的工艺动态，使设计可以实现分布式的方式。最后，我们用例子说明了所提出的算法。
2021-12-18 cs.CR cs.MA math.OC
Customized Local Differential Privacy for Multi-Agent Distributed Optimization
Department of Electrical Engineering and Computer Sciences at UC Berkeley（加州大学伯克利分校电气工程和计算机科学系）
本文提出了一种定制局部差分隐私机制，用于更广泛的凸分布式优化问题，通过允许智能体根据本地需求和参数敏感性自定义隐私级别，并分析隐私与次优性的权衡，以实现电力网络中的隐私保护最优功率流计算。
2020-05-22 cs.MA cs.SY eess.SY
A privacy-preserving distributed computational approach for distributed locational marginal prices
当今电力市场的一个重要问题是管理智能家用电器或电动汽车等新做法所提供的灵活性。需求响应（DR）通过改变住宅电力公司的行为，试图调整电力需求以提高电网稳定性和更好地整合可再生能源。DR中的一个关键角色是由称为负载聚合器（LA）的新兴独立实体发挥作用。本文提出了一种新的分散算法来解决经典的交流最优潮流（ACOPF）问题的凸松弛，它只依赖于局部信息。每个计算步骤都可以以完全保护隐私的方式执行，并且通过特定于节点的分布位置边际价格（DLMP）实现系统范围的协调。我们证明了我们的方法在15总线径向配电网络的效率。
2022-09-07 cs.SY eess.SY math.OC
Gradient-tracking Based Differentially Private Distributed Optimization with Enhanced Optimization Accuracy
针对差分隐私会降低分布式优化精度的问题，提出时变步长与时变噪声方差的鲁棒梯度跟踪算法，并建立统一收敛分析框架，给出更宽松步长界且揭示智能体交互对精度的影响。
2023-04-26 cs.SY eess.SY math.OC
Distributed Truncated Predictive Control for Networked Systems under Uncertainty: Stability and Near-Optimality Guarantee
本文针对不确定网络化系统提出分布式截断预测控制算法，每个节点仅利用局部信息和有限跳邻域求解截断预测优化问题，证明其具有输入到状态稳定性且遗憾值随时域和截断半径指数衰减，从而以短时域和小邻域实现近最优性能。
2025-07-17 cs.SY eess.SY math.OC
