Distributed Nash Equilibrium Seeking with Limited Cost Function Knowledge via A Consensus-Based Gradient-Free Method
本文考虑了一个分布式纳什均衡寻求问题,其中局中人只能部分访问其他局中人的行动,如他们的邻居的行动。因此,游戏者应该相互沟通,以估计其他游戏者的行动。针对该问题,提出了一种领导者跟随一致无梯度分布式纳什均衡搜索算法。该算法只利用局中人的局部费用函数的测量值,而不需要知道其显式表达式,也不要求其光滑性。因此,该算法在整个更新过程中是无梯度的。此外,还分别研究了步长减小和步长不变时算法纳什均衡的收敛性。具体地说,在步长减小的情况下,局中人的行为几乎必然收敛到纳什均衡,而在步长固定的情况下,局中人的行为收敛到纳什均衡的邻域.通过数值模拟验证了该算法的性能。
2020-03-28 math.OC
Dynamic Average Consensus under Limited Control Authority and Privacy Requirements
针对强连通、权值平衡的有向图网络,提出了一种新的连续时间动态平均一致性算法.建议的分布式算法允许代理跟踪他们的动态输入的平均值与一些稳态误差的大小可以使用一个设计参数进行控制。对于特殊类别的输入信号,这种稳态误差消失。我们分析了该算法的渐近正确性下随时间变化的相互作用的拓扑结构和特征的离散时间实现的步长的要求。我们表明,我们的算法自然地保留每个代理的本地输入的隐私。在此分析的基础上,我们合成了一个扩展的算法,允许个人代理控制自己的收敛速率对协议和处理饱和界限的驾驶命令。最后,我们表明,所提出的扩展还保留了隐私的瞬态响应的协议状态和最终的协议值从内部和外部的对手。数值例子说明了结果。
2014-01-24 math.OC
Fast model averaging via buffered states and first-order accelerated optimization algorithms
在这封信中,我们研究的问题,加速达成平均共识的连通图在离散时间通信设置。文献表明,可以通过增加图的连通性或优化代理对从邻居接收的信息所设置的权重来加速共识算法。在这里,我们研究了两种使用缓冲状态来加速在给定图上达到平均共识的方法,而不是改变通信图。在第一种方法中,我们研究了著名的一阶拉普拉斯平均一致性算法的收敛速度如何变化时,协议反馈产生的缓冲状态。对于这项研究,我们得到了一个充分条件的缓冲状态的范围,导致更快的收敛。在第二种方法中,我们展示了如何将平均共识问题转化为一个凸优化问题,并通过一阶加速优化算法求解强凸费用函数。我们构造了一个加速平均共识算法,使用所谓的三重动量优化算法。第一种方法需要较少的全局知识来选择步长,而第二种方法通过使用来自图拓扑的额外信息来加快数值结果的收敛。我们证明了我们的结果,通过实施所提出的算法在传感器网络中使用的高斯混合模型(GMM)估计问题。
2022-11-11 cs.MA math.OC
Optimal condition for asymptotic consensus in the Hegselmann-Krause model with finite speed of information propagation
证明了在有限信息传播速度$\mathfrak{c}>0$的Hegselmann-Krause模型中,在极小(即,(2)影响函数的假设。特别是,我们假设的影响函数是全球积极的,这是必要的,以达到全球共识,使代理移动的速度严格小于$\mathfrak{c}$,这是必要的适定性的解决方案。从这个角度来看,我们的结果是最优的。证明是基于这样一个事实,即状态相关的延迟,引起的有限速度的信息传播,是一致有界的。
2023-03-13 math.AP math.DS math.OC
Lyapunov Approach to Consensus Problems
本文研究了无约束和有约束一致性问题的加权平均动态。通过使用适当定义的伴随动态,二次李雅普诺夫比较函数构造的加权平均动态的行为进行分析。结果,获得了新的收敛速度结果,其以新颖的方式捕获图形结构。特别地,建立了指数收敛速度与$1-O(1/(m\log_2m))$的顺序的指数的无约束共识。同时,建立了约束一致性的指数收敛速度,推广了现有的结果仅限于使用双随机权矩阵。
2014-07-28 math.OC
Connectivity-Preserving Consensus of Multi-Agent Systems with Bounded Actuation
本文研究了有界驱动对两类多智能体系统(运动智能体和欧拉-拉格朗日智能体)连通性保持一致性的影响。研究表明:(1)存在一类基于梯度的控制,即使系统饱和,也能驱动运动学多智能体系统达到保持连通性的一致性:(2)执行器饱和限制了Euler-Lagrange多智能体系统在保持局部连通性的前提下实现同步的初态;(3)具有无界驱动的Euler-Lagrange多智能体系统可以在没有速度测量或精确系统动力学的情况下实现保持连通性的一致性;(4)提出了一种间接耦合控制策略,用于驱动具有有限激励的Euler-Lagrange多智能体系统,从静止状态到连通状态保持一致性,不需要速度测量,包括存在不确定动态和时变时滞的情况。
2018-03-25 math.OC
Limited Rate Distributed Weight-Balancing and Average Consensus Over Digraphs
研究了固定有向图上的分布式量化权平衡和平均一致性问题。一个有向图的边的权是非负的,如果对于每个节点,它的输出边的权之和等于它的输入边的权之和,则它是权平衡的。本文提出并分析了第一个分布式算法,解决了重量平衡问题,只使用有限的速率和节点之间的简单通信(符合有向性质的图形边缘)。证明了格式的渐近收敛性,并给出了收敛速度分析。基于这一结果,提出了一种新的分布式算法,解决了平均共识问题的有向图,使用,在每次迭代中,有限速率的单工相邻节点之间的通信-一些位的权重平衡问题,其他的平均共识。所提出的量化一致性算法收敛到实数(即,对所有正整数$r$,几乎必然地和在$r$次平均意义下证明了(未量化)Agent的初始值.最后,数值结果验证了我们的理论研究结果。
2018-09-17 cs.DC cs.MA math.OC
Constrained Optimal Consensus in Multi-agent Systems with First and Second Order Dynamics
本文全面研究了无向动态网络中的分布式最优一致性问题。我们考虑一组网络代理,应该会合在一个集体凸目标函数的最佳点。每个智能体都不知道全局目标函数,只能访问自己的局部目标函数,这是全局的一部分,并在其邻域集内的状态信息的智能体。在这种设置中,所有的代理与他们的邻居协调,以寻求共识点,最小化网络的全局目标函数。在本文中,我们考虑单积分和双积分动态代理。我们进一步假设,代理人的运动受到一些凸不等式约束。为了找到最佳的共识点下所描述的情况下,我们结合了邻居点优化算法的共识协议,并提出了一种分布式控制律。基于李雅普诺夫稳定性分析给出了相应的收敛性分析。
2017-12-21 math.OC
A Zeroth-Order Proximal Algorithm for Consensus Optimization
针对仅可获取局部目标零阶信息的网络共识优化问题,提出融合零阶 Hessian 与梯度近似的近端算法 ZoPro,并证明其线性收敛及性能优势。
2024-06-14 cs.MA math.OC
Opinion Dynamics in Social Networks with Hostile Camps: Consensus vs. Polarization
University of Groningen(格罗宁根大学);St. Petersburg State University(圣彼得堡国立大学);ITMO University(ITMO大学);Institute for Problems of Mechanical Engineering of Russian Academy of Sciences (IPME RAS)(俄罗斯科学院机械问题研究所)
本文研究了在存在敌对阵营的社交网络中,意见动态的共识与极化问题,提出了一种包含吸引和排斥耦合的模型,并证明了在时间变化的符号图中达成模共识的条件。
2015-08-20 cs.SY eess.SY math.OC
Robust Distributed Averaging: When are Potential-Theoretic Strategies Optimal?
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
研究网络设计者与对抗者在动态网络中的互动,分析对抗者如何断开链接阻止达成共识,网络设计者通过调整有限链接权重帮助达成共识,提出两个Stackelberg博弈模型,利用潜在理论提供最优策略的替代描述,并给出零和博弈均衡存在的充分条件。
2015-02-20 cs.SY eess.SY math.OC
Data and Image Prior Integration for Image Reconstruction Using Consensus Equilibrium
Boston University(波士顿大学)
图像域先验模型已被证明可以提高重建图像的质量,特别是在数据有限的情况下。通过隐式或显式包含数据域先验的原始数据的预处理也分别显示出在改善重建中的实用性。在这项工作中,提出了一种原则性的方法,允许数据和图像域先验的统一整合,以改善图像重建。共识均衡框架扩展到集成物理传感器模型,数据模型和图像模型。为了实现这种整合,在共识平衡中使用的传统图像变量与表示数据域量的变量一起增强。总体结果产生数据和重建图像两者的组合估计,其与所利用的物理模型和先验模型一致。本工作中两个领域使用的先验模型都是使用深度神经网络创建的。通过将数据和图像域先验模型结合在一起,证明了两种应用程序的优越质量:有限角度CT和加速MRI。这两个应用程序中的现有数据模型都专注于恢复丢失的数据。实验结果提出了一个90度的有限角度断层扫描问题,从一个真正的检查袋装CT数据集和一个4倍加速MRI问题的模拟数据集。新的框架是非常灵活的,可以很容易地应用到其他计算成像问题的不完善的数据。
2020-08-31 cs.CV eess.IV math.OC
A Control-Theoretic Approach for Resource-Aware Consensus in Multi-Agent AI
University of Idaho(爱达荷大学)
该研究针对LLM-MAS共识性能与计算资源关联保证不足的问题,提出将集体信念动态表征为离散时间切换系统的控制论方法,构建共识-预算证书区域,实现资源感知的多智能体协调。
2026-08-27 math.DS math.OC
Distributed consensus on enclosing shapes and minimum time rendezvous
在本文中,我们介绍了机器人网络中的控制和通信约束下的优化的概念。从一个一般的设置,我们专注于我们的注意力在最短的时间内实现会合的一阶代理网络有界输入和有限范围的通信问题。我们提出了两个动态控制和通信法律。这些法律是基于共识算法的分布式计算的最小封闭球和正交的一组点。我们证明了这些控制律收敛于集中式问题的最优解(即,当没有强制通信约束时),因为控制输入上的界限变为零。此外,我们给出了一个界限的时间复杂度的两个法律。
2006-09-06 math.DS math.OC
Consensus Networks over Finite Fields
University of California, Santa Barbara(加利福尼亚大学圣塔芭芭拉分校)
针对有限内存、计算和通信能力的智能体网络,提出有限域上的共识动力学,给出收敛的充要条件,并设计网络合成方法,应用于分布式平均和姿态估计。
2013-01-19 cs.SY eess.SY math.OC