Distributed Nonsmooth Robust Resource Allocation with Cardinality Constrained Uncertainty
研究了具有基数约束不确定性的分布式非光滑鲁棒资源分配问题。全局目标由局部目标组成,局部目标是凸的但非光滑的。每个智能体被约束在其私有凸集中,并且只具有其对应的局部目标的信息。资源分配条件受基数约束的不确定集约束。利用凸优化的对偶理论,给出了鲁棒资源分配问题的对偶问题。针对这一对偶问题,提出了一种分布式原始-对偶投影算法。在理论上,利用微分包含的稳定性理论,进行了收敛性分析。仿真结果表明,该算法能够引导多智能体系统在满足资源分配条件的情况下达到最优解。最后,一个非平凡的仿真结果表明,所提出的算法的有效性。
2019-04-25 math.OC
Novel Distributed Algorithms Design for Nonsmooth Resource Allocation on Weight-Balanced Digraphs
研究了强连通有向图上的分布式资源分配问题,其中每个Agent的决策被限制为满足耦合网络资源约束和异构一般凸集.此外,局部费用函数可以是非平滑的。为了求解非光滑资源分配问题的精确最优解,提出了一种基于梯度下降法和微分投影算子的连续时间分布式算法.借助集值LaSalle不变原理和非光滑分析,证明了算法渐近收敛于全局最优分配.此外,对于不涉及局部约束和费用函数可由Lipschitz梯度微分的情形,算法收敛到精确最优解的速度是指数级的.最后通过仿真实例验证了所提算法的有效性。
2022-03-09 math.OC
Resilient Distributed Optimization Algorithms for Resource Allocation
分布式算法为资源分配问题提供了优于集中式算法的灵活性,例如,网络物理系统然而,这些算法的分布式性质往往使系统容易受到中间人攻击,特别是当消息之间的价格采取代理和中央协调员传输。在原对偶分布式优化框架下,提出了一种分布式算法的弹性策略。我们制定了一个强大的最优化模型,占拜占庭攻击代理和协调员之间的通信渠道。我们提出了一个弹性的原始对偶法使用国家的最先进的强大的统计方法。该算法收敛到鲁棒最优化模型的一个邻域,该邻域的半径与受攻击信道的比例成正比。
2019-09-10 math.OC
Fair and Distributed Dynamic Optimal Transport for Resource Allocation over Networks
最优输运是一个框架,它有助于最有效地分配有限数量的资源。然而,最有效的分配方案不一定保持最公平。在本文中,我们建立了一个框架,显式地考虑在网络上的异构参与者的动态资源分配的公平性。由于以集中方式计算运输策略需要大量的计算资源,因此必须开发可应用于大规模问题的计算轻算法。为此,我们开发了一个完全分布式算法的公平和动态的最优输运证明收敛使用交替方法的乘数。在所设计的算法中,每对相应的资源供应商和接收者计算自己的解决方案,并通过协商迭代更新的运输方案,不需要一个中央规划器。分布式算法可以在网络上产生公平和有效的资源分配机制。我们通过案例研究证实了所获得的结果。
2021-03-30 math.OC
Distributed Resource Allocation on Dynamic Networks in Quadratic Time
考虑了网络中每个节点所承受的代价是分配给它的资源量的凸函数时,在节点之间分配固定数量的资源的问题,提出了一种新的确定性分布式协议.我们的主要结果是,相关的收敛时间为全球目标规模的二次在任何序列的随时间变化的无向图满足长期连通性条件的节点数。
2016-06-12 math.OC
Distributed Resource Allocation Over Random Networks Based on Stochastic Approximation
提出了一种基于随机逼近(SA)的分布式算法来解决不确定性资源分配问题。在该问题中,一组智能体协作优化一个具有线性网络资源约束和分配可行性约束的可分离最优化问题,全局目标函数是智能体局部目标函数之和。每个智能体只能获得其局部函数梯度和局部资源的噪声观测,这些观测不能被其他智能体共享或传输到中心。此外,还有通信的不确定性,如随时间变化的拓扑结构(由随机图描述)和加性信道噪声。为了解决该问题,提出了一种基于SA的分布式算法,并利用SA的常微分方程(ODE)方法证明了多个Agent可以协作实现概率为1的最优分配.最后,电力系统需求响应管理相关的仿真验证了该算法的有效性。
2016-10-31 math.OC
Initialization-free Distributed Algorithms for Optimal Resource Allocation with Feasibility Constraints and its Application to Economic Dispatch of Power Systems
研究了分布式资源分配最优化问题。在满足全局网络资源约束和局部分配可行性约束的前提下,使所有代理的局部目标函数之和最小化。在这种可分离的最优化问题中,每个Agent所对应的数据,如网络资源、局部分配可行性约束、局部目标函数等,只能由单个Agent访问,不能与其他Agent共享,这给分布式最优化问题提出了新的挑战。基于投影和微分投影,提出了两类连续时间算法,以免初始化和可扩展的方式求解该分布式最优化问题.因此,即使操作环境或网络配置改变,也不需要重新初始化,使得可以实现联网的异构代理的“即插即用”最佳操作。对于严格凸的目标函数,算法是收敛的;对于无局部约束的强凸函数,算法是指数收敛的。然后将该算法应用于电网分布式经济调度问题,以证明即使发电成本、系统负荷或网络配置发生变化,该算法也能以可扩展的方式实现全局最优值。
2017-04-09 math.OC
Distributed sub-optimal resource allocation via a projected form of singular perturbation
研究了资源分配问题的分布式优化问题,提出了一种次优连续时间算法。我们的算法具有较低的阶动态比别人,以减少计算和通信的负担,并适用于重量平衡图。与现有的次优算法相比,该算法能够同时处理局部集合约束和耦合的不等式约束,并且消除了对费用函数二次可微的要求.然而,该算法是不容易分析,因为它涉及奇异扰动型动力学投影不可微的右手边。我们克服了遇到的困难,并获得的结果,包括存在的平衡,次优,算法的收敛性。
2020-02-12 math.OC
Disturbance-resilient Distributed Resource Allocation over Stochastic Networks using Uncoordinated Stepsizes
研究了多智能体系统中的分布式资源分配问题,其中所有智能体在随机通信网络上合作最小化它们的费用函数之和.这个问题出现在许多实际领域,如智能电网中的经济调度,任务分配,机器人控制中的功率分配。现有的大多数工作不能收敛到最优解,如果状态偏离可行域,由于环境噪声,误操作,恶意攻击等造成的干扰,为了解决这个问题,我们提出了一种分布式偏差跟踪资源分配算法,并证明了它线性收敛到最优解与常数步长。我们进一步探讨了所提出的算法的弹性特性。最重要的是,在干扰注入和随机通信故障的情况下,算法仍然收敛到最优解。为了提高算法的收敛速度,建立了最快收敛速度的最优步长。我们还证明了该算法的线性收敛到最优解的均方,即使与不协调的步长,即,允许代理采用不同的步长。仿真结果验证了理论分析的正确性。
2021-04-25 math.OC
Solving A Class of Nonsmooth Resource Allocation Problems with Directed Graphs though Distributed Smooth Multi-Proximal Algorithms
针对一类分布式非光滑资源分配问题,提出了两种分布式多邻近原始对偶法。在这些问题中,全局费用函数是局部凸函数和非光滑费用函数之和,每个代价函数由一个二次可微函数和多个非光滑函数组成。底层多智能体系统的通信图是有向和强连接的,但不一定是加权平衡的。多邻近分裂的设计是为了解决这些非光滑函数求和的不可逼近性所带来的困难。此外,它还可以保证所提出的算法的光滑性。在多邻近分裂中引入辅助变量,估计非光滑函数的次梯度。在理论上,利用李雅普诺夫稳定性理论和积分输入状态稳定性(iISS)理论进行了收敛性分析。结果表明,所提算法能使状态收敛到满足资源分配条件的最优点。
2020-03-16 math.OC
On the Convergence of a Noisy Gradient Method for Non-convex Distributed Resource Allocation: Saddle Point Escape
University of Melbourne(墨尔本大学)
针对非凸分布式资源分配问题,本文在拉普拉斯加权梯度下降基础上加入随机扰动以实现鞍点逃逸,证明了二阶收敛性,实验显示其性能优于标准加权梯度下降。
2026-08-26 math.OC
Solving Nonsmooth Resource Allocation Problems with Feasibility Constraints through Novel Distributed Algorithms
研究了多智能体网络上的分布式非光滑资源分配问题,其中每个智能体都受到全局耦合的网络资源约束和用一般凸集描述的局部可行性约束.针对这一问题,提出了两类基于微分包含和投影算子的分布式连续时间算法。利用李雅普诺夫泛函理论和非光滑分析对算法的收敛性进行了分析。我们证明了当交互有向图是权平衡的且局部费用函数是强凸的时,第一种算法可以全局收敛到问题的精确最优解。此外,该算法的完全分布式实现研究了连通无向图与严格凸局部费用函数。此外,针对第一种算法需要初始化的缺点,我们设计了第二种算法,该算法无需初始化就能实现对具有强凸费用函数的连通无向图的最优解的整体收敛。最后,通过几个数值模拟对结果进行了验证。
2022-03-10 math.OC
Distributed Task Allocation for Self-Interested Agents with Partially Unknown Rewards
本文研究奖励部分未知的自利智能体分布式任务分配问题,通过组合划分博弈与权重博弈刻画最优分配,并提出有限时间收敛的PBRAG动力学及在线分布式算法。
2023-11-01 math.OC
Distributed Lagrangian Methods for Network Resource Allocation
出于控制工程和信息科学中的各种应用,我们研究网络资源分配问题,其目标是在节点网络上优化分配固定数量的资源。在这些问题中,由于网络规模大,节点之间的互连复杂,任何解决方案都必须并行实现,并只基于本地数据,从而需要分布式算法。在本文中,我们提出了一种新的分布式拉格朗日方法,它只需要本地计算和通信。我们的重点是了解该算法的性能的底层网络拓扑结构。具体来说,我们得到的上界的收敛速率的算法的大小和底层网络的拓扑结构的函数。所提出的方法的有效性和适用性证明其用于解决电力系统中的重要经济调度问题,特别是在基准IEEE-14和IEEE-118总线系统。
2017-08-24 math.OC
Distributed Resource Allocation Over Dynamic Networks with Uncertainty
在工程的各个领域的广泛应用的动机,我们研究了网络资源分配问题,其目标是最佳地分配一个固定数量的资源在网络节点。我们认为大规模的网络具有复杂的互连结构,因此任何解决方案都必须并行实施,并只基于本地数据,从而需要分布式算法。在本文中,我们研究了分布式拉格朗日方法对这样的问题。通过利用所谓的分布式次梯度方法来解决对偶问题,我们的方法消除了在更新对偶变量,这往往是在经典的拉格朗日方法所需要的中央协调。我们的重点是了解这种分布式算法的性能时,资源的数量是未知的,可能是随时间变化的。特别是,我们得到了一个上界的收敛速度的算法的最优值,在预期中,作为一个函数的大小和底层网络的拓扑结构。通过对IEEE-14和IEEE-118节点测试系统的仿真,验证了该方法在电力系统经济调度中的有效性。
2018-08-03 math.OC
A Budget-Adaptive Allocation Rule for Optimal Computing Budget Allocation
本文针对最优计算预算分配中渐近规则忽略预算影响的问题,提出一种根据预算规模自适应调整分配比例的规则,并开发两种启发式算法,实验证明其效率更优。
2025-04-11 math.OC
Input-Output Performance of Linear-Quadratic Saddle-Point Algorithms with Application to Distributed Resource Allocation Problems
鞍点或原始-对偶方法作为一种系统化的设计分布式算法来解决凸优化问题的技术,最近吸引了新的兴趣。当在线实现流数据或作为动态反馈控制器时,这些算法会受到干扰和噪声的影响;收敛速度提供不完整的性能信息,量化输入输出性能变得更加重要。我们分析了应用于线性约束二次规划的连续时间鞍点方法的输入输出性能,在相关的输入输出配置下提供了鞍点H2范数的显式表达式。然后,我们继续得到类似的结果,正则化和增广版本的鞍点算法。我们观察到一些相当特殊的效果-适度的正则化显着提高了瞬态性能,而增强并不一定提供改进。然后,我们提出了一个分布式的双重版本的算法,克服了一些增强所施加的性能限制。最后,我们将我们的研究结果应用到资源分配问题,比较各种集中式和分布式鞍点实现的输入输出性能,并表明分布式算法可能会执行以及他们的集中式同行。
2018-11-07 math.OC
Distributed Resource Allocation with Binary Decisions via Newton-like Neural Network Dynamics
本文旨在解决一个具有二元局部约束的分布式资源分配问题。该问题被制定为一个二进制程序的费用函数定义的总和代理成本加上全球失配/惩罚条款。我们提出了一种修改的Hopfield神经网络(HNN)动力学,以解决这个问题,同时将一个新的牛顿样的权重因子。这种添加有助于快速避免鞍点,这是梯度类HNN容易受到的。转向多代理设置,我们重新制定的问题,并开发一个分布式实现的牛顿式的动态。我们表明,如果一个本地解决方案的分布式重组获得,它也是一个本地解决方案的集中式问题。这项工作的一个主要贡献是表明,收敛到一个适当定义的能量函数的鞍点的概率在集中式和分布式的设置是零下轻的假设。最后,我们扩大我们的算法与退火技术,逐步学习一个可行的二进制解决方案。仿真结果表明,所提出的方法与集中式贪婪和SDP松弛方法的解决方案的质量方面的竞争力,而我们的方法的主要优点是一个显着的改善,在运行时间比SDP松弛法和分布式质量的实施。
2020-07-27 math.OC
Reciprocity of Algorithms Solving Distributed Consensus-Based Optimization and Distributed Resource Allocation
本文的目的是提出一个程序来获得分布式算法的分布式共识为基础的优化,通过使用分布式算法的网络资源分配,反之亦然交换网络/无同步协议。结果表明,一阶梯度分布式基于共识的优化算法可以用来找到一个最优解的分布式资源分配与同步协议下较弱的假设下,在文献中给出的非切换(静态)网络。结果表明,一阶梯度分布式资源分配算法可以用来找到一个最优解的分布式共识为基础的优化。本文的结果可应用于时变随机有向网络,无论有无同步协议,其初始化都是任意的。因此,现在可以使用几种算法来推导基于共识的优化和资源分配的分布式算法,这可以克服现有结果的局限性。虽然本文的重点是一阶梯度算法,但应注意的是,结果也适用于二阶梯度算法。
2022-08-02 cs.SY eess.SY math.OC
Distributed Multi-resource Allocation with Little Communication Overhead
我们提出了一个分布式算法来解决一个特殊的分布式多资源分配问题,没有直接的智能体通信。我们这样做是通过扩展最近推出的加法增加乘法减少(AIMD)算法,它只使用很少的系统和代理之间的通信。也就是说,每当所分配的资源之一超过容量时,控制单元就向代理广播一比特信号。然后,代理以概率的方式对该信号做出响应。在该算法中,每个代理不知道其他代理的资源分配。我们还提出了一个版本的AIMD算法的多个二进制资源(例如,停车位)。二进制资源是不可分割的单位需求资源,每个代理要么分配一个单位的资源,要么不分配。在实证结果中,我们观察到,在这两种情况下,平均分配随着时间的推移收敛到最优分配。
2017-11-06 cs.DC math.OC
Detection and Mitigation of Corrupted Information in Distributed Model Predictive Control Based on Resource Allocation
在分布式预测控制结构中,智能体之间的通信需要达成共识,并接近最优的全局行为。这种谈判机制对这些交易所受到的攻击很敏感。本文提出了一种监测方案,检测和减轻这些攻击的影响,在一个资源分配框架。所提出的方法的性能示出通过模拟的多个房间的温度控制下的电力短缺。
2022-07-21 cs.SY eess.SY math.OC
Utility Design for Distributed Resource Allocation -- Part II: Applications to Submodular, Covering, and Supermodular Problems
分布式控制的博弈论方法的一个基本组成部分是局部效用函数的设计。相对于在资源上可加性的资源分配问题,第一部分展示了如何设计局部效用,以便最大化相关的性能保证[Paccagnan等人,TAC 2019],我们用无政府状态的无政府代价来衡量。本手稿的目的是专门这些结果的情况下,submodular,覆盖和supermodular问题。在所有这些情况下,我们得到严格的表达式的无政府代价,往往匹配或改善相关的保证国家的最先进的近似算法。两个应用程序和相应的数值:车辆目标分配问题和无线数据缓存中出现的覆盖问题。
2021-01-12 cs.GT math.OC
Energy Efficient Distributed Worst Case Robust Power Allocation in Massive MIMO
本文提出了一种大规模多输入多输出(MIMO)系统中能量有效的分布式最坏情况鲁棒功率分配算法。我们假设一个有界的信道状态信息(CSI)错误和所有的信道位于一些有界的不确定性区域。该问题被表述为具有无穷约束的最大-最小问题。首先利用三角形和Cauchy-Schwarz不等式求解内问题,然后利用分式规划和逐次凸逼近(SCA)技术将问题转化为凸优化问题。最后通过分配的方法得到发射功率的封闭形式。仿真结果证明了算法的收敛性和鲁棒性。此外,在仿真结果中示出了具有最大能量效率的发射天线的适当数量。
2019-01-02 cs.IT eess.SP math.IT
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 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
Resilient Primal-Dual Optimization Algorithms for Distributed Resource Allocation
在许多网络物理系统中,分布式多代理资源分配算法可以提供集中式算法的隐私性和可扩展性。然而,这些算法的分布式性质可能使这些系统容易受到中间人攻击,这可能导致资源分配方案的不收敛和不可行性。在本文中,我们提出了攻击弹性分布式算法的基础上原始对偶优化拜占庭攻击者存在于系统中。特别是,我们设计了攻击弹性的原始对偶法的静态和动态模拟攻击的鲁棒统计。对于静态模仿攻击,我们制定了一个鲁棒的最优化模型,并表明我们的算法保证收敛到鲁棒问题的最优解的邻域。另一方面,一个强大的最优化模型是不需要的动态模拟攻击的情况下,我们能够设计一个算法,收敛到一个接近最优解的原始问题。我们分析了我们的算法的性能,通过理论和计算研究。
2020-09-15 cs.SY eess.SY math.OC
Distributed Optimal Resource Allocation Search: A Dynamic Event-Triggered Algorithm
Harbin Institute of Technology(哈尔滨工业大学)
针对等式耦合的分布式资源分配问题,提出一种基于动态事件触发机制的离散时间算法,在一般凸目标函数下实现收敛,并通过数值实验验证了通信效率。
2026-06-02 math.DS math.OC
Distributed Resource Allocation for Epidemic control
University of Pennsylvania(宾夕法尼亚大学)
本文提出基于D-ADMM算法的分布式资源分配策略,用于控制网络中流行病爆发。通过线性化SIS模型,考虑节点在感染存在下分配疫苗和治疗药物,并将流行病控制条件转化为涉及Perron-Frobenius特征值的谱约束,以几何规划形式解决资源分配问题。
2015-01-08 cs.SY eess.SY math.OC
Communication-efficient Distributed Multi-resource Allocation
Concordia University(康考迪亚大学);University College Dublin(都柏林大学学院);University of Passau(帕绍大学)
本文提出了一种无需直接通信的分布式多资源分配算法,通过扩展一种新的加性增加乘性减少(AIMD)算法,实现高效的资源分配,实验结果表明平均分配逐渐收敛到最优解。
2018-07-28 cs.SY eess.SY math.OC
The Convergence of Finite-Averaging of AIMD for Distributed Heterogeneous Resource Allocations
本文针对分布式异构资源分配问题,分析了基于随机化AIMD算法、仅需与中央智能体少量通信的分布式方案,通过有限窗口时间平均和位置依赖概率马尔可夫链建模,证明了时间平均分配向量收敛到唯一不变测度且具有遍历性。
2020-01-24 cs.SY eess.SY math.OC
Distributed Constraint-coupled Resource Allocation: Anytime Feasibility and Violation Robustness
本文针对带耦合约束的实时分布式资源分配问题,结合原始-对偶方法与控制障碍函数设计DanyRA算法,保障全时刻约束可行,引入虚拟队列提升干扰下的违规鲁棒性,还扩展至等式约束场景并证明线性收敛性。
2025-08-04 cs.SY eess.SY math.OC
DTAC-ADMM: Delay-Tolerant Augmented Consensus ADMM-based Algorithm for Distributed Resource Allocation
延迟是几乎所有现实世界的网络应用程序所固有的。在本文中,我们提出了一个分布式分配策略的多智能体网络与延迟通信。每个代理(或节点)的状态表示其在固定数量(等于总需求)中分配的资源份额。即使当网络上的数据交换在不同链路上不均匀地延迟时,每个节点也通过其相邻节点的接收信息局部地更新其状态以优化全局分配代价函数。更新是基于交替方向的乘子法(ADMM)制定的总和保持耦合约束和本地箱约束。该解决方案是无导数的,适用于一般(不一定是可微的)凸成本模型。我们使用无向网络上的增强共识的概念来模拟延迟的信息交换和收敛性分析。我们模拟我们的\textit{delay-tolerant}算法,
2022-08-30 cs.SY eess.SP eess.SY
Improved Convergence Rates for Distributed Resource Allocation
在本文中,我们开发了一类分散的算法来解决一个凸的资源分配问题的$n$代理网络中,代理的目标是解耦的,而资源约束是耦合的。代理通过连接的无向图进行通信,它们希望协作确定整个网络问题的解决方案,而每个代理只与其邻居通信。我们首先研究了分散资源分配问题和分散共识最优化问题之间的联系。然后,使用一类算法解决共识最优化问题,我们提出了一类新的分散计划解决资源分配问题的分布式方式。具体来说,我们首先提出了一个算法,用于解决资源分配问题时,$o(1/k)$收敛速度保证代理的目标函数一般凸(可能是不可微的)和每个代理的局部凸约束是允许的;然后我们提出一个梯度-的算法来解决每个代理的局部约束缺失时的资源分配问题,并表明这种方案可以实现几何速率时,目标函数是强凸的,并且具有Lipschitz连续梯度。我们还提供了可扩展性/网络依赖性分析。在这两种算法的基础上,我们进一步提出了一种基于梯度投影的算法,该算法能够更有效地处理光滑目标和简单约束。数值实验证明了所提出的算法的可行性和性能。
2018-12-16 cs.DC cs.MA math.OC
Accelerated Distributed Allocation
针对分布式分配场景需求,本文提出一种基于符号函数、收敛速率可调的快速收敛优化算法,证明其在均匀连接多智能体网络及间歇性断网下的收敛性,且具备始终可行性,优于ADMM等需渐近满足约束的对偶方法。
2024-01-28 cs.MA cs.SY eess.SP
Survey of Distributed Algorithms for Resource Allocation over Multi-Agent Systems
该综述聚焦多智能体系统分布式资源分配问题,梳理其数学表述、多领域应用、各类现有分布式算法方案及算法核心特性,为理解该交叉领域的挑战与解法提供全面参考。
2024-01-28 cs.DC cs.SY eess.SP
Robust-to-Noise Algorithms for Distributed Resource Allocation and Scheduling
本文针对噪声与扰动环境下的分布式资源分配和调度问题,提出基于符号动力学的抗噪声多智能体算法,并结合凸优化、控制理论与网络科学保证资源-需求平衡和约束可行性。
2023-11-30 cs.DC cs.SY eess.SP
ATA: Adaptive Task Allocation for Efficient Resource Management in Distributed Machine Learning
本文提出ATA自适应任务分配方法,在未知异构计算时间下实现分布式机器学习的最优资源分配,理论证明其性能媲美有先验知识的方法,实验显示显著降低成本。
2025-05-22 cs.DC cs.LG math.OC
Optimal Radio Resource Allocation for Hybrid Traffic in Cellular Networks: Centralized and Distributed Architecture
Virginia Tech(弗吉尼亚理工大学)
本文研究了混合交通 cellular 网络中无线电资源分配问题,提出集中式和分布式优化方法,通过效用比例公平性保证服务质量,设计高效算法并验证性能。
2014-11-12 cs.NI cs.SY eess.SY
Derandomized Distributed Multi-resource Allocation with Little Communication Overhead
CIISE, Concordia University(康考迪亚大学)
本文研究了互联网连接设备中多个共享资源分配的分布式优化问题,提出了一种去随机化的随机加性增加和乘性减少(AIMD)算法变体,通过每个资源与系统之间的一个比特反馈信号实现,无需设备间通信,并且不依赖参与设备的数量。每个互联网连接设备具有严格凸、二阶连续可导且递增的私有成本函数,实验证明多个共享资源的长期平均分配收敛到最优分配,系统达到最小社会成本,且所提去随机化AIMD算法比随机AIMD算法收敛更快,两者提供近似相同的解。
2018-12-21 cs.DC cs.MA cs.SY