发表机构
University of Minnesota（明尼苏达大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对二次广义纳什均衡问题，提出无需乘子共识的全分布式原始-对偶动力学，利用输入-状态稳定性框架在充分条件下证明收敛，减少通信并提升隐私。
AI 中文摘要
广义纳什均衡问题（GNEPs）常出现在需要分布式算法的多智能体工程应用中。与传统方法强制乘子共识不同，我们的方法无需共享乘子，从而减少通信并提升隐私性。因此，不同的初始化可能导致不同的广义纳什均衡（GNEs），包括非变分形式的均衡。我们利用输入-状态稳定性（ISS）框架，在充分条件下建立了收敛性。
英文摘要
Generalized Nash Equilibrium Problems (GNEPs) often arise in multi-agent engineering applications that require distributed algorithms. Unlike traditional approaches that enforce consensus on multipliers, our method removes the need to share multipliers, reducing communication and improving privacy. As a result, different initializations can lead to different GNEs, including non-variational ones. We establish convergence under sufficient conditions using an input-to-state stability (ISS) framework.
Comments6 pages, 1 figure. Accepted to CDC 2026
