网络化多智能体系统的分布式优化算法

本书研究了针对异步通信、量化信息、隐私保护、高维约束、事件驱动等具体需求的网络化多智能体系统的分布式优化算法。

　　《网络化多智能体系统的分布式优化算法》在归纳分析国内外关于网络化多智能体系统分布式优化算法的基础上，研究了针对异步通信、量化信息、隐私保护、高维约束、事件驱动等具体需求的网络化多智能体系统的分布式优化算法，主要内容包括：
　　①系统建模一一构建满足具体需求的网络化多智能体系统模型，如有向/无向通信、动态/静态网络拓扑、时变/非时变代价函数等，为算法设计与分析提供了模型基础；
　　②算法设计——针对具体问题，采用恰当的技术方案，如随机梯度、差分隐私、条件梯度、随机块坐标等，设计高效的分布式优化算法，解决实际应用场景的具体优化问题；
　　③证明与分析——针对提出的算法，通过严格的数学证明与分析，证明了算法的正确性和有效性，分析了算法的Regre工界，为算法的应用奠定了基础：
　　④仿真实验——利用公开的数据集验证了部分算法性能和理论分析的结果。
　　《网络化多智能体系统的分布式优化算法》可以作为计算机科学与技术、控制科学与工程、人工智能、优化理论等专业硕士研究生、博士研究生的专业课教材，也可供计算机科学与技术、控制科学与工程、人工智能、网络优化等领域的科技人员参考。

朱军龙，博士（后）、河南科技大学副教授，中国自动化学会青年工作委员会委员，研究方向为分布式优化理论、强化学习理论，主持国家自然科学基金面上项目1项、省部级项目2项；在IEEE Transactions、电子学报等国内外知名期刊发表论文15篇；在科学出版社出版专著1部（第二）；授权发明专利0余项，其中第一发明人2项；获河南省科技进步奖二等奖1项、三等奖1项。

第1章 绪论
1．1 研究背景与意义
1．2 国内外研究现状
1．2．1 分布式离线优化算法
1．2．2 分布式在线优化算法
参考文献

第2章 分布式随机次梯度投影算法
2．1 引言
2．2 算法设计
2．3 主要结果
2．4 收敛性能分析
2．5 本章小结
参考文献

第3章 异步的分布式次梯度随机投影算法
3．1 引言
3．2 算法设计
3．3 主要结果
3．4 收敛性能分析
3．5 误差界分析
3．6 本章小结
参考文献

第4章 量化信息与随机网络拓扑的扩散最小均方算法
4．1 引言
4．2 扩散算法
4．3 算法设计
4．3．1 随机网络拓扑模型
4．3．2 抖动量化模型
4．3．3 随机网络与抖动量化的扩散策略
4．4 均方收敛分析
4．5 稳态性能分析
4．6 仿真结果
4．7 本章小结
参考文献
……

第5章 分布式随机次梯度在线优化算法
第6章 差分隐私的分布式在线优化算法
第7章 分布式条件梯度在线学习算法
第8章 基于随机块坐标的分布式在线无投影算法
第9章 基于事件驱动的分布式在线无投影算法

　　网络化多智能体系统研究的目的是求解复杂、大规模、实时和具有不确定信息的问题，并且具有学习推理、自组织等能力，受到了国内外研究者的广泛关注。网络中的许多经典问题本质上都是分布式优化问题。例如，数据管理问题、分布式学习问题、资源分配问题、网络系统的多智能体协作问题、车载网络传输控制问题等。为了提高这些系统的工作效率，均离不开分布式优化算法。此外，在这些应用中，数据总量规模庞大，分散在不同的数据中心；节点计算能力有限，分散在不同的物理位置。每个智能体只拥有所要完成任务的局部信息，而不拥有所要完成任务的全局信息，同时每个智能体也不具有独立解决复杂任务的能力。因此，在网络化多智能体系统中，不存在集中控制系统，只能执行分布式处理。
　　近年来，随着高科技的发展，网络化多智能体系统理论与协同技术得到了快速发展。相比集中式优化算法，分布式优化算法的鲁棒性更好，成为优化与控制领域的一个重要研究方向，同时也被国防、经济、金融、工程、管理等许多应用领域所关注。因此，研究高效的分布式优化算法具有重要的理论意义和实际价值。从某种意义上说，网络化多智能体系统与分布式优化算法是事物的两个不同的侧面：网络化多智能体系统是技术实现的主体，而分布式优化算法是技术实现的方法。解决网络化多智能体系统分布式优化问题的一般思路是：首先将现实中的网络或系统建模为网络化多智能体系统，然后在网络化多智能体系统上设计分布式优化算法以求解所需要优化的问题。