论文研究 推挽有限时间收敛分布式优化算法

随着分布式系统的广泛应用，迫切需要解决许多问题。 如何设计分布式优化策略已成为研究的热点。 本文重点介绍分布式凸优化算法的求解率。 网络中的每个代理都有其自己的凸成本函数。 我们考虑基于梯度的分布式方法，并使用推挽式梯度算法来最小化总成本函数。 在当前针对分布式凸优化算法的多智能体共识协作协议的启发下，提出并研究了一种具有有限时间收敛性的分布式凸优化算法。 最后，基于固定的无向分布网络拓扑，提出了一种基于线性参数化神经网络的快速收敛的分布式协作学习方法，该方法不同于现有的能够实现指数收敛的分布式凸优化算法。 该算法可以实现有限时间收敛。 利用Lyapunov方法可以保证算法的收敛性。 相应的仿