平衡有向图上的异步随机投影算法

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了平衡有向图上的异步随机投影算法，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1168字，纯文字阅读大概需要2分钟。

内容图文

Asynchronous Gossip-Based Random Projection Algorithm Over Networks

概述
本篇论文讨论的是在有向平衡的拓扑结构下的，带约束的分布式次梯度投影算法。
首先，根据次梯度下降算法的性质，步长必定是逐渐下降的才能最终收敛于最优解；对于一个固定的步长，也是可以获得一个有限误差的最优解，但是一般不能精确。

基本问题是：
$$
\begin{aligned}\min f(x) = \sum^m_{i=1}{f_i(x)} \quad s.t. x\in \chi = \cap^m_{i=1}\chi_i
\end{aligned}$$

这里为了方便投影的计算，假定所有的投影都是闭式表达式，即由初等函数经过有限次的初等运算复合而成，例如超平面，半空间和球。
现有以下的算法计算最优值：
$$
\begin{aligned}
v_i(k)&= \sum^m_{j=1}[W(k)]_{ij}x_j(k-1)\\
p_i(k)&=\sqcap_{\chi_i\Omega_i(k)}[v_i(k)-\alpha_i(k)\nabla f_i(v_i(k))]-v_i(k) \\
x_i(k)&=v_i(k)+p_i(k){\chi_{ \{i\in \{I_k,J_k\}\}}}
\end{aligned}
$$

其中，转移矩阵\(W(k)\)是双随机矩阵，函数\(\chi_\varepsilon\)是一个事件特征函数，取值是0或1. 这就构成一个随机投影的迭代函数。

变化的步长取
$$\alpha_i(k)= \frac{1}{\Gamma_i(k)}$$

\(\Gamma_i(k)\)表示的是智能体\(i\)已经更新的次数。

改进
基于原先的带约束的随机投影优化算法，这次的算法改良体现在对步长的优化。步长不再是全局协调的，而是给出了非协调步长下的精确收敛性和固定步长下的误差分析。

局限和条件

内容总结

以上是互联网集市为您收集整理的平衡有向图上的异步随机投影算法全部内容，希望文章能够帮你解决平衡有向图上的异步随机投影算法所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---