杜珊·雅科维奇;娜塔沙·克雷吉奇;纳塔沙·克里克·杰林基奇 EFIX：用于分布式优化的精确不动点方法。 （英语） Zbl 1515.90100号 J.全球。最佳方案。 85，第3期，637-661（2023）. 摘要：我们考虑连通网络上的强凸分布一致性优化。提出的EFIX方法是使用二次惩罚方法推导出来的。更详细地说，我们使用标准的重新公式（将原始问题转换为高维空间中的约束问题）来定义一系列具有递增惩罚参数的合适的二次惩罚子问题。对于二次目标，相应的序列由二次惩罚子问题组成。对于一般强凸情形，目标函数用二次模型近似，因此所得惩罚子问题的序列再次是二次的。然后通过不动点（R）-线性求解器求解每个二次惩罚子问题，例如Jacobi过松弛方法，导出EFIX。证明了二次情形的精确收敛性以及阶\（｛｛\mathcal｛O｝｝｝｝（ε^｛-1｝）\）的最坏情形复杂性。在强凸泛函的情况下，得到了惩罚方法的标准结果。数值结果表明，该方法与最新的精确一阶方法具有很强的竞争力，需要较小的计算和通信工作量，并且对算法参数的选择具有鲁棒性。 MSC公司： 90C25型 凸面编程 关键词：不动点法;二次惩罚法;分布式优化;强凸问题 PDF格式BibTeX公司 XML格式引用 \textit{D.Jakovetić}等人，J.Glob。最佳方案。85，编号3，637--661（2023；兹bl 1515.90100） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Baingana，B。；Giannakis，GB，《动态网络中的联合社区和异常跟踪》，IEEE Trans。信号处理。，64, 8, 2013-2025 (2016) ·Zbl 1414.94768号 ·doi:10.1109/TSP.2015.2510971 [2] Berahas，AS；博拉普拉加达，R。；Keskar，NS；Wei，E.，在分布式优化中平衡通信和计算，IEEE Trans。自动。控制，64，8，3141-3155（2019）·Zbl 1482.90146号 ·doi:10.1109/TAC.2018.2880407 [3] 博伊德，S。；北卡罗来纳州帕里赫。；朱，E。；佩莱托，B。；Eckstein，J.，《通过交替方向乘数法进行分布式优化和统计学习》，《机器学习的基础和趋势》，3，1，1-122（2011）·兹比尔1229.90122 ·doi:10.1561/220000016 [4] Cattivelli，F。；AH，分布式估计的扩散LMS策略，IEEE Trans。信号处理。，58, 3, 1035-1048 (2010) ·兹比尔1392.94123 ·doi:10.1109/TSP.2009.2033729 [5] 因果工作台团队，营销数据集，http://www.causality.inf.ethz.ch/data/CINA.html [6] Di Lorenzo，P.，Scutari，G.：网络上的分布式非凸优化。摘自：IEEE多传感器自适应处理计算进展国际会议（CAMSAP），第229-232页（2015） [7] Fodor，L.，Jakovetić，D.，Krejić，N.，Krklec Jerinkić，N，Skrbić，S.：稀疏通信分布式多智能体优化算法的性能评估和分析。EURASIP信号处理进展杂志，2021，25（2021），doi:10.1186/s13634-021-00736-4 [8] Greenbaum，A.：求解线性系统的迭代方法，SIAM（1997）·兹伯利0883.65022 [9] Jakovetić，D.，精确分布一阶方法的统一和推广，IEEE网络信号和信息处理汇刊，5，1，31-46（2019）·doi:10.1109/TSIPN.2018.2846183 [10] Jakovetić，D.，Krejić，N.，Krklec Jerinkić，N.，Malaspina，G.，Micheletti，A.：求解线性代数方程组的分布式不动点方法，arXiv:2001.03968，（2020） [11] Jakovetić，D。；泽维尔，J。；Moura，JMF，快速分布梯度法，IEEE Trans。自动。控制，59，5，1131-1146（2014）·Zbl 1360.90292号 ·doi:10.1109/TAC.2014.2298712 [12] Jakovetić，D。；Krejić，N。；Krklec Jerinkić，N.，分布式优化的精确类谱梯度方法，计算机。最佳方案。申请。，74, 703-728 (2019) ·Zbl 1427.90217号 ·doi:10.1007/s10589-019-00131-8 [13] Lee，J.M.、Song，I.、Jung，S.、Lee，J：多载波DS/CDMA系统的速率自适应卷积编码方法，MILCOM 2000《21世纪军事通信学报》。信息优势架构和技术（分类号00CH37155），加利福尼亚州洛杉矶，第932-936页（2000） [14] 李，H。；方，C。；尹，W。；Lin，Z.，带递增惩罚参数的分散加速梯度法，IEEE Trans。信号处理。，68, 4855-4870 (2020) ·Zbl 07591075号 ·doi:10.1109/TSP.2020.3018317 [15] Li，H.，Fang，C.，Lin，Z.：二次罚函数法的收敛速度分析及其在分散分布优化中的应用，arxiv预印本，arxiv:1711.10802，（2017） [16] 莫塔，J。；泽维尔，J。；Aguiar，P。；Püschel，M.，《局部域的分布式优化：MPC和网络流中的应用》，IEEE Trans。自动。控制，60,72004-2009（2015）·Zbl 1360.90053号 ·doi:10.1109/TAC.2014.2365686 [17] Nedic，A.，Olshevsky，A.，Shi，W.，Uribe，C.A.：具有不协调步长的几何收敛分布式优化，2017年美国控制会议（ACC），华盛顿州西雅图，第3950-3955页，doi:10.23919/ACC.2017.7963560（2017） [18] Nedić，A。；Ozdaglar，A.，多智能体优化的分布式次梯度方法，IEEE Trans。自动。控制，54，1，48-61（2009）·Zbl 1367.90086号 ·doi:10.1109/TAC.2008.2009515 [19] Nocedal，J.、Wright，S.J.：数值优化。斯普林格。纽约施普林格出版社（1999年）·Zbl 0930.65067号 [20] 离群检测数据集（ODDS）http://odds.s.stonybrook.edu/mest-dataset/ [21] Qu，G。；Li，N.，利用平滑度加速分布式优化，IEEE网络系统控制汇刊，5，3，1245-1260（2018）·Zbl 1515.93111号 ·doi:10.1109/TCNS.2017.2698261 [22] Saadatniaki，F。；Xin，R。；Khan，UA，带行和列随机矩阵的时变有向图的分散优化，IEEE自动控制汇刊，65，11，4769-4780（2018）·Zbl 07320050号 ·doi:10.1109/TAC.2020.2969721 [23] Scutari，G.，Sun，Y.：大数据优化的并行和分布式逐次凸逼近方法，arXiv:1805.06963，（2018） [24] 斯库塔里，G。；Sun，Y.，时间可变有向图上的分布式非凸约束优化，数学。程序。，176, 1-2, 497-544 (2019) ·Zbl 1415.90130号 ·doi:10.1007/s10107-018-01357-w [25] Shi，W。；凌，Q。；Wu，G。；Yin，W.，EXTRA:分散一致性优化的精确一阶算法，SIAM J.Optim。，2, 25, 944-966 (2015) ·Zbl 1328.90107号 ·数字对象标识码：10.1137/14096668X [26] Shi，G.，Johansson，K.H.：分布式平均和最大化算法的有限时间和渐近收敛，arXiv:1205.1733（2012） [27] Srivastava，P.，Cortés，J.：基于连续可微精确惩罚法的网络优化分布式算法。2018年IEEE决策与控制会议（CDC），佛罗里达州迈阿密海滩，第975-980页（2018） [28] Sun，Y.，Daneshmand，A.，Scutari，G.：基于梯度跟踪的分布式优化算法的收敛速度，arXiv:1905.02637（2019）·Zbl 07510407号 [29] Sundararajan，A.，Van Scoy，B.，Lessard，L.：时变图上一阶分布式优化算法的分析与设计，arXiv:1907.05448（2019）·兹伯利07583228 [30] 田，Y。；孙，Y。；Scutari，G.，《在分布式异步多智能体优化中实现线性收敛》，IEEE Trans。关于自动控制，65，5264-5279（2020）·Zbl 07320098号 ·doi:10.1109/TAC.2020.2977940 [31] Tian，Y.、Sun，Y.和Scutari，G.：异步分散逐次凸逼近，arXiv:1909.10144（2020） [32] UCI机器学习博览会，https://archive.ics.uci.edu/ml/datasets/Mushroom网站 [33] Xiao，L.，Boyd，S.，Lall，S.：具有时变大都会权重的分布式平均一致性，Automatica（2006）。未发表的手稿，https://web.stanford.edu/boyd/papers/avg_metropolis.html [34] Xin，R。；Khan，UA，《分布式重球：梯度跟踪一阶方法的推广和加速》，IEEE Trans。自动。控制，65，6，2627-2633（2020）·Zbl 07256374号 ·doi:10.1109/TAC.2019.2942513 [35] Xin，R。；Xi，C。；Khan，UA，《信号处理进展EURASIP期刊》，《网络优化、学习和适应专刊》，FROST-步长不协调的快速行随机优化，65，12，1-14（2019） [36] Xu，J.，Tian，Y.，Sun，Y.，Scutari，G.：网络上分布式光滑凸优化的加速原对偶算法。国际人工智能和统计会议，PMLR，第2381-2391页（2020年） [37] Xu，J.，Tian，Y.，Sun，Y.和Scutari G.：复合优化的分布式算法：统一框架和收敛分析，arXiv:2002.11534（2020）·Zbl 07591576号 [38] 袁，K。；凌，Q。；Yin，W.，关于分散梯度下降的收敛性，SIAM J.Optim。，26, 3, 1835-1854 (2016) ·Zbl 1345.90068号 ·数字对象标识代码：10.1137/130943170 [39] Yousefian，F。；Nedić，A。；Shanbhag，UV，关于自适应步长序列的随机梯度和次梯度方法，Automatica，48，1，56-67（2012）·Zbl 1244.93178号 ·doi:10.1016/j.automatica.2011.09.043 [40] 周，H。；曾，X。；Hong，Y.，约束分布式优化的自适应精确惩罚设计，IEEE Trans。自动。控制，64，11，4661-4667（2019）·Zbl 1482.90163号 ·doi:10.1109/TAC.2019.2902612 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。