[논문 리뷰] On the convergence of weighted-average consensus

Francisco Pedroche, Miguel Rebollo외 2명|arXiv (Cornell University)|2013. 07. 29.

Distributed Control Multi-Agent Systems참고 문헌 2인용 수 9

한 줄 요약

이 논문은 행렬 이론과 페르로-프로베니우스 정리를 사용하여 방향성 그래프에서 이산 시간 가중 평균 협의 알고리즘의 수렴 조건을 확립한다. 조건 $\epsilon < \min_i(w_i/d_i)$ 하에서 알고리즘이 가중 평균 협의 $\mathbf{x}_w = \alpha \mathbf{e}$로 수렴함을 증명한다. 여기서 $\alpha = \frac{1}{\|\mathbf{v}\|_1} \mathbf{v}^T \mathbf{x}^0$ 이고, $\mathbf{v}$ 는 $L_w^T$ 의 영 고유값에 대응하는 양의 좌측 고유벡터이다.

ABSTRACT

In this note we give sufficient conditions for the convergence of the iterative algorithm called weighted-average consensus in directed graphs. We study the discrete-time form of this algorithm. We use standard techniques from matrix theory to prove the main result. As a particular case one can obtain well-known results for non-weighted average consensus. We also give a corollary for undirected graphs.

연구 동기 및 목표

• 방향성 그래프에서 이산 시간 가중 평균 협의 알고리즘의 수렴 조건을 확립하는 것.
• 행렬 이론적 도구를 사용하여 기존의 무게 없는 협의 결과를 가중된 경우로 확장하는 것.
• 이전에 문헌에 발표되지 않은 바와 같이, 가중 평균 협의 알고리즘에 대한 엄밀한 수렴 증명을 제공하는 것.
• 단계 크기 $\epsilon$ 과 노드 가중치 $w_i$ 및 차수 $d_i$ 를 포함하는 특정 수렴 조건을 유도하는 것.
• 보조정리에 의해, 결과를 무방향 그래프로 일반화하여 협의 값이 표준 가중 평균 $\alpha = \sum w_i x_i^0 / \sum w_i$ 가 됨을 보여주는 것.

제안 방법

• 이산 시간 협의 업데이트를 사용: $\mathbf{x}^{k+1} = P_w \mathbf{x}^k$, 여기서 $P_w = I - \epsilon L_w$ 이고 $L_w = W^{-1}L$ 이다.
• 강한 연결성으로 인해 비음수이고 기약적인 행렬 $P_w^T$ 에 페르로-프로베니우스 정리를 적용한다.
• $\epsilon < \min_i(w_i/d_i)$ 일 때 $P_w$ 가 원시적임을 확립하여, 질서 1 행렬 $T = \mathbf{x} \mathbf{v}^T$ 로 수렴함을 보장한다.
• $P_w$ 가 행소속 스튜어트릭스임을 이용하여 ($P_w \mathbf{e} = \mathbf{e}$), 수렴 벡터가 $\mathbf{e}$ 의 배수임을 보여준다.
• $\alpha = \frac{1}{\|\mathbf{v}\|_1} \mathbf{v}^T \mathbf{x}^0$ 로 협의 값을 유도한다. 여기서 $\mathbf{v}$ 는 $L_w^T$ 의 영 고유값에 대응하는 양의 좌측 고유벡터이다.
• 무방향 그래프의 경우 $\mathbf{v} = \beta \mathbf{w}$ 임을 보여주어 표준 가중 평균 $\alpha = \frac{\mathbf{w}^T \mathbf{x}^0}{\|\mathbf{w}\|_1}$ 으로 단순화됨을 보인다.

실험 결과

연구 질문

• RQ1 이산 시간 가중 평균 협의 알고리즘이 방향성 그래프에서 수렴하는 조건은 무엇인가?
• RQ2 단계 크기 $\epsilon$ 의 선택이 수렴에 미치는 영향은 무엇이며, 특히 노드 가중치와 출차수와의 관계는 어떻게 되는가?
• RQ3 가중치가 있는 경우의 정확한 협의 값의 형태는 무엇이며, $L_w^T$ 의 좌측 고유벡터와의 관계는 어떻게 되는가?
• RQ4 가중치가 있는 협의 설정에서 방향성 그래프와 무방향 그래프의 수렴 행동은 어떻게 다를까?
• RQ5 표준 무게 없는 협의 결과는 이 가중치 프레임워크의 특수한 경우로 복원될 수 있는가?

주요 결과

• 조건 $\epsilon < \min_i(w_i/d_i)$ 를 만족할 경우 알고리즘이 $\mathbf{x}_w = \alpha \mathbf{e}$ 로 수렴하며, 여기서 $\alpha = \frac{1}{\|\mathbf{v}\|_1} \mathbf{v}^T \mathbf{x}^0$ 이고 $\mathbf{v}$ 는 $L_w^T$ 의 영 고유값에 대응하는 양의 좌측 고유벡터이다.
• 조건 $\epsilon < \min_i(w_i/d_i)$ 가 $P_w$ 의 원시성을 보장함으로써 수렴이 보장되며, 이는 $P_w$ 에 적어도 하나의 양의 대각성분이 있음을 의미한다.
• 한계 행렬 $\lim_{k\to\infty} P_w^k = T = \mathbf{x} \mathbf{v}^T$ 는 질서 1이고 양수이며, $\mathbf{x} = \alpha \mathbf{e}$ 이다.
• 무방향 그래프의 경우 협의 값은 $\alpha = \frac{\sum w_i x_i^0}{\sum w_i}$ 로 단순화되어 표준 가중 평균을 회복한다.
• 기존의 무게 없는 협의 수렴 결과를 일반화하며, $\mathbf{w} = \mathbf{e}$ 로 설정하면 [2]의 정리 2를 복원할 수 있다.
• 증명은 $P_w^T$ 에 페르로-프로베니우스 정리를 적용하여 주요 고유벡터의 존재성과 유일성, 그리고 거듭제곱 방법의 수렴성을 확립하는 데 의존한다.