[论文解读] A distributed ADMM-like method for resource sharing under conic constraints over time-varying networks

Necdet Serhat Aybat, Erfan Yazdandoost Hamedani|arXiv (Cornell University)|Nov 22, 2016

Distributed Control Multi-Agent Systems被引用 6

一句话总结

本文提出DPDA-D，一种用于在时变网络上实现锥约束下合作多智能体资源共享的分布式原始-对偶算法。该算法在可证明的次优性、不可行性和一致性偏差率下实现对原始-对偶最优解的收敛，从而在动态通信环境中实现高效的去中心化优化。

ABSTRACT

We consider cooperative multi-agent resource sharing problems over time-varying communication networks, where only local communications are allowed. The objective is to minimize the sum of agent-specific composite convex functions subject to a conic constraint that couples agents' decisions. We propose a distributed primal-dual algorithm DPDA-D to solve the saddle point formulation of the sharing problem on time-varying (un)directed communication networks; and we show that primal-dual iterate sequence converges to a point defined by a primal optimal solution and a consensual dual price for the coupling constraint. Furthermore, we provide convergence rates for suboptimality, infeasibility and consensus violation of agents' dual price assessments; examine the effect of underlying network topology on the convergence rates of the proposed decentralized algorithm; and compare DPDA-D with a centralized method on the basis pursuit denoising and multi-channel power allocation problems.

研究动机与目标

• 解决在局部通信受限且网络拓扑随时间变化的多智能体系统中去中心化资源共享的挑战。
• 将资源共享问题表述为一个带有智能体间锥耦合约束的鞍点问题。
• 设计一种分布式算法，使智能体能够协同最小化复合凸目标函数，同时保持对偶价格的一致性。
• 在一般（无）向时变网络下，分析次优性、不可行性和对偶一致性偏差的收敛速率。
• 将去中心化DPDA-D算法在基追踪去噪和多通道功率分配等实际问题上的性能与集中式方法进行比较。

提出的方法

• 开发一种分布式原始-对偶算法（DPDA-D），在仅依赖本地信息交换的时变（无）向通信网络上运行。
• 将资源共享问题表述为涉及智能体特定凸函数和共享锥约束的鞍点问题。
• 采用对偶分解方法解耦全局约束，使每个智能体能够基于邻居信息更新其本地变量和对偶价格。
• 引入动态加权方案以处理时变网络拓扑，并确保在通信模式变化的情况下仍能收敛。
• 对原始变量更新采用邻近梯度步骤，对对偶更新采用基于一致性规则的更新策略，以实现智能体间对偶价格估计的一致性。
• 利用李雅普诺夫分析和矩阵加权平均技术，证明收敛性并推导收敛速率。

实验结果

研究问题

• RQ1 当通信网络为时变且可能为单向时，分布式算法如何实现对最优解的收敛？
• RQ2 所提出的去中心化方法在次优性、不可行性和对偶一致性偏差方面的收敛速率如何？
• RQ3 底层网络拓扑如何影响DPDA-D算法的收敛速度？
• RQ4 在实际资源分配问题中，去中心化DPDA-D算法与集中式求解器相比性能如何？
• RQ5 在无全局协调的情况下，该算法能否在动态网络条件下维持对偶一致性与原始可行性？

主要发现

• DPDA-D算法收敛至原始-对偶最优解，原始迭代序列收敛至由原始最优解和一致对偶价格定义的点。
• 次优性、不可行性和对偶价格估计的一致性偏差以O(1/k)的速率收敛，其中k为迭代次数。
• 收敛速率受网络动态拉普拉斯矩阵谱性质的影响，在连接更紧密且条件数更优的拓扑中收敛更快。
• 数值实验表明，DPDA-D在基追踪去噪和多通道功率分配问题上的性能与集中式求解器相当。
• 该算法在单向和时变通信链路下仍保持鲁棒性和收敛性，在动态环境中优于标准ADMM变体。
• 理论收敛速率得到实证验证，证明了网络拓扑对算法性能影响的实际相关性。