[论文解读] Efficient quantization for average consensus

Ruggero Carli, Fabio Fagnani+2 more|arXiv (Cornell University)|Mar 7, 2009

Distributed Control Multi-Agent Systems参考文献 15被引用 9

一句话总结

该论文提出了一种使用渐进式缩放/反向缩放量化方案的量化平均一致性算法，在具有有限量化级别的强连通网络中实现了向平均一致性值的指数收敛。该方法通过编码/解码过程中的记忆机制增强消息的信息量，使得即使在数字通信受限的情况下也能实现任意精度的一致性，仿真结果表明其性能在实践中超过了理论界限。

ABSTRACT

This paper presents an algorithm which solves exponentially fast the average consensus problem on strongly connected network of digital links. The algorithm is based on an efficient zooming-in/zooming-out quantization scheme.

研究动机与目标

• 解决在通信速率受限的数字网络中的一致性问题，其中各节点仅能交换量化数据。
• 设计一种编码/解码策略，即使在存在量化误差的情况下，也能实现向平均一致性值的指数收敛。
• 证明当使用足够多的量化级别时，收敛速度可与理想情况下的完美通信相匹配。
• 分析算法在不同网络拓扑结构（包括环形图和随机几何图）下的可扩展性与鲁棒性。
• 探索算法在理论界限之外收敛的条件，特别是在 $k_{\text{in}} < \rho$ 区域。

提出的方法

• 该算法采用渐进式缩放/反向缩放量化方案，其中量化器根据估计的状态范围动态调整其分辨率。
• 每个节点维护一个本地状态估计 $\hat{x}_j^i(t)$，通过基于记忆的编码器-解码器系统与状态 $\xi_{ij}(t)$ 共同更新，从而比简单量化提供更具信息量的消息。
• 编码函数 $s_{ij}(t) = Q_{ij}(\xi_{ij}(t), x_j(t))$ 将当前状态和内部记忆映射到有限字母表 $\mathcal{S}_{ij}$ 中的一个符号。
• 解码器通过 $\xi_{ij}(t+1) = F_{ij}(\xi_{ij}(t), s_{ij}(t))$ 更新内部状态，使系统能够随时间自适应地细化分辨率。
• 控制器使用线性反馈 $u_i(t) = \sum_j K_{ij} \hat{x}_j^i(t)$，其中 $K$ 的设计使得闭环矩阵 $P = I + K$ 为双随机矩阵。
• 该算法在强连通有向图的假设下进行分析，确保在适当的缩放参数 $k_{\text{in}}$ 和 $k_{\text{out}}$ 下实现收敛。

实验结果

研究问题

• RQ1 能否仅通过有限级别量化通信实现具有指数收敛速度的平均一致性？
• RQ2 量化级别数 $m$ 如何影响一致性算法的收敛速度与稳定性？
• RQ3 缩放因子 $k_{\text{in}}$ 和 $k_{\text{out}}$ 在决定收敛行为方面起什么作用，特别是在与网络矩阵谱半径 $\rho$ 的关系方面？
• RQ4 该算法在多大程度上超越了理论保证，特别是在 $k_{\text{in}} < \rho$ 区域？
• RQ5 随着网络规模 $N$ 增大，该算法的可扩展性如何，是否可以在不增加 $m$ 的情况下维持收敛？

主要发现

• 在渐进式缩放/反向缩放方案下，该算法即使在有限量化级别下，也能实现向平均一致性的指数收敛，并达到任意精度。
• 在 $k_{\text{in}} > \rho$ 区域，收敛至少需要 $m=3$ 个量化级别，且增加 $m$ 可使收敛速率趋近理想速率 $k_{\text{in}}$。
• 在 $k_{\text{in}} < \rho$ 区域，$m=1$ 已足够实现收敛，且进一步增加 $m$ 仅带来收敛速度的微小提升。
• 仿真结果表明，该算法在 $k_{\text{in}} < \rho$ 区域的收敛速度甚至快于具有完美通信的理想一致性算法。
• 对于环形图，仿真结果（$N$ 最大达 50）表明所需量化级别数无需随 $N$ 增大而增加，显示出良好的可扩展性。
• 在随机几何图中，性能在 $k_{\text{in}} < \rho$ 区域对谱半径 $\rho$ 的变化不敏感，表明对拓扑变化具有鲁棒性。