[论文解读] On the convergence of weighted-average consensus

Francisco Pedroche, Miguel Rebollo+2 more|arXiv (Cornell University)|Jul 29, 2013

Distributed Control Multi-Agent Systems参考文献 2被引用 9

一句话总结

该论文利用矩阵理论和Perron-Frobenius定理，建立了在有向图中离散时间加权平均一致性算法收敛的充分条件。证明了当 $\epsilon < \min_i(w_i/d_i)$ 时，算法收敛到加权平均一致性 $\mathbf{x}_w = \alpha \mathbf{e}$，其中 $\alpha = \frac{1}{\|\mathbf{v}\|_1} \mathbf{v}^T \mathbf{x}^0$，$\mathbf{v}$ 是 $L_w^T$ 对应于零特征值的正左特征向量。

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.

研究动机与目标

• 建立离散时间加权平均一致性算法在有向图中收敛的充分条件。
• 使用矩阵理论工具，将已知的无权一致性结果推广到加权情形。
• 为尚未在文献中发表过的加权平均一致性算法提供严格的收敛性证明。
• 推导出涉及步长 $\epsilon$ 与节点权重 $w_i$ 及度数 $d_i$ 的具体收敛条件。
• 通过推论将结果推广到无向图，表明一致性值变为标准加权平均 $\alpha = \sum w_i x_i^0 / \sum w_i$。

提出的方法

• 使用离散时间一致性更新：$\mathbf{x}^{k+1} = P_w \mathbf{x}^k$，其中 $P_w = I - \epsilon L_w$ 且 $L_w = W^{-1}L$。
• 将Perron-Frobenius定理应用于矩阵 $P_w^T$，由于强连通性，该矩阵为非负且不可约。
• 证明当 $\epsilon < \min_i(w_i/d_i)$ 时，$P_w$ 是本原矩阵，从而保证收敛到一个秩一矩阵 $T = \mathbf{x} \mathbf{v}^T$。
• 利用 $P_w$ 是行随机矩阵（$P_w \mathbf{e} = \mathbf{e}$）的性质，证明极限向量是 $\mathbf{e}$ 的倍数。
• 推导出一致性值 $\alpha$ 为 $\alpha = \frac{1}{\|\mathbf{v}\|_1} \mathbf{v}^T \mathbf{x}^0$，其中 $\mathbf{v}$ 是 $L_w^T$ 对应于特征值 0 的正左特征向量。
• 对于无向图，证明 $\mathbf{v} = \beta \mathbf{w}$，从而得到标准加权平均 $\alpha = \frac{\mathbf{w}^T \mathbf{x}^0}{\|\mathbf{w}\|_1}$。

实验结果

研究问题

• RQ1 在有向图中，离散时间加权平均一致性算法在何种条件下收敛？
• RQ2 步长 $\epsilon$ 的选择如何影响收敛性，特别是与节点权重和出度的关系如何？
• RQ3 加权情形下一致性值的精确形式是什么，它与 $L_w^T$ 的左特征向量有何关联？
• RQ4 在加权一致性设置下，有向图与无向图的收敛行为有何不同？
• RQ5 标准无权一致性结果能否作为该加权框架的特例被恢复？

主要发现

• 当 $\epsilon < \min_i(w_i/d_i)$ 时，算法收敛到 $\mathbf{x}_w = \alpha \mathbf{e}$，其中 $\alpha = \frac{1}{\|\mathbf{v}\|_1} \mathbf{v}^T \mathbf{x}^0$，$\mathbf{v}$ 是 $L_w^T$ 对应于特征值 0 的正左特征向量。
• 收敛性由 $P_w$ 的本原性保证，而条件 $\epsilon < \min_i(w_i/d_i)$ 确保了 $P_w$ 至少有一个正对角线元素。
• 极限矩阵 $\lim_{k\to\infty} P_w^k = T = \mathbf{x} \mathbf{v}^T$ 是秩一且正的，其中 $\mathbf{x} = \alpha \mathbf{e}$。
• 对于无向图，一致性值简化为 $\alpha = \frac{\sum w_i x_i^0}{\sum w_i}$，从而恢复标准加权平均。
• 该结果推广了已知的无权一致性收敛结果，因为当 $\mathbf{w} = \mathbf{e}$ 时，可恢复文献[2]中的定理2。
• 证明依赖于对 $P_w^T$ 应用Perron-Frobenius定理，从而确立主导特征向量的存在性与唯一性，并保证幂法的收敛性。