[论文解读] A Double-Layered Framework for Distributed Coordination in Solving Linear Equations

Xuan Wang, Shaoshuai Mou+1 more|arXiv (Cornell University)|Nov 29, 2017

Distributed Control Multi-Agent Systems参考文献 28被引用 3

一句话总结

本文提出了一种双层多智能体框架，通过集成一致性与守恒机制，以分布式方式求解大规模线性方程组。通过将智能体组织为簇，簇内通信实现一致性，簇间通信实现守恒，该方法使每个智能体仅需维持极少的状态（最少两个标量），且无需掌握全局方程矩阵的完整信息，实现了异构状态维度下的指数收敛。

ABSTRACT

This paper proposes a double-layered framework (or form of network) to integrate two mechanisms, termed consensus and conservation, achieving distributed solution of a linear equation. The multi-agent framework considered in the paper is composed of clusters (which serve as a form of aggregating agent) and each cluster consists of a sub-network of agents. By achieving consensus and conservation through agent-agent communications in the same cluster and cluster-cluster communications, distributed algorithms are devised for agents to cooperatively achieve a solution to the overall linear equation. These algorithms outperform existing consensus-based algorithms, including but not limited to the following aspects: first, each agent does not have to know as much as a complete row or column of the overall equation; second, each agent only needs to control as few as two scalar states when the number of clusters and the number of agents are sufficiently large; third, the dimensions of agents' states in the proposed algorithms do not have to be the same (while in contrast, algorithms based on the idea of standard consensus inherently require all agents' states to be of the same dimension). Both analytical proof and simulation results are provided to validate exponential convergence of the proposed distributed algorithms in solving linear equations.

研究动机与目标

• 解决现有基于一致性的分布式求解器要求智能体知晓全局矩阵完整行或列的局限性。
• 克服标准一致性算法中对统一状态维度的约束。
• 在分层网络结构中同时集成一致性（用于达成一致）与守恒（用于保持和不变性）。
• 实现具有最小智能体状态复杂度与可扩展通信的分布式线性方程求解。
• 在无需所有智能体具有相同状态维度的前提下，实现指数收敛。

提出的方法

• 该框架采用两层架构：智能体簇（簇内通信）以及簇间通信。
• 簇内通信通过使每个簇内智能体的状态对齐来强制实现一致性。
• 簇间通信通过确保智能体状态某些函数的和在簇间保持恒定来强制实现守恒。
• 该方法采用一种混合更新律，通过李雅普诺夫设计将局部一致性动力学与全局守恒约束相结合。
• 智能体仅维护标量或低维状态向量，且各智能体的状态维度相互独立。
• 通过分析系统矩阵的特征值性质，并利用变换后的对称负半定形式，证明了该算法可实现指数收敛。

实验结果

研究问题

• RQ1 是否存在一种分布式算法，可在无需每个智能体知晓全局矩阵完整行或列的情况下求解大规模线性系统？
• RQ2 如何在多智能体网络中联合强制实现一致性与守恒以求解线性方程？
• RQ3 智能体能否在具有异构状态维度的情况下仍实现全局收敛？
• RQ4 在该分布式框架中，每个智能体所需的最小状态维度是多少才能实现指数收敛？
• RQ5 与单层基于一致性的求解器相比，双层架构如何提升收敛速度与可扩展性？

主要发现

• 所提出的算法通过系统矩阵的特征值分析被证明可实现对线性系统真实解的指数收敛。
• 当簇数与智能体数与线性系统的维数相匹配时，每个智能体仅需维护最少两个标量状态。
• 该方法允许智能体具有不同的状态维度，打破了标准一致性算法要求统一状态维度的根本限制。
• 智能体无需知晓全局矩阵的完整行或列，降低了信息需求，提升了隐私性与可扩展性。
• 双层结构实现了高效协调：簇内实现一致性，簇间实现守恒，相较于现有方法具有更快的收敛速度。
• 理论分析确认了系统矩阵的零特征值是非亏损的，从而保证了稳定且收敛的行为。