[论文解读] Joint Centrality Distinguishes Optimal Leaders in Noisy Networks

Katherine Fitch, Naomi Ehrich Leonard|arXiv (Cornell University)|Jul 7, 2014

Distributed Control Multi-Agent Systems参考文献 29被引用 4

一句话总结

本文提出联合中心性（joint centrality），一种新颖的图论度量方法，用于在噪声多智能体网络中识别最优领导者集合，以最小化系统对外部信号跟踪的误差。通过将总系统误差表示为网络拓扑的函数，作者证明了在无噪声领导者中，联合中心性最大的领导者集合可实现最小的稳态方差，且最优配置需在高信息中心性和图覆盖性之间取得平衡——尤其在循环图等结构化图中，均匀分布的领导者可最小化误差。

ABSTRACT

We study the performance of a network of agents tasked with tracking an external unknown signal in the presence of stochastic disturbances and under the condition that only a limited subset of agents, known as leaders, can measure the signal directly. We investigate the optimal leader selection problem for a prescribed maximum number of leaders, where the optimal leader set minimizes total system error defined as steady-state variance about the external signal. In contrast to previously established greedy algorithms for optimal leader selection, our results rely on an expression of total system error in terms of properties of the underlying network graph. We demonstrate that the performance of any given set of leaders depends on their influence as determined by a new graph measure of centrality of a set. We define the $joint \; centrality$ of a set of nodes in a network graph such that a leader set with maximal joint centrality is an optimal leader set. In the case of a single leader, we prove that the optimal leader is the node with maximal information centrality. In the case of multiple leaders, we show that the nodes in the optimal leader set balance high information centrality with a coverage of the graph. For special cases of graphs, we solve explicitly for optimal leader sets. We illustrate with examples.

研究动机与目标

• 解决在随机扰动下多智能体网络追踪外部信号时的最优领导者选择问题。
• 通过利用网络图的特性，提出一种计算高效的替代贪婪算法的领导者选择方法。
• 定义一种新的中心性度量——联合中心性，用于量化领导者集合对系统性能的集体影响。
• 证明在无噪声和有噪声领导者情况下，最大联合中心性对应最小的总系统误差。
• 显式求解在循环图等结构化图中（如均匀分布领导者）的最优领导者集合。

提出的方法

• 将总系统误差表示为网络图拉普拉斯矩阵和领导者集合配置的函数，利用跟随者子矩阵的逆来量化误差。
• 引入联合中心性作为集体影响力的度量，其来源于系统协方差矩阵中跟随者子矩阵逆的迹。
• 使用谱图论分析循环图中三对角块的特征值，将误差最小化与跟随者区段的均匀分布联系起来。
• 应用电阻距离和矩阵扰动理论，将系统误差表示为节点对之间距离和领导者位置的函数。
• 采用优化技术，包括偏导数计算和连续解的舍入，以在路径图和循环图中识别离散的最优领导者集合。
• 通过解析证明和在循环图与路径图上的图示示例验证结果，表明解收敛至最优配置。

实验结果

研究问题

• RQ1 如何在网络中选择最优领导者集合，以最小化对追踪外部信号的稳态方差？
• RQ2 何种图论性质决定了在噪声网络中一组领导者对系统性能的集体影响力？
• RQ3 l个领导者时的最优领导者集合是否必然包含m个领导者（m < l）时的最优集合？如何避免此类依赖？
• RQ4 能否在循环图和路径图等结构化图中推导出最优领导者配置的显式解？
• RQ5 联合中心性与传统中心性度量（如信息中心性）相比，在预测最优领导者性能方面表现如何？

主要发现

• 对于单个领导者，无论领导者是否无噪声，最优领导者均为信息中心性最大的节点。
• 在多个无噪声领导者的情况下，最优性能通过领导者在保持高个体信息中心性的同时实现对网络图的广泛覆盖来实现。
• 在n个节点、m个领导者且n/m为整数的循环图中，最优领导者集合为均匀分布，相邻领导者之间的测地距离为p = n/m。
• 当领导者在循环图上均匀分布时，领导者之间跟随者区段长度相等，此时总系统误差最小。
• 对于路径图，最优双领导者配置通过最小化电阻距离的二次型获得，领导者位置约为s₁ = round(n/5 + 0.5) 和 s₂ = round(4n/5 + 0.5)。
• 联合中心性为领导者选择提供了一种计算高效的替代方案，避免了暴力搜索或迭代贪婪算法，通过直接关联系统误差与图结构显著降低复杂度。