En optimisation décentralisée, le choix de la taille du pas joue un rôle crucial
dans les performances des algorithmes. Une approche courante consiste à utiliser une taille de pas partagée à travers
tous les agents pour assurer la convergence. Cependant, sélectionner souvent une taille de pas optimale
nécessite un réglage minutieux, ce qui peut prendre du temps et ralentir
convergence, surtout lorsqu'il y a une variation significative de la douceur
(L-douceur) des fonctions objectives locales entre les agents. Réglage individuel
les étapes par agent sont également peu pratiques, en particulier dans les réseaux à grande échelle.
Pour remédier à ces limites, nous proposons AdGT, un suivi de gradient adaptatif
méthode qui permet à chaque agent d'ajuster la taille de son pas en fonction de la fluidité
de son objectif local. Nous prouvons qu'AdGT génère une séquence d'itérations
qui converge vers la solution consensuelle optimale. Grâce au numérique
expériences, nous comparons AdGT avec des méthodes de suivi de gradient à pas fixes et
démontrer sa performance supérieure. En plus, nous comparons AdGT avec
descente de pente adaptative (AdGD) dans un cadre centralisé et observez que
les étapes entièrement adaptatives offrent de plus grands avantages dans les réseaux décentralisés que
dans les centralisés.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: