Nell'ottimizzazione decentralizzata, la scelta della dimensione del gradino gioca un ruolo fondamentale
nelle prestazioni dell'algoritmo. Un approccio comune consiste nell'utilizzare una dimensione di gradino condivisa
tutti gli agenti per garantire la convergenza. Tuttavia, selezionando spesso la dimensione ottimale del gradino
richiede un'attenta messa a punto, che può richiedere molto tempo e può portare a rallentamenti
convergenza, soprattutto quando c'è una variazione significativa nella levigatezza
(L-levigatezza) delle funzioni obiettivo locali tra gli agenti. Accordatura individuale
Anche le dimensioni dei passi per agente non sono pratiche, soprattutto nelle reti di grandi dimensioni.
Per affrontare queste limitazioni, proponiamo AdGT, un tracciamento del gradiente adattivo
metodo che consente a ciascun agente di regolare la propria dimensione del passo in base alla levigatezza
del suo obiettivo locale. Dimostriamo che AdGT genera una sequenza di iterazioni
che converge alla soluzione consensuale ottima. Attraverso numerico
esperimenti, confrontiamo AdGT con metodi di tracciamento del gradiente a passo fisso e
dimostrare le sue prestazioni superiori. Inoltre, confrontiamo AdGT con
discesa del gradiente adattivo (AdGD) in un ambiente centralizzato e osservarlo
le dimensioni dei gradini completamente adattabili offrono maggiori vantaggi nelle reti decentralizzate rispetto a
in quelli centralizzati.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: