一种基于深度强化学习的高效分布式优化方法

《IEEE Transactions on Control of Network Systems》:A Deep Reinforcement Learning Approach to Efficient Distributed Optimization

【字体: 大 中 小 】 时间:2025年12月29日 来源:IEEE Transactions on Control of Network Systems 5

编辑推荐:

  本文提出一种基于深度强化学习的分布式优化方法,通过整合多种一阶和二阶优化算法,利用局部共识和目标信息构建状态观测,实现自适应参数配置,在收敛速度和求解精度上显著优于传统算法。

  

摘要:

在分布式优化中,实际问题的解决性能本质上受到算法选择、参数设置、问题类型和数据模式的敏感影响。因此,为特定问题找到一种高效的方法往往非常繁琐。在本文中,我们提出了一种基于学习的方法来实现网络系统上的高效分布式优化。具体而言,我们开发了一个深度强化学习(DRL)框架,用于在参数化的统一范式内进行自适应配置,该框架结合了多种分散式的一阶和二阶优化算法。我们利用局部共识和目标信息来表示问题实例的规律性,并追踪解决进度,这些构成了DRL代理观察到的状态。该框架在具有相似结构但数据不同的多个实际问题实例上进行了训练。实验表明,我们提出的方法在收敛速度和解决方案准确性方面优于几种现有的分布式优化算法。

引言

随着网络系统(如车联网、智能电网、智能建筑和雾计算)的快速发展,在这些系统中应用传统的集中式优化方法面临着计算负荷大、通信负担重、用户隐私泄露和可扩展性有限等问题[1]。受此启发,近年来分布式优化技术得到了蓬勃发展,这种技术允许网络中的计算节点仅通过局部通信来协作优化全局目标函数。在网络系统上的分布式优化通常采用以下形式:

<
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号