Resumen

En un problema de optimización en línea distribuida con un conjunto convexo restringido sobre una red multiagente no dirigida, las funciones objetivas locales son convexas y varían con el tiempo. La mayoría de los métodos existentes utilizados para resolver este problema se basan en el método de descenso de gradiente más rápido. Sin embargo, la velocidad de convergencia de estos métodos disminuye con un aumento en el número de iteraciones. Para acelerar la velocidad de convergencia del algoritmo, presentamos un algoritmo distribuido de gradiente conjugado en línea, diferente de un método de gradiente, en el cual las direcciones de búsqueda son un conjunto de vectores que son conjugados entre sí y los tamaños de paso se obtienen a través de una búsqueda de línea precisa. Analizamos la convergencia del algoritmo teóricamente y obtuvimos una cota de arrepentimiento de , donde es el número de iteraciones. Finalmente, experimentos numéricos realizados en una red de sensores demuestran el rendimiento del algoritmo propuesto.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Distribuido; Optimización en línea; Conjunto convexo restringido; Red multiagente; Velocidad de convergencia; Algoritmo del gradiente conjugado
• Keywords:Distributed; Online optimization; Convex constrained set; Multiagent network; Convergence speed; Conjugate gradient algorithm