机构名称：
¥ 1.0
摘要 - 我们的研究在多代理网络中分发了大数据非convex优化。我们考虑平滑（可能）非凸功能的总和的（受约束的）最小化，即代理的总和，以及凸（可能）的凸（可能）非平滑正常器。我们的兴趣是大数据问题，其中有大量变量需要优化。如果通过标准分布式优化算法进行处理，则这些大规模问题可能会因为每个节点的局部计算和通信负担过高，因此可能会棘手。我们提出了一种新颖的分布式解决方案方法，在每种迭代中，代理以不协调的方式更新整个决策向量的一个块。为了处理成本函数的非概念性，新型方案取决于连续的凸近似（SCA）技术，结合了一种新颖的块驱动的推动力共识方案，该方案对执行局部扩展的块状操作和梯度平均跟踪非常有用。建立了渐近收敛到非凸问题的固定溶液。最后，数值结果显示了提出的算法的有效性，并突出了块维度如何影响通信开销和实际收敛速度。
大数据选项远离障碍物跟踪
主要关键词
相关文件推荐
