The invention requests to protect a distributed ADMM machine learning method for optimizing network delay. A convex optimization problem can be decomposed into many sub convex optimization problems. Each sub convex optimization problem can be solved by ADMM algorithm in the corresponding sub nodes. In view of the fact that the overall running speed of the distributed ADMM algorithm based on the bridge node and the working node is limited by the influence of the network connection delay, the invention proposes a distributed ADMM machine learning algorithm for optimizing the network delay, that is, before the ADMM iterative operation, considering the impact of the network delay, dynamically planning the location and number of the bridge nodes, which can overcome the network delay to a considerable extent The influence of network characteristics such as delay, dynamic, topology, bandwidth limitation and data distributed storage on the performance of the algorithm.
【技术实现步骤摘要】
一种优化网络延迟的分布式ADMM机器学习方法
本专利技术属于一种优化网络延迟的分布式ADMM机器学习方法,涉及到凸优化问题的分布式求解。
技术介绍
分布式优化问题可以应用于各种网络,如无线传感器网络,电网,数据中心机器集群和机器主板上的芯片。在这样的网络中,在实现全局优化目标的同时,分布式优化有助于节省通信带宽和能量,这是网络中的稀缺资源。在基于数据的应用程序的特殊情况下,由于来自互联网的大规模数据的可用性,一台机器无法存储所有数据,并且数据分布在多台机器上。由于传输如此大量的数据会产生很高的通信成本,甚至可能不可行。因此建议使用分布式优化算法在本地机器上执行优化。更具体地说,我们将专注于解决优化问题,其中目标函数由具有其的可分离凸函数的和,每个凸函数都有其对应的一组约束。解决此类问题的一类方法是子梯度方法,其中节点使用其目标函数的子梯度和来自其相邻节点的最新迭代来计算其迭代。对于这些方法的收敛率为其中k为迭代次数。另一类方法涉及交替解决原始和对偶问题。最常见的是交替方向乘子法(ADMM)。其收敛速度为与子梯度方法相比,ADMM算法与迭代次数的收敛速度更快。ADMM和子梯度方法之间的一个区别是使用求解原始和前者交替出现双重问题。ADMM算法可用于各种领域,如图像处理,机器学习,大规模数据处理,广域网等应用。它特别适用于需要在不同机器上以分散方式解决优化问题的应用。在常规ADMM算法中,存在一个主节点,主节点与工作节点进行通信,但工作节点节点不相互通信。在这种情况下,一个节点的失败或它的回复延迟 ...
【技术保护点】
1.一种优化网络延迟的分布式ADMM机器学习方法,其特征在于,针对ad-hoc网络将凸优化问题分解成子凸优化问题进行求解,为得到凸优化问题的全局最优解,机器学习方法包括以下步骤:/n针对网络延迟对基于桥节点和工作节点的分布式ADMM算法运行时间的影响,对网络节点进行初始化,并根据网络中节点连接延迟的情况,动态地规划桥节点的位置和个数。/n
【技术特征摘要】
1.一种优化网络延迟的分布式ADMM机器学习方法,其特征在于,针对ad-hoc网络将凸优化问题分解成子凸优化问题进行求解,为得到凸优化问题的全局最优解,机器学习方法包括以下步骤:
针对网络延迟对基于桥节点和工作节点的分布式ADMM算法运行时间的影响,对网络节点进行初始化,并根据网络中节点连接延迟的情况,动态地规划桥节点的位置和个数。
2.根据权利要求1所述的一种优化网络延迟的分布式ADMM机器学习方法,其特征在于,在ad-hoc网络中,设网络中有J个节点,定义节点j的邻居节点为Nj,目标是根据在节点j处的到的观察值估计一个Rp×1向量s;Lj表示xj的维数,表示Lj维列向量的集合,xj表示在第j个节点得到的数据,p表示p维,Rp×1表示p维列向量的集合,即表示向量s是一个p维的列向量;
表示在节点j针对xj的目标优化函数;
引入一个辅助变量sj并以下列方式表示问题。
Subjectto:
b∈B,j∈Nb,表示网络中所有桥节点都拥有的本地向量,B表示网络中的所有桥节点的集合,b表示网络中的桥节点b,Nb表示与桥节点b相邻的所有工作节点的集合;
是桥节点的集合,其拥有本地向量针对上述优化问题的拉格朗日表达式如下:
其中是一个大于0的常量,v表示网络上所有的集合,表示针对节点j与所对应的桥节点b的拉格朗日乘子,cj表示为节点j所对应的拉格朗日惩罚系数,表示表示网络中所有桥节点都拥有的本地向量,针对上述优化问题采用基于桥节点和工作节点的分布式ADMM算法进行求解。
3.根据权利要求2所述的一种优化网络延迟的分布式ADMM机器学习方法,其特征在于,所述对网络节点进行初始化具体包括步骤:对于节点i,如果其相邻的节点中存在桥节点,则将节点i设置为工作节点,如果与节点i相邻的所有节点中没有桥节点,则将节点i设置为桥节点。
4.根据权利要求3所述的一种优化网络延迟的分布式ADMM机器学习方法,其特征在于,为保证分布式算法的收敛性,针对网络中工作节点j,如果工作节点j与其相邻的工作节点间不存在共同的桥节点,就将工作节点j设置为与其相邻的工作节点的桥节点。
5.根据权利要求4所述的一种优化网络延迟的分布式ADMM机器学习方法...
【专利技术属性】
技术研发人员:曾帅,王爽胜,张毅,周瑜民,肖俊,张烨,赵国峰,段洁,刘亮,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。