一种基于连续凸逼近的分布式异步优化方法技术

本发明专利技术涉及一种基于连续凸逼近的分布式异步优化方法，属于网络通信领域。该方法包括：S1：构建问题模型，即选择实际问题全局目标函数；S2：初始化每个节点所持局部变量，并设置最大迭代次数；S3：搭建有向强连通的非平衡源网络，并在其基础上添加虚拟节点搭建增广网络；S4：设置时延阈值、迭代次数以及系统参数；S5：确定的激活节点以及与之相关联的时延值的关系；S6：清除系统中过时信息；S7：选取代理函数，设置合适的步长和动量参数；S8：激活节点通过与近邻通信或者利用时延值变量更新，非激活节点保持当前变量值进入下一个迭代更新，直到达到迭代次数阈值。本发明专利技术对异步网络具有强鲁棒性和容错性，提高通信链路利用效率。

【技术实现步骤摘要】
一种基于连续凸逼近的分布式异步优化方法
本专利技术属于网络通信领域，涉及大规模网络通信数据分布式优化
，具体涉及一种基于连续凸逼近技术的分布式异步优化方法。
技术介绍
早期，各行业均处于初始发展状态，所需处理的数据往往体积小、维度低，因此这些数据往往只需要当个系统储存，再利用传统的集中式优化算法就可以高效处理这些数据。然而，随着大规模网络的迅速发展，数据种类增多、体积增大、维度增高，数据也往往储存在多个系统中。传统集中式优化算法已经难以满足日益发展的行业需求，因此人们开始将目光投入到分布式优化算法的设计上。分布式优化是通过多节点之间的有效协作来实现优化的任务，用来解决许多集中式优化算法难以解决的大规模复杂的优化问题。分布式优化在无线传感网络、机器学习、资源分配、智能电网以及控制系统等领域具有广阔的应用前景。当前，已经有一大批算法被提出来解决分布式优化问题，这些算法大致可以分为两类：同步算法和异步算法，且绝大多数算法都是同步算法。在同步算法中，所有节点需要协调统一更新时间，即：同步算法需要给所有的节点设置一个全局时钟。随着大数据时代本文档来自技高网...

【技术保护点】
1.一种基于连续凸逼近的分布式异步优化方法，其特征在于，该方法具体包括以下步骤：/nS1：构建问题模型，即选择实际问题全局目标函数；/nS2：初始化每个节点所持局部变量，并设置最大迭代次数k

【技术特征摘要】
1.一种基于连续凸逼近的分布式异步优化方法，其特征在于，该方法具体包括以下步骤：
S1：构建问题模型，即选择实际问题全局目标函数；
S2：初始化每个节点所持局部变量，并设置最大迭代次数kmax；
S3：搭建有向强连通的非平衡源网络并在其基础上添加虚拟节点搭建增广网络得到增广行随机矩阵和增广列随机矩阵
S4：设置时延阈值、迭代次数以及系统参数；
S5：确定第k次迭代的激活节点ik以及与之相关联的时延值的关系；
S6：若所选择节点为非激活节点，则跳转至步骤S9；
S7：若所选择节点为激活节点，则清除系统中过时信息；
S8：选取代理函数，并根据所计算的相关系统参数设置合适的步长和动量参数；
S9：激活节点通过与近邻通信或者利用时延值进行变量更新计算，直到达到迭代次数阈值，否则返回至步骤S7。


2.根据权利要求1所述的分布式异步优化方法，其特征在于，所述步骤S1中，构建的问题模型为：



其中，集合非空、封闭且是凸的；[m]＝{1,…,m}是通信网络中的节点集；任意节点i只知道局部目标函数不知道fj,j≠i，其中任意局部目标函数fi，是封闭且l-光滑的，即：对于任意的局部目标函数fi满足：||fi(x1)-fi(x2)||≤l||x1-x2||，其中l＞0；全局目标函数F是Lf-光滑的，其中Lf＝ml；正则函数是凸的；即：对于有G(x1)≥G(x2)+(x1-x2)T▽f(x2)；总函数U在上是有下界的；正则函数G和集合是公开信息；所有节点只需通过与邻居节点相互通信，从而协同地求解问题(P)的最优解x*。


3.根据权利要求2所述的分布式异步优化方法，其特征在于，所述步骤S2中，所有节点对所有变量进行初始化设置，具体包括：对于任意节点以及对于t＝-D,…,0，
所有节点将迭代次数k设置为0，再设置一个最大迭代次数kmax作为算法停止迭代更新的准则。


4.根据权利要求3所述的分布式异步优化方法，其特征在于，所述步骤S3中，搭建有向强连通的非平衡源网络具体包括：根据的邻接矩阵，得到行随机矩阵A和列随机矩阵B，并引入矩阵W＝{wij}来表示矩阵A或B；对于节点存在使得对于(j,i)∈ε，存在使得否则，wij＝0，其中，表示矩阵W所有元素...

【专利技术属性】
技术研发人员：李华青，程胡强，胡锦辉，夏大文，王政，吕庆国，冯丽萍，纪良浩，王慧维，郭靖，陈欣，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;50