时变非平衡有向网络上基于分数阶记忆的长期不等式约束分布式在线优化算法

《Fractal and Fractional》:Fractional-Memory Distributed Online Optimization with Long-Term Constraints

【字体: 大 中 小 】 时间:2026年10月24日 来源:Fractal and Fractional 3.5

编辑推荐:

   本文研究的是时变非平衡有向网络上的长期不等式约束分布式在线优化问题。我们提出了一种基于分数阶记忆的分布式在线优化算法,以同时利用当前和历史的一阶信息。该算法的搜索方向由归一化的幂律记忆权重构建,其分布由分数阶阶数调节,记忆范围由最大记忆滞后量决定。为应对有向通信的非平衡性,算

  本文研究的是时变非平衡有向网络上的长期不等式约束分布式在线优化问题。我们提出了一种基于分数阶记忆的分布式在线优化算法,以同时利用当前和历史的一阶信息。该算法的搜索方向由归一化的幂律记忆权重构建,其分布由分数阶阶数调节,记忆范围由最大记忆滞后量决定。为应对有向通信的非平衡性,算法引入了辅助权重机制;同时,长期约束的表述方式允许向原始可行域的一个计算上可处理的超集进行投影,从而避免了每轮迭代中进行昂贵的约束投影。在适当的假设和参数选择下,建立了次线性静态遗憾和累积绝对约束违反界。分布式在线岭回归问题的仿真实验验证了所提算法的可行性。
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