《Algorithms》：Spawning Poisson Multi-Bernoulli Mixture Filter for Multi-Extended Object Tracking Using Dynamic Hybrid Detection
编辑推荐：
本文提出了一种自适应单层分布式神经动力学（Neurodynamic）优化方法，结合罚函数法（Penalty Method），以解决多智能体系统中具有仿射等式约束与不等式约束的非光滑伪凸（Pseudoconvex）优化问题，其中智能体的全局目标函数为伪凸但未必可
本文提出了一种自适应单层分布式神经动力学（Neurodynamic）优化方法，结合罚函数法（Penalty Method），以解决多智能体系统中具有仿射等式约束与不等式约束的非光滑伪凸（Pseudoconvex）优化问题，其中智能体的全局目标函数为伪凸但未必可微。该方法旨在优化全局目标函数的同时确保满足各类约束。该方法避免了使用额外的辅助变量，从而降低了通信带宽与计算复杂度。在温和假设下，所设计模型的解对任意初始条件均有界，能在有限时间内进入各自的可行域，并永久保持在可行域内。为实现无向连通网络中多智能体系统的有限时间一致性，引入了一种新颖的一致性机制以确保所有智能体在有限时间内同步其状态。通过利用全局目标函数独特的伪凸性，解轨迹收敛至原问题的最优状态。此外，通过两个仿真实验验证了所提方法的有效性，并与四种现有算法进行了比较，以展示其在收敛性能方面的优越性。最后，给出了电力系统中的经济调度问题作为工程应用，以说明所提算法的实际适用性。
研究背景方面，分布式优化问题在多节点网络中具有广泛应用，涵盖机器学习、图像处理、模式识别和机器人学等领域。此类问题聚焦于在给定约束下确定最优解，每个智能体仅依赖其邻居共享的局部信息。自Hopfield等人提出Hopfield网络以来，递归神经网络（Recurrent Neural Networks, RNNs）已被广泛应用于求解优化问题。然而，随着通信技术的发展和多智能体系统的增长，传统集中式优化方法因通信成本高、存在单点故障风险等局限性，已难以满足多智能体应用的挑战。分布式优化在移动传感器网络、多智能体协同控制和机器学习等领域变得日益重要。尽管现有研究已提出多种分布式优化方法，但针对分布式伪凸优化的方法仍然有限，而伪凸函数作为一类更广泛的非凸函数，在计算机视觉、投资组合优化、分数规划、无摩擦接触建模和医学成像等领域具有广泛应用。因此，设计适合约束伪凸优化问题的分布式神经动力学优化方法具有迫切需求。
目前存在的主要问题包括：首先，现有分布式优化方法多集中于凸优化问题，对伪凸优化的研究不足；其次，部分方法虽能处理伪凸优化，但仅适用于公共凸约束集，无法处理更复杂的局部约束；再次，许多现有方法采用多层网络结构，需要引入辅助变量，增加了通信带宽和计算复杂度；此外，大多现有模型仅能渐近收敛，无法实现有限时间一致性，而有限时间一致性在工程应用中更为实用和高效。针对上述问题，研究人员开展了本项研究。
研究人员提出了一种基于罚函数理论的单层有限时间一致性神经动力学优化方法，专门用于解决具有等式约束和多个不等式约束的分布式伪凸优化问题。该方法的主要技术特点包括：采用单层神经动力学模型结构，避免了构建对偶函数和添加辅助变量；设计了一种新颖的有限时间一致性机制；利用罚函数处理约束条件；针对非光滑伪凸目标函数进行优化。研究得出的结论包括：所设计模型的状态解对任意初始条件有界；状态轨迹能在有限时间内进入等式约束集、不等式约束集和全局可行域，并保持在内；所有智能体能在有限时间内实现一致性；状态解最终收敛至原约束分布式伪凸优化问题的最优解。该研究发表在《Algorithms》期刊，其意义在于为约束分布式伪凸优化问题提供了一种更简单、高效的解决方案，降低了通信和计算开销，并在电力系统经济调度等实际问题中展现了应用价值。
研究所用的主要关键技术方法如下：样本方面，研究基于无向连通图上的多智能体系统，涉及6个智能体和5个智能体的多节点网络，以及电力系统中5个发电单元的实际应用案例。核心方法包括：基于罚函数理论的单层神经动力学模型设计，其中罚函数项确保智能体逐步进入等式约束和不等式约束的可行域；有限时间一致性协议保证智能体状态同步；利用伪凸性分析解的最优性收敛；通过时变参数实现方法优先级的平滑过渡。
研究结果部分，研究通过多个方面进行了系统阐述。
在引言部分，研究人员介绍了约束分布式优化问题的背景、分布式神经动力学优化的现有研究及其局限性，并明确了本文的主要贡献，包括处理更一般的伪凸目标函数、处理具有私有局部不等式约束和全局等式约束的问题、单层模型设计以及有限时间一致性实现。
在相关工作部分，研究人员综述了Jahvani等人、Jiang等人、Liu等人、Wang等人、Ma等人、Meng等人、Jia等人、Ge等人、Lu等人、Xu等人、Wang等人、Yu等人和Li等人的研究工作，指出现有分布式优化方法主要集中于凸优化，对伪凸优化的研究不足，且存在多层网络复杂度高、无法处理等式约束或有限时间一致性等问题。
预备知识与图论部分，研究人员介绍了基本数学概念，包括局部Lipschitz连续性、Clarke广义方向导数、次微分（Subdifferential）、链式法则、伪凸函数定义，以及无向连通图的加权邻接矩阵、拉普拉斯矩阵（Laplacian Matrix）等图论基础，为后续理论证明奠定了数学基础。
问题描述部分，研究人员将分布式优化问题形式化为n个智能体在无向连通图上的协作优化，目标是最小化全局目标函数，同时满足局部不等式约束和全局等式约束。每个智能体具有私有不等式约束，所有智能体共同满足等式约束。研究人员假设目标函数为伪凸、图为连通、水平集有界，并定义了罚函数和辅助函数。
模型构建部分，研究人员设计了第i个智能体的神经动力学模型。该模型包含四个关键组成部分：作用于等式约束的项，通过联合作用确保智能体逐步进入等式约束的可行域；罚函数项，能将状态拉入不等式约束的可行域并在有限时间内保持在内；一致性项，保证智能体在有限时间内实现一致性，动态调节共识过程；优化项，用于最小化问题的全局目标函数。时变随迭代递减，确保方法优先级的平稳过渡。与多层神经动力学网络相比，单层设计更易于实现，计算更简单，通信资源损耗更少。
理论结果部分，研究人员通过五个定理严格证明了算法的收敛性能。定理1证明状态解能在有限时间内进入等式约束集并保持在内，证明过程中选择了适当的能量函数，利用链式法则分析，结合矩阵的行满秩性质，应用了有限时间到达引理。定理2证明状态解的有界性，通过构造能量函数，利用水平集有界性和罚函数的有界性完成证明。定理3证明状态解能在有限时间内进入不等式约束集，分两种情况讨论，当状态在约束集外时利用罚函数的惩罚作用，当状态在约束集边界附近时分析其动态行为，均证得有限时间收敛。定理4证明所有智能体能在有限时间内实现一致性，构造包含一致性误差和约束惩罚的能量函数，利用凸函数性质和有限时间引理完成证明。定理5证明状态解最终收敛至原问题的最优解，构造关于最优解偏差的能量函数，利用伪凸函数的性质，通过极限分析和次微分条件，证得解轨迹收敛至最优状态。
数值实验部分，研究人员设计了两个分布式伪凸优化问题进行验证。示例1包含6个智能体，目标函数为非光滑伪凸函数，具有私有不等式约束和公共等式约束，最优解为(1, 0, 0, 1, 0, 1)
T，仿真结果显示状态变量最终收敛至最优解，误差趋于零，且从不同初始点出发均能收敛，验证了算法的鲁棒性和适应性。示例2包含5个智能体，其中目标函数在特定点为伪凸，最优解为(-1, -1, -1, -1, -1)
T，仿真结果显示所有智能体在20秒内实现一致性，状态解误差收敛至零，不同初始条件下的鲁棒性也得到验证。
对比实验部分，研究人员将所提算法与文献[18]、[25]、[38]、[39]中的四种算法进行了比较。为便于比较，将原问题转化为仅含不等式约束的分布式伪凸优化问题。结果表明，所提算法在不同初始条件下均展现出更优的收敛性能，所有智能体能在有限时间内达到一致性。相比之下，文献[38]的算法需计算状态解与内点的距离，计算负担大，且未讨论等式约束情形；文献[25]的算法需计算投影算子，计算复杂度高，且收敛行为对初始点选择敏感；文献[18]的算法主要针对凸优化问题，对伪凸问题的适用性未建立；文献[39]的算法虽能处理非凸约束优化，但收敛性能强依赖于参数，需精心设计。所提算法无需繁琐的参数调整，在不同初始条件下均表现满意。
应用实例部分，研究人员将算法应用于电力系统经济调度问题。该问题要求满足负荷需求的同时保证系统经济运行，每个发电单元在容量限制内运行，通过协同优化最小化总体发电成本并维持供需平衡。仿真考虑5个发电单元组成的分布式电力系统，采用二次成本函数，总需求功率为150 MW。最优解为(35.34, 39.17, 44.85, 34.77, 35.96)
T MW，最小发电成本为2576.83 $/h。仿真结果显示状态解接近最优解，误差收敛至零，验证了算法在实际工程问题中的有效性。
讨论与结论部分，研究人员总结了所提单层神经动力学模型的主要优势：有效处理非光滑分布式伪凸优化问题，具有仿射等式约束和私有不等式约束；状态解有界，能在有限时间内进入可行域并实现一致性，最终收敛至最优解；与现有方法相比，实现了有限时间一致性，允许每个智能体拥有私有不等式约束，消除了辅助变量需求，降低了通信带宽和计算复杂度。研究人员也指出了未来研究方向，包括将框架扩展至有向通信图、切换拓扑、具有通信时延和扰动的系统，以及研究更一般类别的约束分布式优化问题。
