一种基于预测区间宽度的分析型信任调节方法，用于分散式在线凸优化

《Decision Analytics Journal》：An analytical trust modulation method using prediction interval width for decentralized online convex optimization

　　

Aphisak Witthayapraphakorn|Peerayuth Charnsethikul

泰国帕尧大学工程学院工业工程系，帕尧56000

摘要

具有耦合约束的分散式在线凸优化为网络资源分配、需求响应以及多智能体控制提供了理想的框架。预测信息虽能提升性能，但大多数分散式算法仅将预测的不确定性作为诊断依据，而非控制输入。本文研究了一种局部信任调节机制，该机制将预测区间宽度转化为在分散式原始-对偶更新过程中赋予乐观梯度的权重。较窄的预测区间意味着更高的信任度，而较宽的区间则会降低乐观程度，并可能触发安全的备用方案。针对一种与基准测试相匹配的标量正部分替代模型，我们推导出了主原始-对偶不等式，以及关于动态遗憾值和累积约束违反量的界限，这些界限明确体现了权重区间宽度、覆盖误差、比较器差异以及网络混合效应的影响。通过2011年至2014年共16个不重叠的季度电力负荷窗口的完全因果基准测试可知，采用UQ感知控制器的平均动态遗憾值低于事前因果误差自适应防护方法（分别为141.046 ± 22.110和144.033 ± 23.141），平均配对遗憾值差为?2.987，平均约束违反值差为+3.130。在预测数据出现错误时，该方法的性能下降幅度小于其他基于预测的方法，不过在严重错误情况下，无预测的安全模式表现最佳。通过事后行为匹配的无需考虑区间宽度的诊断方法可大幅缩小差距，这说明在所研究的标量正部分场景中，除了普遍的保守性之外，区间宽度带来的特殊效应其实并不显著。