目錄
前言
符號表
縮略語表
第1章 緒論 1
1.1 分布式優(yōu)化理論 1
1.1.1 多智能體系統(tǒng)的分布式凸優(yōu)化 2
1.1.2 幾類經(jīng)典的分布式優(yōu)化算法 3
1.1.3 通信環(huán)境對分布式優(yōu)化的影響 8
1.2 分布式學習理論 15
1.2.1 分布式機器學習 15
1.2.2 分布式合作自適應 16
1.3 本書內(nèi)容安排 17
第2章 數(shù)學基礎知識 18
2.1 圖論相關知識 18
2.1.1 代數(shù)圖論 18
2.1.2 固定拓撲 19
2.1.3 時變拓撲 21
2.2 克羅內(nèi)克積 22
2.3 模糊邏輯系統(tǒng) 22
2.4 分布式一致性理論 23
2.4.1 一致性理論和合作策略 23
2.4.2 多智能體系統(tǒng)的一致性 24
2.4.3 分布式平均一致性 24
2.5 系統(tǒng)穩(wěn)定性理論 25
2.6 Zeno現(xiàn)象 29
2.7 凸優(yōu)化相關知識 29
2.8 徑向基函數(shù)神經(jīng)網(wǎng)絡 31
2.9 重要引理 32
第3章 連續(xù)時間分布式優(yōu)化算法 34
3.1 引言 34
3.2 固定拓撲連續(xù)時間分布式優(yōu)化算法 36
3.2.1 零梯度和算法 37
3.2.2 基于分布式事件驅(qū)動通信的零梯度和算法 38
3.3 時變拓撲連續(xù)時間分布式優(yōu)化算法 41
3.4 收斂性分析 43
3.4.1 固定拓撲情形 43
3.4.2 時變拓撲情形 50
3.5 數(shù)值仿真 59
3.5.1 固定拓撲情形 59
3.5.2 時變拓撲情形 65
3.6 本章小結 76
第4章 基于采樣數(shù)據(jù)的分布式優(yōu)化算法 77
4.1 引言 77
4.2 基于采樣數(shù)據(jù)的周期零梯度和算法 78
4.2.1 算法設計 78
4.2.2 收斂性分析 80
4.3 基于采樣數(shù)據(jù)的事件驅(qū)動零梯度和算法 81
4.3.1 算法設計 82
4.3.2 收斂性分析 85
4.4 數(shù)值仿真 90
4.5 本章小結 97
第5章 基于群體智能的分布式優(yōu)化算法 99
5.1 引言 99
5.2 基于群體智能的分布式優(yōu)化框架 101
5.3 分布式粒子群優(yōu)化算法 102
5.3.1 一致性搜索 106
5.3.2 一致性評價 109
5.3.3 粒子群合作演化 110
5.3.4 局部終止規(guī)則 111
5.4 數(shù)值仿真 113
5.4.1 實驗1：小規(guī)模的無向/有向網(wǎng)絡 113
5.4.2 實驗2：大規(guī)模網(wǎng)絡 120
5.5 本章小結 122
第6章 分布式機器學習算法 124
6.1 引言 124
6.2 基于模糊邏輯系統(tǒng)的分布式合作學習算法 125
6.2.1 問題描述 125
6.2.2 算法描述 127
6.3 分布式學習算法比較 133
6.3.1 現(xiàn)有分布式學習算法 133
6.3.2 五種分布式學習算法的比較 136
6.4 應用與軟件實現(xiàn) 137
6.4.1 回歸問題 140
6.4.2 分類問題 144
6.5 本章小結 148
第7章 基于自適應神經(jīng)網(wǎng)絡輸出反饋控制的分布式合作學習 149
7.1 引言 149
7.2 自適應神經(jīng)網(wǎng)絡輸出反饋控制器設計 150
7.3 分布式合作學習方案 152
7.4 閉環(huán)系統(tǒng)穩(wěn)定性和神經(jīng)網(wǎng)絡學習能力 153
7.5 數(shù)值仿真 160
7.6 本章小結 169
參考文獻 170