分散式最佳化、學習理論與方法

內容簡介

本書旨在介紹作者及其研究團隊在分散式最佳化與學習理論方面的最新研究成果。全書共7章，第1、2章為緒論和相關數學基礎；第3、4章為連續時間和基於採樣數據的分散式最佳化算法；第5、6章分別為基於群體智慧型的分散式最佳化算法和分散式機器學習算法；第7章為基於自適應神經網路輸出反饋控制的分散式合作學習方案設計。本書主要關注從分散式技術中總結出來的理論與方法方面的問題，但相關研究結論可以為解決通信網路、電網、燃氣網、交通網等相關的網路最佳化問題提供借鑑和指導。

圖書目錄

前言

符號表

縮略語表

第1章緒論

1.1 分散式最佳化理論

1.1.1 多智慧型體系統的分散式凸最佳化

1.1.2 幾類經典的分散式最佳化算法

1.1.3 通信環境對分散式最佳化的影響

1.2 分散式學習理論

1.2.1 分散式機器學習

1.2.2 分散式合作自適應

1.3 本書內容安排

第2章數學基礎知識

2.1 .圖論相關知識

2.1.1 代數圖論

2.1.2 固定拓撲

2.1.3 時變拓撲

2.2 克羅內克積

2.3 模糊邏輯系統

2.4 分散式一致性理論

2.4.1 一致性理論和合作策略

2.4.2 多智慧型體系統的一致性

2.4.3 分散式平均一致性

2.5 系統穩定性理論

2.6 Zeno現象

2.7 凸最佳化相關知識

2.8 徑向基函式神經網路

2.9 重要引理

第3章連續時間分散式最佳化算法

3.1 引言

3.2 固定拓撲連續時間分散式最佳化算法

3.2.1 零梯度和算法

3.2.2 基於分散式事件驅動通信的零梯度和算法

3.3 時變拓撲連續時間分散式最佳化算法

3.4 收斂性分析

3.4.1 固定拓撲情形

3.4.2 時變拓撲情形

3.5 數值仿真

3.5.1 固定拓撲情形

3.5.2 時變拓撲情形

3.6 本章小結

第4章基於採樣數據的分散式最佳化算法

4.1 引言

4.2 基於採樣數據的周期零梯度和算法

4.2.1 算法設計

4.2.2 收斂性分析

4.3 基於採樣數據的事件驅動零梯度和算法

4.3.1 算法設計

4.3.2 收斂性分析

4.4 數值仿真

分散式最佳化、學習理論與方法

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條