Distributed Optimization: Advances in Theories, Methods, and Applications

این کتاب یک راهنمای مرجع ارزشمند برای محققان در بهینه سازی توزیع شده و برای دانشجویان ارشد و کارشناسی ارشد به طور یکسان ارائه می دهد.

این کتاب با تمرکز بر ماهیت و عملکرد عامل ها، شبکه های ارتباطی و الگوریتم ها در زمینه بهینه سازی توزیع شده برای سیستم های کنترل شبکه ای، خوانندگان را با پیشینه بهینه سازی توزیع شده آشنا می کند. پیشرفت های اخیر در الگوریتم های توزیع شده برای انواع مختلف شبکه های ارتباطی زیربنایی؛ اجرای استراتژی های محاسباتی کارآمد و کارآمد ارتباطی در اجرای الگوریتم های توزیع شده؛ و چارچوب های تحلیل همگرایی و ارزیابی عملکرد. بر این اساس، کتاب سپس به طور کامل مطالعه می کند 1) بهینه سازی محدود و طرح خواب تصادفی، از دیدگاه عامل توزیع شده است. 2) الگوریتم‌های مبتنی بر پخش ناهمزمان، ارتباطات راه‌اندازی رویداد، ارتباطات کوانتیزه، شبکه‌های هدایت‌شده نامتعادل، و شبکه‌های متغیر با زمان، از دیدگاه شبکه ارتباطی. و 3) الگوریتم‌های شتاب‌دار و الگوریتم‌های گرادیان تصادفی، از دیدگاه الگوریتم. در نهایت، کاربردهای بهینه سازی توزیع شده در یادگیری آماری در مقیاس بزرگ، شبکه های حسگر بی سیم و مدیریت بهینه انرژی در شبکه های هوشمند مورد بحث قرار گرفته است.

This book offers a valuable reference guide for researchers in distributed optimization and for senior undergraduate and graduate students alike.

Focusing on the natures and functions of agents, communication networks and algorithms in the context of distributed optimization for networked control systems, this book introduces readers to the background of distributed optimization; recent developments in distributed algorithms for various types of underlying communication networks; the implementation of computation-efficient and communication-efficient strategies in the execution of distributed algorithms; and the frameworks of convergence analysis and performance evaluation. On this basis, the book then thoroughly studies 1) distributed constrained optimization and the random sleep scheme, from an agent perspective; 2) asynchronous broadcast-based algorithms, event-triggered communication, quantized communication, unbalanced directed networks, and time-varying networks, from a communication network perspective; and 3) accelerated algorithms and stochastic gradient algorithms, from an algorithm perspective. Finally, the applications of distributed optimization in large-scale statistical learning, wireless sensor networks, and for optimal energy management in smart grids are discussed.