星空讲堂:随机分布式优化算法的高概率收敛性分析
2026年10月27日··
1 分钟阅读时长
管理员

摘要
在传感器跟踪、电力系统的经济调度及基于大数据的机器学习等实际应用中,分布式优化通常受到诸多不确定性因素的影响,研究基于噪声梯度信息的随机分布式优化显得至关重要。已有关于随机分布式优化算法的研究主要考虑其期望意义下的收敛性,而这在理论上通常难以保证算法在单次运行下的有效性,算法执行效率较低。这里探讨具有高概率收敛性的随机分布式优化算法。首先,考虑一类非理想环境中分布式优化问题,给出一类基于轻尾噪声梯度信息的分布式随机梯度下降算法,并在时变通信图下分析算法在高概率意义下的渐近收敛性。其次,考虑具有重尾噪声梯度信息的极端情形,提出一类基于裁剪梯度策略的分布式对偶平均算法。该算法中,利用裁剪梯度策略消除噪声梯度中极端值的影响。在时变通信图满足周期组合强连通的条件下,刻画了算法在高概率意义下的收敛速度,利用数值仿真实验对算法的有效性进行了验证。
日期
2026年10月27日 10:00 — 12:00
事件
位置
D2-210
松岭路99号,青岛科技大学, 青岛, 山东 266100
报告人简介:
卢开红,山东科技大学教授、博士生导师。主要从事分布式协同控制与优化、非合作博弈理论等方面的研究。近年来,发表高水平期刊论文50余篇,其中含长文在内的IEEE TAC和Automatica论文17篇。主持国家自然科学基金面上、青年基金等项目,先后入选泰山学者青年专家、青岛西海岸领军人才计划。担任美国《数学评论》评论员、山东省自动化学会理事等学术兼职。