Scalable Distributed Optimization with Separable Variables in Multi-Agent Networks
Scalable Distributed Optimization with Separable Variables in Multi-Agent Networks
复制标题
DOI：
10.23919/acc45564.2020.9147590
复制
发表时间：
2020-07
期刊：
影响因子：
--
通讯作者：
O. Shorinwa;Trevor Halsted;M. Schwager
中科院分区：
文献类型：
--
作者：
O. Shorinwa;Trevor Halsted;M. Schwager
机器人、信号处理和其他学科涉及分布式数据收集和存储，用于状态估计、控制和使用优化的预测建模。我们考虑大规模的优化问题，其中多个代理有限的资源通过网络进行通信，以获得最佳变量的集中式问题。在这项工作中，我们提出了可分离的优化变量ADMM（SOVA）的方法，每个代理优化只在一个子集的优化变量相关的数据或角色，避免不必要的优化所有的问题变量。我们证明了优越的上级收敛速度的SOVA方法相比，以前的分布式ADMM方法。此外，我们展示了SOVA方法在机器人和数据建模中的应用。
Robotics, signal processing, and other disciplines involve distributed data collection and storage for state estimation, control, and predictive modeling using optimization. We consider large-scale optimization problems in which multiple agents with limited resources communicate over a network to obtain the optimal variables of the centralized problem. In this work, we present the Separable Optimization Variable ADMM (SOVA) method where each agent optimizes only over a subset of the optimization variables relevant to its data or role, avoiding unnecessary optimization over all the problem variables. We demonstrate superior convergence rates of the SOVA method compared to previous distributed ADMM methods. Further, we show applications of the SOVA method to robotics and data modeling.