Optimización Compuesta Distribuida No Convexa con Restricciones de Desigualdad Acopladas

Área de la Ciencia:

• Teoría de la Optimización
• Sistemas Distribuidos
• Ciencia de Redes

Sus antecedentes:

• Los problemas de optimización compuesta distribuida implican minimizar sumas de funciones locales en múltiples agentes.
• La no convexidad y la no suavidad en las funciones objetivo y de restricción presentan desafíos algorítmicos significativos.
• Las redes multiagente variables en el tiempo añaden complejidad a la coordinación y la convergencia.

Objetivo del estudio:

• Desarrollar un algoritmo distribuido eficiente para la optimización compuesta distribuida no convexa.
• Abordar los desafíos que plantean las funciones objetivo y de restricción no convexas y no lineales.
• Garantizar la convergencia a un punto épsilon-Karush-Kuhn-Tucker (KKT).

Principales métodos:

• Se propone un nuevo algoritmo dual de primal linealizado aumentado distribuido.
• El algoritmo incorpora técnicas de seguimiento distribuido y consenso dinámico.
• Se utiliza análisis teórico para establecer propiedades de convergencia.

Principales resultados:

• El algoritmo propuesto encuentra un punto épsilon-KKT bajo elecciones apropiadas de parámetros.
• La optimalidad promedio, la violación de restricciones y la holgura complementaria convergen a cero a tasas sublineales.
• La aplicación numérica valida la efectividad del algoritmo.

Conclusiones:

• El algoritmo desarrollado ofrece una solución eficaz para una clase desafiante de problemas de optimización.
• Las garantías teóricas brindan confianza en el rendimiento del algoritmo.
• El enfoque se valida a través de un ejemplo numérico práctico.