A Slow-Fast Stochastic Framework for Zeroth-Order Distributed Time-Varying Optimization
本文提出了一种用于多智能体系统中仅利用零阶信息的分布式时变优化的新型快-慢随机框架，该框架通过引入辅助快速子系统来生成平滑的梯度估计，同时确保慢速子系统实现实际固定时间一致性和最优轨迹的有界渐近跟踪。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，一群无人机正试图在风暴中寻找完美的着陆点，或者一群机器人正在协调清理一个布局不断变化的工厂地面。它们无法与中央指挥官通信，也无法看到全局全貌。它们只知道自己眼前的即时环境以及当前表现得如何的“得分”。这就是分布式优化的世界：一群独立的智能体在没有领导者的情况下共同解决一个问题。
通常，为了找到最优解，你需要一张能告诉你哪边是“上坡”（梯度）的地图。但在许多现实世界的情况下，这张地图是缺失的。你只能看到当前位置的得分，而看不到山坡的坡度。这被称为零阶优化。让情况变得更加棘手的是，目标并不是一个固定的点；“最佳位置”一直在移动，就像跑步机上的目标一样。再加上现实世界的混乱——风力、噪声和随机故障（随机性）——这便构成了一个极其困难的谜题。科学家们一直试图构建能够同时处理这三点（无地图、移动目标和混沌）的算法。
这篇论文通过提出一种新的让这些智能体思考和移动的方式，解决了这个难题。作者 Wanying Li 和 Nanjing Huang 引入了一种巧妙的“快慢结合”系统。你可以把它想象成一支探险队，其中一些成员是“快速侦察兵”，而另一些则是“缓慢领导者”。
快速侦察兵（快速子系统）就像一群在花丛周围飞舞的、过度活跃的蜜蜂。它们并不试图解决整个问题；它们只是快速地采样环境，通过采取微小的随机步骤来猜测“得分”向哪个方向在改善。因为它们移动得非常快，并且使用了一种特殊的平滑技术，它们可以将嘈杂、锯齿状的猜测转化为平滑且可靠的方向。它们充当了一个高速过滤器，过滤掉静态噪声，以便领导者能听到信号。
缓慢领导者（慢速子系统）是真正朝着目标移动的智能体。它们移动得更加从容，利用快速侦察兵提供的平滑方向。它们还会与邻居进行交流，以确保整个群体在追逐移动目标时保持一致（共识）。
论文表明，通过将这两个任务分离到不同的速度水平，系统的表现比试图同时处理所有事情要好得多。作者在数学上证明了，即使存在随机噪声，快速侦察兵也能几乎瞬间追踪到“最佳方向”。与此同时，缓慢领导者成功地引导整个群体聚集在一起，并保持对移动目标的追踪。
至关重要的是，这篇论文并不仅仅是猜测这种方法有效；他们建立了一个严谨的数学框架，使用了“随机奇异摄动理论”（一种分析当速度差异巨大时，快速部分和慢速部分如何相互作用的高级方法）。他们证明了，在特定且可预测的时间内，整个群体将达到一个状态，即所有个体都彼此接近，并且都接近移动的目标。他们还根据所选的噪声和设置，精确计算了可以预期的误差量。
为了确保他们的数学理论不只是空谈，他们进行了包含 10 个智能体追踪一个扭动移动目标的计算机模拟实验。结果与他们的预测相吻合：智能体迅速同步，侦察兵提供了平滑的引导，整个群体保持在轨道上，且误差始终保持在他们计算出的界限之内。论文得出结论，这种“快慢结合”的方法是一种可靠且经过验证的方法，能够帮助智能体群体在信息极度受限且处于混沌环境时，解决复杂的移动问题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。