分布式在线多步Frank-Wolfe凸优化的动态遗憾增强 | 张文韬,施阳,张保勇等
原文中文，约2000字，阅读约需5分钟。发表于：。针对多智能体分布式在线约束优化问题，本文在时变多智能体网络上，通过结合一种多步迭代技术，提出一种分布式在线多步迭代Frank-Wolfe算法。
南京理工大学和加拿大维多利亚大学的研究团队提出了一种改进的分布式在线多步迭代Frank-Wolfe算法。该算法在时变网络上通过多步迭代提高收敛性能，解决高维约束优化问题。新算法无需先验知识，动态遗憾上界更紧。实验验证了其在单纯形和范数球约束下的有效性，并探讨了动态遗憾、计算和通信成本的权衡。研究结果在真实数据集上得到了验证。
