摘要
第1章 绪论
1.1 研究背景和目的
1.2 系统框架和问题描述
1.3 研究历史和现状
1.3.1 经典最优化流派
1.3.2 群体智能流派
1.4 本文的主要工作和内容组织
第2章 并行和分布式优化的理论基础
2.1 无约束优化问题
2.1.1 下降法
2.1.2 下降方向
2.1.3 步长规则
2.1.4 收敛性
2.2 有约束优化问题
2.2.1 可行域的引入
2.2.2 投影法
2.2.3 对偶理论
2.2.4 等式约束的乘子法
2.2.5 不等式约束的内点法
2.3 并行和分布式最优化
2.3.1 G-S方法
2.3.2 SOP方法
2.3.3 并行乘子法
2.3.4 分布式乘子法
2.4 无约束和有约束优化问题的等价变换
2.5 小结
第3章 可导目标函数的分化乘子法
3.1 乘子法的局限
3.2 分化乘子法SMoM
3.3 SMoM算法的并行和分布式推广
3.4 SMoM算法的收敛性分析
3.5 SMoM算法在Logistic回归上的应用
3.5.1 并行式Logistic回归
3.5.2 分布式Logistic回归
3.6 小结
第4章 不可导目标函数的混合乘子法
4.1 交替方向乘子法ADMoM及其局限
4.2 混合优化算法HMoM
4.3 HMoM算法的并行和分布式推广
4.4 HMoM算法的收敛性分析
4.5 HMoM在稀疏信号恢复中的应用
4.5.1 并行式稀疏信号恢复
4.5.2 分布式稀疏信号恢复
4.6 小结
第5章 基于增量次梯度的分布式信号估计
5.1 增量次梯度投影算法IS
5.1.1 接力模式
5.1.2 步长规则
5.2 IS算法的收敛性
5.2.1 轮转顺序
5.2.2 随机顺序
5.2.3 马尔科夫顺序
5.3 IS算法于分布式信号估计中的应用
5.3.1 分布式最大似然估计DIS-MLE
5.3.2 分布式最优线性无偏估计DIS-BLUE
5.3.3 分布式最小二乘估计DIS-LSE
5.3.4 分布式最大后验概率估计DIS-MAP
5.3.5 分布式最小均方误差估计DIS-LMMSE
5.4 仿真对比与分析
5.4.1 分布式MLE算法
5.4.2 分布式BLUE算法
5.4.3 分布式MAP算法
5.4.4 分布式LMMSE算法
5.5 小结
第6章 利用随机广播的无偏一致性和分布式优化算法
6.1 网络一致性算法与Gossip算法
6.2 算法描述
6.3 收敛性分析
6.3.1 C-RBG的收敛性
6.3.2 DGD-RBG的收敛性
6.4 仿真结果与分析
6.4.1 C-RBG算法
6.4.2 DGD-RBG算法
6.5 小结
第7章 总结与展望
7.1 全文总结
7.2 工作展望
参考文献
已发表或录用论文列表
已申请专利列表
致谢
声明
复旦大学;