本書旨在介紹作者及其研究團隊在分布式優化與學習理論方面的**研究成果。全書共7章，第1、2章為緒論和相關數學基礎；第3、4章為連續時間和基于采樣數據的分布式優化算法；第5、6章分別為基于群體智能的分布式優化算法和分布式機器學習算法；第7章為基于自適應神經網絡輸出反饋控制的分布式合作學習方案設計。本書主要關注從分布式技術中總結出來的理論與方法方面的問題，但相關研究結論可以為解決通信網絡、電網、燃氣網、交通網等相關的網絡優化問題提供借鑒和指導。
目錄
前言
符號表
縮略語表
第1章 緒論 1
1.1 分布式優化理論 1
1.1.1 多智能體系統的分布式凸優化 2
1.1.2 幾類經典的分布式優化算法 3
1.1.3 通信環境對分布式優化的影響 8
1.2 分布式學習理論 15
1.2.1 分布式機器學習 15
1.2.2 分布式合作自適應 16
1.3 本書內容安排 17
第2章 數學基礎知識 18
2.1 圖論相關知識 18
2.1.1 代數圖論 18
2.1.2 固定拓撲 19
2.1.3 時變拓撲 21
2.2 克羅內克積 22
2.3 模糊邏輯系統 22
2.4 分布式一致性理論 23
2.4.1 一致性理論和合作策略 23
2.4.2 多智能體系統的一致性 24
2.4.3 分布式平均一致性 24
2.5 系統穩定性理論 25
2.6 Zeno現象 29
2.7 凸優化相關知識 29
2.8 徑向基函數神經網絡 31
2.9 重要引理 32
第3章 連續時間分布式優化算法 34
3.1 引言 34
3.2 固定拓撲連續時間分布式優化算法 36
3.2.1 零梯度和算法 37
3.2.2 基于分布式事件驅動通信的零梯度和算法 38
3.3 時變拓撲連續時間分布式優化算法 41
3.4 收斂性分析 43
3.4.1 固定拓撲情形 43
3.4.2 時變拓撲情形 50
3.5 數值仿真 59
3.5.1 固定拓撲情形 59
3.5.2 時變拓撲情形 65
3.6 本章小結 76
第4章 基于采樣數據的分布式優化算法 77
4.1 引言 77
4.2 基于采樣數據的周期零梯度和算法 78
4.2.1 算法設計 78
4.2.2 收斂性分析 80
4.3 基于采樣數據的事件驅動零梯度和算法 81
4.3.1 算法設計 82
4.3.2 收斂性分析 85
4.4 數值仿真 90
4.5 本章小結 97
第5章 基于群體智能的分布式優化算法 99
5.1 引言 99
5.2 基于群體智能的分布式優化框架 101
5.3 分布式粒子群優化算法 102
5.3.1 一致性搜索 106
5.3.2 一致性評價 109
5.3.3 粒子群合作演化 110
5.3.4 局部終止規則 111
5.4 數值仿真 113
5.4.1 實驗1：小規模的無向/有向網絡 113
5.4.2 實驗2：大規模網絡 120
5.5 本章小結 122
第6章 分布式機器學習算法 124
6.1 引言 124
6.2 基于模糊邏輯系統的分布式合作學習算法 125
6.2.1 問題描述 125
6.2.2 算法描述 127
6.3 分布式學習算法比較 133
6.3.1 現有分布式學習算法 133
6.3.2 五種分布式學習算法的比較 136
6.4 應用與軟件實現 137
6.4.1 回歸問題 140
6.4.2 分類問題 144
6.5 本章小結 148
第7章 基于自適應神經網絡輸出反饋控制的分布式合作學習 149
7.1 引言 149
7.2 自適應神經網絡輸出反饋控制器設計 150
7.3 分布式合作學習方案 152
7.4 閉環系統穩定性和神經網絡學習能力 153
7.5 數值仿真 160
7.6 本章小結 169
參考文獻 170
新書資訊