分布式资源分配神经网络

多约束下协同优化

该神经动力学方法能够在切换通信拓扑下同时处理耦合等式与非线性不等式约束，并支持计划需求与自调节需求两种场景。

Luan, Linhua · Haoze, Li · 秦泗甜

IEEE Transactions on Industrial Informatics 2023

技术优势

同时处理多类约束

所提出的神经动力学方法能够同时解决耦合等式和非线性不等式约束，增强了对实际多约束问题的适用性。

有限时间达成共识

利用有限时间跟踪技术，局部拉格朗日乘子能够在有限时间内达成共识，提升收敛速度。

支持自调节需求

方法能够处理用户需求可能不可预测变化的场景，并在智能电网应用中展示出自调节需求相对计划需求的优势。

应用场景

• 智能电网：在智能电网中用于负荷优化分配，处理自调节需求并满足多约束，提升电力供需匹配效率。
• 工业智能制造：在工业智能制造中协调多资源分配问题，在资源受限和传输约束下实现协同优化。
• 多智能体系统：为多智能体系统提供分布式优化算法，使各智能体在切换拓扑下无需集中协调即可收敛到全局最优。
• 物联网资源调度：用于物联网场景下的分布式资源调度，支持动态需求并满足耦合约束，降低通信与计算开销。
• 分布式优化：作为分布式优化的神经动力学求解器，解决带等式和不等式约束的切换拓扑资源分配问题，加速收敛。