我们提出了自适应扩散机制，以分布式方式优化全局代价函数，并将其应用于分布式估计和定位问题。

Oct, 2011

本文介绍了利用扩散策略开发分布式算法解决多任务问题的方法，通过最小化适当的均方误差标准和 L2 正则化共同推断在网络覆盖区域内需要推断的多个最佳参数向量。在本文中，分析了算法在平均值和均方误差意义下的稳定性和收敛性，并进行了模拟以验证理论发现，同时还说明了网络内应用于光谱感应、目标定位和高光谱数据分离的几种有用应用程序。

Nov, 2013

该研究分析分布式非凸优化问题，针对多智能体网络模型，利用一些技术假设证明分布式推送算法在目标函数的临界点处收敛，并利用扰动动力学证明扰动过程的几乎肯定收敛性。

Dec, 2015

采用扩散策略，将全分布式协作强化学习算法应用于分布式网络，实现仅与直接相邻的智能体通信以改进他们对环境的预测能力，具有线性计算时间和内存占用的高效分布式策略，可应用于离线学习和连续学习，以减少预测误差的偏差和方差，实现全局最优解的学习。

Dec, 2013

本文提出一种基于随机鞍点算法的分布式算法，以解决多智能体环境下的随机优化问题，该算法包括在线共识优化作为特例，并应用于传感器网络中的相关随机场顺序估计问题和在线源定位问题。

Jun, 2016

通过分布式自适应优化算法和混合贝叶斯学习以及分布式梯度下降方法，本文研究了在分布式网络中解决参数不确定性和并寻找最优解的问题，并证明了所有代理的信念和决策变量以及最优解的估算都会渐进地收敛到真实参数的结果以及真实参数下的最优解，并在数值实验中验证了理论分析的准确性。

Apr, 2024

通过对聚合优化问题进行罚函数改进和递增构造，本文开发了一种分布式优化策略，该策略以精确收敛为保障，适用于广泛的左随机组合策略，并且在 Part II 中展示出比 EXTRA 策略更宽阔的稳定性范围和更优的收敛性能，并且适用于非对称的左随机组合矩阵。

Feb, 2017

提出了一种新的、高效的方法，可以生成局部连续的 Pareto 集和 Pareto fronts，并将其应用于现代机器学习问题中。通过提出基于样本的稀疏线性系统，将多目标优化的理论结果扩展到现代机器学习问题中，并实现了局部 Pareto 集的分析。与现有算法相比，通过在各种多任务分类和回归问题上的应用，证明了我们的算法在平衡权衡、有效地找到更多的不同权衡解以及迎合百万级参数任务的能力。

Jun, 2020

本文对 Pareto 优化方法做了分类比较，并提出了一种称为级联加权平均的扩展加权平均方法以应对实际应用中多种多目标优化场景。

Mar, 2022

在多目标优化中，考虑到平衡多个目标之间的权衡，解决方案在最优权衡方面被称为帕累托最优；我们研究了解决帕累托集约束优化问题的本地方法，这是一个具有挑战性的问题，因为约束集不仅是隐式定义的，而且通常在目标函数是非凸非光滑的情况下。

Aug, 2023