本文提出了一类新的随机异步分布式优化方法，将标准的交替方向乘子法推广到异步设置中，其中随机的高斯 - 塞德尔迭代用于找到两个单调算子求和的零点，最终收敛性在连接性条件下得到保证，数值结果证明了我们的理论。

Mar, 2013

本文探讨了在信号处理等领域中出现的多智能体分布式共识优化问题，并提出了与经典共识子梯度方法相比，收敛速度更快但计算复杂度更高的 ADMM 算法。同时，通过引入一步不精确计算的方法，降低了 ADMM 的计算复杂度，并证明了该算法具有良好的收敛性能。

Feb, 2014

研究了基于交替方向乘法方法的量化分布式算法，用于解决多代理分布式优化问题，该算法适用于包括 LASSO 在内的更一般目标函数（可能是非平滑的）在有限容量和其他实际约束下进行通信。

Oct, 2015

提出了一种分布式算法 - 分布式交替方向乘子法 (D-ADMM)，可解决相互连接节点或代理的分离优化问题，该算法已被证明在网络为二分图或所有函数都是强凸时收敛，用于解决信号处理和控制问题时，相较于现有算法将通信频率大幅降低。

Feb, 2012

我们证明了 Alternating Direction Method of Multipliers (ADMM) 收敛到最优的原始对偶解，假设成本函数 f (x)+g (y) 被限制在对点集 X 和 Y 上。

Dec, 2011

我们提出了一种可扩展和有效的多智能体安全运动规划器，通过寻找每个智能体的分段线性路径，解决了丰富的障碍物、高维度、非线性、非完整动力学、执行限制和干扰等挑战，并通过解决混合整数线性规划问题，协调智能体的碰撞避免路径。

Dec, 2020

本文提出一种新的随机交替方向乘子法（ADMM）算法，其在线性化 ADMM 公式上逐步逼近全梯度。实验证明，该算法在凸优化问题上的收敛速度得到提高，速度显著快于现有的随机和批量 ADMM 算法。

Aug, 2013

本研究提出了一种交替方向乘子法（ADMM），该方法可以解决优化成对函数的非凸问题，适用于图像分割等领域，可以将问题分解为多个小的子问题，并通过一个新的约束条件保证了子问题的一致性，通过迭代求解子问题和更新一致性变量来加速收敛。

Apr, 2017

本文提出了一种新的方法来加速 ADMM 的收敛速度，通过自动决定每次迭代中需要的约束惩罚来加速收敛速度，并且还提出了一种方法，可以自适应地确定更新惩罚所需的最大迭代次数。这种方法可以有效地引导分布式优化的自适应动态网络拓扑，其在合成和真实数据，以及计算机视觉的应用方面得到了证明。

Jun, 2015

本文提出了一种名为 “Parallel Direction Method of Multipliers（PDMM）” 的随机块坐标方法，以解决带有多块线性约束的优化问题，并表明 PDMM 在两个应用程序中均优于现有技术方法，在全局收敛和迭代复杂度方面进行了详细说明

Jun, 2014