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

本文提出了第一种算法框架，用于在具有时变（非对称）连接的多代理网络中进行非凸分布式优化，该方法利用了动态共识作为将计算分配给代理的机制，并将其定制为用于多个领域的凸和非凸问题，包括信号处理，通信，网络和机器学习。数值结果表明，新方法在凸和非凸问题上与现有分布式算法相比具有优势。

Feb, 2016

本文研究了分布式优化算法在多主体网络上的应用，考虑了链路的非线性性对于支持向量机分类的影响，研究了各种非线性约束条件下算法的收敛性和影响。

Apr, 2023

在时间变化的网络上，解决非光滑凸分布式优化问题时，本文首次确定了通信和子梯度计算复杂性的下界，并发展了与下界匹配且在理论性能方面明显优于现有技术的最优算法。

May, 2024

本研究旨在研究分布式凸优化问题的双重算法，提出一种基于适当形式化原始问题的对偶的方法，包括模拟通信限制的图，并提出分布式算法，其效率与中心化算法相同（差异不超过常数和对数因子），并且与网络的谱特性有关的最优成本。

Sep, 2018

本论文提出了一种新的基于内部凸近似的算法框架来最小化一个非凸（顺滑）目标函数的方法，该算法用于一些通信网络中的资源分配问题，并开发了一类新的分布式算法，通过在基站之间有限的信号交换实现优化，这些算法可以始终收敛于前述类别的非凸问题的 d - 平稳解。

Jan, 2016

研究分布式优化的算法，提出了多步原始 - 对偶（MSPD）算法及其收敛率，证明了在局部正则性假设下，通信网络的结构仅对 $O (1/t)$ 的次要项产生影响。同时，提出了基于局部平滑的分布式随机平滑（DRS）算法在全局正则性假设下，其收敛速度接近于最优收敛速度，是一种简单而有效的算法。

Jun, 2018

本文研究了在无线网络中解决分布式非凸约束优化问题的深度学习框架，其中使用基于本地信息的有效状态分配。通过引入深度神经网络，将原始问题转化为基于非凸约束的 DNN 的训练任务，并开发了一种基于原始 - 对偶方法的约束训练策略，为分布式实现开发了一种新的输出二值化技术。实验结果证实了该方法的有效性。

May, 2019

本文研究了通过节点之间的交流来进行分布式优化的问题，提出了一种基于广播的算法，即 subgradient-push algorithm, 计算其收敛速率.

Mar, 2013

本文研究了分布式网络中去中心化优化的问题，尤其是基于双重平均子梯度的分布式算法及其收敛速度与网络大小和拓扑结构的关系，同时探讨了算法收敛和网络结构限制之间的关系，并证明了我们算法所需的迭代次数与网络谱隙成反比例关系。

May, 2010