TU Darmstadt / ULB / TUprints

Distributed optimization methods for N-cluster games

Tatarenko, Tatiana ; Zimmermann, Jan (2023)
Distributed optimization methods for N-cluster games.
In: at - Automatisierungstechnik, 2022, 70 (3)
doi: 10.26083/tuprints-00023282
Article, Secondary publication, Publisher's Version

[img] Text
10.1515_auto-2021-0137.pdf
Copyright Information: In Copyright.

Download (342kB)
Item Type: Article
Type of entry: Secondary publication
Title: Distributed optimization methods for N-cluster games
Language: English
Date: 2023
Place of Publication: Darmstadt
Year of primary publication: 2022
Publisher: De Gruyter
Journal or Publication Title: at - Automatisierungstechnik
Volume of the journal: 70
Issue Number: 3
DOI: 10.26083/tuprints-00023282
Corresponding Links:
Origin: Secondary publication service
Abstract:

This work provides methodological approaches to solve convex optimization problems arising in multi-agent systems which can be reformulated in terms of a so called N-cluster game. We consider different settings of information available to each agent in the system. First, we present a centralized algorithm, which requires a central coordinator having full access to information about agents’ actions and gradients of their cost functions, to demonstrate how the standard gradient descent method can be applied to achieve an optimal output in N-cluster games. After that we relax the full information setting and assume that only partial information is available to each agent. Focus lies on the following two cases. In the first case, the agents have access to their gradient functions and are allowed to exchange information with their local neighbors over a communication graph that connects the whole system. In the second case, the agents do not know the functional form of their objectives/gradients and can only access the current values of their objective functions at some query point. Moreover, the agents are allowed to communicate only with their local neighbors within the cluster to which they belong. For both settings we present the convergent optimization procedures and analyse their efficiency in simulations.

Alternative Abstract:
Alternative AbstractLanguage

Diese Arbeit stellt methodische Herangehensweisen zur Lösung von konvexen Optimierungsproblemen in Multi-Agenten-Systemen, formuliert als sogenannte Multi-Cluster Spiele, vor. In diesem Zusammenhang beschäftigen wir uns mit unterschiedlichen Aufteilungen von Informationen auf die Agenten. Zunächst stellen wir einen zentralen Algorithmus vor, der einen zentralen Koordinator mit uneingeschränktem Zugang zu den Aktionen der Agenten und den Gradienten ihrer Kostenfunktionen benötigt. Mit diesem Algorithmus soll demonstriert werden, wie die bekannte Methode des Gradientenabstiegs angewendet werden kann, um ein optimales Ergebnis bezüglich des N-Cluster Spiels zu erzeugen. Anschließend relaxieren wir die Annahme von uneingeschränkter Information und nehmen an, dass jedem Agenten nur ein Teil der Gesamtinformationen zur Verfügung steht. Hierbei liegt der Fokus auf den folgenden zwei Fällen. Im ersten Fall haben die Agenten Zugang zu den Gradienten ihrer eigenen Funktionen und Informationen können über einen das gesamte System vernetzenden Kommunikationsgraphen mit den direkten Nachbarn ausgetauscht werden. Im zweiten Fall kennen die Agenten die funktionale Form ihrer eigenen Zielfunktionen/Gradienten nicht und können den aktuellen Wert ihrer Zielfunktion nur an bestimmten Punkten abfragen. Zusätzlich ist es den Agenten nur erlaubt, Informationen mit den Agenten des eigenen Clusters auszutauschen. Für beide Fälle stellen wir konvergierende Optimierungsprozesse vor und analysieren deren Effizienz in Simulationen.

German
Uncontrolled Keywords: multi-agent systems, distributed optimization, game theory, discrete-time methods, Multi-Agenten-Systeme, verteilte Optimierung, Spieltheorie, zeitdiskrete Methoden
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-232823
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 18 Department of Electrical Engineering and Information Technology > Institut für Automatisierungstechnik und Mechatronik > Control Methods and Intelligent Systems
Date Deposited: 28 Feb 2023 10:24
Last Modified: 25 May 2023 06:31
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/23282
PPN: 507941667
Export:
Actions (login required)
View Item View Item