Apprendimento Online e Prezzi Iterativi per la Programmazione di Satelliti su Larga Scala
Un nuovo framework affronta i problemi di ottimizzazione dei vincoli distribuiti (DCOP) specificamente per la programmazione decentralizzata di satelliti su larga scala. Questo metodo riesamina la relazione tra DCOP e giochi potenziali, integrando algoritmi di apprendimento online contemporanei per scoprire equilibri. Questi algoritmi dimostrano competitività rispetto ai tipici algoritmi DCOP incompleti. Il framework suddivide un DCOP in due sottoproblemi correlati: un meta-DCOP di alto livello focalizzato sull'allocazione dei compiti e compiti di ottimizzazione locale separati per la programmazione. Una tecnica innovativa di prezzo iterativo perfeziona le utilità a livello meta basandosi su intuizioni dalle ottimizzazioni locali. Questa ricerca è stata pubblicata su arXiv con ID 2607.25835.
Fatti principali
- I problemi di ottimizzazione dei vincoli distribuiti (DCOP) sono utilizzati per il processo decisionale distribuito con comunicazione limitata.
- Molte istanze DCOP reali sono troppo grandi per essere risolte in modo monolitico.
- La ricerca riesamina la connessione tra DCOP e giochi potenziali.
- Algoritmi di apprendimento online per la ricerca di equilibri sono adattati ai DCOP.
- Gli algoritmi proposti sono competitivi con rappresentativi algoritmi DCOP incompleti.
- Un nuovo framework di scomposizione separa un DCOP in un meta-DCOP per l'allocazione dei compiti e un'ottimizzazione locale per la programmazione.
- Un metodo di prezzo iterativo accoppia i due livelli aggiornando le utilità a livello meta utilizzando feedback dalle ottimizzazioni locali.
- L'applicazione è la programmazione decentralizzata di satelliti su larga scala.
Entità
Istituzioni
- arXiv