分布式平均总体综述.docxVIP

分布式平均算法总体综述分布式平均/分布式一致性问题：所有的节点状态值通过分布式算法最终能够相同/几乎相同，这里所谓的“平均”是加权平均，特例情况，当权值矩阵满足双随机条件（迄今只发现两类情况：Max_degree algorithms,Metropolis algorithms）时，各状态值最终收敛于初始状态值的算法平均值。即：一般情况下，谈到“平均”是指加权平均，只要最终节点状态值达到一致性，就说算法是收敛的。对于分布式平均算法的来源，相比集中计算优势，以及近年来广泛运用领域，这里就不再重复了，参见之前的文献综述。这里重点阐述近年来分布式平均问题的不同类型算法。这里不妨说明，之前杨博论文中所提到的传统经典迭代算法：（*）该算法是我们这里谈到的分布式平均算法的一种特例，也是一种最基本的迭代算法，本地节点基于邻居和自己的当前值加权平均得到本节点下一时刻值，但是这种迭代算法注意的问题是，对于网格拓扑和随机拓扑，需要较多的迭代次数才能到达较好的一致性收敛。接下来，我们针对不同情形下分布式平均问题，采取不同的策略以提高一致性性能。提高收敛速率利用存储信息；利用二级节点；利用非线性迭代存在噪声存在链路失效流量控制和拓扑信息相关其它提高收敛速度利用存储信息Distributed Computation of Averages Over Ad hoc Networks 2005(Selected Areas in Communications, IEEE Journal on Date of Publication: April 2005)采用滤波器和延时器文中只是提到前人在分布式计算方面的工作，而且也基本是和路由算法结合在一起，对于分布式平均计算貌似没怎么提到，因此这里就不作陈述。作者提出的算法时运用于自组网和传感网中的分布式平均的计算，而且可以证明，通过获取本地网络连接信息，迭代算法时可以逼近收敛于所期望的状态值。另外，算法还有一个优势，那就是估计序列可以极大地改善迭代次数。再者，算法具有一定容错率，能够很好地适应网络拓扑变化。文章算法主题思想是：对于给定的网络拓扑，第个节点通过与邻居的信息交互产生的状态序列不断逼近所期望的数值。本文重点考查迭代算法：作者首先考察一阶LTI（线性是时不变）准则：，因此上述迭代算法为：，这里引进均匀传播参数（UD），改写权值矩阵，这样迭代关系变为：而且，文中并给出了的最大和最小取值。（可以看出该公式和（*）式权值矩阵换了）另外，定义了均方误差：然后基于一阶LTI准则又定义了更一般的LTI渐进收敛准则以更好地提高收敛速率。实际上是经滤波器和延时器处理构成的系统，这样将收敛速率的最大化转化成了系统传递函数的最大谱半径（方程根，注意这里需对滤波器的恰到选择）。这里作者选取了简单经典的滤波器：，这样权值矩阵就变为：这样最终的迭代方程变为：这里通过对和的恰当选择，可以提高收敛速率。Accelerated Gossip Algorithms for Distributed Computation 2006（Forty-Fourth Annual Allerton Conference Allerton House, UIUC, Illinois, USA Sept 27-29, 2006）采用移位寄存器作者采用流言算法来提高分布式平均一致性。文章提到了以往一些流言算法：【19】中每个节点将自己当前的值和随机一个邻居值（以一定的概率）两者的取平均作为自己的新值。这中方法有不少优势：首先，算法是完全分布式的，不需要中心节点协调；其次，可以不需要同步时钟来完成全网同步；再者，易实现，每一步只需要一次通信即可；最后算法具有一定的容错能力（链路失效或节点失效）。但是算法致命的不足是需要大量的迭代。因此为提高收敛速度也陆续出现了一些算法。【20】是基于可靠性传播的同步算法来提高收敛速度。【21】基于概率针对特定拓扑提高收敛性。对于在一般网络拓扑是否也具有这样的效果还没得到证实。【22】提出了一种改进型流言算法利用节点的位置信息来提高收敛速度，但这种算法是假定网络使用的协议中包含位置信息。本文，作者采用完全不同方法来提高流言算法收敛性。每个节点采用多阶移位寄存器来存储过去值，节点采用自己和邻居过去值来迭代更新。以二阶为例：此外，作者以二阶为例，证明的算法的收敛性。仿真比较流言算法移位寄存器不同阶数性能。Distributed average consensus with increased convergence rate 2008（Acoustics, Speech and Signal Processing, 2008. ICASSP 2008. IEEE International Conference onDat