复杂动态网络中的一致性和分布式学习算法研究

Coordination algorithms and learning strategies on distributed networks are the advanced subjects in the field of signal processing. As a natural extension of the static distributed networks, dynamic distributed networks are more generic and more complex, which make the related researches more challenging, more theoretically in-depth, and more meaningful. To overcome the specialization, inefficiency and insufficiency problems suffered from the traditional algorithms, node mobility and distributed networks are combined to explore the consensus and distributed learning issues involved in the complex dynamic networks in this project. The main contents of the project will include four aspects. First, the generic models of the complex dynamic networks and their corresponding graphs will be set up. Second, the consensus algorithms and their accelerated algorithms will be designed, in which the impacts of the model parameters on the convergence of the algorithms will be also analyzed. Third, distributed learning methods will be proposed and employed in the complex dynamic networks signal processing issues such as consensus and estimation. Finally, the performance of all the proposed models and algorithms will be evaluated by simulations. This project will launch extensive researches on the complex dynamic networks by performing both theoretical analyses and numerical simulations, which will be expected to improve the system theories, to extend the application fields, and to optimize the system models of the distributed networks, and hence to lay the theoretical and technical foundations for the collaboration and optimized learning of the practical complex networked systems. This project has the important theoretical significance and application prospect.

分布式网络中的协同算法和学习策略是信号处理领域的前沿课题。作为静态分布式网络的自然延伸，动态分布式网络具有更一般性和复杂性，从而使得研究更加具有挑战性和理论深度，也更有现实意义。本课题拟将运动与分布式网络相结合，探索复杂动态网络中的一致性和分布式学习问题，解决传统算法模型特殊化、算法效率低以及缺乏深入研究等问题。课题的研究内容主要包括：完成一般化复杂动态网络的系统和图建模；设计一致性收敛算法和收敛加速算法并分析动态模型中各参数对收敛性的影响；探索分布式学习在复杂动态网络信号处理如一致性问题和信息估计问题中的应用；验证所提算法的有效性。本课题拟采用理论分析和仿真实验相结合的方式对复杂动态网络展开一系列深入研究，这将有助于完善分布式网络的系统理论、拓展其应用场景、优化其系统模型，为实际复杂分布式网络的协同合作和优化学习奠定理论和技术基础。课题具有重要的理论意义和应用前景。

作为一种复杂网络，分布式传感器网络在国家经济发展和战略安全中起着举足轻重的作用。本项目主要根据分布式网络中的不同需求，研究相应的信息传递算法、并分析算法性能，以及针对算法的具体应用给出相应的资源优化配置方案。项目研究了以下五个部分内容：（1）针对分布式动态网络中信息的协同问题，建立了节点信息达到一致性的评估模型，从理论上给出了实现一致收敛的条件，并分析了模型中各参数对收敛性的影响。（2）针对空间动态网络中信息的可靠性存储和传输问题，首次将具有可靠性重构的分布式存储编码技术引入其中，建立了基于分布式编码存储的空间数据存储、传输模型，并给出了基于不同准测下数据传输的资源（包括传输能量、时间、功率和通信资源）优化配置方案。（3）针对分布式无线电接入网的信息和功率同时无线传输问题，建立了基于毫米波前向回传模型的发射波束形成联合优化方案，给出了优化算法，且算法能使网络节点中最小数据传输率最大化。（4）针对集中式缓存共享网络中用户有多文件需求的传输问题，提出了一种基于编码数据预存储技术的文件/数据投递算法以满足不同用户群的任意、多文件需求，并分析和给出了投递过程中的数据传输量以及最坏情形下的数据传输量。通过比较发现所提算法能够将已有某些算法视为一种退化的特殊情形，而且所提算法能够获得更好的投递性能。（5）针对分布式边缘通信网络中不同用户群的数据传输问题，提出了一种编码缓存算法并给出缓存资源优化配置方案以实现通信过程中最小数据量传输。此外还提出了一种将信道波束赋形和缓存资源联合优化配置的方案以实现网络中最小能量消耗的传输。本项目采用了理论分析和仿真实验相结合的方式对分布式网络中的信息与信号处理技术展开了一系列的深入研究，这将有助于完善分布式网络的系统理论、拓展其应用场景、优化其系统模型，为分布式网络的实际应用奠定理论和技术基础。