Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Chiến lược giải quyết cho các vấn đề phân tán về phân phối kinh tế không xác định thông qua lý thuyết kịch bản
Tóm tắt
Trong bài báo này, một bài toán phân phối kinh tế không xác định (EDP) được xem xét cho một nhóm các tác nhân hợp tác. Đầu tiên, mỗi tác nhân sẽ trích xuất một tập hợp các mẫu (kịch bản) từ tập hợp không xác định, sau đó một bài toán EDP kịch bản được tạo ra bằng cách sử dụng những kịch bản này. Dựa trên lý thuyết kịch bản, một chứng nhận trước được cung cấp để đánh giá khả năng xác suất khả thi của giải pháp kịch bản cho EDP không xác định. Để tạo thuận lợi cho nhiệm vụ tính toán, một chiến lược giải quyết phân tán được đề xuất thông qua phương pháp bộ nhân theo hướng luân phiên (ADMM) và một chiến lược đồng thuận trong thời gian hữu hạn. Hơn nữa, chiến lược phân tán này có thể giải quyết bài toán kịch bản trên một đồ thị có trọng số cân bằng. Cuối cùng, chiến lược giải quyết được đề xuất được áp dụng cho một EDP trong hệ thống điện liên quan đến các nhà máy điện gió.
Từ khóa
#phân phối kinh tế không xác định #tác nhân hợp tác #lý thuyết kịch bản #giải quyết phân tán #phương pháp bộ nhân theo hướng luân phiên #đồ thị có trọng số cân bằngTài liệu tham khảo
Liang, Q., Liu, D., & Hu, J. (2020). Secure degrees of freedom of MIMO two-way wiretap channel with no CSI anywhere. IEEE Transactions on Wireless Communications, 19(12), 7927–7941.
Hu, J., Hu, X., & Shen, T. (2014). Cooperative shift estimation of target trajectory using clustered sensors. Journal of Systems Science & Complexity, 27(3), 413–429.
Li, P., Hu, J., Qiu, L., Zhao, Y., & Ghosh, B. K. (2021). A distributed economic dispatch strategy for power-water networks. IEEE Transactions on Control of Network Systems (to appear)
Xiao, L., & Boyd, S. (2006). Optimal scaling of a gradient method for distributed resource allocation. Journal of Optimization Theory and Applications, 129(3), 469–488.
Xing, H., Mou, Y., Fu, M., & Lin, Z. (2014). Distributed bisection method for economic power dispatch in smart grid. IEEE Transactions on Power Systems, 30(6), 3024–3035.
Li, P., Zhao, Y., Hu, J., Zhang, Y., & Ghosh, B. K. (2020). Distributed initialization-free algorithms for multi-agent optimization problems with coupled inequality constraints. Neurocomputing, 407, 155–162.
Yi, P., Hong, Y., & Liu, F. (2016). Initialization-free distributed algorithms for optimal resource allocation with feasibility constraints and application to economic dispatch of power systems. Automatica, 74, 259–269.
Deng, Z., Liang, S., & Hong, Y. (2018). Distributed continuous-time algorithms for resource allocation problems over weight-balanced digraphs. IEEE Transactions on Cybernetics, 48(11), 3116–3125.
Zeng, X., Yi, P., Hong, Y., & Xie, L. (2018). Distributed continuous-time algorithms for nonsmooth extended monotropic optimization problems. SIAM Journal on Control and Optimization, 56(6), 3973–3993.
Boyd, S., Parikh, N., Chu, E., Peleato, B., Eckstein, J., et al. (2011). Distributed optimization and statistical learning via the alternating direction method of multipliers. Foundations and Trends in Machine Learning, 3(1), 1–122.
Jian, L., Zhao, Y., Hu, J., & Li, P. (2019). Distributed inexact consensus-based ADMM method for multi-agent unconstrained optimization problem. IEEE Access, 7, 79311–79319.
Yi, P., & Wang, T. (2020). New directions in distributed Nash equilibrium seeking based on monotone operator theory. Control Theory and Technology, 18(3), 333–335.
Zhao, X., Yi, P., & Li, L. (2020). Distributed policy evaluation via inexact ADMM in multi-agent reinforcement learning. Control Theory and Technology, 18(4), 362–378.
Li, P., & Hu, J. (2018). An ADMM based distributed finite-time algorithm for economic dispatch problems. IEEE Access, 6, 30969–30976.
Chang, T.-H., Hong, M., & Wang, X. (2014). Multi-agent distributed optimization via inexact consensus ADMM. IEEE Transactions on Signal Processing, 63(2), 482–497.
Chang, T.-H. (2016). A proximal dual consensus ADMM method for multi-agent constrained optimization. IEEE Transactions on Signal Processing, 64(14), 3719–3734.
Doan, T. T., & Beck, C. L. (2017). Distributed resource allocation over dynamic networks with uncertainty. arXiv:1708.03543.
Yi, P., Lei, J., & Hong, Y. (2018). Distributed resource allocation over random networks based on stochastic approximation. Systems & Control Letters, 114, 44–51.
Campi, M. C., Garatti, S., & Ramponi, F. A. (2015). Non-convex scenario optimization with application to system identification. In The 54th IEEE conference on decision and control (CDC) (pp. 4023–4028). Osaka, Japan.
Campi, M. C., Garatti, S., & Ramponi, F. A. (2018). A general scenario theory for nonconvex optimization and decision making. IEEE Transactions on Automatic Control, 63(12), 4067–4078.
Zhang, Z., Sun, Y., Gao, D., Lin, J., & Cheng, L. (2013). A versatile probability distribution model for wind power forecast errors and its application in economic dispatch. IEEE Transactions on Power Systems, 28(3), 3114–3125.