Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Learning Convolutional Ranking-Score Function by Query Preference Regularization Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Consensus-based Parallel Algorithm for Robust Convex Optimization with Scenario Approach in Colored Network

verfasst von : Fan Feng, Feilong Cao

Erschienen in: Intelligent Data Engineering and Automated Learning – IDEAL 2017

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper mainly proposes an parallel distributed learning algorithm for the robust convex optimization (RCO). Firstly, the scenario approach is used to transform RCO into its probabilistic approximation Scenario Problem (SP), which is distributively solved by multiprocessors to lighten the computational burden. Secondly, each processor (node) of the colored network processes the local optimization via a primal-dual subgradient algorithm (PDSA) to obtain an optimal solution called a local variable. Finally, a consensus method named the Colored Distributed Average Consensus (CDAC), which is based on Distributed Average Consensus (DAC), is proposed to act on the whole local variables to obtain the global optimal solution. Experimental results show that CDAC has an advantage in terms of computational time over DAC, while they have the same results.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Improved Density Peak Clustering Algorithm
Nächstes Kapitel Heterogeneous Context-aware Recommendation Algorithm with Semi-supervised Tensor Factorization
Literatur
1.
2.
3.
4.
5.
Ben-Tal, A., Hertog, D., Vial, J.: Deriving robust counterparts of nonlinear uncertain inequalities. Math. Program. 149, 265–299 (2015)MathSciNetCrossRefMATH
6.
Calafiore, G., Campi, M.: Uncertain convex programs: randomized solutions and confidence levels. Math. Program. 102, 25–46 (2005)MathSciNetCrossRefMATH
7.
Campi, M., Garatti, S.: The exact feasibility of randomized solutions of uncertain convex programs. SIAM J. Optim. 19, 1211–1230 (2008)MathSciNetCrossRefMATH
8.
Farias, D., Roy, B.: On constraint sampling in the linear programming approach to approximate dynamic programming. Math. Oper. Res. 29, 462–478 (2004)MathSciNetCrossRefMATH
9.
You, K., Tempo, R.: Networked parallel algorithms for robust convex optimization via the scenario spproach. arXiv preprint. arXiv:​ 1607.​05507 (2016)
10.
Scardapane, S., Wang, D., Panella, M., Uncini, A.: Distributed learning for random vector functional-link networks. Inf. Sci. 301, 271–284 (2015)
11.
Alamo, T., Tempo, R., Luque, A., Ramirez, D.: Randomized methods for design of uncertain systems: sample complexity and sequential algorithms. Automatica 52, 160–172 (2013)MathSciNetCrossRefMATH
12.
Sen, S., Sherali, H.: A class of convergent of primal-dual subgradient algorithms for decomposable convex program. Math. Program. 35, 279–297 (1986)MathSciNetCrossRefMATH
13.
Boyd, S., Parikh, N., Chu, E., Peleato, B., Eckstein, J.: Distributed optimization and statistical learning via the alternating direction method of multipliers. Found. Trends\(\textregistered \) Mach. Learn. 3, 1–122 (2011)
14.
15.
Olfati-Saber, R., Fax, J., Murray, R.: Consensus and cooperation in networked multi-agent systems. Proc. IEEE 95, 215–233 (2007)CrossRef
16.
Ghaoui, L., Lebret, H.: Robust solutions to least-squares problems with uncertain data. SIAM J. Matrix Anal. A. 18, 1035–1064 (1997)MathSciNetCrossRefMATH
17.
Mota, J., Xavier, J., Aguiar, P., Püschel, M.: D-ADMM: A communication-efficient distributed algorithm for separable optimization. IEEE Trans. Sig. Process. 61, 2718–2723 (2013)MathSciNetCrossRef
18.
Wang, H., Gao, Y., Shi, Y., Wang, R.: Group-based alternating direction method of multipliers for distributed linear classification. IEEE Trans. Cybern. 99, 1–15 (2016)
19.
Wang, H., Gao, Y., Shi, Y., Wang, H.: A fast distributed classification algorithm for large-scale imbalanced data. In: 16th IEEE International Conference on Data Mining, pp. 1251–1256. IEEE, New Orleans (2016)
20.
Goldstein, T., O’Donoghue, B., Setzer, S., Baraniuk, R.: Fast alternating direction optimization methods. SIAM J. Imaging. Sci. 7, 1588–1623 (2014)MathSciNetCrossRefMATH
Metadaten
Titel
Consensus-based Parallel Algorithm for Robust Convex Optimization with Scenario Approach in Colored Network
verfasst von
Fan Feng
Feilong Cao
Copyright-Jahr
2017
Buch
Intelligent Data Engineering and Automated Learning – IDEAL 2017

Print ISBN: 978-3-319-68934-0

Electronic ISBN: 978-3-319-68935-7

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68935-7_25

Premium Partner

    Bildnachweise