本书旨在介绍作者及其研究团队在分布式优化与学习理论方面的**研究成果。全书共7章，第1、2章为绪论和相关数学基础；第3、4章为连续时间和基于采样数据的分布式优化算法；第5、6章分别为基于群体智能的分布式优化算法和分布式机器学习算法；第7章为基于自适应神经网络输出反馈控制的分布式合作学习方案设计。本书主要关注从分布式技术中总结出来的理论与方法方面的问题，但相关研究结论可以为解决通信网络、电网、燃气网、交通网等相关的网络优化问题提供借鉴和指导。

更多科学出版社服务，请扫码获取。

目录
前言
符号表
缩略语表
第1章 绪论 1
1.1 分布式优化理论 1
1.1.1 多智能体系统的分布式凸优化 2
1.1.2 几类经典的分布式优化算法 3
1.1.3 通信环境对分布式优化的影响 8
1.2 分布式学习理论 15
1.2.1 分布式机器学习 15
1.2.2 分布式合作自适应 16
1.3 本书内容安排 17
第2章 数学基础知识 18
2.1 图论相关知识 18
2.1.1 代数图论 18
2.1.2 固定拓扑 19
2.1.3 时变拓扑 21
2.2 克罗内克积 22
2.3 模糊逻辑系统 22
2.4 分布式一致性理论 23
2.4.1 一致性理论和合作策略 23
2.4.2 多智能体系统的一致性 24
2.4.3 分布式平均一致性 24
2.5 系统稳定性理论 25
2.6 Zeno现象 29
2.7 凸优化相关知识 29
2.8 径向基函数神经网络 31
2.9 重要引理 32
第3章 连续时间分布式优化算法 34
3.1 引言 34
3.2 固定拓扑连续时间分布式优化算法 36
3.2.1 零梯度和算法 37
3.2.2 基于分布式事件驱动通信的零梯度和算法 38
3.3 时变拓扑连续时间分布式优化算法 41
3.4 收敛性分析 43
3.4.1 固定拓扑情形 43
3.4.2 时变拓扑情形 50
3.5 数值仿真 59
3.5.1 固定拓扑情形 59
3.5.2 时变拓扑情形 65
3.6 本章小结 76
第4章 基于采样数据的分布式优化算法 77
4.1 引言 77
4.2 基于采样数据的周期零梯度和算法 78
4.2.1 算法设计 78
4.2.2 收敛性分析 80
4.3 基于采样数据的事件驱动零梯度和算法 81
4.3.1 算法设计 82
4.3.2 收敛性分析 85
4.4 数值仿真 90
4.5 本章小结 97
第5章 基于群体智能的分布式优化算法 99
5.1 引言 99
5.2 基于群体智能的分布式优化框架 101
5.3 分布式粒子群优化算法 102
5.3.1 一致性搜索 106
5.3.2 一致性评价 109
5.3.3 粒子群合作演化 110
5.3.4 局部终止规则 111
5.4 数值仿真 113
5.4.1 实验1：小规模的无向/有向网络 113
5.4.2 实验2：大规模网络 120
5.5 本章小结 122
第6章 分布式机器学习算法 124
6.1 引言 124
6.2 基于模糊逻辑系统的分布式合作学习算法 125
6.2.1 问题描述 125
6.2.2 算法描述 127
6.3 分布式学习算法比较 133
6.3.1 现有分布式学习算法 133
6.3.2 五种分布式学习算法的比较 136
6.4 应用与软件实现 137
6.4.1 回归问题 140
6.4.2 分类问题 144
6.5 本章小结 148
第7章 基于自适应神经网络输出反馈控制的分布式合作学习 149
7.1 引言 149
7.2 自适应神经网络输出反馈控制器设计 150
7.3 分布式合作学习方案 152
7.4 闭环系统稳定性和神经网络学习能力 153
7.5 数值仿真 160
7.6 本章小结 169
参考文献 170