摘要
分布式约束优化问题（DCOPs）为在有限通信下的分布式决策提供了一个流行的框架，但许多实际实例过于庞大，无法单独解决。我们从两个互补的方向来应对这一挑战。
首先，我们重新审视DCOPs与潜在博弈之间的联系，并将现代在线学习算法适应于DCOPs的均衡寻找。我们的研究表明，这些算法在性能上与代表性的非完整DCOP算法具有竞争力。
接下来，我们关注于大规模DCOPs的分解框架，灵感来源于大规模去中心化卫星调度。我们提出了一种新框架，将DCOP分解为两个相互作用的子问题：一个高层次的元DCOP用于任务分配，以及独立的局部优化问题用于调度。为了将两个层次耦合，我们开发了一种新颖的迭代定价方法，利用局部优化器的反馈更新元层次的效用。
通过将我们的在线学习方法与迭代定价框架相结合，我们在实际去中心化卫星调度问题实例上达到了近似最优的性能，满足了超过99%的观测请求，而最先进的基线仅为87%。
博主点评： 本文提出的分布式约束优化方法为大规模卫星调度问题提供了创新的解决方案，特别是将在线学习与迭代定价相结合的思路，展现了在复杂分布式环境下的有效性，具有重要的实际应用价值。对于未来的研究，这种方法的潜在扩展应用也值得关注。