Resumen: La búsqueda local es una clase importante de algoritmos incompletos para resolver problemas de optimización de restricciones distribuidas (DCOPS), pero a menudo converge con optimos locales pobres. Si bien GDBA proporciona una regla integral establecida para escapar de la convergencia prematura, sus beneficios empíricos siguen siendo marginales en problemas de valor general. En este trabajo, examinamos sistemáticamente GDBA e identificamos tres factores que potencialmente conducen a su rendimiento inferior, es decir, condiciones de violación de restricción demasiado agresiva, acumulación de penalización ilimitada y actualizaciones de penalización no coordinadas. Para abordar estos problemas, proponemos la búsqueda local distribuida local (DGLS), un nuevo marco de GLS para DCOP que incorpora una condición de violación adaptativa para penalizar selectivamente las restricciones con alto costo, un mecanismo de evaporación de penalización para controlar la magnitud de la penalización y un esquema de sincronización para los actualizados de penalización coordinados. Teóricamente, mostramos que los valores de penalización están limitados, y los agentes juegan un juego potencial en nuestros DGL. Nuestros extensos resultados empíricos en varios puntos de referencia estándar demuestran la gran superioridad de los DGL sobre las líneas de base de última generación. Particularmente, en comparación con el suma máxima amortiguada con altos factores de amortiguación (por ejemplo, 0.7 o 0.9), nuestros DGL logran un rendimiento competitivo en problemas de valor general, y lo supera con márgenes significativos ( TextBF {3.77 %-66.3 %}) en problemas estructurados en términos de los resultados de cualquier momento.
Publicado Originalme en export.arxiv.org El 11 de agosto de 2025.
Ver Fuente Original
