壹種基於隨機梯度追蹤技術的大數據二分類分布式優化方法，具體步驟為：設定二分類問題，獲取訓練樣本數據、測試樣本數據、樣本特征；采用one?hot編碼將訓練樣本數據和測試樣本數據擴展成向量數據，得到訓練樣本向量數據和測試樣本向量數據；將訓練樣本向量數據進行智能體分配，結合梯度跟蹤策略與隨機平均梯度策略，建立帶未知參數的分布式隨機梯度跟蹤策略S?DIGing的問題模型；求解未知參數；將測試樣本向量數據代入分布式隨機梯度跟蹤策略S?DIGing的問題模型中進行二分類驗證，並輸出所述二分類問題對應的分布式隨機梯度跟蹤策略S?DIGing的問題模型。極大降低了策略的復雜度和計算量，從而使S?DIGing策略能夠很好地處理大規模問題。響優化算法的收斂速度的問題，提出壹種時延情形下的分布式Push-sum次梯度優化算法，該方法在權矩陣不具有正對角線元素時仍適用，並應用系統擴維的方法將有時延優化問題轉化為無時延優化問題。在時延和次梯度有界且有向切換網絡周期強連通的條件下，證明了所提出的分布式Push-sum次梯度優化算法的收斂性。研究表明：存在通信時延時的算法收斂速度比無時延時的收斂速度要慢，並具有較大的收斂誤差。最後，通過數值仿真驗證了研究的結論。
上一篇:律師有可能「轉行」從事別的行業嗎,前景如何?下一篇:看盤軟件哪個好