[发明专利]一种适用于受攻击情况下多智能体网络的分布式优化方法

说明书

本发明提供了一种适用于受攻击情况下多智能体网络的分布式优化方法，涉及系统、网络安全和信息技术领域。本发明考虑了网络中至多有F个智能体受到攻击的情况，每个智能体每次更新迭代之前对入邻居的信息进行适应性过滤，得到可信的信息进行使用，同时在迭代过程中，使用了平均梯度跟踪法来加快迭代速度，最终使得智能体的决策趋于一致，收敛到每个智能体最优值的凸组合中。本发明在多智能体网络受到外部攻击或者网络内存在恶意智能体的情况下，不需要识别受到攻击智能体，即可适应外部攻击，加快收敛速度，适用于邻接矩阵为非对称的行随机矩阵的应用场景，具有普适性。

技术领域

本发明属于网络安全和信息技术领域，更具体地，涉及一种适用于受攻击情况下多智能体网络的分布式优化方法。

背景技术

在多智能体网络系统(Multi-Agent System)在车辆编队、无人机系统、机器人路径规划、传感器网络系统以及智能电网等领域有广泛的应用。为了信息传输的小规模性，在多智能体网络中，其一般采用分布式协作的方式，协作目标一般是使得分布式网络中这些智能体的目标函数和达到最小值，实现全局优化。为了信息传输的小规模性，一般在这种问题中，采用分布式优化方法。分布式优化方法中，一个重要的概念就是仅仅使用智能体自身和邻居的局部信息，该方法能够以分布式的方式操作，并且收敛到最优点。这一分布式的方法有助于减少网络中信息传输的负担，有助于保护个人智能体的隐私。

但是传统的基于分布式优化方法的多智能体网络存在严重的安全问题，安全性能得不到保障。尤其是在当多智能体网络受到外部攻击，或者网络中存在恶意智能体的情况下，网络中会被注入错误的信息，这些错误的信息会使得网络中智能体的决策、计算和通信行为与正常情况发生偏差，导致网络不能达到预期目标，甚至不能收敛。可以证明的是，只要多智能体网络中任意一个智能体受到外部攻击或者任意一个智能体变为恶意智能体，整个系统都会失效，收敛到任意值，不能达到既定目标。再者，传统的基于分布式优化方法因为其没有中心节点的全局调控，只能通过网络中智能体之间局部信息交互的方式进行通信和迭代计算，所以还存在收敛速度慢的问题。而这种较慢的收敛速度会降低整个多智能体系统的运行效率，导致规定时间不能收敛到最优。而现有的分布式加速方法对多智能体网络中邻接矩阵的要求是很高的，要求为对称的双随机矩阵，这一假设在现实中是很难实现的。在实际情况中，非对称的行随机矩阵具有普适性。

总结来说，现有分布式多智能体网络并不能很好地适应外部攻击，且现有分布式加速技术对多智能体网络中邻接矩阵的要求很高，难以在受到攻击的网络多智能体网络中实现。针对上述问题，研究如何在多智能体网络受到外部攻击或者网络内存在恶意智能体的情况下，提出一种既具有普适性，又可以使网络适应外部攻击，还可以加快收敛速度的新型分布式优化方法具有重大意义。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种适用于受攻击情况下多智能体网络的分布式优化方法，其目的在于提高受到攻击的多智能体网络鲁棒性和收敛速度。

为实现上述目的，本发明提供了一种适用于受攻击情况下多智能体网络的分布式优化方法，包括：

S1.在多智能体网络受攻击情况下，使网络中未受攻击智能体的决策值和梯度值按照以下步骤进行更新：

01.设置初始的未受攻击智能体的决策值和平均梯度估计值；

02.未受攻击智能体基于带攻击情况下的多智能体网络结构拓扑图分别收集它入邻居的决策值和梯度估计值；同时向其所有的出邻居发送其当前决策值和平均梯度估计值；