Optimierung in Multi-Agenten Systemen
Vorlesung V1
Termin mittwochs, ab 12. April 2023, 11:40 – 13:20 Uhr
Ort S306|051 bzw. S306|146 (siehe Tucan)
Dozent Dr. rer. nat. Tatiana Tatarenko
Sprache englisch
Übung Ü1
Termin mittwochs, ab 12. April 2023, 13:50 – 15:10 Uhr
Ort S306|053
Ansprechpartner Dr. rer. nat. Tatiana Tatarenko
ECTS (Vorlesung + Übung) 4 CPs
Prüfung
Termin siehe TUCaN
Ort siehe TUCaN
Ansprechpartner Dr. rer. nat. Tatiana Tatarenko
Erlaubte Hilfsmittel keine
Prüfungsrelevante Inhalte alle Vorlesungen und Übungen

Information zur Vorlesung und zur Übung

Alle Materialien, wie Vorlesungsfolien, Übungsblätter und Musterlösungen stehen in Moodle zum Herunterladen bereit. Die Vorlesung und die Übung finden jede Woche statt und dauern jeweils zwei Vorlesungs- bzw. Übungseinheiten.

Aufbau

Es handelt sich um eine '2+1'-Veranstaltung, die aus Vorlesungsteil und Übungsteil besteht. Gehalten wird die Vorlesung von Dr.rer.nat. Tatiana Tatarenko jeweils im Sommersemester.

Inhalt

Die Sprache der Vorlesung ist Englisch:

Part I: Preliminaries

  • Unconstrained optimization: necessary and sufficient conditions of extremum;
    • Unconstrained optimization problem: existence, uniqueness, stability;
    • Gradient descent in convex optimization, its convergence.

  • Constrained optimization: Karush-Kuhn-Tucker condition;
    • Optimization subjected to convex simple constraints;
    • Gradient projection method and its convergence properties;
    • Optimization subjected to inequality constraints;

Part II: Game-theoretic Optimization

  • Background of game theory: Nash equilibrium concept, finite action games, examples;
  • Potential games;
  • Continuous action games with convex cost functions;
  • Variational inequalities, their connection to Nash equilibria in convex games;
  • Existence and uniqueness of Nash equilibrium in convex games;
  • Gradient methods and their behavior in convex games;
  • Information settings in systems: communication- and payoff-based methods;
  • Modern applications and their challenges.

Part III: Distributed Optimization

  • Motivating examples; interaction through communication;
  • Consensus in MAS;
  • Unconstrained/constrained distributed optimization;
  • Modern applications and their challenges.