报告时间：2026年4月25日（周六）14：00-17：30

会议地点：崇德楼422室（系统科学研究院会议室）

报告主题：分布式优化与博弈算法

报告（一）

报告题目：开放集群系统分布式优化与博弈决策理论

主讲嘉宾：叶茂娇

内容简介：实际多智能体系统往往呈现出节点动态进出的开放特性，这导致系统维数动态变化、优化/博弈最优值/均衡动态跳变、有效信息易丢失、现有优化与博弈决策方法失优等难点问题。本报告介绍开放多智能体系统分布式优化与博弈决策理论方面的最新研究成果，重点阐述开放环境下的信息交互机制设计、优化/博弈决策方法构建及其理论分析方法。

专家简介：叶茂娇，南京理工大学自动化学院教授，博士生导师。2012年本科毕业于电子科技大学，2016年博士毕业于新加坡南洋理工大学，2017年以教授身份加入南京理工大学。主要研究兴趣包括分布式优化、博弈及其应用等。主持国家自然科学基金优秀青年基金项目、科技创新2030-新一代人工智能重大项目课题等。曾获中国自动化学会青年科学家奖及中国控制会议关肇直奖、IEEE ICCA最佳论文奖等国内外学术论文奖项7项。曾担任Control Engineering Practice最佳论文奖评审委员会成员，目前担任Control Engineering Practice、IEEE Transactions on Industrial Informatics、IEEE/CAA Journal of Automatica Sinica编委及IEEE CSS Conference Editorial Board编委；IEEE IES网络化控制系统与应用专委会主席; 亚洲控制协会元系统与元控制专委会秘书。

报告（二）

报告题目：随机分布式优化算法的高概率收敛性分析

主讲嘉宾：卢开红

内容简介：在传感器定位、电力系统的经济调度及基于大数据的机器学习等实际应用中，分布式优化发生的场景中往往存在诸多不确定因素，研究基于噪声梯度信息的随机分布式优化显得至关重要。已有关于随机分布式优化算法的研究主要考虑其期望意义下的收敛性，而这在理论上通常难以保证算法在单次运行下的有效性。这里探讨具有高概率收敛性的随机分布式优化算法。首先，考虑一类非理想坏境中分布式优化问题，给出一类基于轻尾噪声梯度信息的分布式随机梯度下降算法，并在时变通信图下分析算法在高概率意义下的渐近收敛性。其次，考虑具有重尾噪声梯度信息的极端情形，提出一类基于裁剪梯度策略的分布式对偶平均算法。该算法中，利用裁剪梯度策略消除噪声梯度中极端值的影响。在时变通信图满足周期组合强连通的条件下，刻画了算法在高概率意义下的收敛速度，利用数值仿真实验对算法的有效性进行了验证。

专家简介：卢开红，山东科技大学教授、博士生导师。主要从事分布式协同控制与优化、非合作博弈理论等方面的研究。近年来，发表高水平期刊论文40余篇，其中IEEE TAC和Automatica论文17篇(包括长文4篇)。主持国家自然科学基金面上、青年基金等项目，先后入选泰山学者青年专家、青岛西海岸领军人才计划。担任美国《数学评论》评论员、山东省自动化学会理事等学术兼职。

报告（三）

报告题目：有限信息下的非合作博弈学习算法设计与分析

主讲嘉宾：衣鹏

内容简介：本报告围绕有限信息下的非合作博弈学习方法与理论研究展开，重点探讨复杂动态环境中智能体如何基于不完整、延迟甚至丢失的反馈信息实现高效自适应决策。针对值反馈随机丢失、反馈任意延迟、分布式聚合信息缺失以及开放环境下智能体动态加入退出等典型有限信息场景，提出了一系列具有无悔性质的学习算法，包括基于在线梯度下降的单点梯度估计方法、融合时间分块机制的跟随正则化领导者方法、基于残差值反馈的分布式在线聚合博弈算法，以及适用于开放环境的最佳响应学习机制。理论分析给出了各算法在凸博弈、严格单调博弈等情形下的遗憾上界与收敛性保证，并揭示了网络连通性、延迟特性及系统开放程度对算法性能的影响。数值仿真验证了所提方法在古诺博弈等模型中的有效性。该研究为复杂动态环境下的非合作决策问题提供了系统的理论框架与方法支撑。

专家简介：衣鹏， 2011年从中国科学技术大学获得自动化本科学位，2016年从中国科学院数学与系统科学研究院获得运筹学与控制论博士学位。2016年-2019年分别于加拿大多伦多大学和美国圣路易斯华盛顿大学从事博士后研究。2019年加入同济大学，现任教授。主要研究方向为多智能系统的分布式优化与博弈。入选国家海外青年人才计划，获得中国科协 “青年人才托举工程”与上海市科技英才“扬帆计划”支持，主持国家自然基金委青年和面上项目，科技部国家重点研发计划课题，参与上海市市级科技重大专项，主持航天科技、航天科工、中国兵器等多项企业课题。获得中国指挥与控制学会科技进步一等奖。

欢迎广大师生参会交流！