Differential privates durchschnittliches Konsensproblem von Multi-Agenten-Systemen über einen datenschutzbasierten dynamischen selbsttriggernden Mechanismus

In diesem Papier wird ein differential privates durchschnittliches Konsensproblem (DPAC) für Multi-Agenten-Systeme (MAS) mit einem dynamischen selbsttriggernden Mechanismus vorgestellt. Mit dem datenschutzbasierten dynamischen selbsttriggernden Mechanismus (PDSTM) wird ein DPAC-Kontrollalgorithmus vorgeschlagen. Ein adaptiver Kopplungsfaktor, der mit der Datenschutzmessungsfehler zwischen Agenten verbunden ist, wird im PDSTM eingeführt, und die ausgelöste Schwelle entwickelt sich adaptiv. Der vorgeschlagene DPAC-Algorithmus ermöglicht es den Agenten, die Privatsphäre der Anfangszustände der Agenten vor Informationsleckagen zu wahren und gleichzeitig die Gesamteffizienz des Netzwerks zu verbessern. Die Analyse der Konvergenz und Genauigkeit des Algorithmus wird bereitgestellt. Darüber hinaus wird eine Analyse der differentialen Privatsphäre präsentiert, die es den Agenten erlaubt, flexibel ihre eigenen Datenschutzniveaus auszuwählen. Schließlich werden Simulationen durchgeführt, um die Wirksamkeit des vorgeschlagenen Algorithmus zu überprüfen.