文章提出TRADES算法（跟踪式聚合分布式均衡搜索），解决网络化聚合博弈的纳什均衡求解问题。该算法结合投影梯度下降（步长γ=0.01）与扰动平均共识机制（参数δ=0.5），通过奇异摄动理论将系统分解为策略更新的慢动态（式17a）和聚合变量跟踪的快动态（式17b）。理论证明：在强单调博弈（假设III.2）和连通网络（假设III.3）下，算法以线性速率收敛至纳什均衡（定理III.4）。智能电网电压控制案例中，321辆电动汽车通过94总线网络（η=0.7）在24小时内将电压偏差降低42.7%，验证了广义聚合模型（式3）的有效性。
考虑N个智能体，其策略$x_i \in X_i \subseteq \mathbb{R}^{n_i}$，成本函数依赖广义聚合变量：
\[ \sigma(x) = \frac{1}{N}\sum_{i=1}^N \phi_i(x_i) \quad \text{(式2)} \]
纳什均衡$x^*$满足：
\[ \forall i: J_i(x_i^*, \sigma(x^*)) \leq \min_{x_i \in X_i} J_i(x_i, \frac{1}{N}\phi_i(x_i) + \sigma_{-i}(x_{-i}^*)) \]
文章以智能电网电压支撑为案例（图3）：321辆电动汽车(EV)通过充电器控制有功/无功功率$x_i = \text{col}(p_i, q_i)$，目标函数：
\[ J_i = -\pi^\top p_i + \|\sigma(x) - \bar{\sigma}\|_H^2 + \|x_i\|_M^2 \]
其中聚合变量$\sigma(x)=\frac{1}{N}\sum \Phi_i x_i$表征总线电压（式3），约束集$X_i$包含充电目标$b_{i,ch}$和逆变器容量$\bar{S}=7$kVA（表I）。
在通信图$\mathcal{G}$（强连通且双随机）下，各节点仅与邻居$\mathcal{N}_i$交换信息。算法核心：
\[ x_i^{t+1} = x_i^t + \delta \left( P_{X_i}\left[ x_i^t - \gamma \tilde{F}_i(x_i^t, \phi_i(x_i^t) + z_i^t) \right] - x_i^t \right) \]
\[ z_i^{t+1} = \sum_{j \in \mathcal{N}_i} w_{ij} \left( z_j^t + \phi_j(x_j^t) - \phi_i(x_i^t) \right) \]
其中$\tilde{F}_i$为局部伪梯度算子，$z_i^t$跟踪$\sigma(x^t) - \phi_i(x_i^t)$。
将系统分解为：
| 子系统 | 动态方程 | 时间尺度 |
|---|---|---|
| 慢动态（策略更新） | $x^{t+1} = x^t + \delta f(x^t, z_\perp^t)$ | O(1/δ) |
| 快动态（共识跟踪） | $z_\perp^{t+1} = R_d^\top \mathcal{W}_d R_d z_\perp^t + g(x^t)$ | O(1) |
通过坐标变换$z_\perp = R_d^\top z$（式14），证明当$z_\perp^t \rightarrow h(x^t) = -R_d^\top \phi(x^t)$时系统收敛（式19）。
定理III.4：存在$\bar{\gamma},\bar{\delta}>0$，当$\gamma \in (0,\bar{\gamma})$且$\delta \in (0,\bar{\delta})$时，对任意初始$z^0$满足$\mathbf{1}_{N,d}^\top z^0=0$，有：
\[ \|x^t - x^*\| \leq a_1 e^{-a_2 t} \quad \text{(线性收敛)} \]
证明通过构造Lyapunov函数实现：
基于葡萄牙94总线系统（表I）：