分布式约束优化问题（Distributed constrained optimization problems,DCOP）和非对称分布式约束优化问题（Asymmetric distributed constrained optimization problems,ADCOP）是多智能体领域的一个常用框架,其中智能体从各自的离散域中取值以寻求利益最大化,在研究意义与工程实践上都有很大前景。局部搜索算法是求解分布式约束优化问题的一个重要算法,因其逻辑简单最受欢迎。群智能算法是近年来新兴算法,种群的引入带来了解质量的提高。目前的局部搜索算法具有容易陷入局部最优、收敛性差和求解质量不够高等缺点,而且对算法运行中的信息有着遗漏;群智能算法则结构复杂,求解效率低,往往需要借助另外的框架与结构实现。针对这些问题,本文致力于提出一种基于局部代价模拟的方法去求解DCOP与ADCOP问题,该方法将综合局部搜索算法与群智能算法各自的优势。具体研究内容为:（1）提出了基于局部代价模拟思想的求解分布式约束优化算法LCS。根据局部搜索算法的特点,本文研究了局部搜索算法更新过程中遗漏的局部代价波动与取值变化之间的关系,以此为值域中的值维护对应的局部代价模拟值。本文主要对局部代价进行模拟,使用了指数加权移动平均法对局部代价模拟值进行维护更新,利用种群对局部代价模拟值进行充分搜索。在理论分析中,本文对指数加权移动平均的有效性、局部代价模拟的有效性和种群交互的优势进行了分析。在实验验证中,本文证实了LCS算法的优越性。（2）提出了基于局部代价模拟思想的求解非对称分布式约束优化算法Asym LCS。分析了ADCOP与DCOP之间的差异,针对其非对称性以及将局部代价模拟思想应用于求解该问题的困难,本文设计了局部代价传播的阶段,以此对局部代价进行充分模拟。引入了种群之间的交互合作,更有效地共同搜索优质解空间。并且提供了求解实例,对其运行复杂度进行了分析。在实验验证中,证实了Asym LCS算法相比其他非完备算法的优越性。（3）大多数交通灯规划算法只考虑了单个路口拥堵情况而忽略路口之间的相互影响。为了缓解交通网络的拥堵,将交通规划问题建模为分布式约束优化模型。构建的模型基于路口各方向绿灯的顺序而产生的等待代价,在仿真平台上采用完备算法和非完备算法来进行求解,得到交通网络中车辆的等待代价最低时路口对应的绿灯变换顺序。实验结果表明,完备算法可在无车流量统计场景下求出最优解,优化车辆的行进时间;非完备算法可在具有统计车流量的交通网络中求出次优解,满足实时性要求。