随着分布式人工智能和大型复杂智能系统的不断发展和应用,智能体系统优化问题越来越复杂,规模越来越庞大,通过分布式方式解决该问题的优势越来越明显。相对于集中式控制优化策略,分布式方式具备降低通信负载、保护数据隐私、提升系统健壮性等优质性能。目前分布式优化算法在分布式定位与跟踪、大规模的机器学习,物联网智能,机器人协调控制、交通控制、虚拟现实等应用很广泛。因此,对于多智能体分布式协议的设计和分析已成为人工智能领域的研究热点,本文研究了在不同情形下的有向拓扑多智能体分布式优化协议设计问题。主要研究内容概括如下:针对加权平衡有向图下的离散时间系统分布式优化问题,借鉴连续系统闭环控制输入的思想,提出了类似的离散时间次梯度分布式优化控制算法。通过状态变换,将优化问题等价为系统稳定性问题,构造Lyapunov函数分析算法的收敛性及收敛速率,得到指数收敛的充分条件。其次为了减少通信次数,减轻通信负担,结合事件触发思想改进了该分布式优化协议,得到了智能体状态传递事件触发条件。针对加权非平衡有向图下的多智能体系统分布式优化问题,采用定步长、行随机邻接矩阵设计了分布式凸优化算法。为了降低信息存储的负担,避免增加上一时刻梯度导致的误差项,协议中未采用梯度差分的策略。其次,固定步长加速了优化迭代的收敛,取得了近似线性的收敛速率。对所设计的分布式优化算法,分析最优解的存在性,通过Lyapunov函数和中值定理的方法分别论证了所提算法的收敛性能。针对加权非平衡有向图及非光滑分布式凸优化问题,给出了衰减步长的随机无梯度协议设计方案。算法中通信网络拓扑结构采用实际中更容易获取和实现的行随机矩阵,步长选取固定、衰减步长,智能体的代价函数则为非光滑函数。通过有界和极限的思想对算法的一致性、收敛性、收敛速率系统地分析论证,论证中避免了上鞅收敛定理的使用,从而放宽对衰减步长的要求,步长仅需满足非可求和条件即可,除此之外给出了不同步长形式下的收敛速度分析。