近年来,计算机技术和网络技术的高速发展,给工业技术带来了新的可能。在工业网络化、工业智能化发展趋势下,多智能体系统的概念应运而生,相关的分布式控制技术也得到了广泛的关注。分布式控制和优化算法是多智能体系统信息分享、融合的方式之一,是多智能体系统完成目标跟踪、任务优化和功率调整的关键技术。然而,目前已有的分布式控制和优化算法在特殊场景或任务下严重依赖全局信息和拓扑结构,这大大降低了算法的灵活性,同时也破坏了算法的分布式特性。因此,本论文基于不可约非奇异M-矩阵、弱链对角占优矩阵等矩阵特性和自适应反馈机制,研究有向拓扑下多智能体系统的控制和优化算法,从理论上进一步拓宽了算法的适用范围,使得分布式算法摆脱了对全局信息和无向拓扑的依赖,并基于MATLAB仿真平台验证算法的有效性和理论的正确性。本论文完成的主要工作如下:（1）探索了有向拓扑下分布式博弈纳什均衡搜索策略,引入了自适应反馈机制。针对已有算法的全局稳定性对参数的要求,基于自适应反馈的作用原理给出了自适应函数的设计准则,避免了繁琐的参数估计,确保了基于信息一致性的分布式博弈纳什均衡搜索算法的全局稳定性,同时探索了在有向切换图下算法的有效性;此外,考虑到策略状态边界对分布式解算过程的影响,基于投影映射和变分不等问题研究了在有向拓扑下的纳什均衡搜索问题,分析了状态边界对梯度法的限制。（2）基于动态一致性和一致性策略,提出了有向拓扑下分布式信息融合策略。对传感器网络的分布式信息融合策略展开研究,探索在有向拓扑和全局可观测性条件下的分布式卡尔曼滤波,研究了传感器网络中集中式卡尔曼滤波的作用机制,分析了信息融合方式,基于动态一致性算法实现传感器之间的加权测量和逆协方差矩阵的信息分享和融合,同时提出一致性策略,对修正估计信息进行邻间分发和融合。理论分析了所提算法的收敛性和稳态性能,严格证明了有偏估计是有界的,同时可以通过控制迭代步长缩小期望稳态跟踪误差。（3）提出有向拓扑下抵御错误数据注入攻击（False Data Injection Attacks,FDIAs）的分布式算法。考虑到分布式算法易于受到外界干扰或攻击的事实,建立了FDIAs下的系统模型,同时分析了抵御干扰的主流分布式算法工作原理。其次,从信息角度出发,基于竞争机制构建了虚拟网络层和分布式算法,并证明了算法在动态领导者和任意有界错误数据注入下的抵御能力;此外,考虑到算法对全局信息的依赖性,提出了自适应反馈算法,使得系统通过虚拟层状态实现算法参数的动态调整,提升了多智能体系统主-从一致性对FDIAs的抑制能力。