近些年来,多智能体分布式协同控制的研究越来越受到广泛的关注,其中分布式优化由于在分布式机器学习及分布式计算中存在巨大的应用前景,逐渐成为分布式协同控制领域的焦点问题。基于多智能体系统的分布式优化的目标是通过智能体的个体计算和与其相邻智能体的局部通信,获得系统全局目标函数的最优解。本文利用图论、矩阵论、概率论以及李雅普诺夫稳定性判据等相关理论与数学工具,研究了存在通信丢包情况下的连续时间多智能体系统的分布式优化问题,设计了相应的分布式优化算法,实现了多智能体系统分布式优化目标。本文的主要工作包括如下三个方面:第一,考虑在各通信信道间存在一致性丢包情况下,设计了一个基于周期性采样的分布式优化算法,实现了所有智能体的状态依概率收敛于全局目标函数的最小值点,即分布式优化问题的最优值点。与以往的相关研究工作相比,该算法放宽了需要目标函数梯度有界这一前提假设。第二,考虑各通信信道之间存在非一致性丢包时,设计了另一种基于周期性采样的分布式优化算法,实现了所有智能体的状态依概率收敛于最优值点,达到了分布式优化的目标。该算法不仅不需要目标函数的梯度有界,同时不依赖于通信丢包一致的假设,增强了该分布式优化算法的实用性。第三,考虑各通信信道间存在非一致性丢包的情况下,基于事件触发采样的机制,设计了一种分布式优化算法,实现了所有智能体的状态依概率收敛于系统全局目标函数的最小值点。通过引入事件触发采样机制,所设计的分布式算法不需要连续时间的通信和周期性的采样,从而在一定程度上减少了通信消耗,节省了通信资源。