生物医疗、物理、社会学等众多学科中的许多优化问题具有数据量大、约束多、规模大的特点，传统的集中式算法无法适用于求解这类大规模优化问题，分布式优化算法应运而生，但现有分布式优化算法主要集中在无约束凸优化问题及非全局耦合约束下的凸优化问题，对于全局耦合约束分布式凸优化问题的研究并不完善，相关算法存在欠缺收敛速率分析、收敛速率较慢、算法执行过程中信息传递量较大等问题。因此，开展全局耦合约束分布式凸优化算法研究具有重要的理论意义和潜在的应用价值。本文基于多自主体网络理论，围绕全局耦合条件下凸优化问题的分布式算法求解展开研究。主要研究内容包括：
　　针对多重约束下目标耦合的凸优化问题，基于Laplacian矩阵性质将其转化为全局耦合等式约束的凸优化问题。借助原对偶投影法来处理有界约束，引入补偿变量来处理多重约束，设计了全分布式优化算法，该算法执行过程中不要求多重约束对所有节点均已知。同时，借助于数列收敛性质，给出了仅与步长相关的算法收敛性条件。数值仿真实例验证了算法及收敛条件的有效性。对比显示本章所提出的算法复杂度与集中式算法相比大幅度降低。
　　针对目标与约束均耦合的凸优化问题，通过引入补偿变量，将目标和约束进行解耦，设计了分布式算法，在求解过程中无需交换目标及约束的相关信息。建立了算法的收敛条件，该收敛条件由带上界的渐小步长来刻画。分析了算法的收敛速度，结果表明该算法不仅能对约束和目标解耦，同时具备可接受的收敛速率。通过求解智能楼宇中的参数优化问题，验证了算法的有效性和实用性。
　　针对带耦合等式约束的凸优化问题，从收敛时间可调的角度，提出了一种全分布式预设时间收敛算法。基于分布式参数学习的思想，借助带指数项的非齐次函数项，在初始化过程中约束就得到满足的条件下，算法能在用户自定义的时间内收敛。仿真以供电侧静态及动态功率分配问题为例，验证了算法的快速收敛性能及预设时间收敛性能，对比结果表明本文所提出的算法性能优于已有的固定时间收敛算法。
　　针对带耦合等式约束的凸优化问题，从收敛速率提升的角度，基于二阶多自主体网络提出了加速鞍点动力学方法，进而通过用带渐小阻尼的快-慢动力学系统来建模加速鞍点动力学系统，使得优化问题中涉及的对偶变量在两个时间尺度进行更新，保证了算法的快速收敛性。仿真算例实现了供电侧静态功率分配问题的分布式求解，验证了算法的有效性及快速收敛性。对比结果显示本文所提出的算法收敛速率快于已有渐近时间收敛算法及指数收敛算法。
　　针对带耦合等式约束的凸优化问题，从减小信息传递量的角度，通过引入间接对偶量，设计了指数收敛的分布式间接对偶升方法，其对偶动力学以分散式由各节点独立执行。借助李雅普诺夫分析法及奇异摄动理论，建立了算法的指数收敛性质。该算法不要求对偶量在整个网络上均相同，从而简化了对偶动力学，减小了算法执行过程中信息传递量并保护了相关信息的隐私，同时仿真结果显示其收敛速率较快。仿真实例实现了供电侧的动态功率分配问题的分布式求解，对比结果显示本文所提出的算法收敛速率快于已有渐近时间收敛算法及指数收敛算法，且其信息传递量较之减小。