基于多智能体系统的分布式凸优化作为优化问题的重要分支,因其在工程技术、航空航天等领域的重要应用,近年来受到了越来越多的关注。现存的许多分布式技术都可以被建模成多智能体系统上的分布式凸优化问题,如经济调度、交通均衡、机器人控制问题等。同时,在当今信息全球化的时代,人们尤其注重隐私数据的安全性。于是,分布式神经动力学算法由于保留了神经网络大规模并行计算、快速收敛的优势,以及多智能体系统利用部分信息相对独立、协作地处理问题的特性,已经被普遍地应用于求解分布式凸优化问题。截至目前,现有用于求解分布式凸优化问题的神经动力学算法大致可以分为两类,即连续时间神经动力学算法和离散时间神经动力学算法。然而,目前已有的大部分连续或离散时间神经动力学算法仅限于求解无约束或者目标函数是连续可微的分布式凸优化问题,考虑到实际情况下资源存量和设备计算能力的限制,在寻找最优策略的过程中往往会受到各种因素的约束。因此,为了求解更具一般性的分布式凸优化问题,本文在第二章通过引入惩罚参数,将带有不等式和集合约束的分布式凸优化问题进行等价转化。然后结合投影算子,设计求解不等式约束和集合约束同时存在的非光滑分布式凸优化问题的连续时间神经动力学算法,进而提出了相应的离散时间神经动力学算法。之后,借助于Lyapunov稳定性理论分析所提出的神经动力学算法的收敛性,并且通过数值算例说明所提神经动力学算法的有效性。此外,许多现有的神经动力学算法都是建立在系统中的智能体始终保持通信的前提下,但智能体之间的连续通信势必会造成器件的过度损耗、缩减其使用寿命等后果。于是,为了减少整个工作网络的通信负荷,第三章引入不存在Zeno现象的触发机制,设计相应的神经动力学算法,并证明该算法可以有效求解带有不等式和集合约束的分布式凸优化问题。最后,通过数值算例展示该算法的有效性。