随着科学技术的飞速发展和网络规模的不断扩大,传统的集中式控制和优化技术已经难以解决大规模复杂的网络问题,更具有鲁棒性和灵活性的分布式优化算法引起越来越多的关注。鉴于多智能体系统在分布式计算方面有着不可替代的优势,许多研究者将其作为分布式优化的载体进行理论研究和应用推广。多智能体系统分布式优化理论在科学研究、工程设计和社会生活等多个领域均有非常广泛的应用,例如无线传感器网络边缘覆盖及源点定位,交通拥堵控制,多机器人编队控制和电力资源分配等。多智能体系统分布式优化通过多个智能体相互作用协同合作实现系统全局优化的目标,其中全局目标函数是所有智能体局部目标函数之和,每个智能体所拥有的局部目标函数仅被它本身知道。本文在现有研究的基础上进一步丰富相关理论,以解决实际生活中的优化决策问题为目标提出更为普适的分布式优化算法,主要研究内容概括如下:(1)针对有向拓扑环境下的分布式优化问题,本文概括总结了现有的分布式一阶方法,在此基础上提出一种新颖的分布式优化算法。在局部目标函数是强凸和利普希茨连续的前提下,算法采用行随机矩阵和异构步长,精确地驱使每个智能体逐渐地收敛到全局最优解,并且我们通过增加一个辅助变量有效地克服有向图造成的不平衡性。更重要的是,算法引入动量参数极大程度地提高了算法的收敛速度。当智能体的最大步长和动量参数不超过所给定的上限时,所提出的算法的收敛速率是线性的。最后,通过仿真实验证明理论分析的正确性,并且给出相关算法性能比较结果以体现该算法的优越性。(2)研究时变平衡有向通信网络下智能电网中的经济调度问题,旨在最大程度地降低发电总成本。这类经济调度问题可视为处理优化局部目标函数之和的问题,而每个智能体仅拥有其局部目标函数,并且智能体变量的约束由全局耦合等式约束和局部线性约束组成。针对这类问题,本文设计了具有时变异构步长的完全分布式原始-对偶优化算法,并且考虑到节省计算和通信资源,将事件触发方案引入到分布式优化算法中,仅允许每个智能体在某些独立的事件触发采样时刻与其相邻的智能体进行信息交换,有效地减少了智能体的更新次数和网络的通信负担。在局部目标函数是强凸和光滑的假设下,实现了算法线性收敛到最优解,并且严格排除了整个系统运行过程中的芝诺行为。通过仿真实验模拟实际智能电网优化决策问题验证了算法的有效性和理论分析的正确性。综上所述,本文重点聚焦于多智能体系统分布式优化理论及应用的相关研究,进一步丰富和发展现有的分布式优化理论,为解决分布式优化实际问题提供了重要理论和关键技术,有效地降低了通信资源和计算资源的损耗,具有一定的研究意义和应用价值。