近几十年来,随着多智能体系统的飞速发展,分布式优化的研究得到越来越多学者们的普遍关注,相关的研究结果广泛应用在机器学习、智能电网、人工智能等工程和科学领域。分布式优化利用网络通信的优势将一个复杂的大规模优化任务分为若干个小任务,并把这些小任务分配给若干具有一定的感知、通信、计算和执行能力的智能体,构成了一个多智能体网络,进而基于该网络进行分布式优化计算。基于多智能体系统的分布式连续时间算法因其在计算效率、模型稳定性等方面的优势,引起了许多研究人员的兴趣。本文主要构造不同的基于多智能体系统的连续时间算法来求解几类约束分布式优化问题,进一步研究这些算法的收敛性,具体包括以下四个方面的内容:1.基于类惩罚思想,设计连续时间算法求解一类具有仿射等式和不等式约束的非光滑分布式凸优化问题。大多已有的求解这类优化问题的分布式连续时间算法往往由于引入较多的辅助变量而具有较高的维数,从而不利于求解大规模问题。本文构造的连续时间算法具有较低的解空间维数,其状态解最终达到一致,并且收敛到所研究优化问题的最优解。同时,几个数值实例解释所提出的分布式连续时间算法的有效性和实用性。2.基于逼近思想,设计连续时间算法求解一类具有仿射等式和凸不等式约束的分布式非凸优化问题。已有的连续时间算法的收敛性大多严重依赖目标函数的凸性假设,不适合求解此类分布式非凸优化问题。本文首先减弱一致性约束,将原分布式优化问题转化为一个新的分布式非凸优化问题,证明该分布优化问题的最优解（即所研究原分布式非凸优化问题的次优解）能够充分地接近原分布式非凸优化问题的最优解。接着,设计一种连续时间算法求解该分布式优化问题,证明该连续时间算法的状态解的收敛性。最后,几个数值算例解释所提出分布式连续时间算法的可行性和有效性。3.基于负梯度系统理论,设计一个负梯度系统求解一类具有仿射等式和线性不等式约束的二次分布式凸优化问题。求解此类问题的连续时间算法的主要难点是,在目标函数不满足强凸条件时,如何判断所构造算法状态解的收敛速度。本文首先基于光滑惩罚思想,得到一个新的二次分布式凸优化问题,并证明该二次分布式凸优化问题的最优解能够逼近原二次分布式凸优化问题的最优解。接着,设计一个负梯度系统来求解该二次分布式凸优化问题,证明该负梯度系统的状态解以指数速度收敛。数值算例进一步说明该负梯度系统的有效性。4.基于惯性系统理论,设计一种二阶加速算法求解一类具有不等式和集合约束的分布式凸优化问题。已有的求解这类优化问题的分布式连续时间算法大都是一阶算法,往往不能定性评价算法的收敛性能。而二阶连续时间算法,由于加速度的控制设计的存在,可以加快收敛速度。已有的二阶连续时间算法大都局限在求解无约束分布式凸优化问题上,不适合用于求解此类约束分布式凸优化问题。本文构造算法的状态解收敛到所研究分布式凸优化问题的最优解,并且作为所构造算法性能评估的误差函数以o(t-2)的速度趋于零。几个数值算例说明所提出二阶算法的有效性。