近代信息技术的爆炸式发展以及数据量的激增导致传统的集中式优化理论和方法愈加难以适用于如今大规模、分布式的数据架构。因此,去中心化、分布式理念的提倡,使得越来越多的学者们关注于分布式优化领域并提出了许多优异且经典的分布式算法。分布式优化方法同传统集中式优化方法最大的不同就在于其将一个大规模优化问题分为众多子问题进行求解,每一个子问题依托于一个实际的智能节点,节点之间只需要通过和邻居节点的交互即可求解子问题,进而协同地最终得到全局问题的最优解。所以,相较于集中式优化,分布式优化算法有着更加优越的鲁棒性、灵活性,并且能缓解一定的通信负担,节约更多的计算资源。传统的分布式优化算法研究主要集中在对不同网络结构的考虑和不同约束的处理。与此同时,这些分布式算法所处理的目标函数较为单一,使用场景较为局限,并未对问题进行进一步细分和建模。因此,对于不同的问题模型和约束条件,本文在已有的研究基础上,着力于解决更加实际的多块可分离优化问题,设计性能更加优异,应用场景更加广泛的分布式优化算法,现将主要研究内容概括如下:（1）针对更加实际的优化问题设计分布式算法,即优化问题的每一个子问题都由一个利普希茨可微的凸函数、一个非光滑凸函数和一个带线性算子的非光滑凸函数构成。对于该问题模型,本文通过应用一阶最优条件、近端算子和原始—对偶技术等,首先设计了同步的分布式原始—对偶分裂算法（S-DPDS）。同时考虑到网络中不同智能节点的内在差异性及外部因素的影响,该同步算法允许每个节点使用非协调步长,并且所有参数都进行了异构处理。因此该同步算法是完全式的分布式算法。然后,通过使用矩阵不等式、不动点定理等理论,本文证明了该同步算法的收敛性,并且给出了简洁的收敛条件,以更加有利于算法在实际应用时的参数选择。（2）本文通过应用随机块坐标方法,将同步算法推广到了异步的形式,并命名为A-DPDS。在异步算法的迭代过程中,仅仅部分智能节点的子集被随机激活,以此模拟实际场景中仅部分节点可正常工作的情况,算法的异步实现也能够进一步提升系统的鲁棒性。对于该异步算法,本文证明了其与同步算法相同的收敛条件。为证明理论的正确性,本文对算法进行了仿真实验。其中包括异步算法迭代时节点被不同概率激活的算法性能比较,和其他求解多块问题的算法进行比较。（3）为解决更加实际的工程问题,本文使用所提出的算法结合分布式模型预测控制解决一类线性二次一致性优化问题。考虑到分布式模型预测控制本质也是一种优化控制策略,本文从模型构建的角度求解问题。通过设置合适的线性算子,示性函数等方法,本文将一类针对具有双积分动力学系统的线性二次优化问题转换为多块可分离优化问题。然后对于该问题再使用同步和异步的分布式原始—对偶分裂算法,以优化多块可分离问题的思想优化分布式模型预测控制。综上所述,本文聚焦于目标函数更加具体的多块可分离优化问题的研究,提出了更加具有针对性和实用价值的分布式优化算法。并充分考虑到异步与异构的情形,使得算法具有更强的鲁棒性和实用性。本文的研究内容也将进一步丰富和完善分布式优化理论及应用研究,对进一步促进分布式优化算法在实际工程问题的落地具有重要的理论意义和实践价值。