近年来,网络化系统的控制问题成为研究的热门领域。相比于传统的依赖中心的集中式算法,分布式算法具有无需中心节点,数据分散在网络各个节点的特点,以其分布性、可扩展性、自主性、鲁棒性等性质广泛应用于智能电网、机器学习、云计算、传感器网络以及无人机等领域。在实际情况中,智能体往往会受到多种条件的制约,如何在约束条件内寻求整个网络的最优决策具有重要的现实意义。因此,研究约束条件下的多智能体系统的分布式优化具有巨大的实际价值。本文的研究内容总结如下:针对具有局部不等式约束,集合约束的优化问题,提出了初始值任意的连续时间算法。每个智能体有一个局部成本函数,智能体需要在可行集的交集内寻求全局的一致最优解。首先,利用惩罚函数法以及Sigmoid函数的性质,将不等式约束转换为等式约束,消除了对智能体初始条件的限制。基于鞍点动力学,设计了分布式连续时间算法,通过李雅普诺夫稳定性分析以及LaSalle不变集理论,证明了算法的轨迹收敛于相同的最优解。最后,将设计的算法应用于岭回归分析问题中,取得了良好的效果。针对梯度信息未知,甚至成本函数未知的资源分配问题,提出了一阶分布式极值搜索算法。智能体通过无向连通图与邻居通信,同时利用成本函数的输出值去搜寻全局最优分配分案。利用李雅普诺夫稳定性分析理论以及平均分析法,设计的算法的轨迹收敛于最优解的邻域。同时,采用低通滤波器,将一阶算法扩展到二阶算法,取得了更好的收敛效益。最后,通过数值仿真实验验证算法的有效性并将设计的算法应用于智能电网的经济调度问题中,取得了良好的效果。