本文研究分布式网络中的优化问题,并采用随机优化算法来进行有效求解。具体而言,网络中的节点都有本地的目标函数与约束,我们的目的在于优化全局的目标函数,使得整个网络的效用最大化。分布式网络按照信息处理方式可以分为有中心分布式计算与无中心分布式计算两大类,其在鲁棒性、工作时长、通信代价、存储代价等方面各有优缺点。本文对这两种分布式计算方式都有研究。具体包括:本文对无中心分布式一致优化问题进行了研究,研究的具体内容为网络中的节点包含复杂约束的情形,其中的复杂约束为多个简单约束的交集。本文在前人提出的集中式的梯度投影法,以及分布式的随机梯度投影法的基础上,提出了两种分布式的原对偶分离投影算法。二者的不同点在于对于约束的处理方式,一种是确定性的处理,即每次迭代中都处理所有的约束;一种是随机性的处理,即每次迭代中都随机性挑选某个约束进行处理。这两种算法采用分离投影的方式,解决了复杂约束投影难以计算的问题,同时采用原对偶的方法,提高了算法的收敛精度与速度。且本文对确定性算法进行了理论分析,证明了其收敛性。在数值实验中,也证明了两种算法的有效性。本文对于有中心分布式的计算方式也进行了研究,研究的具体内容为社交网络中的符号网络的链路预测问题。针对该问题本文采用了低秩矩阵分解的问题模型来有效减少网络的参数,且适应于大数据的情况。同时我们提出了两种分布式的异步随机梯度下降算法来进行有效的求解。二者的不同点在于异步的完全程度,一种是部分异步的,即每个节点异步地处理随机平均分配的多个目标函数,而后再进行同步;一种是完全异步的,即每个节点完全异步地处理随机选择的单个目标函数。我们在现实中的两个数据集中验证了我们的算法,实验结果验证了我们的算法的有效性,且能够实现接近线性的加速比。