近年来,伴随互联网的快速发展,云计算、大数据等新兴领域不断的涌现,其结果就是数据量的爆炸式增长。海量数据处理问题已成为工程应用等行业的热点问题,事实上,许多优化算法已被相继提出,借助多个体网络从大规模数据集中提取有用信息。这种与多个体网络相结合的优化算法分为集中式算法和分布式算法。其中,分布式算法假定多个体网络中各节点无主次之分,节点间互相通信共享计算资源,有效地降低了集中式算法由于网络中心节点故障导致整个网络瘫痪的风险。已有的分布式算法通常假定多个体网络中节点数据是静态的,且要等到网络中所有节点数据都被收集后再进行数据处理,这种离线的学习方式会带来高昂的通信代价,因此研究在线学习方式下的分布式算法意义重大。本文针对多个体网络节点数据为动态流数据的问题,提出了分布式在线条件梯度算法(DOCG)和快速分布式在线条件梯度算法(Fa-DOCG)。首先,针对现有分布式在线优化算法所面临的高维约束时投影运算难以实现的问题,提出DOCG算法,目的是利用条件梯度算法无投影的特性,实现线性优化步骤对投影步骤的替代,解决高维约束带来的投影计算瓶颈问题。其次,为解决DOCG算法收敛速度慢的问题,提出Fa-DOCG算法。利用局部线性优化Oracle机制替代DOCG算法的线性优化步骤,使算法收敛速度呈指数级改善。最后,通过分析表征在线估计性能的Regret界,证明了 DOCG算法和Fa-DOCG算法分别具有 O(73/4)和O(logT)的 Regret 界。本文设计的两种算法融合正则化函数和各节点局部信息构建新的时变成本函数,从而实现对分布式网络中节点数据的实时处理,并且有效解决传统条件梯度法对梯度大小不敏感问题。最后理论上证明了两种算法的有效性,分析表明:投影运算并不影响算法的收敛,而是影响算法的收敛速度,相比之下,采用线性近似优化替代投影操作,可在一定程度上提高算法收敛速度。图[20]表[0]参[44]。