近年来,随着科学技术和传感器网络的不断进步,众多科研工作者将他们的研究注意力转向了多智能体系统,并发现了很多非常有意义的成果。一方面,多智能体系统给出复杂系统建模与分析的理论研究方式。另一方面,多智能体系统也是分布式人工智能研究的重要基础。多智能体系统分布式优化作为多智能体系统控制领域的重要研究课题之一,由于其广泛的应用在分布式编队控制、云计算、分布式数据融合、信息处理和无线传感器网络等具体方面在过去的几年里已经引起了广泛的研究兴趣。随着网络规模和复杂性的不断加大,我们期望能够设计出更加合理的分布式优化策略用以解决现实应用。基于此,本论文主要研究更为切合实际的分布式优化问题,也即是复杂通信环境下多智能体系统分布式优化,研究工作主要分为以下三点:(1)研究了在时变非平衡有向网络拓扑环境下多智能体系统分布式优化问题。传统的基于次梯度的分布式优化算法通常需要完美的同步机制和衰减步长才可以实现精确的分布式优化,这种情况大大制约了算法的异步实现并且也将导致较慢的收敛速度。此外,传统分布式优化算法通常假设目标函数的次梯度的有界性来进行收敛性分析,这在无约束优化问题中具有很大的限制性。因此,本文通过结合分布式不精确梯度跟踪技术进而提出了一种新颖的分布式优化算法。同时还指出,所提出的算法既适用于时变非平衡有向网络也采用了异构常数步长。在目标函数具有强凸性和李普希兹连续梯度的条件下,本文建立了异构步长的选取标准以及算法性能的分析判据。理论分析表明:只要异构步长恒小于某一上界,分布式算法就能使算法几何收敛到凸优化问题的最优解。我们还通过不同的方法对算法的收敛速度作了明确的分析。最后,仿真实验所得到的结果验证了算法的有效性和理论分析的正确性。(2)研究了基于事件触发控制的一阶离散时间多智能体系统分布式优化问题。一方面智能体直接连续信息传输,必然增加网络通信压力,造成通信资源浪费。另一方面,智能体自身计算能力有限,连续状态更新会增加智能体计算压力。为此,基于连续通信的分布式优化算法不具有良好的实用价值,其相关理论结果已不能很好地指导实际应用。本文在一阶离散时间多智能体系统分布式优化问题研究中引入事件触发控制机制,通过设计高性能的事件触发函数和激励条件,在网络通信资源和智能体计算资源受限的情况下实现多智能体系统分布式优化。本文构建了全新的基于事件触发多智能体系统分布式优化分析框架,建立通信成本和算法相关参量的解析关系。最后,仿真实验所得到的结果验证了算法的有效性和理论分析的正确性。(3)研究了在非平衡有向网络拓扑环境下基于异步广播通信和异步更新策略的多智能体系统分布式约束优化问题。在实际应用中,网络很容易受到某些随机链路故障的影响,并且一部分智能体可能不会在某个时钟进行任何操作。因此,异步实现在通信和计算过程中是不可或缺的。本文将原始约束优化问题转化为epigraph形式克服有向图的非平衡性,进而提出了一种新颖的分布式异步基于广播的优化算法。与其他算法不同的是,在每次迭代中,本文所提出的算法都保证每个智能体首先执行其局部目标函数和局部约束的优化步骤,其次是其自身及其邻居的动态平均。该算法不仅允许智能体分布式异步更新,而且保证步长都是异构的。该算法的一个显著特征是它能够处理在随机链路故障存在下非平衡有向网络的分布式约束优化问题。在通信网络是强连通和目标函数的次梯度是有界的假设下,本文明确给出了算法的收敛性分析。数值实验的仿真结果证实了该算法的可行性。