分布式优化在智能电网、传感器网络、机器学习等大规模复杂网络化系统中应用前景广阔,是近年来的一个研究热点。分布式资源分配问题属于一类重要的分布式优化问题,不仅要考虑决策变量的耦合约束,也要考虑通信网络和控制性能约束,因而求解分布式资源分配问题的优化算法的设计和分析就更具挑战性。目前,分布式资源分配算法主要解决耦合约束的分布式处理问题。然而,通信网络和控制性能约束下的分布式资源分配问题尚未得到充分研究。在现有研究成果的基础上,本文针对几类通信网络或控制性能约束的分布式资源分配问题,开展连续时间型优化算法及收敛速率的研究,主要完成了以下工作:（1）针对非平衡有向图下不等式耦合约束的分布式资源分配问题,研究了渐近收敛的分布式优化算法。为抵消非平衡有向图的非对称性并确保拉格朗日乘子的非负性和一致性,提出一种基于盈余反馈的分布式连续时间原始对偶算法。该算法利用固定时间投影来处理拉格朗日乘子的非负性和决策变量的局部约束,结合盈余反馈、一致性方法、以及梯度下降求解有向图下的对偶问题。采用鞍点理论和特征值摄动理论分析了算法的收敛性。在局部目标函数与约束函数为凸函数且非平衡有向通信图为强连通的条件下,所提出的分布式连续时间优化算法渐近地收敛到最优解。通过数值仿真进一步验证了理论结果的有效性。（2）针对通信带宽约束下的分布式资源分配问题,研究了指数收敛的分布式优化算法。在连续时间型分布式加权梯度算法上,通过一种新的李雅普诺夫函数综合出两种事件触发通信机制:一种为基于连续评估的事件触发器,另一种为基于周期评估的事件触发器。提出的事件触发机制不需要智能体连续地或周期地访问其通信邻居的状态信息,因此降低相互通信的次数和控制更新的频率。稳定性分析表明,基于事件触发的分布式优化算法以指数速率收敛到最优解。同时,提出的新分析方法还适用于需求时变的资源分配问题。数值仿真验证了基于事件触发的分布式加权梯度算法的有效性。（3）针对有界干扰下的分布式资源分配问题,研究了固定时间收敛的分布式优化算法。首先针对无干扰的资源分配问题,提出一种改进的分布式加权梯度优化算法,采用非线性多项式反馈实现固定时间收敛,同时利用一个辅助变量实现算法的无初始化。此外,该算法还适用于控制增益是异构的情形。进一步,对受到有界干扰的资源分配问题,提出一种基于固定时间滑模控制的分布式鲁棒优化算法。应用固定时间李雅普诺夫理论,分析无干扰和有干扰优化算法的稳定性,并估计出算法收敛时间的上界值。固定收敛时间仅与控制参数相关而不依赖系统状态的初始值,这使得根据任务需求来预先设计收敛时间成为可能。通过几个数值仿真验证了算法的有效性和优越性。（4）针对时变等式耦合约束且存在有界扰动的分布式资源分配问题,研究了鲁棒型分布式固定时间收敛的优化算法。根据时变资源分配问题的最优解特征,提出一类基于固定时间动态加权平均一致性的分布式优化算法。首先,采用符号函数的变结构性质实现有界干扰的完全抑制和时变最优解的精确跟踪。接着,利用线性函数代替符号函数,得到连续控制输入的算法,实现干扰的部分抑制和时变最优解的一致有界跟踪。基于固定时间李雅普诺夫理论分析算法的稳定性,不仅估计出算法收敛时间的上界值,而且给出了控制器参数和跟踪性能的关系。数值仿真验证了所提出优化算法的跟踪性能。