如今,人工智能技术的兴起,5G时代的到来,各类高新产业飞速发展。作为控制学科领域的重要分支,分布式优化算法的研究也引起了更多学者的广泛关注。随着信息时代互联网技术不断创新升级,分布式优化算法也随之不断地发展进步。然而面对复杂的实际情况,以往的算法通常存在着局限性,计算量大等问题。本文的主要目的就是针对网络中的种种问题,将算法加以改进,使得分布式优化问题能够得到有效的解决。针对多传感器网络,本文将每一个传感器考虑成一个智能体。整个无线传感网络就是一个多智能体系统。智能体间通过通信交流掌握着不同位置的不同情况信息,在通信过程中由于信道环境不同,使得每个智能体都有其自己的代价函数。不失一般性,我们研究的优化算法目的就是求这些代价函数和的最小值,以达到通信效率最高的目标。目前的分布式优化方法大多用来解决凸函数问题,并要求函数是平滑的,从而利用次梯度方法求得最优解。本文针对凸-凹函数,且函数非平滑的情况,设计免梯度鞍点算法求出最优值。基于分布式平均一致性算法,在Slater的条件下,我们得到了一个恒定步长方法收敛性边界,将对偶问题的集合重新定界。最后我们将算法进行仿真,得出算法的结果收敛图,我们验证了其解决特定问题的有效性。具体细节如下:1.当网络中的传感器间通信代价为固定值时,我们设计随机免梯度鞍点算法,用于解决分布式网络优化问题。考虑到通常情况下智能体的代价函数为凸函数,我们针对凸-凹函数的情况设计拉格朗日函数,从而求得了拉格朗日近似鞍点。接着我们考虑到基于次梯度方法的鞍点算法对函数是有要求的,对于某些非平滑函数采用次梯度方法十分困难。对此,我们进一步改进了鞍点算法,设计了基于随机免梯度的鞍点算法。经过多次迭代后,我们对结果进行收敛性分析。2.在上述工作的基础上,我们对时变网络连接的情况加以分析。当智能体间的通信代价为时变时,我们仍然采用随机免梯度鞍点算法,对分布式优化问题进行求解。最后分析结果的收敛情况。3.在数字通信环境下,由于通信信道的信道容量限制,即使每个智能体的状态是连续值,每次通信时,相邻智能体之间传输的也只能是有限个比特的信息。也就是说,智能体之间接收或传送的都是量化后的信息。为了使信息能得到准确的传输,我们对量化精度进行分析,将目标函数量化处理。最终证明了结果收敛于最优值。