多智能体系统的分布式优化是指在一个通讯网络中,一些具有一定的计算、通讯和感知能力的智能个体,依据分布式算法自行对各自状态更新,共同的极小化总体的目标函数.系统无需中心节点进行统筹调度,其优化算法的设计以分布式为主.研究多智能体系统的分布式优化有助于我们解决一些大规模和具有不确定性的分布式复杂系统问题,如智能电网、无线传感器网络和物流调配等.基于梯度的分布式算法是早期多智能体系统分布式优化研究的重点方向之一,而随着研究的深入,很多实际问题的目标函数是不可微的,不依赖梯度的分布式次梯度算法得到众多学者的关注,现已成为研究多智能体系统采用较多的分布式算法之一.随着多智能体系统研究的进一步加深,越来越多的实际因素被考虑进来,如单个智能体具有大量的子约束集合、系统通讯网络随时间切换、智能体间存在通讯时延和通讯噪声等.因此,本文结合上述有关通讯时延、随机噪声和局部约束集合较多等实际情况,研究切换网络下多智能体系统的分布式次梯度优化算法收敛速度的改进策略,具有重要的理论和实际意义.本文的研究分为三个部分:1)基于切换网络下带有固定时延的多智能体系统模型,提出分布式批量随机投影次梯度算法,并进行了收敛性分析.批量随机投影是指在个体的状态进行更新时,随机取一些子约束集合进行批量投影,选取的子约束越多,算法收敛的速度就越快.针对网络中的通讯时延,提出了一个网络扩维的办法,可在算法收敛性分析时,将固定的时延项替换掉,简化收敛性分析过程.最后给出数值例子,验证了算法的有效性和随机投影集合个数增加会提高算法的收敛速度.2)基于切换网络下带有随机时延的多智能体系统模型,提出一个多步次梯度批量随机投影算法,并分析了算法的收敛性和收敛速率.个体的多步次梯度是指将个体当前时刻次梯度信息与从算法更新开始该个体产生的所有历史次梯度信息进行加权整合后得到的结果,个体状态沿着多步次梯度方向更新,能够比单纯的次梯度算法更快地收敛到最优值.对于网络的随机时延部分,在分析时同样采用网络扩维的办法将随机时延替换掉,简化分析过程.最后的数值仿真结果表明,多步次梯度批量随机投影算法较批量随机投影次梯度算法和传统次梯度算法有着更快的收敛速度.3)基于切换网络下带有随机时延和随机通讯噪声的多智能体系统模型,提出多步近似次梯度随机投影算法,并进行了算法收敛性分析.个体的近似次梯度是指个体随机选取多个邻居的次梯度信息与自身次梯度信息加权组合后得到的结果.数值仿真表明,即使存在随机噪声,多步近似次梯度和批量随机投影相结合的算法仍可进一步提高算法的收敛速度.