近年来,基于多智能体网络的分布式优化问题频繁出现在智能电网、无线传感网络、模型预测控制等工程和科学领域中。实际生活中的分布式优化问题通常具有大规模复杂的网络结构,因此如何快捷、高效地求解分布式优化问题是目前学者们普遍关注的问题。与传统的集中式算法相比,分布式连续时间算法克服集中式算法的许多弊端,进而在求解大规模复杂的优化问题时具有明显优势。本文通过采用惩罚方法及相应的自适应思想,针对不等式约束下非光滑分布式凸或非凸优化、非光滑分布式资源配置优化等问题,分别设计几类分布式连续时间类惩罚算法,并进一步研究这些算法的收敛性。具体研究内容如下:1.针对一类带有不等式约束的非光滑分布式凸优化问题,设计一个带有时变惩罚项的连续时间类惩罚算法。基于Lyapunov方法,证明该算法状态解最终达到一致并收敛到最优解。目前已知的求解该类优化问题的惩罚算法大多需要事先估计精确惩罚参数的下界,这会破坏优化问题的分布式结构。本部分所构造的连续时间类惩罚算法通过使用一个随时间增加趋于正无穷的连续函数对不等式约束进行惩罚,从而有效避免估计精确惩罚参数下界的弊端。另外,几个数值仿真说明所提出算法的有效性。2.针对一类带有凸不等式和耦合等式约束的非光滑分布式资源配置凸优化问题,为避免原始-对偶理论需引入额外辅助变量的不足之处,通过结合自适应思想对不等式约束进行惩罚,提出一类自适应连续时间类惩罚算法。通过使用非光滑分析方法,证明算法的状态解最终收敛到优化问题的一个最优解。与现有的求解该类优化问题的算法相比,本部分设计的连续时间类惩罚算法具有较低的状态解空间维数,并在选择合适的增益参数时更加灵活。同时,几个数值仿真说明这类算法的有效性和可行性。3.针对一类不等式约束下的非光滑分布式凸优化问题,将自适应思想与一致性约束等有机结合起来,设计一类自适应连续时间类惩罚算法,并证明该算法的状态解能够收敛到优化问题的一个最优解。本部分设计的算法利用自适应思想惩罚了一致性约束,从而保证每个智能体不需要与其他智能体交换自身的目标与约束集等私有的信息,进而有效地保护了个体隐私且减少了通信负担。同时,几个数值仿真说明所提出算法的可行性。4.针对一类带有凸不等式约束和非凸目标函数的非光滑非凸分布式优化问题,构造一类粒子群优化算法框架下的协作连续时间类惩罚算法。为了克服目标函数的非凸性带来的挑战,针对单个粒子,设计一类连续时间类惩罚算法来求解该优化问题的临界点,并进一步利用粒子群优化算法的整体思想来不断的演化寻找得到该优化问题的一个全局最优解。与其他现有求解该类优化问题的算法相比,本部分所提出的算法能够求解到非凸分布式优化问题的全局最优点。另外,几个数值仿真说明所提出算法的有效性。