现今网络技术的蓬勃发展，智能电网、通信网络、神经网络、无线传感网络等等各类大规模的不同形态的网络系统无不在人类的生活生产和发展中起着至关重要的作用。这些大规模的网络往往可以被看作为多智能体系统，即由多个具有计算和通信能力的智能体构成的网络系统，而如何提升多智能体系统的功能性、自主性、可扩展性等成为了研究者们的重点关注方向。在这一环节中，高效地解决基于多智能体系统的大规模优化问题是尤为重要的一部分。分布式优化技术相比于传统的集中方式更适合当前大规模的优化问题，它可以使网络系统中的各个节点（即智能体）仅凭借与相邻节点间的协作，使节点的信息不断融合，从而共同解决网络优化问题。分布式优化理论和应用也得到了越来越多的重视，并逐渐渗透到科学研究、工程应用和社会生活的各个方面。分布式优化算法根据其优化过程中节点的更新方式可以分为同步分布式优化算法和异步分布式优化算法。其中，异步分布式优化算法因其灵活性和自主性在多智能体系统网络研究中深受欢迎。　　此次毕业论文首先阐述了分布式优化算法的发展历史和现状以及相关知识背景并且对于分布式优化的一个经典特例，即多智能体网络连续时间一致性协议，和多智能体网络离散时间一致性协议的经典模型进行简单的阐述。随后，从解决多智能体网络离散时间一致性协议问题为出发点，对现有的一类分布式优化算法，即Zero-Gradient-Sum(ZGS)算法进行拓展，使其在原有的，仅能解决一维优化问题的基础上实现多维优化问题的求解;接着通过改进智能体之间的信息交互方式以加速ZGS算法的收敛效果;同时，考虑到网络节点单体的信息安全性和保密性问题，为ZGS算法提出了新的信息交互策略。该策略避免了了相邻节点对于局部问题数据的传输，迎合当前社会对与各类网络高安全性的要求;另外，微调网络节点的更新方式，实现大规模网络在信息交互式信息总量的下降，使其在实际运用过程中更加节能。在实现设计更高效、安全、可靠、节能的分布式优化算法之后，利用网络的联通性，理论证明了新算法的收敛性。最后通过仿真阐明了新算法的可行性和正确性。