分布式优化是当前研究的热点问题,其在大规模机器学习、智能电网、无线传感网络等领域中都有着广泛的应用。分布式优化算法依赖于多个智能体之间的相互通信,一方面,这会带来单个智能体的隐私泄露问题;另一方面,大规模网络结构下通信受到通信能耗过高、通信带宽有限等现实条件的制约。因此,分布式优化算法的隐私保护性以及通信效率成为衡量算法性能的重要指标。然而,已有的具有隐私保护性的分布式优化算法往往面临通信成本较大,单次迭代计算复杂度高的问题。本文针对上述问题,综合考虑算法的隐私保护性,通信高效性和计算简易性,以分布式交替方向乘子法（ADMM）为基础,利用基于事件触发的通信机制、函数近似法、随机扰动策略,提出了两类具有隐私保护性的分布式优化算法。具体而言:1.本文针对通信受限的场景提出了一个具有隐私保护性且通信效率较高的二阶算法:PC-DQM。为了降低通信成本,PC-DQM利用事件触发通信机制对每次通信进行审查;而通过对目标函数进行二阶近似,同时对近似后目标函数的Hessian矩阵引入随机噪声,PC-DQM能实现隐私保护同时避免了因优化子问题带来的计算负担过重的问题。理论分析表明,PC-DQM能够线性收敛到最优解且具有隐私保护性;而实验表明PC-DQM能够正确解决分布式优化问题,并且能够同时实现隐私保护和降低通信负担。与现有的隐私保护算法相比,PC-DQM不仅能保护隐私,同时可以提升算法通信效率;而与二阶近似ADMM算法相比,PC-DQM不仅具有隐私保护性且算法的通信成本更小。2.为了进一步降低隐私保护算法单次迭代的计算复杂度,本文提出了一个具有差分隐私性的一阶算法:DP-DLM。为了降低算法的计算负担,DP-DLM对目标函数进行一阶近似,从而使得原始变量的更新具有闭式表达,且只需要梯度信息。而为了实现差分隐私同时保证算法的收敛速率较快,DP-DLM对原始变量引入了方差线性（次线性）衰减的高斯噪声。理论分析表明:DP-DLM能够线性（次线性）收敛到最优解,并且具有差分隐私性。而实验结果表明:在隐私保护性要求不是很高的场景下,DP-DLM的精确度并没有因为隐私保护和一阶近似而下降太多;而在隐私保护性要求很高的场景下,相比于现有基于ADMM的差分隐私算法,DP-DLM在精确度和计算负担上都具有一定优势。该论文的研究结果为分布式隐私保护算法提升通信效率,降低计算复杂度提供了可行的思路,丰富了分布式优化算法隐私保护的研究,提高了具有隐私保护特性算法的实用性,具有重要的理论意义和实践意义。