受自然界一些奇妙现象的启发(比如:鸟类可以保持特定的队形飞行;鱼群可以按照一致的速度巡游),多智能体网络在近些年以来受到了广泛的关注。多智能体网络通常包括多个具有感知、计算、通信能力的智能体。其中每个智能体通过与它的邻居进行通信从而与其他智能体协作地实现全局目标,而不是简单地各自承担不同的任务。由于其具备的便捷性、高效性、鲁棒性,多智能体网络在处理大型的复杂系统的问题时有着显著的优势。目前多智能体网络已经在多个领域被广泛的应用,例如无人机的编队控制、多区域互联电力系统等。为了应对多智能体网络中普遍存在的通信资源限制,在本文中,我们将考虑在通信能源和通信带宽受限情况下的分布式一致及优化问题。为了尽可能地减少通信能源的浪费以及避免通信网络的拥堵,我们将事件触发控制和量化控制引入了分布式一致及优化算法的设计中。本文的主要内容可以概括为以下两点。1.首先,我们提出了一种基于事件触发和量化通信的分布式一致算法设计框架。在这个框架中,我们明确给出了事件触发机制和量化机制的设计方法。而且,为了消除外加干扰所带来的影响,我们提出了一种新型的多重离散滑模面,并综合考虑滑模面,事件触发和量化机制给出了对应的滑模控制律。在这一控制律下,我们证明了所有个体可以实现渐进一致,且能够避免Zeno现象的出现。接着,基于上述分布式一致算法,我们提出了基于一致性的分布式优化算法。我们证明了该分布式优化算法可以使所有个体的状态渐进的到达约束集内的局部最优点,且Zeno现象同样不会出现。2.我们进一步将上述的分布式一致及优化算法推广到了自触发和周期型事件触发的情形下。特别地,在周期型事件触发情形中,我们明确给出了重新设计事件触发机制的方法以及选取采样周期的上界。对于所提算法在这一情形下的变形,我们证明了,一致性算法能够使所有个体实现有界一致,优化算法则能够使所有个体的状态到达一个包含局部最优点的很小的区域内,且误差可以通过恰当的选取参数任意调整。当这一误差的上界趋向于0的时候,采样周期也会趋向于0,此时周期型事件触发情形会退变成连续型事件触发情形。最后,我们给出了本文的结论并对未来工作进行了展望。