PVD算法(parallel variable distribution algorithm)是一种整体结构上可以并行实现的优化算法。PVD算法与其他算法的主要区别是“Forget-me-not”技术，每个处理机除了负责更新本身块内的变量外，同时还沿着给定的方向对其他处理机上的变量进行更新，使算法的鲁棒性和灵活性得到了很大的增强。　　本文给出了PVD算法的改进方向，提出了两种新的不精确PVD算法。首先对现有的SQP（Sequential Quadratic Programming Techniques）型PVD算法进行了改进，提出一种新的FSQP(Feasible SQP)型PVD算法，其搜索方向是下降方向、可行方向和高阶修正方向的组合，此算法很好地防止Maratos效应发生以及二次规划子问题出现不相容的情形。并且在合适的条件下推导出此算法具有全局收敛性，具有良好的实际应用价值。其次提出了一种新的解决一般约束优化问题的不精确PVD算法，以投影梯度剩余函数作为PVD方向、用充分下降条件替换PVD算法并行计算阶段的优化子问题，并给出了不精确PVD算法全局收敛性的证明。　　本文应用PVD算法来解决混合整数非线性约束优化问题。针对混合整数非线性约束优化问题，采用了一种变离散问题至连续问题的手段，所以本文直接研究连续问题。把问题的约束条件进行分类，分为：块可分约束和全局约束。根据广义鞍点理论，运用罚函数法将全局约束罚到目标函数。这样原问题就变成块可分的等价问题，可以直接用块可分约束优化问题的PVD算法进行求解。本文给出了混合整数非线性约束优化问题的PVD算法及其全局收敛性证明。