近年来,多智能体网络作为自然界极为重要的抽象,在各个领域和学科中都有广泛的应用,例如生物网络(鸟群、鱼群等),机器人网络,无线传感器网络,车联网,计算机网络,甚至社交网络等。在多智能体网络中,单个智能体相对脆弱,其感知、计算、通信等能力均十分有限,且很容易损坏,因此不足以承担复杂的任务。但当简单的智能体构成网络后,它们会通过合作,有组织有序地感知、计算、通信,从而共同完成复杂的任务。多智能体网络中分布式的体系架构决定了其分布式的信息处理方式。分布式的信息处理又分为有中心和无中心这两种方式,两种方式各有优势,互为补充,在实际中均有广泛应用。其中,无中心分布式信息处理方式因其具有更加平衡的链路通信和节点计算负载,更鲁棒的运行体系,节点无需路由,具有更安全的数据保护能力等特点,引起学界的广泛研究和关注。由于无中心分布式算法相对于有中心分布式算法往往收敛较慢,迭代次数较多,从而造成通信代价高,网络运行效率低。为此,如何分析算法的收敛速度,如何设计具有线性收敛速度(甚至更快)的无中心分布式算法也就成了研究的重点。本论文主要研究多智能体网络中一致性优化问题(简称一致性问题)的无中心分布式算法。一致性问题是多智能体网络中的基本问题,很多问题都可以直接或间接地转化为该类问题,例如一致平均,分布式线性回归,频谱感知等。因此,对一致性问题的充分研究非常重要。本论文仔细回顾和总结了目前几类解决一致性问题的重要无中心分布式算法,阐明了每种算法基本思想,数学迭代式和目前的研究进展。此外,本文还试图将每种分布式算法与相应的经典优化算法建立联系,以便更深刻地理解分布式算法背后的原理。在前人工作的基础上,本文仔细分析了分布式交替方向乘子法的收敛性,并在本地目标函数强凸且梯度Lipschitz连续的假设条件下,在学界第一次证明了其线性的收敛速度。其次,本文分析了分布式梯度下降法的收敛条件,证明了可以通过控制步长大小来控制算法是否收敛,据作者了解,这是目前相关文