近年来,关于多智能体网络的分布式优化问题引起了许多学者的关注,其中分布式凸优化问题是大家研究的重点之一。目前针对分布式凸优化问题大多采用的是次梯度算法。然而,在许多实际问题中次梯度往往难以计算,有时甚至不可计算。因此,本文将提出一类分布式凸优化的零阶算法。该类算法首先用Gaussian光滑化方法来逼近不可微函数,其次采用Push-Sum通讯协议考虑时变有向网络中的分布式Gradient-Free算法。随后,在该算法的基础上考虑多智能体之间的通信噪音,用来解决分布式凸优化问题以及分布式强凸优化问题,更重要的是证得其显式的收敛结果。本文主要工作包括以下三个部分:一、首先提出了 Push-Sum协议下的分布式Gradient-Free算法来求解一类时变有向网络的分布式凸优化问题。首先用Gaussian光滑化方法来逼近非可微函数,其次采用Push-Sum通讯协议考虑有向网络中的分布式Gradient-Free算法。分析了算法的收敛性,并得到了算法的收敛率为O(lnτ/τ)。最后通过数值例子表明了所提出的算法与对应的分布式次梯度算法具有相似的收敛性。二、然后提出了一种带有随机通信噪音的分布式Gradient-Free方法,用来解决在时变有向网络拓扑中带有通信噪音的分布式凸优化问题。给出了该算法的收敛性分析。当每个局部目标函数是凸函数时,算法DFPS-N的收敛率为O(lnt/(?))。最后数值实验也证明了该算法有很好的收敛性。三、最后利用带有随机通信噪音的分布式Gradient-Free方法来解决分布式强凸优化问题,即当每个局部目标函数fi是强凸函数时。我们得到了其收敛速率为O(lnt/t),这显然比一般凸问题下的收敛率O(lnt/(?))收敛得更快。