大规模网络系统具有复杂的动态特性,其优化问题既十分重要又极具挑战性。与传统集中式优化相比,分布式优化具有可扩展性好、灵活性高、协作性强、隐私数据泄漏少等优点,因此被广泛应用于智能电网经济调度、传感器网络最优资源配置、多机器人系统定位等领域。近年来,基于多智能体协调技术的分布式优化算法受到人们的广泛关注。特别地,由于一些实际优化问题对收敛速率具有较高的要求（如微电网的经济调度问题）,因此研究保收敛性能的分布式优化算法具有重要的理论价值与应用前景。本文以凸优化理论、代数图论、分布式协调控制理论为基础,以收敛性能为主线,研究了网络化多智能体系统在分布式框架下保收敛性能的优化算法设计问题。论文主要工作及创新点如下:（1）针对一类二阶非线性多智能体系统,当考虑具有等式约束的多智能体网络全局强凸优化目标函数时,提出了具有指数收敛速率的分布式优化控制算法。在有向平衡通信拓扑下,通过引入合适的辅助变量并结合梯度法和比例积分协议,设计了具有指数收敛速率的分布式优化控制算法,并进一步构造有效的李雅普诺夫候选函数,证明了算法的指数收敛性能,给出了算法指数收敛率。在有向非平衡通信网络下,为了处理非平衡特性对收敛性的影响,设计了一个分布式估计器,用于估计对应于拉普拉斯矩阵0特征值的左特征向量。基于分布式估计值设计了具有指数收敛率的分布式优化控制算法,解决了二阶非线性多智能体系统在非平衡通信网络下具有指数收敛速率的优化控制问题。（2）针对一类具有等式和集合约束且目标函数为非强凸函数的多智能体网络全局优化问题,提出了分布式框架下连续通信和事件触发通信的分布式指数收敛算法。具有指数收敛率的分布式优化算法通常假设目标函数满足强凸条件,为放宽该假设,本文引入了度量次正则性条件。基于此条件,并综合利用加幂积分技术、梯度下降法、投影算子以及辅助变量技术,提出了具有指数收敛速率的分布式连续时间优化算法。为降低智能体之间的连续通信成本,通过进一步引入事件触发机制,本文提出一种事件触发通信下的分布式优化协议,实现了算法的指数收敛,同时降低了网络通信成本以及智能体的计算负担。（3）针对一类具有等式和不等式约束的多智能体网络全局优化问题,通过结合分数阶策略、符号函数、投影算子,本文设计了一种固定时间收敛的分布式优化算法,并通过构造新的李雅普诺夫函数,从理论上严格证明了算法在规定时间内收敛于最优解。该算法的固定时间上界与算法设计参数有关。为提前设定算法的收敛时间,基于时基触发技术和惩罚函数方法,本文设计了一种预定时间收敛的分布式优化算法,并通过李雅普诺夫理论证明了算法在预先给定的时间内收敛于最优解的任意可调邻域内。针对分布式约束优化问题,本文给出了一套具有收敛性能保证的分布式固定时间和预定时间优化算法。（4）针对一类具有等式和集合约束的多智能体网络全局优化问题,综合利用动态事件触发机制、时基触发技术、投影算子、切锥技术以及李雅普诺夫理论,设计了一种既具有预定时间收敛性能、又能降低网络通信资源消耗的分布式优化算法,解决了现有优化算法无法同时实现预定时间收敛和降低通信负担的难题。