随着新时期大数据时代的来临,分布式优化网络被广泛地应用于对海量数据的处理。其中较为常用的有分布式递归最小二乘算法和无投影分布式算法。文章中利用高斯机制与重调次梯度技术,提出了一种基于在线的算法,该算法既可以解决带行随机矩阵的有向图上分布式约束下的差分优化问题,又可以同时维护并保持一定程度的差分私密性。尽管此算法取得了成功,但它们所要求的投影运算仍然限制了它们在许多实际利益的环境中的进一步适用性。为解决这一技术带来的弊端,提出分布式在线约束优化算法。本文的主要工作分为两个模块。第一个模块基于平衡无向网络的情况,提出了一个具有差分隐私性的分布式在线条件梯度优化方法。针对这一问题,提出了一种具有梯度追踪的分布式在线算法作为期望的变体,该方法通过使用梯度追踪方法加快算法的收敛性。此问题的网络模型是一个五个节点的平衡无向图。我们在理论证明中知道,该算法对于一般凸局部损失函数的期望遗憾界是O（（?））,其中T是时间范围。此结果与遗憾分析,可以实现隐私保护的需求。最后,通过仿真验证了算法的有效性。第二个模块基于不平衡有向网络的情况,提出了具有隐私保护的分布式约束在线优化方法。所提出的分布式约束在线优化方法运用了投影梯度算法,其中每个智能体与相邻智能体在具有行随机矩阵的不平衡有向图上交换局部信息,在这种情况下,信息传输的过程中容易造成信息泄露,为保护数据的隐私性,提出了一种具有隐私保护的分布式约束在线优化方法。在适当的假设下,为每一个智能体建立一个动态遗憾界,只要最小序列偏离的增长率在一定范围内,这个遗憾界就会呈现次线性增长。最后通过仿真实例验证了该方法的有效性。图[11]表[2]参[55]