实际工程系统中普遍存在着诸如物理条件、制造工艺、温度湿度等约束限制。按照经典控制理论进行设计的控制器在实际工程应用时往往达不到期望的控制效果。究其原因,就是没有在控制器设计时充分考虑这些外部约束所带来的影响,从而使得按照标称系统模型进行设计的控制器无法达到最优的控制性能。模型预测控制（Model Predictive Control,MPC）正是以其能够在线显式处理约束的能力而受到研究人员的广泛关注。但随着实际工程系统规模的日益增长,对于具有高维度、多子系统、多约束、多目标等特点的复杂大规模系统,采用传统集中式架构的模型预测控制存在优化求解难度大、通信带宽占用高、系统容错性差等问题。分布式模型预测控制（Distributed Model Preditive Control,DMPC）通过将全局优化问题分解为若干子优化问题并分配给各子系统进行求解,以获得全局最优性能,从而达到降低优化求解难度、减轻通信负担、增强系统容错性的目的。近年来,虽然研究人员在分布式模型预测控制的稳定性分析和分布式优化求解等方面做出了一些成果,但是对于存在外部干扰和通信时延的复杂大规模系统,分布式模型预测控制策略的研究仍然值得关注。同时,分布式模型预测控制对于计算资源和通信资源的高占有率还有待进一步缩减。另一方面,从分布式优化角度对带有全局耦合约束的分布式模型预测控制的研究仍处于初级阶段,依然存在很多难点问题亟待解决。例如,如何利用全局耦合约束可分离的假设进行分布式求解;如何在不依赖全局耦合约束可分离性假设的前提下进行分布式求解;以及如何保证算法的收敛速率等。本文针对约束系统,分别从分布式模型预测控制和分布式优化两方面展开研究:针对复杂大规模系统中可能存在的外部干扰以及通信时延等问题,利用最优性原理、不变集理论、吸引理论等工具,提出了两种分布式模型预测控制的设计方法;针对分布式模型预测控制优化问题中可能存在的全局耦合约束,利用吸引理论、凸优化理论等工具,从分布式优化的角度分别在有无全局耦合约束可分离性假设的条件下讨论了分布式求解的方法,提出了两种保证收敛速率的分布式优化算法。本文的研究工作主要包括以下几个方面:（1）针对一组有界加性干扰作用下的动力学解耦非线性多智能体系统,基于自触发机制设计了一种集中式模型预测控制策略,解决了全局系统的鲁棒镇定问题。证明了事件触发策略对于降低模型预测控制策略优化问题求解次数是有效的。在此基础上,提出了一种事件触发分布式模型预测控制策略,通过在局部目标代价函数中引入邻居子系统信息进行协调控制。利用基于黎曼流形的吸引理论,通过在分布式模型预测控制的优化问题中增加一个约束来消除外部干扰带来的影响。为了减轻优化计算和通信传输负担,将事件触发机制引入控制器设计,通过判断实际状态轨迹和最优状态轨迹间的黎曼距离是否满足事件触发条件,以决定是否触发并重新求解优化问题。其中,事件触发条件的边界值是依据吸引域内的吸引速率得出的。从理论上分析了所提算法的迭代可行性,并利用吸引理论证明实际系统状态轨迹能够最终收敛到终端约束集附近的邻域内,从而保证了系统的闭环稳定性。（2）针对一组有界加性干扰作用下的线性离散时间多智能体系统,提出了一种基于min-max方法的分布式模型预测控制策略,解决了该多智能体系统在网络通信时延有界且时变情况下的跟踪一致性问题。基于Lyapunov-Razumikhin泛函构造了终端约束集,并设计了该集合内的局部状态反馈控制律。利用鲁棒正不变集理论,以线性矩阵不等式形式给出了所设计的终端约束集应满足的充分条件,同时得出了局部状态反馈控制增益。从理论上证明了所提算法的迭代可行性以及闭环系统的输入到状态稳定性。（3）针对一组线性离散时间多智能体系统,考虑了全局耦合约束下的分布式模型预测控制问题。利用凸优化理论,将原问题转化为其对偶问题,并提出了一种原始对偶梯度算法用于求解所得的对偶问题。在全局耦合约束可分离的假设条件下,利用一致性理论实现算法的分布式迭代。为了减少避免不必要的计算,利用约束收缩技术使该算法能够在保证系统闭环稳定性的前提下提前终止。利用吸引理论,从局部分析任意两条更新迭代中产生的决策向量轨迹的收敛性,从而给出了所提原始对偶梯度优化算法具有全局几何收敛速率时的固定更新步长的设计条件。从理论上分析了在使用不精确解的情况下,分布式模型预测控制算法的迭代可行性以及闭环系统的稳定性。（4）针对一类带有全局耦合约束的多智能体系统分布式优化问题,其中全局目标代价函数为一组凸、可能非光滑的局部目标代价函数的和,而全局耦合约束为包含所有子系统决策量的等式约束。为了求解该优化问题,提出了一种分布式原始对偶梯度算法。该算法利用增广拉格朗日法将约束优化问题转化为无约束鞍点寻优问题,并利用有限时间一致性方法实现算法的分布式求解。在所提算法中引入了对拉格朗日乘子和全局耦合约束的局部估计,使得该算法能够在不依赖全局耦合约束可分离性假设的前提下进行求解。从理论上分析了所提算法的收敛性,证明采用该算法所得的目标代价函数残差在非遍历意义下具有O（1/k）的收敛速率,其中k代表算法的迭代次数。除此之外,还将所提算法推广到用于求解最小化受到凸约束的非凸目标函数的问题。在非凸优化分析的一些常见假设下,证明了所提算法能够收敛到该问题的一个KKT（Karush-Kuhn-Tucker）点。