本书在归纳分析国内外关于网络化多智能体系统分布式优化算法的基础上，研究了针对异步通信、量化信息、隐私保护、高维约束、事件驱动等具体需求的网络化多智能体系统的分布式优化算法，主要内容包括：①系统建模——构建满足具体需求的网络化多智能体系统模型，如有向/无向通信、动态/静态网络拓扑、时变/非时变代价函数等，为算法设计与分析提供了模型基础；②算法设计——针对具体问题，采用恰当的技术方案，如随机梯度、差分隐私、条件梯度、随机块坐标等，设计高效的分布式优化算法，解决实际应用场景的具体优化问题；③证明与分析——针对提出的算法，通过严格的数学证明与分析，证明了算法的正确性和有效性，分析了算法的Regret界，为算法的应用奠定了基础：④仿真实验——利用公开的数据集验证了部分算法性能和理论分析的结果。
本书可以作为计算机科学与技术、控制科学与工程、人工智能、优化理论等专业硕士研究生、博士研究生的专业课教材，也可供计算机科学与技术、控制科学与工程、人工智能、网络优化等领域的科技人员参考。

第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 分布式离线优化算法
1.2.2 分布式在线优化算法
参考文献
第2章 分布式随机次梯度投影算法
2.1 引言
2.2 算法设计
2.3 主要结果
2.4 收敛性能分析
2.5 本章小结
参考文献
第3章 异步的分布式次梯度随机投影算法
3.1 引言
3.2 算法设计
3.3 主要结果
3.4 收敛性能分析
3.5 误差界分析
3.6 本章小结
参考文献
第4章 量化信息与随机网络拓扑的扩散最小均方算法
4.1 引言
4.2 扩散算法
4.3 算法设计
4.3.1 随机网络拓扑模型
4.3.2 抖动量化模型
4.3.3 随机网络与抖动量化的扩散策略
4.4 均方收敛分析
4.5 稳态性能分析
4.6 仿真结果
4.7 本章小结
参考文献
第5章 分布式随机次梯度在线优化算法
5.1 引言
5.2 问题描述与算法设计
5.2.1 问题描述
5.2.2 算法设计
5.3 主要结果
5.4 算法性能分析
5.5 仿真实验
5.6 本章小结
参考文献
第6章 差分隐私的分布式在线优化算法
6.1 引言
6.2 基本概念与定义
6.2.1 图论
6.2.2 差分隐私
6.3 问题描述及算法设计
6.3.1 问题描述
6.3.2 算法设计
6.4 主要结果
6.5 差分隐私与性能分析
6.5.1 差分隐私分析
6.5.2 性能分析
6.6 本章小结
参考文献
第7章 分布式条件梯度在线学习算法
7.1 引言
7.2 准备工作
7.3 问题形式化与算法
7.4 假设和主要结果
7.5 性能分析
7.6 引理证明
7.7 仿真实验
7.8 本章小结
参考文献
第8章 基于随机块坐标的分布式在线无投影算法
8.1 引言
8.2 问题描述与算法设计
8.2.1 问题描述
8.2.2 算法设计
8.3 相关假设和主要结果
8.4 收敛性分析
8.5 仿真实验
8.5.1 实验设置
8.5.2 实验结果与分析
8.6 本章小结
参考文献
第9章 基于事件驱动的分布式在线无投影算法
9.1 引言
9.2 问题描述与算法设计
9.2.1 问题描述
9.2.2 算法设计
9.3 相关假设与结果
9.4 收敛性分析
9.5 本章小结
参考文献