近年來,隨著云計算、大數據、人工智能等新興技術的蓬勃發(fā)展,分布式優(yōu)化在大規(guī)模計算、機器學習等領域得到了廣泛應用。針對算法中關于步長的嚴格約束和理論收斂速度局限性導致算法收斂速度慢的科學問題。本專著主要研究內容包括:分布式優(yōu)化與常微分方程之間的關系、加速分布式優(yōu)化算法設計與分析?;谔荻鹊募铀俜植际絻?yōu)化算法存在收斂速度慢的現(xiàn)象。一方面,當目標函數為光滑強凸函數時,現(xiàn)有加速算法的步長嚴格依賴于目標函數條件數,使得步長充分小時才能保證算法收斂,而算法收斂速度與步長正相關,從而導致了算法收斂速度較慢。另一方面,當目標函數為光滑凸函數時,現(xiàn)有加速算法優(yōu)收斂速度為(k是迭代次數)。本文針對上述小步長、理論收斂速度局限性導致算法收斂速度慢的問題展開深入研究。