随着现代决策系统在自主性、机器人学、人工智能（AI）等众多领域的规模和复杂性迅速增长，开发可扩展且高效、能够处理大规模、网络化及不确定环境的算法框架正引发广泛关注。必须解决若干基础性挑战，包括可扩展性、复杂动态性、不确定性下的鲁棒性、可解释性与泛化能力。本文在优化理论、控制论与深度学习的交叉领域，提出了一系列新颖的分布式算法架构，旨在应对这些挑战。本文的主要贡献总结如下：(i) 提出了两种用于大规模多智能体控制的新型分布式动态优化架构，为自主系统中的最优控制提供了先进的扩展性，并通过硬件实验验证了其有效性。(ii) 提出了一系列用于多智能体随机系统中分布导向的可扩展去中心化方法，在安全保障能力与计算效率之间取得平衡，并附带收敛性保证。(iii) 随后提出了去中心化分布导向框架的模型预测控制版本，使其能够应用于在不确定性下运行的现实世界多智能体系统。(iv) 提出了一种面向超大规模集群多智能体系统的分层分布控制架构，该架构利用底层层次结构以实现更高的可扩展性和鲁棒性，涉及多达数百万智能体的实验证明了这一点。(v) 最后，通过将算符分裂二次规划（OSQP）求解器的一种新变体（基于共识的）展开到一个监督学习框架中，开发了一种用于大规模二次规划（QP）的深度学习辅助分布式优化架构。实验表明，其性能优于传统优化方法，对更大规模问题具有较强的泛化能力，并对未知实例的期望最优性间隙提供了PAC-Bayes保证。

本文结构如下。第二章回顾了读者所需的多元微积分、优化理论和最优控制等必要数学基础。第三章阐述了本论文所提出的用于多智能体控制的分布式动态架构。第四章介绍了面向大规模随机多智能体系统的分布式协方差导向算法。第五章提出了一种用于不确定性环境下多机器人安全控制的分布式模型预测协方差导向框架。第六章展示了面向超大规模集群多智能体系统的分层分布控制方法。第七章介绍了用于大规模QP的深度分布式优化架构。最后，第八章讨论了本文的结论及未来潜在研究方向。