This technical note studies the distributed optimization problem of a sum of nonsmooth convex cost functions with local constraints. At first, we propose a novel distributed continuous-time projected algorithm, in which each agent knows its local cost function and local constraint set, for the constrained optimization problem. Then we prove that all the agents of the algorithm can find the same optimal solution, and meanwhile, keep the states bounded while seeking the optimal solutions. We conduct a complete convergence analysis by employing nonsmooth Lyapunov functions for the stability analysis of differential inclusions. Finally, we provide a numerical example for illustration.

Distributed stochastic optimization (DSO) with local set constraints and coupled inequality constraints over a multiagent network is considered in this article. Usually, such problems are tackled by projected primal-dual methods, which require expensive projection operations when set constraints are complicated. In this context, this article focuses on the Frank-Wolfe (FW) framework, which provides computational simplicity by avoiding expensive projection operations, for solving DSO with local set and coupled inequality constraints. By combining recursive momentum and weighted averaging, this article proposes a distributed stochastic FW primal-dual algorithm (DSFWPD), which is the first stochastic FW solver for DSO problems with coupled constraints. The proposed algorithm achieves zero constraint violation on average with a sublinear decay of the optimality gap over a directed and time-varying network. The efficacy of DSFWPD is demonstrated by several numerical experiments.