Diese Arbeit stellt methodische Herangehensweisen zur Lösung von konvexen Optimierungsproblemen in Multi-Agenten-Systemen, formuliert als sogenannte Multi-Cluster Spiele, vor. In diesem Zusammenhang beschäftigen wir uns mit unterschiedlichen Aufteilungen von Informationen auf die Agenten. Zunächst stellen wir einen zentralen Algorithmus vor, der einen zentralen Koordinator mit uneingeschränktem Zugang zu den Aktionen der Agenten und den Gradienten ihrer Kostenfunktionen benötigt. Mit diesem Algorithmus soll demonstriert werden, wie die bekannte Methode des Gradientenabstiegs angewendet werden kann, um ein optimales Ergebnis bezüglich des N-Cluster Spiels zu erzeugen. Anschließend relaxieren wir die Annahme von uneingeschränkter Information und nehmen an, dass jedem Agenten nur ein Teil der Gesamtinformationen zur Verfügung steht. Hierbei liegt der Fokus auf den folgenden zwei Fällen. Im ersten Fall haben die Agenten Zugang zu den Gradienten ihrer eigenen Funktionen und Informationen können über einen das gesamte System vernetzenden Kommunikationsgraphen mit den direkten Nachbarn ausgetauscht werden. Im zweiten Fall kennen die Agenten die funktionale Form ihrer eigenen Zielfunktionen/Gradienten nicht und können den aktuellen Wert ihrer Zielfunktion nur an bestimmten Punkten abfragen. Zusätzlich ist es den Agenten nur erlaubt, Informationen mit den Agenten des eigenen Clusters auszutauschen. Für beide Fälle stellen wir konvergierende Optimierungsprozesse vor und analysieren deren Effizienz in Simulationen.