众包是一种高效的分布式问题解决模式,在大规模众包中,往往需要通过网络平台组织任务分配。近年来,众包从解决简单而独立的任务为目标的传统众包,逐步地发展到汇集庞大的用户群体以完成大型复杂任务的新型众包。在大规模复杂任务众包中,平台直接将大型复杂任务分配给团队。为了确保任务的快速完成,平台需要将一项任务分配给多个团队,而一个团队至少由一名用户组成。另一方面,为了确保用户的积极性和收入,平台允许一名用户参与有限数量的团队,因此一个团队可以承担多个任务。由此,平台将会面临以下难题,任务分配需要保证不能超过每个用户的最大任务负荷,并避免信息泄漏风险。其中信息泄露是由一名用户同时加入多个承担相同任务的团队造成的。因此分配给某项任务的不同团队中不能包含同一位用户。这种场景在高阶基数约束下形成多对多（Many to Many,简称M2M）分配问题,而平台希望为特定时间窗内的所有任务选择合适的优秀团队。为解决上述任务分配问题,本文通过为群组多角色指派（Group Multirole Assignment,简称GMRA）问题中引入高阶基数（High-order Cardinality,简称HC）和角色上的冲突代理（Conflict Agents on Roles,简称CAR）约束,将上述问题进行形式化建模。主要研究内容包括:1)通过引入团队组成矩阵形式化描述HC和CAR约束,实现对GMRA问题的拓展性研究,以将众包中的任务到团队,团队到用户的高阶指派问题形式化建模,并由此提出团队分配问题（Team Allocation Problem,简称TAP）;2)使用通用线性规划求解器IBM ILOG CPLEX（简称CPLEX）,为形式化问题提供实用的求解方案,并通过大规模仿真实验验证该方法的可行性;3)提出描述上述问题的解空间的充要条件（Necessary and Sufficient Condition,简称NSA）理论,并对该理论进行证明。利用外置判定条件方程组,提出上述问题的必要条件（Necessary Condition,简称NEC）和充分条件（Sufficient Condition,简称SUF）及其理论证明,通过预先筛选部分无可行解问题的方式,对大规模问题情况下的求解时间进行优化。4)通过平行实验验证了上述优化方法的有效性,并进行实验验证代理组成规模和团队形成粒度等因素如何影响TAP模型的有解率。基于本文提出的解决方案,通过对照性实验验证了相关模型与算法的准确性、时效性与鲁棒性。此外,经大规模随机求解验证,论文提出的基于CPLEX求解器的NECgreedy+SUF求解方案,在保证最优解的情况下,比基准CPLEX求解方案最高提升了118.29倍求解效率。在避免信息泄漏风险的情况下,有力支持了众包团队的优质、高效组建。