随着科学技术的发展,越来越多的机器人能代替人们完成复杂和危险的任务,而很多复杂的问题单个机器人无法高效地完成,需要多个机器人合作完成,多机器人任务分配问题是协调机器人高效合作的关键,也是多机器人系统研究的重点。本文针对需要机器人移动并合理分配任务这一应用场景,采用多旅行商(multiple traveling salesman problem,MTSP)模型对问题进行建模,并对实际中存在的应用场景进行仿真模拟求解,最终解决这一问题并使得分配结果更加合理。蚁群算法是解决多机器人任务分配常用的算法,其优点有正反馈特性和分布式计算等,缺点是前期收敛速度慢和易陷入局部最优解等。本文采用遗传算法对蚁群算法进行改进,同时对蚁群算法中信息素更新方式进行改进,增强了算法的寻优能力,并用该算法解决多机器人任务分配问题。首先,研究解决多机器人任务分配问题需要的步骤有数学建模和优化算法,其中,采用MTSP模型对多机器人任务分配进行建模,分析两者的相同点和不同点,包括起点不同和出现断点的情况等,指出对MTSP问题引入一定的限制条件就能对应多机器人任务分配的某个具体应用的建模,解决MTSP问题是解决多机器人任务分配的关键。优化算法是求解多机器人任务分配问题的核心,本文重点讲述如何用算法求解问题以及对蚁群算法进行优化。其次,研究蚁群算法的基本原理和数学模型,分析蚁群算法的参数对算法性能的影响,用试凑方法求得一组蚁群算法的参数,并用遗传算法对蚁群算法的参数进行优化,得出另一组参数,用这两组参数分别求解MTSP问题,对比两组实验的寻优效果和收敛速度,用遗传算法改进参数后,算法的寻优性能和收敛速度有了很大的提升。然后,对蚁群算法进行改进,改进蚁群算法中信息素浓度的更新策略,使得算法有更强的搜索能力,同时将蚁群算法求解的初步解当成遗传算法的初始种群,用遗传算法进行进一步求解,能有效地改进蚁群算法容易陷入局部最优解的缺点。本文在TSPLIB数据集中引入5个问题,分别用传统蚁群算法、最大最小蚁群算法、基于排序改进蚁群算法和本文提出的蚁群-遗传改进算法对问题进行求解,通过对实验结果的对比和分析,证明了本文提出的遗传-蚁群改进算法有更强的寻优能力。最后,用本文提出的蚁群-遗传改进算法求解多机器人任务分配问题,其中包括起点相同的机器人清洁太阳能电池板问题和起点不同的机器人配送邮件问题,实验引入了王旭和秦新立采用的优化算法当作对照组,通过用MATLAB进行仿真实验和对实验结果进行比较分析,本文提出的蚁群-遗传优化算法能很好地解决多机器人任务分配问题,在寻优性能方面比引入的两种方法都要优秀,特别是在求解复杂度较高的问题时,寻优性能的优势表现得更加突出。