由于现代社会的快速发展,生产生活中的许多工作均需采用多智能体系统以解决复杂的任务。随着群集智能以及多智能体强化学习的发展,面向多机器人的任务分配方法得到了广泛的研究,通常可将任务分配算法分为有协作任务分配和无协作任务分配。目前面向自组织映射神经网络的无协作任务分配方法存在移动方向角偏差的问题,继而在实际的二维障碍物环境中不能进行有效任务分配。面向有协作的多智能体强化学习存在不能协作解决多个任务的问题。因此,本文从有协作与无协作这两个角度对多机器人任务分配进行研究与改进,以提升多机器人任务分配系统的有效性和实用性。论文的研究工作如下:(1)提出了一种面向无协作的多机器人任务分配算法(Vector Direction Self-Organizing Map,VDSOM)。将矢量方向法引入SOM自组织神经网络,改进原始SOM算法在多机器人任务分配过程中,不能自主避障这一问题。改进后的VDSOM算法将整个多机器人任务分配分为4步:首先,采用胜者为王规则确定获胜神经元;其次,以该冠军为中心确定邻域函数;再次,采用矢量方向法修改机器人的移动方向角,以避免在路径规划过程中横穿障碍物;最后,根据引入的矢量方向法更新SOM获胜神经元的权值。通过仿真实验证明,VDSOM算法按照上述4步可以达到多机器人任务分配的目的,并能够避免横穿障碍物的情况,具备一定的有效性。(2)提出了一种面向有协作的多机器人任务分配算法(Heuristically Accelerated Dynamic Team Q-learning,HADTQL)。首先,根据环境的具体信息,构建了合适的状态动作空间;其次,采用动态探索系数将学习过程分为两阶段,保证了智能体前期学习的探索性和后期学习的稳定性;再次,采用改进的奖赏函数和多智能体强化学习自身产生的经验,提供实时的奖赏,以帮助机器人进行合理的动作选择;最后,引入启发函数来指导多智能体强化学习下一步的动作选择。通过实验对比Team Q-learning(TQL)、HATQL,验证出HADTQL算法能够在自主避开环境中障碍物的前提下,通过学习找到一个最优的任务执行序列协作完成所有的任务且路径相对最优,且能够合理的进行任务分配。