随着无人系统的飞速发展,人们对无人机群任务分配方案的有效性及多样性要求越来越高,但在新冠疫情的影响下,无人机群任务分配中的方案单一的问题更加突出,一旦得出的方案不能进行,则需要重新进行定制方案,导致大量时间的浪费。因此论文提出了一种基于集分解的多目标综合学习粒子群优化算法框架（Multi objective comprehensive learning set-based particle swarm optimization algorithm based on decomposition,MOCS-PSO/D）,该算法使用MOEA/D框架结合了基于集的粒子群优化（S-PSO）和综合学习粒子群优化（CLPSO）,不需要提前设置各目标的超参数,则可以快速自适应的根据多个目标获得更多样的可行任务分配方案,旨在同时求解出一组可行任务分配方案做为备用方案。实验结果表明,论文算法可以获得一组可行任务分配方案,且算法具有良好的收敛性、多样性及稳定性,在实际应用上也具有很好的现实意义。该论文主要进行了以下三部分研究工作:1)论文将无人机群任务分配问题归约为带时间窗的车辆路径规划问题（VRPTW）,同时根据VRPTW问题存在用户时间窗的特点,创新性的提出一对冲突的目标函数,用来平衡无人机和用户之间的等待时间,以使得到的任务分配方案更加符合实际情况。2)论文使用两阶段算法来求解VRPTW问题。第一阶段利用随机最近邻混合算法作为第一阶段,用于获得初始化可行任务分配方案,以作为第二阶段的初始粒子。第二阶段算法创新性的将MOEA/D框架引入到CS-PSO算法中,提出了改进后的MOCS-PSO/D框架,以快速自适应的平衡多目标优化中多个目标函数的权重,减少设置各目标的超参数,改进了速度更新公式,同时使用基于图的方式将局部搜索策略进行改进,添加了外部储存集更新策略,增加了自适应停止策略。通过实验对比,验证了该算法收敛速度快,稳定性强,可获得多样的可行任务分配解。3)通过对两阶段MOCS-PSO/D算法实验结果的数据分析,增加了基于偏好的优化目标,提出了两阶段基于偏好的MOCS-PSO/D算法,使算法获得的可行任务分配方案更加符合实际。