近年来,多机器人系统越来越多地应用到军事、未知环境和灾区等领域,此外包括生产自动化、智能仓库以及外卖餐饮等领域,都是机器人大展拳脚的舞台。多机器人系统通过交流协作和分享信息改进了单个机器人的性能,如任务执行效率、健壮性、灵活性和容错性,同时涵盖了分布式决策,编队控制、区域覆盖及其相关应用。作为多机器人系统设计与实现中最核心的模块,任务分配的效果直接影响着系统的性能和工作效率。特别是最近几年,多机器人动态任务分配问题已经越来越受到人们的关注,成为多机器人研究中最关键的热点课题。在多机器人系统应用中根据任务情况一般将任务分配分为静态任务分配和动态任务分配,静态任务分配是指当任务执行之前,任务信息对机器人是已知的并保持稳定状态;对于动态任务分配来说,机器人任务分配是一个动态的过程,需要根据任务环境的变化和子群对利益的需求处于不断调整变化的状态。但目前多机器人研究大部分都是针对静态任务分配,对于未知环境下的分布式动态任务只是建立初步模型,分配策略并不完善。而且大多数研究在对动态任务分配结果进行优化时没有从收益的角度出发,很少涉及到多机器人全局最优问题。协作多机器人系统动态环境下的任务分配问题在多机器人协同控制研究中有着重要地位,文章针对分布式动态任务分配问题建立了多机器人协作救火模型,在该模型中考虑时间、能量和火势等因素并对其进行量化。综合所有因素后,提出一种基于市场方法机制并符合动态救火任务分配的分配策略。然后根据相应模型在仿真平台中进行建模,并通过仿真证明这种任务分配策略能够在不同情境下实现高效优化的任务分配结果。针对多机器人系统动态任务分配中存在的优化问题,本文在使用合同网初始任务分配的基础上提出了一种使用帕累托改进的任务二次分配算法。多机器人系统并行执行救火任务时,首先通过初始化任务分配将多机器人划分为若干子群;然后每个子群承包某一救火任务,子群在执行任务的同时与就近子群进行帕累托改进确定需要迁移的机器人,实现两子群之间帕累托最优;最后使用后序二叉树遍历对所有子群进行帕累托改进实现全局帕累托最优。理论分析和仿真结果表明,帕累托改进算法相较于传统合同网方法在时间方面能够高效完成救火任务,在系统收益方面要明显优于传统合同网方法;在救火任务时间上相较于强化学习算法和蚁群算法都有明显降低。