自从新冠疫情在全球蔓延开来,如何更安全地实现医疗机构病毒防控与隔离,成了全球各地政府、学者与业界关注的重点。与此同时,疫情环境下多智能体任务分配技术通过服务各大医疗机构改变了世界防疫格局。针对药品分配、医疗物资处理、定期消毒、远距离体温测量、病人监护等疫情防控过程中暴露出的核心问题,本项目以疫情防控过程中多智能体集群完成各项任务产生的差异化损失、效率和收益为切入点,主要针对多智能体的任务分配方案问题进行研究。最终目标旨在降低损失和提高效率,从而实现真正意义上的智能疫情防控。在多智能体集群任务分配的研究中,现有模型对复杂疫情环境下多智能体所要完成的任务目标缺乏全面的考虑,对实际复杂任务分配过程中的各种任务特性考虑不足,且对约束条件的描述不够完整。现有算法在提供有效任务分配解时的效率不高,尤其在处理任务量较大的实际问题时,易导致计算复杂度过高,优化效率过低,难以实现多智能体的协调规划。针对以上问题,建立切合实际的任务分配模型,重点探讨多智能体智能协同规划方案,从而高效完成疫情防控任务。以上对其问题有着重要的理论价值和现实意义。主要研究内容如下:（1）为了求解多智能体任务分配问题,本文提出了一个基于差分进化算法（DE）和粒子群算法（PSO）的新型混合离散方法,称为离散差分粒子群优化算法（D-DEPSO）。首先,通过“变异操作”处理初始个体种群。“变异操作”中的模操作会修改向量中的溢出数值。其次,当更新速度矩阵时,速度矩阵被离散化通过使用定义的“round”函数。之后,在“交叉操作”中,使用一个随机排列去删除重复数并且重新插入整数。通过将DE的离散变异操作引入PSO拓展了种群的多样性并且使用PSO的特性为每代保存了最优值。该算法可被用于优化单目标函数或者多目标函数。（2）为达到多智能体执行疫情防控任务时损失最小的目标,定义了疫情环境下的多智能体单目标问题,并对多智能体单目标任务分配问题进行数学建模。在运行时间和损失程度方面,设计D-DEPSO与离散差分进化算法（DDE）、离散粒子群算法（DPSO）、改进离散差分进化算法（IDDE）、改进离散粒子群算法（IDPSO）和改进离散遗传算法（IDGA）的对比实验。实验结果显示对于求解疫情环境下多智能体最小损失的任务分配方案方面,通过D-DEPSO获得的最优解优于其它算法获得的最优解,最大节省了92.8285k的经济损失。对于实际问题,D-DEPSO通过最优参数设置能产生最优解去合理地分配任务。在实现疫情防控方面可以达到合理且最优的任务分配。（3）由于多智能体多目标任务分配时需要考虑多个目标函数,如:一个医疗智能体准时完成一个任务的概率、任务分配后的收益、消耗的医疗资源、路径中消耗的能源以及任务执行时间。基于以上指标构建以目标函数最大化分配收益的疫情环境下的多智能体多目标任务分配问题的数学模型。通过D-DEPSO求解该数学模型,对比IDE和IPSO实验结果显示D-DEPSO在处理任务量大的分配问题方面优势显著。综上,本文构建了疫情环境下的多智能体单目标和多目标任务分配数学模型,通过对离散算法和融合算法的研究和改进提出了新型的离散融合算法D-DEPSO并用于处理该数学模型,设计模拟仿真实验验证算法可行性,大幅提高了疫情环境下任务量大时多智能体任务分配的效率和收益。