无人机由于其机动性强、部署方便、成本小等特点,被应用于各种领域。随着任务执行环境的复杂化和任务类型的多样化,单无人机已无法满足任务需求,逐渐演变为多无人机协同的执行模式。多无人机协同时,必须考虑无人机与任务的多种约束,这使得任务分配成为多无人机协同系统中的关键环节。现有的任务分配算法缺乏对多无人机多目标多类型任务分配问题的研究,并且效率较低,处理大规模任务分配问题的能力不足。同时,按照任务的初始约束条件进行任务分配,忽略了动态环境中的任务分配问题。因此本文针对异构多无人机协同多目标多类型任务分配方法进行了研究。具体研究工作如下:首先,本文在分配层提出一种分“两阶段”的任务分配结构（Two-Stage Architecture）。第一阶段,即目标聚类阶段。使用k-means算法将任务区域中的目标按照“距离最小”和“数量均衡”的原则进行聚类;然后异构无人机群遵循“资源均衡”原则进行分组,分组数量与聚类数量相同,这样它们可以一一对应。实验结果表明,“两阶段”结构的提出可以将大规模任务分配问题分解为几个小规模的子问题,相比不分阶段的结构来说,任务分配时间明显减少,且可以更容易找到最优任务分配方案。其次,在第二阶段,即任务分配阶段,本文提出了一种改进的遗传算法（Modified Genetic Algorithm,MGA）。其主要针对传统遗传算法容易陷入局部最优的问题,从染色体的选择方式、交叉方式以及交叉、变异概率的计算方式三个方面进行了改进。在选择染色体时,提出了将“最优基因保留策略”和“轮盘赌法”两者结合的方式。在染色体进行交叉时,先将父代染色体按照适应度函数值大小依次进行排序,从高到低两两配对,作为一对父代染色体;然后按照此顺序将父本均匀分成两部分,适应度值高的部分和适应度值低的部分分别进行单点交叉和两点交叉。交叉概率和变异概率不再设置为一个固定的数值,而是根据个体适应度值在种群中的表现进行自适应调整,适应度高的个体的拥有较小的交叉和变异概率,适应度较低的个体则与之相反。以上三个方面的改进既可以增加种群的多样性,又可以使优秀基因得到遗传,从而保证找到全局最优解。在设置好的静态任务分配场景中,针对任务完成时的总收益、航程代价、时间成本、目标函数四个指标,将改进的遗传算法（MGA）与粒子群优化算法、蚁群优化算法以及传统遗传算法进行对比分析,实验结果证明了MGA算法的有效性。最后,随着任务的执行,无人机所携带的资源在不断的消耗,单架无人机的资源有限,可能不足以完成新发现目标中的某一类型的任务。对此,本文提出了一种基于任务序列机制的一致性捆绑拍卖算法（Consensus Based Bundle Auction with Task Sequence Mechanism,CBBA-TSM）,该算法将任务序列机制和一致性捆绑拍卖算法进行结合,可以实现异构无人机群对任务和资源的动态分配。首先采用任务序列机制,即每架无人机通过建立一个任务序列,将必要的任务时间和等待时间严格分开,这样,在发现新目标时,可以快速确定其可用时间段。然后根据可用的时间和任务资源,采用一致性捆绑拍卖算法选择竞价较高的几架无人机组成任务组,在不影响已建立的任务分配序列的前提下,对新目标进行任务分配,从而为无人机群开发实时无冲突解决方案。