随着信息技术和计算机技术的不断发展，任务的复杂度和信息量急速增加，依靠单个Agent去独立完成任务的求解已经越来越困难，对大规模任务进行有效分解，将分解得到的子任务模块分别分配给多个Agent共同执行是求解任务的有效手段，这使任务分配问题成为多Agent系统研究中的一个关键问题。　　 针对目前任务分配研究中存在的问题，本文提出了相应的求解方案，建立了基于双层分解的任务模型和基于知识存储的任务分配模型，并以执行代价和传输代价为因子提出了相应的任务分配方案优化程度比较机制。　　 具体研究内容如下：　　 第一：基于双层分解的任务分配模型：该模型首先基于任务的关联结构对任务进行分解，其次基于执行环境对任务进行次层分解，在双层分解的基础上提出局部时间段最优化分配任务的策略，通过局部时刻的不断最优化进而达到任务整体分配过程的最优化；　　 第二：基于知识存储的任务分配模型：该模型研究一种基于知识存储的任务分配机制，采用类比学习的方法对以往处理的任务类型和处理结果进行有效地学习，并将知识信息存入知识库，定义了相似度的计算公式，为了避免在任务匹配时出现匹配次数的组合爆炸式增长，本模型提出层次分类的启发式搜索算法，有效地提高了任务匹配时的效率；　　 第三：基于传输代价和执行代价的任务分配评测机制研究：从传输代价和执行代价角度研究基于传输代价和执行代价的任务分配方案评测模型，用矩阵的形式来表示执行代价，矩阵的行代表执行任务的Agent，矩阵的列表示任务被分解的一系列单元任务，矩阵的元素表示该Agent执行该单元任务的代价，称之为整体代价矩阵；基于整体代价矩阵，构建了任务分配矩阵和任务执行代价矩阵。研究的目标是在考虑传输代价和执行代价的基础上建立用于评测任务分配方案优化程度的目标函数，以此比较不同任务分配策略的优化程度。