针对未知环境下多无人车协同自主探索分配任务不合理、执行效率较低的问题, 提出一种融合波前算法的分布式多无人车协同探索方法。首先,设计基于市场机制任务分配方法的先验判决函数, 结合波前算法对边界点进行相似度最大化预处理, 使边界导引点脱离局部最优, 同时引入min-max评估函数对边界点进行评估;其次,通过波前算法对Dijkstra路径规划算法进行改进, 使无人车移动轨迹更精确, 减少路径拐点。最后, 在多种仿真环境下将所提方法和文献［12］方法进行了实验对比, 在环境全覆盖时, 所提方法探索时长平均减少了35.69%; 实验结果表明, 所提方法可有效提升探索覆盖率, 减少重复路径、缩短探索时间, 提高了多无人车协同探索的效率。

针对多无人机任务分配问题，给出了一种新方法。首先建立了无人机的能力函数，然后通过能力函数的雅可比矩阵，给出多无人机协同打击位置和无人机俯仰角的计算方法；进而建立了无人机毁伤代价指标函数、航程代价指标函数和价值收益指标函数，给出了多无人机协同打击任务的分配方法，最后进行了仿真验证。仿真结果表明：在多无人机协同打击任务分配中，考虑能力函数的分配方案与未考虑的方案相比，获得了更大的目标收益值，提高了多无人机协同打击能力。

针对有人/无人机编队协同打击地面时敏目标的任务分配问题，利用有人/无人机编队系统总体框架和时敏特性函数，构建有人/无人机编队协同打击地面时敏目标的任务分配模型。采用改进的遗传算法，通过引入矩阵型编码提升任务效率，通过引入针对死锁问题的解码方法来解决任务分配的时序问题，最后运用该算法进行了仿真计算。结果表明该算法具有良好的任务分配效率。

多无人机任务分配是复杂的多约束多目标非线性优化问题，针对常用智能算法的各自缺陷，结合烟花算法特点，提出使用改进的自适应烟花算法处理该问题。首先建立了该问题的数学模型，使用层次分析法结合灰色关联法求得各指标权重，并用外罚函数法将该模型转化为无约束单目标极值问题；然后使用自适应烟花算法求解该模型。为验证自适应烟花算法处理该问题的优越性，分别用几种不同优化算法做仿真计算。结果表明，自适应烟花算法能快速收敛于全局最优解，其结果直观地表述了该复杂情景下合理任务分配方案。