在多智能体系统（Robotics Multi-Agent Swarm）应用中，任务分配（Task Allocation）是提高整体执行效率的关键环节。无论是物流系统中的无人搬运机器人，还是在城市环境下的自动巡视系统，如何有效将任务分解并分配给多个机器人，都直接影响操作的实时性与完成率。
下面详细介绍任务分配的基本机制、模型建立、算法设计以及实战优化技巧。
1. 现实问题的映射
多机器人协作的下游应用非常广，其中经常遇到如下问题：
情景示例：
设某个仓储物流中心部署了5个搬运机器人，每个机器人拥有不同任务执行能力（比如搬运重量上限、行走速度、电池续航等）。系统在收到一批订单后，需要合理为每个机器人安排任务路线，在最短时间内完成多个订单的拣选与运送任务。
如果没有任务分配策略，机器人可能会在某条路径拥堵，或者有机器人空闲而空闲订单排队积压。
数据化描述
用系统初始化函数init_robots()来描述机器人属性：
def init_robots(num): robots = [] for _ in range(num): robot = { "position": (0, 0), "capacity": random.randint(1, 10), "speed": random.uniform(0.5, 1.5),
