近年来,随着计算机技术,人工智能技术,传感器融合技术的发展,机器人技术得到了长足的进步,对机器人的研究已经从理论研究发展到实践使用,单机器人的工作效率和稳定性都有了充分的保证。但单机器人功能和稳定性的提升,并不能满足随着应用范围的扩大化和应用任务的复杂化所带来的新需求,国内外学者们开始把目光放在多机器人系统多机器人任务分配问题（Multi-Robot Task Allocation,MRTA）,这也是多机器人系统研究领域的重要研究方向之一。在整个多机器人系统工作环节中,任务分配是起始的一环,任务分配质量好坏,直接影响到整个多机器人系统的效率和性能。本文提出了一种融合了局部搜索和精英蚂蚁的改进蚁群算法,用于解决多机器人任务分配问题。创新性工作主要包括以下三个部分:（1）融合局部搜索的改进蚁群算法。基于蚁群算法易陷入局部最优点的缺点,分析了蚁群算法的算法流程,提出了一种对于蚁群算法的改进措施:由构建机制和随后的局部搜索阶段组成,以提高蚁群算法的性能。在每一轮迭代中,算法都会选择所有邻域中效果最好的一个。在局部搜索过程中,使用插入,交换和2-opt操作三种启发式方法来改进解决方案。融合局部搜索的改进蚁群算法通过局部操作调整路线,可以大大增强蚁群算法求解过程中对解空间的利用能力,增加解的复杂性,使算法跳过局部极值点,加大对解周围其他解的探索力度,使算法找到全局最优解的可能性增大。（2）融合遗传算法和精英蚂蚁的改进精英蚁群算法。基于蚁群算法收敛慢,不易找到最优解的缺点,提出了一种融合遗传算法和精英蚁群的改进措施:首先利用遗传算法求解问题的初始解,用初始解渲染蚁群算法初始方案;然后对信息素更新的方式进行改进,在提出的改进算法中,记录此轮迭代中的最佳解决方案及自算法开始时的全局最佳解决方案,信息素只在这两个方案的路径边缘上增加。通过这种方式,实现发展（通过强调全局最佳蚂蚁）和探索（通过强调当前迭代最佳蚂蚁）之间的平衡,加快算法的收敛速度。（3）在上述两点改进的基础上,融合两种改进措施,提出了一种融合局部搜索和精英策略的改进蚁群算法（ACO＿LS＿Elite＿TB,ACO＿LET）。通过对改进算法和现有最佳算法的对比仿真实验,可以看出ACO＿LET算法对中大型数据实例产生了比当前所有算法更好的结果,除了M-GELS算法对中小型数据实例产生更好的结果,ACO＿LET算法与所有提到的算法在小型数据实例上相比也具有竞争力。说明提出的算法具有较好的全局寻优能力和快速收敛能力,不易陷入局部最优解。面对不同复杂度问题时,对复杂度较高的问题具有更强的寻优能力,可以有效地解决多机器人任务分配问题。