任务分配问题是一类典型的组合优化问题。多处理器系统上的最优任务分配的研究是有效利用系统资源处理实际问题的热点课题,这方面的研究结果在大规模数值计算、VLSI和计算机网络技术等方面都有很好的应用背景。在理论方面,由于任务分配问题是被公认的NP难问题,所以如何构造有效的启发式算法或近似算法是目前研究的热点领域。蚁群优化算法是受自然界中的蚂蚁觅食行为启发而提出的一种新颖的仿生进化算法,适用于求解复杂组合优化问题。目前,蚁群优化算法已成功应用于求解旅行商问题、二次分配问题,取得了很好的实验效果。受其影响,国内外许多学者对其进行了大量的研究工作,将其推广到了诸多优化领域,并已经取得了相当丰富的研究成果。虽然蚁群优化算法的应用范围几乎涉及到各个优化领域,但是还存在很多不足。比如:对于蚁群优化算法求解分布式系统中的任务分配问题的研究大都是在对该问题试验条件或约束条件进行简化的前提下进行的。本文将蚁群优化算法应用于求解约束条件更复杂的任务分配问题:一个任务只能分配给一个处理机处理,而一个处理机可以处理多个任务,其中每个处理机都有固定成本和能力限制。将该任务分配问题表示成完全二部图,通过蚂蚁在完全二部图上搜索较优路径来寻求该问题的较优解。选择不同规模的几组数据进行实验,对每一组数据,通过反复试测探索了信息素挥发系数,信息素启发式因子和期望值启发式因子的合理设定,并将所得的计算结果与禁忌搜索和随机方法作比较。结果表明蚁群优化算法对不同规模的任务分配问题都有较优的结果,具有比禁忌搜索算法和随机方法更优的性能。将另一任务分配问题抽象为一种新的有别于二部图的图形表示形式。针对蚁群优化算法易陷入局部最优的不足,提出了一种求解任务分配问题的混合算法,该算法将简单禁忌搜索算法嵌入蚁群优化算法,利用禁忌搜索算法较强的局部搜索能力,提高了蚁群优化算法的优化能力,改善了任务分配问题解的质量。仿真实验表明混合算法的性能优于基本蚁群算法。最后,对本文的研究工作进行了总结,并指出了蚁群优化算法在该领域进一步还要研究的问题。