随着现代控制论、人工智能、信息与通信等技术的发展,无人作战飞机（Unmanned Combat Aerial Vehicle,UCAV）的作战能力得到大幅提高,不仅能在复杂的未来战场执行侦察、预警等任务,还能执行需要高度协同的压制敌方防空系统、打击敌方地面或海上关键目标、拦截敌方战术弹道导弹和巡航导弹甚至参与空战等任务。为实现以最小的作战成本获得最大的作战收益的目的,需综合考虑UCAV及武器的性能、战场自然环境等各方面的约束,为每架UCAV制定合理的任务计划,也即进行任务规划。作为任务规划的关键环节,任务分配对规划结果的合理性具有重要影响。为此,本文围绕多UCAV对地打击协同任务分配问题开展研究,构建了不同作战场景下的任务分配优化模型,提出了相应的求解方法,可为多UCAV任务规划提供理论和方法上的支撑。论文主要工作及创新点如下:（1）分析了多UCAV对地打击协同任务分配问题。首先辨析了任务规划与任务分配的区别,明确了本文的研究边界;其次在分析任务分配方案涉及的4种关键因素的基础上,理清了多UCAV对地打击协同任务分配的流程;最后归纳了多UCAV对地打击3种典型作战场景,并梳理了每种作战场景下需考虑的目标函数和约束条件,为后续研究奠定了基础。（2）研究了多UCAV协同打击密集目标任务分配问题。针对多UCAV协同打击密集目标任务分配问题,从打击覆盖程度、打击可行性、武器资源等角度综合考虑了相关约束条件,建立了最大化敌方目标总毁伤期望值的优化模型。为实现模型求解,提出了混合离散灰狼优化（Hybrid Discrete Grey Wolf Optimization,HDGWO）算法。首先采用一种十进制整数编码方案表示灰狼（模型的解）,提出了一种模块化的灰狼位置更新方法。基于上述两种机制,可保证种群位置更新过程中始终满足打击可行性和武器资源两方面的约束集;通过在目标函数中引入惩罚函数,可保证种群位置更新过程中不断淘汰违背打击覆盖程度方面约束集的灰狼。在此基础上,引入局部搜索（Local Search,LS）算法以强化对当前最优解的邻域空间的开发,使HDGWO算法具备了较好的全局探索和局部开发的能力。通过与其他典型算法的对比分析表明,提出的HDGWO算法在求解该类问题上是有效的,既能在最短时间内获得小规模编队的全局最优打击方案,也能在为大规模编队提供近似最优解时实现求解质量和计算时间之间最好的平衡。（3）研究了多UCAV协同打击分散目标任务分配问题。针对多UCAV协同打击分散目标任务分配问题,从对目标的毁伤要求、UCAV性能及作战要求和变量取值范围等角度综合考虑了相关约束条件,建立了最小化作战成本的多目标优化模型。为实现模型求解,提出了三阶段禁忌搜索（Three-phase Tabu Search,TTS）算法,包括武器分配阶段、初始解生成阶段和局部搜索阶段。其中在武器分配阶段,建立包含部分目标函数和约束条件的优化模型,获得满足目标毁伤要求且成本最低的武器分配方案;在初始解生成阶段,针对武器分配方案可被拆分的特点,提出了一种基于线性规划的武器分配方案拆分策略,并在此基础上给出了基于距离聚类的初始解生成方法和基于随机序列的初始解生成方法;在局部搜索阶段,提出了6种邻域搜索算子,设计了五元组结构的禁忌对象和长度可变的禁忌表,以实现禁忌搜索。仿真实验表明,提出的TTS算法可有效解决该类问题。（4）研究了不确定条件下多UCAV协同打击分散目标任务分配问题。在问题建模过程中,考虑了三种不确定性因素,包括多个传感器提供的不确定目标信息、不确定的作战目标权重以及部分可知的传感器权重。为实现模型求解,提出了结合扩展随机可接受性分析-2（Extended Stochastic Multi-Criteria Acceptability Analysis-2,ESMAA-2）与整数线性规划（Integer Linear Programming,ILP）的ESMAA-2-ILP方法。首先将每个传感器提供的不确定目标信息表示为正态分布区间数,并通过加权算数平均算子（Weighted Arithmetic Averaging Operator,WAAO）计算每架UCAV的多个决策矩阵;其次通过基于迭代算法的矩阵聚合方法聚合上述决策矩阵,得到最终决策矩阵;然后基于该矩阵进行随机可接受性分析,计算每架UCAV打击每个目标的全局可接受性指数（Holistic Acceptability Index,HAI）;最后基于全局可接受性指数,将包含不确定参数的原始模型转换为整数线性规划模型,并通过整数线性规划方法求得任务分配方案。通过仿真实验,证明了ESMAA-2-ILP方法可有效解决包含多种不确定性的多UCAV协同打击分散目标任务分配问题。