侦查与搜索是一种重要的多智能体协作应用,相比于单个智能体,多智能体系统能够极大的提高搜索功效,搜索的范围和效率要远好于单智能体,特别是在搜索区域广阔、复杂且包含多个目标的情况。然而,现有关于多智能体协作的研究中,能处理的智能体数量极其有限,当智能体数量增加到几十个甚至上百个时,算法效率大幅降低。因此,如何合理地为每个智能体分配任务以高效的完成任务,是多智能体协作领域一个具有前景的研究课题。对于多智能体任务分配问题,其研究主要存在两个挑战。1)对于智能体任务规划问题,全局任务规划要考虑单个智能体的任务完成效率;同时单个智能体的任务完成效率取决于任务的分配。两者相互影响。2)如何解决智能体数量增多,问题解空间增大的问题。针对上述问题,本文提出了一种融入目标出现概率先验知识的基于贝叶斯优化和遗传算法的双层优化算法。首先,针对大规模智能体的搜索任务区域分配问题,将搜索区域根据智能体的搜索半径划分为正六边形。上层算法将所有的正六边形作为任务分配给每个智能体。下层使用遗传算法,对单智能体的搜索路径进行变异,从而得到最佳路径。同时,最佳路径传到上层,修正上层任务分配的评估函数。然后,为了加快模型的求解速度,算法在上层使用贝叶斯优化对每个智能体完成所分配任务的最短时间进行评估,从而提高算法的收敛速度。本文通过理论推导证明了算法的优化本质,并在模拟实验中对上百个智能体的协作能力进行了验证。最终实验结果表明,相较于启发式算法,本文算法最高可将完成目标的期望路径缩短2.66倍。除了理论推导和实验验证,本文设计并实现了多智能体任务规划可视化工具,将整体搜索过程形式化表现出来,便于判断算法收敛趋势以及进行成果展示。