阶段三：任务分配 任务分解
复杂任务通常无法由单个机器人完成，也无法直接分配——它需要被分解为可执行的子任务。任务分解（Task Decomposition）是将高层目标转化为可分配、可执行子任务的过程。
"建一栋房子"是一个复杂任务，需要分解为：地基→框架→管线→外墙→内装。每个子任务还可以进一步分解，如"管线"→"水管"+"电路"+"暖通"。
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 层次分解 | 递归分解为子任务树 | 结构化任务 |
| 时序分解 | 按执行顺序切分 | 流水线任务 |
| 空间分解 | 按区域划分 | 覆盖/搜索任务 |
| 功能分解 | 按能力需求分类 | 异构群体 |
import random, math
random.seed(42)
# 层次任务分解 - 树形任务图
class TaskNode:
def __init__(self, name, effort=0, children=None):
self.name = name
self.effort = effort # 叶子节点的工时
self.children = children or []
def total_effort(self):
if not self.children:
return self.effort
return sum(c.total_effort() for c in self.children)
def depth(self):
if not self.children: return 0
return 1 + max(c.depth() for c in self.children)
def leaf_count(self):
if not self.children: return 1
return sum(c.leaf_count() for c in self.children)
# 构建搜索救援任务树
mission = TaskNode("搜索救援", children=[
TaskNode("区域搜索", children=[
TaskNode("A区扫描", effort=5),
TaskNode("B区扫描", effort=7),
TaskNode("C区扫描", effort=4),
]),
TaskNode("目标定位", children=[
TaskNode("信号检测", effort=3),
TaskNode("视觉确认", effort=4),
]),
TaskNode("救援执行", children=[
TaskNode("路径规划", effort=2),
TaskNode("物资运送", children=[
TaskNode("医疗包", effort=3),
TaskNode("食物水", effort=4),
]),
TaskNode("人员转移", effort=6),
]),
])
# 分配算法：按子树工时均衡分配
n_robots = 3
leaves = []
def collect_leaves(node, path=""):
if not node.children:
leaves.append((path + "/" + node.name, node.effort))
for c in node.children:
collect_leaves(c, path + "/" + node.name)
collect_leaves(mission)
# 贪心分配（LPT：最长处理时间优先）
leaves.sort(key=lambda x: -x[1])
robot_tasks = [[] for _ in range(n_robots)]
robot_load = [0] * n_robots
for name, effort in leaves:
min_r = min(range(n_robots), key=lambda r: robot_load[r])
robot_tasks[min_r].append((name, effort))
robot_load[min_r] += effort
print(f"任务树深度: {mission.depth()}")
print(f"叶节点数: {mission.leaf_count()}")
print(f"总工时: {mission.total_effort()}")
print(f"理论最优负载: {mission.total_effort()/n_robots:.1f}")
print()
for r in range(n_robots):
print(f"机器人{r}: 负载={robot_load[r]}")
for name, eff in robot_tasks[r]:
print(f" {name} (工时={eff})")
makespan = max(robot_load)
optimal = mission.total_effort()/n_robots
print(f"\\nMakespan: {makespan}")
print(f"最优下界: {optimal:.1f}")
print(f"近似比: {makespan/optimal:.3f}")
print("✅ 验证通过：层次任务分解后均衡分配，负载近似比接近1")任务树深度: 3 叶节点数: 9 总工时: 38 机器人0: 负载=13 /搜索救援/区域搜索/B区扫描 (工时=7) /搜索救援/救援执行/物资运送/食物水 (工时=4) /搜索救援/救援执行/路径规划 (工时=2) 机器人1: 负载=13 /搜索救援/救援执行/人员转移 (工时=6) /搜索救援/目标定位/视觉确认 (工时=4) /搜索救援/救援执行/物资运送/医疗包 (工时=3) 机器人2: 负载=12 /搜索救援/区域搜索/A区扫描 (工时=5) /搜索救援/区域搜索/C区扫描 (工时=4) /搜索救援/目标定位/信号检测 (工时=3) Makespan: 13, 最优下界: 12.7, 近似比: 1.026 ✅ 验证通过：层次任务分解后均衡分配，负载近似比接近1
粒度太粗 → 分配不灵活，负载不均衡
粒度太细 → 通信和协调开销大，调度复杂
本课任务分解的计算复杂度是实际应用中的关键考量因素。在群体规模为N、迭代次数为T的情况下：
对于大规模问题，可以采用以下策略降低复杂度：
任务分解与其他相关方法的对比分析：
| 算法 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|
| 本课方法 | 分布式、鲁棒、可扩展 | 近似解、参数敏感 | 大规模动态环境 |
| 集中式方法 | 全局最优、确定性强 | 单点故障、不可扩展 | 小规模静态问题 |
| 分层方法 | 兼顾全局和局部 | 层次设计复杂 | 中等规模问题 |
| 混合方法 | 综合各方法优点 | 实现复杂度高 | 高要求场景 |
任务分解领域的当前热点研究方向包括：
任务分解的粒度直接影响分配效率：
自适应粒度策略：根据当前负载均衡度动态调整分解粒度——不均衡时细化，均衡时粗化。
初始化阶段：所有智能体/粒子的初始位置和速度随机生成。随机初始化保证了多次运行的统计意义，但单次运行的结果可能因随机种子不同而变化。
主循环结构：每个时间步包含三个阶段——感知（获取邻居和环境信息）、决策（根据规则计算控制量）、执行（更新位置和速度）。这种"感知-决策-执行"循环是所有群体机器人算法的基本框架。
参数调优建议：先用默认参数运行一次观察基本行为，然后逐个调整关键参数。每次只改一个参数，记录变化效果。重点关注：收敛速度、稳态误差和鲁棒性。
常见问题：
任务分解在群体机器人整体知识体系中的位置和关联：
理解本课内容需要掌握的前置概念：Python基础编程、线性代数（矩阵运算）、概率论（随机变量和分布）、图论基础（图的基本概念和遍历算法）。如果你对这些前置知识感到陌生，建议先回顾相关基础教材。
本课内容为后续课程奠定基础。在后续学习中，我们将把本课的算法原理与其他技术结合，构建更复杂、更实用的群体机器人系统。特别值得关注的是：如何将本课的算法从仿真环境迁移到实际机器人平台，需要考虑传感器噪声、通信延迟、执行器误差等现实因素。
任务分解不仅属于机器人学，还与以下学科密切相关：
群体机器人课程 © 2026 | 第14课/共25课