多机器人任务分配方法最初都是集中式的，即由一个中心机器人将任务分配到系统各个机器人中，这样的任务分配方法容易得到全局最优解，但是仍然有很多缺陷，比如说对动态环境与未知环境无法求解，直到分布式人工智能的出现，由于其能克服未知环境的不确定性，并且有良好的鲁棒性，已经得到了普遍的关注。94725

关于多机器人系统的任务分配问题，迄今为止，已有很多的研究成果，主要有：基于行为方法、市场机制方法、人工智能技术等。1992年Mataric[1]通过利用生物不同的行为方式去控制移动机器人的不同运动。Miyata[2]等人随后给出了一种通过控制一组移动机器人按照时间的先后顺序，使得它们相互之间能够互相独立地进行不同操作的方法。然而，以上方法都不具有自我调节的功能，因此对环境中目标物是移动的情况并不适用。

市场机制算法[3]常常被用来克服多机器人系统的多目标任务分配问题。在该方法中，整个多机器人系统被看作是一整个经济体，系统中的每一个个体则为该经济体中的一个代理商。算法的最终目标是使得整个系统以最小的整体耗费产生最多的利益。通过不断地计算、比较系统中每个机器人到达相应目标位置付出的代价，由此使得交易得到平衡。虽然该算法已经在多机器人系统的多目标任务分配中得到了成功应用，但是仍然有一些问题还没有被解决，例如环境中目标物是移动的情况等。同时，目前市场机制算法主要还是针对地面移动机器人，在水下机器人任务分配中未见报道。

对此，Beverley Chow[4]提出了一个K-均值算法，并且利用该算法成功克服了工作空间中存在常值海流时多AUV系统的任务分配和路径规划问题。该算法将Dubins 模型、AUV动态模型与海流模型结合起来。在该算法中通过利用Dubins 模型AUV能够在环境中存在常值海流的情况之下从起始位置沿着弧线运动到目标位置。该算法的优点是将AUV的多目标任务分配和路径规划结合起来。但是利用Dubins模型来规划系统中的每个AUV的路径时，它没有考虑到环境中存在障碍物的情况，另外，算法仅研究了二维常值海流模型和无障碍物的水下环境，对实际的三维水下环境来说，降低了算法的适用性。

受到自组织神经网络的启发，A。 Zhu[5]等提出了一种能够保证多机器人系统系统在总消耗最小的情况下遍历所有的目标点的算法，该算法解决了确定环境下多移动机器人任务分配与路径规划问题；随后Sato[6]等人针对动态二维环境，同样使用该神经网络研制出了一种针对地面移动机器人的可控选择系统，利用该系统机器人能够依据外界工作环境情况的差异，对系统进行动态切换分配；Hendzel[7]等人针对障碍物环境下任务分配问题，应用自组织神经网络SOM，提出了一个针对地面移动机器人的传感导航算法,利用该方法移动机器人能够自适应地应对环境中的突发障碍物。A。 Zhu[8]等人在原有算法的基础上，针对地面移动机器人的路径规划中的方向性问题，进一步改进原来的算法，并在改进后的算法之中给出地面移动机器人航行时的最大转向角、转向半径，并使得地面移动机器人从起始位置运动到目标位置的路径是一段光滑的弧线。以上有关自组织SOM任务分配与路径规划算法，同样是针对移动机器人二维平面环境展开研究，目前，有关三维工作空间中的任务分配研究报道还较少。