随着物联网和移动互联网的普及以及普适计算和云计算技术的快速发展,催生了一种新型计算框架——群体计算(Collective Computing)。群体计算为广泛复杂的多源异构计算任务提供了一种崭新的解决架构,充分利用了包括人在内的群体的广泛性、自主性、异构性,并通过有效的任务管理机制,把庞大、复杂、无法由单个计算实体独立完成的任务,交由群体协作完成,从而能够将互联网中广泛的计算资源充分地利用起来,有效提高任务的执行效率。本文将群体计算中的任务管理技术主要分为任务分解和任务分配两大部分。首先,本文提出了一种可扩展的任务树模型,并通过将任务之间的关联关系分为“串”、“并”、“或”三种,来实现对任务的分解。同时提出一系列对任务树的修剪和重组算法,来保证在提高任务并行度的同时,尽可能地避免任务的过度分解。简单来说就是在保证任务完成时间最小的情况下,尽可能地避免分解得到的任务数量过多,以免加重任务分配过程的负担以及加大对计算资源数量的需求。此外,本文根据上述任务分解算法得到的任务树结构以及节点之间的关联关系来构建任务依赖图,并提出了一种利用此任务依赖图来实现任务分配的算法(LLRF-GA算法)。算法首先根据本文提出的松弛比计算公式得出各个任务的优先级从而得到任务的分配顺序,接着利用两阶段的遗传算法对初始种群进行优化,以试图寻找接近全局最优的任务分配方式。最后,本文开发了一个群体计算仿真系统,以模拟任务的分解和分配过程。同时,利用该仿真系统从多维度实现了对本文提出的一系列任务分解和分配算法性能的分析与评估,实验结果也证明了本文提出的算法的高效性和优越性。