资源任务分配问题是对有限的资源进行分配的决策任务,要求以最小的代价获取最大的收益,在现实生活中有广泛的应用价值。过去,对于资源任务分配问题的研究局限于非线性规划模型,而随着算法设计水平的提高,目前已写出其线性规划模型但其求解方法较为复杂。因此本文以资源任务分配问题的线性模型为基础,旨在为该模型设计更简单的高效求解算法,简化对该模型的求解与理解。首先,本文提出在资源任务分配问题求解中采用精确算法与元启发算法相结合的方法,实现了在线性规划模型的基础上使用列枚举方法结合遗传算法对线性模型进行求解。该方法为大规模线性规划模型提供新的求解思路,且方法可行性好,通过该方法能够将本文算例的模型变量大规模缩减。其次,本文为列枚举方法设计两种初始算法,并结合对偶检验与分配上界减少进基列。同时,本文设计基于上界的遗传算法能进一步缩减主模型的列从而求得资源任务分配问题的解,其中根据种群特征设计稀疏存储列的方式减少算法存储量与计算量,采用精英选择策略增强遗传算法的稳定性,设计大变异方法解决遗传算法“早熟”的问题并加快收敛速度,通过收敛性分析证明本文设计的遗传算法具有速度快、收敛性好的特点。最后,整理13篇国内外相关研究的论文算例数据并根据国际标准参数生成全规模算例48例,使用微机测试环境,搭建算法测试系统对每个算例各求10次,统计结果显示算例总体平均误差不超过1%,且超过一半的算例能够进行实时求解。通过与国际文献中求解方法的比较,发现本文的算法精度较大程度优于2017年在国际先进计算机科学与应用杂志上发表的方法,并同时具有时间上的优势。本文设计的使用遗传算法寻找进基列的方法为一种新的求解方法,算法稳定性较好且简单直观,采用国际标准算例生成方法并覆盖所有规模的算例进行测试,发现本算法针对资源任务分配问题的小、中、大规模问题均能求得较高精度的启发解。本文的研究结果不仅为资源任务分配问题开发了一种高效的求解算法,而且为大规模线性规划模型提供了一种新的解决思路。