现代战场环境日益复杂,无人机单独作战渐渐无法满足战争需求,多无人机联合作战成为当下研究热点。多无人机协同任务分配问题是多机联合作战的关键,其复杂性主要体现在目标与约束复杂以及诸多不确定限制因素,传统的求解算法难以满足求解需求。现代群智能算法具有对目标函数零要求、实施简单以及并行搜索等优点,求解这类问题具有明显优势。本文以粒子群优化算法为研究重点,分析粒子群算法的学习模式及关键要素,针对算法的不足设计高效的改进算法,并将其应用于多无人机协同任务分配问题。本文主要研究内容为:第一,针对基本粒子群算法存在收敛精度不足和后期收敛速度较慢的问题,提出基于阶层分级的改进粒子群算法（Improved Particle Swarm Optimization Algorithm Based on Hierarchical Classification,HCPSO）。首先,受多子群思想启发,根据迭代次数和适应度值大小将种群动态分为三个不同阶层,按照不同阶层粒子特性分别采用局部、标准和全局学习模型,反映个体差异和认知对算法性能的影响,提高算法优化性能;然后,结合分层惯性权重调整策略,引入加减速因子,平衡算法全局和局部搜索能力,提高算法性能;最后,通过仿真实验验证改进策略的可行性和有效性。第二,为进一步提升算法性能,摆脱中级阶层标准学习模型在收敛速度和收敛精度方面对算法的影响,提出基于自适应杜鹃算法与阶层分级的改进粒子群算法。首先,以接近最优性原则自适应调整杜鹃算法搜索步长,实现对环境的闭环反馈控制,并以正弦递减策略动态调整发现概率大小;然后,通过动态贪婪选择机制融合杜鹃算法和HCPSO算法,改进标准学习模型,进一步提高算法性能;最后,通过仿真实验验证融合策略的可行性和有效性。第三,将改进的算法应用于多无人机协同任务分配优化问题。首先,建立多无人机协同任务分配模型,将多目标优化问题转换为单目标优化问题;然后,通过实数编码方式以及解空间限制策略实现多无人机协同任务问题到解空间的映射,并以过载竞拍策略解决实际过载约束问题;最后,进行仿真实验和分析,验证算法在求解多无人机协同任务分配问题过程中的可行性和有效性。该论文有图24幅,表15个,参考文献90篇。