近年来,随着人工智能技术的发展,机器人技术受到国内外学者的广泛关注。目前,对单机器人的研究已取得很大进展,单机器人可完成诸如语音识别、图像识别、自然语言处理、自动控制等方面的工作。但在很多特殊场合,如外空探索、海底勘察、军事反恐、工业采矿、震后搜索与救援等,仅凭单个机器人的能力难以高效完成任务。由于多机器人在计算能力、拥有的资源以及空间分布等方面比单机器人具有明显的优势,可通过协调合作的方式完成单机器人无法完成的工作。因此,对多机器人协作的研究具有重要意义。本文主要从三个方面研究多机器人任务规划方法,分别是多机器人任务分配、多目标多机器人任务分配和多机器人路径规划。首先建立多机器人任务分配模型,并介绍一种新型群体智能优化算法——烟花算法。将烟花算法应用在解决多机器人任务分配问题上。通过优化烟花生成爆炸火花数目和爆炸幅度的计算公式以及选择策略提出一种改进的烟花算法。将改进烟花算法与原始烟花算法和几种常用的启发式算法进行对比以验证改进算法的性能。其次建立多目标多机器人任务分配模型,介绍几种典型的多目标优化算法NSGA-II、SPEA2和PESA。由于它们都是基于遗传算法的多目标优化算法,本文提出一种基于烟花算法的多目标优化算法,并将其用于解决多目标多机器人任务分配问题上。用S-metric作为Pareto解集的评价指标。将以上四种算法进行对比以验证本文提出的基于烟花算法的多目标优化算法的优势。最后,将多机器人路径规划问题看作多旅行商问题,建立多机器人路径规划模型。介绍了蚁群算法解决旅行商问题的详细步骤,并提出一种不需要加入虚拟节点和将多旅行商问题转化为旅行商问题的蚁群算法。将其用于解决多机器人路径规划问题。实验证明,蚁群算法比粒子群算法和遗传算法具有更好的优化性能。因群体智能优化算法等基于迭代的算法性能受各种因素的影响,如算法参数设置和终止条件的设置等。本文在实验部分详细分析了多种终止条件的优缺点,并最终选择运行时间和评估次数作为算法的终止条件以进行有效的算法性能对比。