，任务点(7,2)，距离就是|x1-x2|+|y1-y2|=4+3=7)
基于遗传算法的任务分配 可以修改机器人和任务坐标 根据曼哈顿距离实现全体路程代价最小最优分配 有代码注释 有流程图
def manhattan_dist(a, b): # 两个坐标点a和b的曼哈顿距离计算 return abs(a[0]-b[0]) + abs(a[1]-b[1])现在要解决的是多个机器人分配多个任务的最优匹配问题。遗传算法就像生物进化，通过不断迭代找到最优解。先初始化20个随机分配方案（种群），每个方案就是个任务分配序列：
import random def init_population(robot_count, task_count, pop_size=20): # 生成初始种群，每个个体是0到task_count-1的乱序排列 return [random.sample(range(task_count), task_count) for _ in range(pop_size)]适应度函数是关键！总路程代价越小得分越高，这里用倒数处理：
def fitness(individual, robots, tasks): total_cost = 0 for robot_idx, task_idx in enumerate(individual): # 每个机器人按分配顺序走对应的任务点 robot_pos = robots[robot_idx % len(robots)] # 机器人循环分配 task_pos = tasks[task_idx] total_cost += manhattan_dist(robot_pos, task_pos) return 1 / total_cost # 代价越小适应度越高交叉操作像父母基因重组。这里用两点交叉，随机选两个切分点交换基因片段：
def crossover(parent1, parent2): # 两点交叉，保留中间段，两端用对方基因补充 size = len(parent1) cx1, cx2 = sorted(random.sample(range(size), 2)) child = parent1[cx1:cx2] for gene in parent2: if gene not in child: child.append(gene) return child变异操作随机打乱部分基因，增加种群多样性：
def mutate(individual, mutation_rate=0.1): # 按概率随机交换两个任务分配 if random.random() < mutation_rate: i, j = random.sample(range(len(individual)), 2) individual[i], individual[j] = individual[j], individual[i] return individual整个流程像这样运转（伪流程图）：
- 初始化种群
- While 未达到迭代次数:
a. 计算每个个体的适应度
b. 轮盘赌选择优秀个体
c. 交叉产生新个体
d. 按概率变异 - 输出最优解
测试运行效果：
# 假设3个机器人，5个任务点 robots = [(0,0), (2,4), (5,1)] tasks = [(3,3), (1,5), (4,2), (6,0), (2,1)] best_solution = genetic_algorithm(robots, tasks) print(f"最优分配方案：{best_solution}") # 可能输出：[2, 0, 4, 1, 3] 表示任务分配顺序代码跑起来后可以观察到总路程代价逐步下降的过程。调整变异率和种群规模能平衡收敛速度与陷入局部最优的风险。实际应用时记得根据硬件性能调整迭代次数，通常200-500代就能稳定输出优质解。
