任务分配问题是多Agent系统中非常重要的一个问题。在任务分配问题中,个体执行任务的效率是影响系统性能的关键因素。以往研究主要考虑资源环境(包括个体拥有的资源和周围环境资源)对个体执行任务的效率的影响。值得注意的是,心理学研究发现,在社会个体执行任务的现实场景中(如众包系统),社会个体承担的负载会对社会个体效率产生影响,而以往研究通常忽略了这一点。基于此,本文研究了社会个体效率受负载影响的任务分配问题。具体而言,本文基于心理学研究中个体效率与负载之间的关系,在个体效率呈动态性环境下考虑如何分配任务以提高任务执行效率。针对该问题,本文通过理论证明“考虑到个体效率动态性的最小化最大任务完成时间的任务分配问题”是NP难的。本文采取由浅入深的研究方式,首先研究同构任务环境(所有任务都相同)下的任务分配方法。本文提出一个贪心分配算法,并对算法性能进行分析。由于在大规模任务环境下,一次性分配方法容易使个体效率在过载情况下变得很低。因此,本文提出一种适用于大规模任务环境下的分批次分配算法。实验结果验证了贪心分配策略在小规模任务环境下的有效性,以及分批次分配策略在大规模任务环境下的优越性。基于同构任务环境下的研究,本文进一步研究了更加现实的异构任务环境(任务之间的工作量和技能要求存在差异)下的任务分配方法。异构任务环境下,由于任务之间的异质性以及个体之间的异质性,所以需要选择技能匹配、负载合适的个体来执行任务。因此,本文基于同构任务环境下的研究,分别对不同任务规模下的异构任务分配方法进行研究。实验结果证明,经过改进的同构任务分配算法能够在异构任务环境下取得很好的效果。在研究异构任务环境的基础—上,本文发现,由于个体效率会随着负载变化而动态改变,不同的任务分配序列和执行序列会导致不同的任务执行效率。因此,本文进一步对个体效率受负载影响的异构任务分配问题中的任务分配与执行序列优化方法进行研究。实验结果表明,在任务分配过程中加入任务分配序列和执行序列优化过程,可以有效提升任务执行效率。