随着科技的进步,各行各业都已经进入了大数据时代。在这种背景下随之而来的问题就是惊人的数据量如何进行科学的管理,其中任务分配问题就是数据管理的一个重要分支。任务分配问题（Task assignment problem,TAP）广泛应用于移动云计算用户端需求实现过程、大数据异常依赖冲突协作检测、人工智能领域中的多机器人任务分配问题以及分布式系统中处理器间的任务分配问题等领域。对TAP问题的研究有利于当下学术研究和科技发展。基于近似求解的智能优化算法是解决TAP问题的常用方法之一,其中和声搜索算法（Harmony Search,HS）是二十一世纪以后提出的一种强大的智能优化算法。因为HS算法的算子灵活,具有较强的扩展性和迁移性,许多研究人员采用改进HS算法求解组合优化问题。本次课题主要是以TAP问题为研究对象,根据基本HS算法存在的不足,提出改进和声搜索算法（Harmony Search and Firefly algorithm-Boltzmann machine,HSFA-BM）。首先,HSFA-BM算法改良了和声记忆库的更新方式。HS算法在寻优过程中容易受初始和声记忆库的影响而陷入局部最优。因此HSFA-BM算法使用玻尔兹曼机的原理更新和声记忆库,摒弃了传统HS算法使用得贪婪选择的方法。改进后的算法不是单纯地只接受好解,而是按照一定的概率进行接受劣解。这个概率受当前温度值和适应度值影响,采用这种概率更新机制使算法跳出了局部最优。其次,玻尔兹曼机中冷却循环优化了每代输出值的质量,并且其中的马尔科夫链增加了产生新解的数量,丰富了解的多样性。使用玻尔兹曼机使算法跳出了局部最优并且增加了解的多样性。最后,HSFA-BM算法改变了产生新解的方式。HS算法存在对最优解收敛精度低和收敛速度慢的缺点,因此,HSFA-BM算法摒弃了传统HS算法的音高调整机制,使用萤火虫在发光求偶时的飞行方式生成新的解向量。萤火虫的移动方式受亮度和吸引力两个要素控制,从而提升算法搜索速度和准确度。为了测试HSFA-BM算法的性能,本文对HSFA-BM算法解决连续问题和TAP问题进行测试。在连续问题中测试了6个经典连续函数。TAP问题使用不同规模的数据集共27组实例。针对连续问题和TAP问题的实验结果分别做了两项对比实验。首先是HSFA-BM算法与基本的HS算法对比。其次是HSFA-BM算法和其他智能优化算法对比。以上实验证明了HSFA-BM算法在连续问题和TAP问题上的收敛性和寻优性不仅优于基本HS算法,而且优于其他智能优化算法。该研究在工业生产中具有重要的理论价值和应用前景。