现实生活中存在各种各样的分配问题，目前对分配问题的求解一般采用先建立优化模型，然后采用群智能优化算法进行优化求解，现有的群智能优化算法模拟的是生物觅食行为，这类优化算法在处理静态问题的时候效果不错，但是在处理动态问题的时候，由于柔性缺失，往往只在一些固定场景有效，而群智能劳动分工由于模拟的是生物群体之间的协作分工，所以在解决这类动态分配问题有着天然的优势。
　　动态分配问题划分为连续分配问题和离散分配问题。其中连续分配问题以时空分配为代表，离散分配问题以任务分配为代表。本文的时空分配问题选择交通信号配时问题为研究对象，任务分配问题选择群机器人地图覆盖问题为研究对象。本文在群智能劳动分工理论基础上，建立基于群智能的激发抑制劳动分工模型来求解上述两类动态分配问题。具体研究内容如下：
　　首先介绍了问题的研究背景和意义。总结了国内外在群智能劳动分工中的研究现状，然后分别阐述了群智能劳动分工的两种模式，分析了蜜蜂个体生长发育过程和蜂群内部劳动分工之间的关系，详细介绍了激发剂和抑制剂在蜂群劳动分工中的工作原理，最后基于该原理建立了相应的激发抑制劳动分工模型。
　　将上述激发抑制劳动分工模型用于求解典型的时间分配问题——交通信号配时，设计了相应的激发抑制劳动分工信号配时算法（AILD-ST）。采用AILD-ST算法对实际案例进行了交通信号配时求解，并与Webster算法、蚁群算法进行了对比，通过对比实验和分析讨论，结果显示本文算法的有效性。
　　进而在蜂群激发抑制劳动分工信号配时算法的基础上，建立了蜂群双抑制劳动分工模型和交通信号配时之间的映射关系，提出一种面向交通信号配时问题的蜂群双抑制劳动分工算法（BDILDA），该算法通过个体内部抑制剂和外部抑制剂的相互作用，达到动态调节群体的劳动分工。为了验证BDILDA算法的有效性，将该算法在实际交通情景下进行实验测试，与Webster算法、多种群蚁群算法、迁移蜂群算法和反向烟花算法进行了对比，减少平均延误时间14.3~20.1个百分点；减少平均停车次数3.7~4.5个百分点；在最大通行能力方面增加5.2~23.6个百分点。实验结果显示出本文方法有效性，表明该算法适于求解不确定环境下的动态分配问题。
　　最后面向群机器人地图覆盖问题，在响应阈值模型的基础上融入了蜂群激发抑制劳动分工模型，提出了新的激发抑制响应阈值劳动分工算法（AIRTLD）。并将新的激发抑制响应阈值劳动分工算法用于群机器人地图覆盖问题。群机器人使用本文提出的基于激发抑制响应阈值劳动分工算法的方法覆盖地图与基于响应阈值模型的方法覆盖地图相比，提高了群机器人的建图效率，在平均覆盖次数、平均覆盖时间和总覆盖长度的结果均优于响应阈值算法。