众包是继外包之后出现的一种全新的问题解决方式,它指一个机构把由员工执行的工作任务,以自由自愿的形式交给非特定大众网络的方法。随着众包模式的大量应用,众包平台上的任务出现了爆炸式增长,而目前众包平台简单的任务排序方式并不能满足日益增长的任务需求,导致平台的任务不能被及时完成。因此提出众包平台任务分配算法,将合适的任务自动分配给合适的用户,将极大的提高平台的任务完成效率。近年来,国内外研究人员提出利用矩阵分解等算法来进行任务自动分配,其中非负矩阵分解由于可解释性好,能够缓解冷启动问题,准确度较高等优点受到了广泛关注。然而,非负矩阵分解算法的目标函数通常是不可微不连续的,且梯度搜索方法容易陷入局部最优。基于此,本论文提出一种基于遗传算法的非负矩阵分解算法来实现众包平台任务的自动分配,利用遗传算法的全局最优性来提高算法的准确度。在矩阵分解的初始阶段,采用PMX交叉和单点变异分别以原矩阵与近似矩阵差值的行向量和列向量的Frobenius范数为适值函数进行用户特征矩阵和任务特征矩阵初始化;在此基础上,利用矩阵随机行或列的交叉和矩阵固定比例元素的变异,以原矩阵和近似矩阵差值的Frobenius范数为适值函数进行迭代,得到的两个非负矩阵的乘积即为预测矩阵。给定指定数量的任务,通过预测原矩阵缺失值的大小给任务进行排序,将预测评分高的任务优先分配给用户。本文将基于遗传算法的非负矩阵分解算法与经典的概率矩阵分解算法,随机初始化的NMF算法和TaskRec算法进行RMSE和MAE精度分析,仿真结果表明,本算法在低维空间的RMSE和MAE指标更优,具有更高的求解精度。