直接上代码！咱们先搞明白怎么用坐标算曼哈顿距离。比如机器人坐标(3,5)，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）：

1. 初始化种群
2. 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
3. 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。