Развитие интеллектуальных складских систем и автоматизации логистических процессов требует эффективных решений для распределения задач в гетерогенных многороботных комплексах, особенно при кооперативной транспортировке крупногабаритных и тяжёлых грузов. Целью работы является разработка и верификация гибридной модели идентификации и распределения кооперативных транспортных задач (КТЗ) в складской среде с учётом многокритериальной оптимизации. Дан краткий обзор публикаций по применению миварных технологий и методов машинного обучения при математическом моделировании сложных робототехнических систем. Предложен двухуровневый подход, включающий миварную систему принятия решений для автоматической идентификации КТЗ и модель распределения на основе алгоритма комбинированного аукциона. Необходимое количество роботов-транспортировщиков (РТ) определяется миварной системой принятия решений с учетом размеров и массы груза. Разработанная математическая модель распределения КТЗ направлена на повышение эффективности и надежности благодаря учету ключевых динамических факторов (гетерогенность, избыточность и путевые затраты). Имитационные эксперименты с 30 РТ и 100 задачами показали преимущество предложенного метода над базовыми стратегиями (Random, Nearest Neighbor, Greedy Capacity): при обработке 6 КТЗ снижение общей стоимости составило до 40,7%, а при 12 задачах – дополнительное снижение на 10,8% при сохранении 100% успешности. Установлена способность модели к эффективному масштабированию, проявляющаяся в дополнительном снижении затрат на 10,8% при увеличении числа задач. Результаты свидетельствуют о робастности, адаптивности и высокой практической применимости модели для интеграции в современные интеллектуальные складские системы, обеспечивающие работу с диверсифицированным ассортиментом грузов
