在人机协作（HRC）中，由人类行为差异与机器人随机延迟引发的执行不确定性，常导致确定性任务分配策略效能退化。为最小化期望完工时间，本研究提出两种随机调度框架，其利用双峰高斯混合模型刻画任务时长不确定性，以优化分配决策。第一种框架采用基于场景的约束规划（CP），通过在采样生成的偶发情境中辨识最优即时行动。第二种框架运用一步树搜索，将CP求解器作为专家展开策略，沿数学最优轨迹严格剪枝状态-动作空间。概率仿真表明，在任务失败概率0.1%至5.0%的范围内，相较于反应性CoBOS基线，两种随机模型均显著缩短了完工时间中位数并提升了可预测性。该架构经仿真验证后，作为概念验证部署于实体Franka Emika Panda机器人平台，利用行为树实现，证实了预测性应急处置集成的有效性。

本研究主张，与确定性基线相比，基于场景的建模方法能够降低期望完工时间及其方差。为佐证此论断，全文从理论构建推进至实证验证。绪论之后，第二章综述多智能体任务分配、不确定性决策及随机柔性作业车间调度问题（FJSSP）的相关文献。第三章阐述多智能体决策背景下的任务定义与状态-动作概念基础。第四章阐释基于场景的约束规划模型与一步树搜索这一核心贡献。第五章详述其程序化实现与物理部署方案。最后，实验章节（第六章）通过仿真与实体机器人装配实验对提出的方法进行严格评估，并在第七章对未来研究方向予以展望，以此作结。