移动群智感知是利用广大普通用户随身携带的移动智能终端作为基本感知单元,随时随地形成大规模的感知系统,从而完成复杂社会感知任务的一种以人为中心的新型感知模式。显然,人的智慧和移动性为更多类型、更加广泛的感知覆盖提供了前所未有的机会。但是,人的感知能力差异和偏好也给感知任务的分配与执行带来了显著挑战。本文面向移动群智感知的四种实际应用场景,针对不同的任务分配需求,着力于构建问题的数学模型,并从提高算法性能、加强算法自动化程度、缩短算法生成解的时间等三个方面来研究该问题的各种智能求解算法。首先,针对某类特殊感知任务,考虑到具备该类任务执行能力的移动用户数量有限,提出具有社交意识的移动群智感知系统,利用社交网络中的朋友资源,提升感知任务的完成质量。基于移动用户与社交网络朋友之间的合作机制和奖励分享策略,以最大化任务感知质量和用户奖励为优化目标,构建其多目标任务分配模型,并设计了改进的基于分解的多目标进化算法,寻找其Pareto最优解集。算法中,采用平衡因子统一两个优化目标的量级,避免不均匀搜索;提出基于用户分类的高效变异算子,以加快种群的收敛速度、提升收敛性能。其次,针对多个感知任务竞争有限资源的问题,通过给每个感知任务单独设定可接受最低质量阈值,建立有限资源条件和感知质量约束下的群智感知多任务分配数学模型。同时,兼顾空间覆盖率和数据有效性,提出了评价移动用户感知能力的综合度量指标和考虑移动成本的跨区域激励模型。针对上述多约束单目标优化问题,提出了一种改进的遗传算法,实现最优分配方案的搜索。算法采用基于相似性的交叉、变异算子,引导种群趋向于平均感知质量高的区域;利用基于问题特性的修复策略,使不可行个体逼近可行区域。再次,针对感知任务需求和移动用户数量存在时变特性的移动群智感知任务分配问题,构建其动态任务分配模型,并提出新型感知能力度量指标,评价移动用户在目标区域执行不同类型任务的能力。针对上述搜索空间不断变化的约束动态优化问题,提出了基于Q-learning的超启发任务分配算法,利用历史时段最优解中的高质量用户,生成有潜力的初始种群,加快收敛速度;提出基于用户综合实力的邻域搜索算子;基于Q-learning的新型状态定义,给出相应的搜索算子选择策略。最后,针对大规模移动用户带来的高计算复杂度问题,考虑到移动用户对感知区域的预先偏好,构建了基于感知区域分割的动态任务分配多目标优化模型,以降低问题求解的复杂度。同时,基于感知区域内的用户密度,给出一种激励方法,保证感知任务的完成。为实现上述问题的快速求解,提出一种基于生成对抗网络的非迭代算法,采用生成对抗方式学习各个移动用户对不同类型感知任务的分配概率。进而,提出一种样本分类方法,识别训练样本中的优秀个体,以加速生成对抗网络的收敛;设计了快速响应机制,在感知任务要求和移动用户数量发生变化时,通过调整网络结构,直接生成多样性和分布性良好的Pareto解集。所得研究成果不仅丰富了移动群智感知任务分配问题理论,而且为不同类型的任务分配问题求解,提供了性能更好、自动化程度更高,且运行时间更短的新颖解决思路,对推进移动群智感知的理论研究与应用具有明确意义。该论文有图38幅,表33个,参考文献156篇。