移动设备的数量与日俱增,设备中配备的传感器可以感知周围信息,再加上移动设备用户的固有移动性,群智感知(MCS)得以兴起。在典型的MCS系统中,数据需求者发布任务到平台,平台招募移动用户来执行感知任务。MCS激励机制要有偿选择合适的工作者集合去执行任务,从而刺激用户参与感知活动,同时优化平台收益或社会福利。我们在本文中考虑了一个现实的MCS场景:工作者之间存在概率协作,并且假设平台计算容量有限。首先本文在此MCS场景中关注的是平台收益最大化问题,它是一个NP-hard问题。本文针对PPM问题提出贪心算法MaxG。工作者之间概率协作以及数据需求者基于质量支付,这导致目标函数的非单调性。本文继而提出RandG,将随机策略嵌入贪心框架,寻求跳过局部最优的机会。本文证明了 RandG可达到一个恒定的近似比1/e。针对一般PPM问题,本文提出RandCom算法。该算法结合了 MaxG和RandG来获得尽可能高的平台利润。最后本文通过实验验证了这三种多项式时间内的近似算法的有效性:MaxG和RandG带来的平台收益要高于基线算法rand-K(在前K名工作者中随机选择),且RandG在多次重复的情况下会出现优于MaxG的情况。本文还站在政府部门角度最大化社会福利,运用双拍卖机制并提出简单的MaxS算法。该算法首先对工作者进行任务完成率的初步筛选,再依此选择使社会福利最大的任务需求者作为胜出者,并将对应工作者集加入胜出工作者集合。最后本文进行了简单的实验来评估MaxS可获得较高的社会福利。