信息化技术的高速发展,使得各行各业中海量数据成为新型战略资源和经济社会发展的驱动力和基石。随着国家大数据战略的实施,智慧城市等新兴的大数据应用逐渐进入人们日常生活。为了缓解海量大数据需求日益增长带来的压力,物联网技术得到了广泛的应用与发展。但是,基于传统的传感器网络的物联网应用会带来大量的资源消耗,以及高昂的部署、维护和升级成本。与此同时,以智能手机为代表的移动智能终端设备得到了快速发展,已经逐渐成为人们日常生活中必不可少的一部分。当前,智能设备功能不断强大,整合了大量以GPS、加速度计、陀螺仪、摄像头等为代表的高性能传感器,具备了强大的感知和计算能力。4G的普及,以及5G的即将到来,为智能移动设备提供了高速移动通信的能力。在这样的背景下,群智感知应运而生。作为一种新型的物联网数据收集方式,群智感知将智能终端用户作为感知节点,任务发布平台通过发布感知任务,移动用户执行收集和分享周边的环境数据。群智感知不仅可以降低物联网数据的收集成本,而且其可扩展性,拓展了收集到的数据类型,同时可以丰富人们的日常生活。然而,群智感知系统同样面临着多种多样的挑战,许多问题亟需解决。如群智感知系统中,移动用户由于参与到群智感知任务当中会带来电量、存储、CPU等资源的消耗,同时参与到其中会有用户隐私泄露的风险。因此,移动用户在没有报酬激励的情况下,很难主动参与到群智感知任务当中。如何设计高效的激励机制,鼓励移动用户参与到群智感知任务当中是当前面临的一项首要挑战。本文基于上述问题开展研究,取得了如下成果:1.针对单任务发布者多移动用户参与者的群智感知场景,考虑移动用户对设备存在资源随机不确定性需求的情况下,提出基于一对多纳什议价模型的激励机制设计框架,将任务发布平台与移动用户之间的交互建立成一对多纳什议价问题。研究了两种纳什议价模型,分别是一对多顺序纳什议价以及一对多同时纳什议价,并且给出两种议价策略下纳什议价均衡点。同时设计基于对偶分解策略的分布式迭代算法,不仅可以保证群智感知系统中所有参与者的隐私性,并且能够降低任务发布平台的计算负载。最后,利用数值仿真实验来验证所提出算法的有效性。2.在上述研究的问题当中,一对多纳什议价是基于任务发布平台和移动用户之间存在合作关系,其只适用于特殊的场景下,大量实际场景下这种合作关系很难达成。针对非合作场景,首先给出在此群智感知场景下任务发布平台和移动用户的经济学模型以及各自的优化目标,将其建立成斯坦伯格博弈模型;其次,通过理论分析,得出斯坦伯格博弈存在唯一的均衡点,并且提出静态博弈环境下的斯坦伯格博弈均衡点的求解方法;在此基础之上,提出动态环境下的基于深度强化学习的斯坦伯格均衡点求解方案,此方案下任务发布平台和移动用户能保证各自的隐私性;最后,通过数值仿真验证提出算法的有效性。3.在上述研究的基础之上,考虑在某一时间段内同时存在多个感知任务,并且移动用户感知数据质量不同的情况下,如何为每一参与者分配感知任务。在群智感知系统当中面临的另一项挑战是如何最大化整个群智感知系统的社会效益。基于此,首先考虑移动用户感知数据质量的情况下,提出任务发布平台的效用模型。其次,提出多感知任务并存情况下,移动用户的收益模型。再次,引入社会效益这一概念,并且期望能够最大化社会效益。由于中央控制器在没有收集到所有参与者的私有信息情况下,无法通过集中式的求解方案来最大化社会效益。因此,通过对偶分解策略将社会效益最大化问题分解成任务发布平台和移动用户各自的局部最优化问题,设计基于梯度下降的分布式迭代算法来求解最优解。最后,通过数值仿真验证所设计的激励机制的有效性。4.上述研究的问题都是群智感知系统中的资源分配问题,尚未涉及到感知数据的收集。感知数据的收集是群智感知系统中一项关键操作。由于移动用户所持有的智能设备执行复杂计算和感知任务的资源非常有限,使得设计感知数据收集机制是一项严峻的挑战。基于此,提出基于激励机制的时延敏感性感知数据收集机制。由于移动用户的自私性,在没有报酬回报的情况下,移动用户很难参与到感知数据收集的任务当中。对于感知数据持有者和中继用户,其目标都是最大化自身收益。将数据持有者和中继用户之间的交互建模成两用户合作博弈,并且应用异步纳什议价模型解决交易价格决策的问题。提出两种数据收集机制,首先是基于在线机制的设备到设备(Device-to-Device,简称D2D)数据收集机制。其次,根据在线机制,提出了考虑离线机制的数据收集机制。在每一种机制下,基于真实移动随机网络的数据集被用来验证所提出的的数据收集机制的有效性。最后,归纳总结了本文的主要研究成果,并对今后的工作进行了展望。