作为一种新的大规模感知数据收集方式,移动群智感知利用普通用户的智能手机的感知与计算能力,通过移动互联网进行协作,从而完成大规模的、复杂的感知任务。然而,智能手机的资源非常有限,无节制地使用智能手机进行感知任务的处理并上传感知数据,将会给手机的用户带来过大的代价(电量、数据流量的消耗),甚至影响用户使用自己的手机。这样将会大大降低用户的参与程度。所以一套在手机资源约束的条件下使得系统效用最大化的任务分配及调度的控制方法对感知系统的成败至关重要。由于群智感知系统存在很大的随机与不确定性,例如随机的手机状态,随机的感知请求到达等,因而控制方法的设计极具挑战。本课题就着重研究移动群智感知系统中效用最大化的随机控制方法。本课题可分为两部分。第一部分主要研究在给定智能手机资源约束的条件下,如何最大化群智感知系统收集到数据的效用。这个问题极具挑战。首先,感知数据的效用大小与智能手机所处的情景有关,然而手机所处的情景通常是随机的并且难以预测。其次,由于边际效应,一台手机的感知决策依赖于其他手机的决策。本文基于李雅普诺夫(Lyapunov)最优化技术,提出了一种分布式的感知数据效用最大化的在线算法。该算法不需要知道未来手机所处的情景,并且可以由手机自身进行感知决策。严格的理论分析和仿真结果均显示该算法可以使得系统的时间平均效用与理论最优值的差距在O(1/V)范围内。在第一部分的基础上,本文在第二部分中考虑了一个更复杂的群智感知系统。第二部分主要研究如何最大化群智感知平台的利润的问题。平台接收不同类型的感知请求,然后将感知任务分配到各个智能手机进行处理并根据占用手机的时间长短补偿手机的用户,最后将收集到的感知数据返回给请求者并收取费用从而赚取利润。由于感知请求到达的随机性、智能手机参与程度的动态性以及感知任务分配的复杂性,该问题同样极具挑战。本文提出了一种最优的在线控制算法,在不需要任何未来知识的情况下,对感知请求准入、任务分派、感知时间购买以及感知时间分配进行在线控制。严格的理论分析和仿真结果均显示该算法可以使得时间平均利润任意接近理论最优值,并且保证良好的系统稳定性。