作为一种基于众包(Crowd Sourcing)思想的新型感知模式,移动群智感知(Mobile Crowd Sensing,MCS)可以通过群体用户快速构建大规模的感知网络,灵活高效地捕获热点信息,并有效弥合人机物三元空间的距离。随着智能设备的发展与普及,移动群智感知近年来逐渐引发了越来越多科研人员的关注。任务分配是移动群智感知的核心问题之一。但是现有任务分配方法多数针对单一任务,无法协同考虑任务与用户间的多对多关系,难以实现全局优化。因此,相较于单任务分配,多任务分配问题的研究更具现实意义。本文针对移动群智感知体系结构进行了分析研究,并针对不同性质的感知场景提出了对应的多任务分配方法。(1)针对感知任务实时并发,且用户数量大于或远大于任务数量的大规模移动群智感知场景。论文提出了一种面向用户区域的多任务分配方法:MTA-C。MTA-C首先将全局的感知任务与用户区域进行分簇。其次,基于Q-learning将多个感知任务组合构成任务序列。再次,基于玻尔兹曼分布计算任务序列效益值。最后,借助预先计算的效益值与用户信誉度生成多任务分配方案。通过仿真实验表明,MTA-C能够有效地降低参与者人数,并且降低用户的总移动距离。(2)针对用户资源不足、感知任务存在异质性的复杂感知场景。论文基于Soft Q-learning提出了一种能够适用于复杂场景的多任务分配方法:MTA-MAC。MTA-MAC首先基于Soft Q-learning为每一个用户训练一个能够学习到多种解决方案的单智能体模型。其次,将全局价值优化目标转化为一个多重背包问题,并基于动态规划方法对其进行求解。再次,设计了一个基于用户移动速度的社会公约来实现稳定的多智能体合作,进而生成多任务分配方案。最后,MTA-MAC中额外设计了一个应急处理机制,以应对用户中途退出、感知任务无法完成等意外情况,降低其对感知平台的影响。通过仿真实验表明,MTA-MAC能够在保障全局感知质量的前提下,有效地降低总体感知时间,进而提升整体的感知效率。其次,MTA-MAC较基准方法具有很好的鲁棒性,能够在出现突发事件时及时调整任务分配方案,降低其对感知平台性能的影响。