移动群智感知是指通过用户持有的移动终端设备（如手机、手环）形成传感器网络,进行感知数据收集,进而完成环境监测以及道路车辆监控等一系列感知任务。本文将任务完成的全过程称之为任务执行过程。作为一种新型传感器网络的移动群智感知,任务执行过程中面临着许多新问题。首先,感知任务的执行会对用户带宽、CPU等客观资源和用户时间、耐心等主观资源有所消耗。为此,在任务执行计划阶段,需要设定一个合适的任务定价,用于补偿用户的付出,促进大量用户对任务的参与。其次,当感知任务较多时,用户有限资源无法用于完成所有任务,为此,需要设计一个合理的资源分配方案,促进用户有限资源在不同任务之间的有效分配。再次,在任务执行实施阶段,需要设计一个有效的激励方案,使得在此方案下,促进用户投入更多努力（如时间、资源）进行任务的完成。最后,在任务执行评估阶段,需要寻求一种均衡状态,在保证用户隐私的同时兼顾数据效用。针对以上问题,本文聚焦移动群智感知任务执行过程中的优化策略展开研究。通过利用排队博弈、平均场近似Stackelberg博弈、凸优化与微分博弈理论,对任务执行过程中的任务定价、资源分配、激励机制、隐私效用均衡等问题展开深入研究,其主要工作和创新性成果概括如下:1)构建了一个基于信息新鲜度的排队博弈任务定价模型。通过将信息新鲜度指标,分别引入先到先得和后到先得两种排队规则下的移动群智感知系统中,对感知任务执行时间进行度量。并且在考虑多种引起任务定价动态变化的因素（多请求者竞争、多变任务需求、不同等待时间成本）下,进行排队博弈模型构建。基于该模型,分别提出先到先得和后到先得的排队定价算法。通过对算法进行理论分析和仿真验证,最终求得两种排队规则下的最优任务定价。2)提出了一个基于供需关系的平均场近似Stackelberg博弈资源分配模型。在上一个研究成果的基础上,考虑在移动群智感知网络中,数据点对点传输模式下,结合用户努力等级、任务定价、任务发布率、任务完成率指标,进行资源分配模型构建,促使用户有限的主客观资源在不同感知任务之间得到有效分配。基于该模型,分别提出了动态任务发布算法和动态任务完成算法。通过对算法进行理论分析和仿真验证,得到了以价格为导向的感知者资源在不同任务间进行有效分配时的最优定价。3)提出了一个基于质量评估的激励模型。鉴于移动群智感知发挥人群智慧的特点,在数据质量评估中,考虑到社交关系对用户决策的正影响作用,对数据质量进行更精确的度量。此外,本文结合感知者招募过程的设计进行激励模型的构建。基于该模型,结合凸优化理论,设计了一个基于质量评估的激励算法HEAL。通过对算法进行理论分析与仿真验证,证明了该算法可以激励用户付出更多时间和精力完成任务的执行。4)提出了一个基于隐私效用均衡的微分博弈模型。在考虑隐私保护等级、数据效用、数据总量指标的基础上,基于微分博弈理论,建立了移动群智感知网络中的隐私效用均衡模型。通过算法的设计、理论分析与仿真验证,分别求得感知者隐私保护等级和请求者数据效用的纳什均衡策略,进而保障移动群智感知网络的长期有效运转。