随着移动智能设备的普及和物联网技术的发展,移动群智感知作为一种强大的感知数据的模式引发了工业界和学术界越来越多的关注。移动群智感知通过利用大量移动用户携带的智能手机等智能设备上集成的传感器组成大规模,细粒度的移动感知网络,相比于传统的传感器网络,具有覆盖范围广,部署成本低,可扩展性好等优点,被广泛应用到了交通导航,环境监测等方面。随着感知数据越来越精细和复杂,传统的集中式的移动群智感知网络面临着高延迟和传输成本增加等问题,基于边缘计算的移动群智感知网络架构得到了越来越多的关注。通过在用户和中心服务器之间部署大量边缘服务器来接收用户上传的数据,并对感知数据进行处理和融合,可以极大地缓解传统移动群智感知网络所面临的问题。在这种背景下,如何优化资源调度来降低感知成本成为了一个关键问题。本文围绕基于边缘的群智感知中以优化感知成本为目标的资源调度这一关键问题,从边缘服务器配置和感知数据上传两个方面开展研究并提出相应方法,具体内容如下:在移动群智感知中,由于每个用户可以收集多种类型的数据。为了方便数据聚合,不同用户携带的同一类型数据应该上传到同一个边缘服务器。因此用户需要根据自己携带的数据类型,移动到不同的边缘服务器上传数据。在此过程中,移动用户会产生成本(为了上传数据所移动的距离),边缘服务器也会承受激活和处理数据的成本。在这种情况下,会出现一个问题:如何设计边缘服务器激活和配置策略来接收用户上传的数据,从而最小化用户上传和边缘服务器处理数据的总成本。我们通过将问题模型化为设施选址问题,针对不同情况,分别提出了基于线性松弛和模拟退火技术的算法来近似地解决该问题,并从理论上分析了算法的性能,且用真实数据集对算法性能进行验证。此外,在降低用户上传数据成本的同时,还需要考虑维护移动群智感知系统的稳定,即,用户移动设备缓存队列稳定(感知数据的平均收集速率不应远高于感知数据的平均上传速率)和边缘服务器缓存队列的稳定(感知数据的平均接收速率不应远高于这些数据的平均处理速率)。因此,我们提出了基于李雅普诺夫优化理论的用户感知数据上传策略,在降低用户数据上传成本的同时保证系统稳定,进一步,我们从理论上分析了算法的性能。通过基于真实数据集的仿真实验,我们验证了与基准方法相比,提出的方法可以同时达到降低成本和维持系统稳定的目的。