群智感知系统是随着大数据时代的到来而产生的一项数据收集技术。随着智能手机的普及以及智能手机计算能力的提高,智能手机用户通过互联网协同工作。智能手机中的各种传感器件如加速度传感器,GPS,陀螺仪等可以感知周围环境中的数据。通过这种方式可以实现大规模数据的收集和共享。但是智能手机的计算资源是非常有限的如CPU的计算能力,存储器的大小等都影响着智能手机的运行和处理数据的能力。所以,在有限的资源和约束下合理分配给智能手机感知任务十分重要。由于在实际操作中存在着各种制约因素,所以本课题着重研究群智感知系统中任务最优分配的关键技术。群智感知中任务的分配,不同于传统的任务的分配,因为在群智感知中有人的参与,使得任务的分配变得复杂。本课题分为两部分,第一部分着重研究在一定的约束条件下如:平台的预算一定,感知任务之间要保持公平,智能手机数据传输率一定。如何有效的分配感知任务使得这些感知任务产生的数据效益达到最大化。即希望在预算一定,任务保持公平的前提下,最大化所有感知任务所产生的数据效益。在这篇文章中也考虑收集到的感知数据的冗余性。正因为这个问题的特殊性,使得解决这个问题带来了一些挑战:感知任务之间的公平性和所有感知任务的数据效益最大化之间的权衡,以及智能手机数目众多给问题的解决带来了一定的困难。为了解决这个问题,提出了一种高效的分布式算法。首先,把原问题分解成两个子问题:雇佣智能手机用户和分配感知任务,并分别解决这两个子问题。对于第一个子问题,设计了一种有效的贪心算法来雇佣智能手机用户,并且这个贪心算法的近似比只有2。对于第二个子问题,设计了一种基于对偶分解的分布式的算法,在已经雇佣的智能手机用户中分配感知任务。为了证明所设计的算法的有效性和正确性,通过数学分析和大量的模拟实验来证明此方法能够实现感知任务的最优分配。在第一部分的基础上,第二部分主要研究如何实时的分配感知任务,使得平台的利润达到最大化。首先,群智感知系统的用户会上传感知任务到平台上,然后,平台会把这些感知任务分配给智能手机用户,让这些智能手机用户收集感知数据并上传给平台进行处理。在这个过程中感知任务的分配是实时的,平台通过合理的分配感知任务使得自己的利润达到最大化。由于感知任务和智能手机用户是实时到达群智感知系统中的,使得问题的解决变的十分具有挑战性。本文首先通过分析这个问题是NP-hard的,然后分别刻画了这个问题在离线状态下的模型和在线状态下的模型,对于离线模型,设计了有效的近似算法,对于在线的模型,设计了有效的贪心算法。最后通过严格的数学分析和大量的模拟实验,证明该算法的有效性和正确性。本课题主要集中于群智感知系统中,感知任务的最优分配的问题。这是一个重要而急需解决的问题。任何一个有效的群智感知系统都必须优化感知任务分配,才能使得这个系统有效的运行。本课题解决了两个典型情景下感知任务的最优分配的问题。