移动群智感知(MCS,Mobile Crowd Sensing)作为一种新兴的数据收集技术,它将普通社会群众日常携带的智能移动终端(手机、平板电脑、智能可穿戴设备等)作为基本的感知单元进行数据的收集。用户间通过移动互联网进行协作,形成移动群智感知网络,共同完成大规模的社会感知任务。相对于传统的传感器网络,移动群智感知具有数据收集成本低、设备维护简单、系统可扩展性强等优势,推动了群智感知应用的快速发展。但随着更多更为复杂的群智感知应用的涌现,数据收集面临的首要问题就是数据规模大、数据维数高的问题。对于大规模的数据收集任务,感知用户在广阔的感知区域内分布不均,部分地区汇集的用户数远超应用需求的用户数量,如果不对移动终端的感知状态加以控制,大量冗余用户持续的进行感知活动将会产生严重的能量消耗。并且由于用户的移动终端可感知的数据类型有限,不足以支撑高维度的数据收集任务,大量部署专业的感知设备又将产生巨大的开销。为了在保障应用覆盖需求的同时降低数据收集过程中产生的能耗,并降低高维数据收集的难度和开销,本文对感知能耗控制机制和高维任务分配机制进行研究,具体工作如下:1.设计了感知能耗控制机制。该机制基于用户的移动规律和区域的采样需求对移动终端的采样行为进行控制,如果区域中的某个单元网格在任务周期内的活跃用户数量多于所需的用户数,则中心服务器通知该网格单元中多余用户关闭传感器从而避免不必要的感知活动所产生的能量消耗;2.提出了适用于复杂群智感知应用的高维任务分配机制。现有的任务分配方法面对的数据收集任务类型通常较为简单、明确,或系统默认感知节点具有感知应用所需的所有数据类型的能力。而面对复杂的感知应用,普通的移动终端内嵌的感知功能不足以支撑高维数的数据收集任务。因此本文首先将高维数据拆分为低维数的子任务,然后再进行子任务的分配,以降低数据收集的难度实现任务完成率的提高。3.提出了数据收集成本和用户参与的均衡性的权衡算法。该算法基于用户的信息属性,权衡用户报价和用户携带设备的感知能力对用户被选概率的影响,为每个子任务选取一个最优用户集合,实现在降低数据收集的成本的同时提高感知用户参与的均衡性。综上,本文从感知能耗控制和高维任务分配两个方面提出相应的模型和方法,并通过理论分析和仿真实验来验证它们的有效性,为移动群智感知网络复杂应用的数据收集规划和任务分配提供了理论依据,具有一定的参考价值。