博弈论是传统网络应用激励机制设计的重要理论工具。但是,博弈论在设计传统网络激励机制的时候,往往都只关注了两种极端情况。一种是在设计激励算法时,假设网络中的所有用户都是无私的,其优化目标是网络的整体性能。另一种是在设计激励算法时,假设网络中的所有用户都是自私的,其优化目标是最大化单个用户各自的利益。然而,新型网络应用的出现使得这两种假设不再成立。移动群智感知、车辆物联网等新型网络应用中的用户有着丰富的社会关系,用户间不再是完全无私或完全自私的,往往表现为一定的团体性。针对这类问题,社会群体收益最大化(SGUM)模型作为博弈论研究的一个全新应用框架,将新型网络中的团体性融入了模型。通过引入用户间的社会关系网络,该框架能够为用户定义自己的社会群体收益函数,并致力于求解用户社会群体收益最大化,从而解决位于网络收益最大化(NUM)和非合作博弈(NCG)两个极端问题之间的连续空间上的问题。本文考虑新型网络应用中的两个场景,一个是移动群智感知中用户的感知任务策略选择问题,需要激励合适的用户节点参与感知任务使得网络应用收益得到提升。另一个是车联网中车辆的假名变更策略选择问题,需要激励更多的车辆参与到假名变更的过程中来。本文基于势博弈理论和SGUM模型,研究和设计移动群智感知和车联网假名变更激励机制,以激励用户在相关应用场景下的积极参与,从而提高系统收益。本文的主要工作包括以下四个方面:1)通过挖掘新型网络中节点之间的物理关系和社会关系来构造社会群体激励机制。方案中为每个节点定义了社会群体收益函数,收益函数中节点所做策略的关注点不仅在于自身的收益,同时也力求与自身有社会关系的用户群体的收益增大,以此来达到激励节点的目的。2)通过建立节点之间的物理关系网络和社会关系网络,构建了SGUM博弈模型,每个节点都致力于最大化自身的社会群体收益函数。同时,通过构建势函数使得博弈模型转化为势博弈,从而在理论上证明设计的激励机制能够达到一个纯策略的社会群体纳什均衡。同时,将该模型应用在两个具体的问题当中,一个是移动群智感知网络中设备参与感知任务的激励问题,一个是车联网中车辆参与假名变更的激励问题。3)本文设计了基于马尔科夫链的分布式激励算法促使用户间达到一个稳定的社会群体纳什均衡。该算法是一个启发式算法,通过不断优化所选节点的收益函数,更新节点策略进行迭代。理论证明,该算法获得的社会群体纳什均衡是一个接近最优解的策略组合。4)本文分别搭建了移动群智感知和车联网车辆假名变更的实验环境,测试并比较SGUM、NUM和NCC在相同数据背景下的性能表现。实验证明,激励算法在引入社会关系后获得的社会收益有了显著提升。