参与式感知(Participatory sensing)是最近几年出现的一种感知技术,又称为城市感知(Urban sensing)、以人为中心的感知(People-centric sensing)。参与式感知利用多种数据采集设备和集成了特定传感器的智能手机对人类社会状态信息(包括环境、交通、社会活动等)进行交互式或自主式采集、分类、传输和分析,进而做出智能决策,为人类生活和社会活动提供服务。最近一些学者提出在参与式感知系统中采用众包的方式获取感知数据或完成较为复杂的工作任务。在参与式感知系统中的众包任务是由一组参与式感知节点共同完成的,因此为了支撑参与式感知众包应用高效、高质量地完成,动态创建一个由适当的参与式感知节点构成的群组是一个非常关键的科学问题。针对上述问题,本文首先分析了参与式感知系统中基于任务众包的应用和模型的相关特性,提出一种基于任务信息构建移动众包模型的形式化描述方法。在对蚁群聚类算法研究的基础上,结合蚁群聚类算法,提出了基于负相关因素正化调整的群组构造算法和基于最优解选取的群组构造算法。两种方法分别通过对聚类参数的调整和针对群组构造的多因素进行博弈,运用最优解选取的相关理论,讨论了不同约束条件下的群组的形成结果。研究结果表明,参与式感知系统下基于任务众包的模型能有效地处理通用的众包应用,该模型可以将大量的众包任务进行预处理和任务分解。同时,对于蚁群聚类展开数据的差异扩大化算法研究,拓展了蚁群聚类的使用范围,使其可以有效处理根据属性的重要性权重不同的分组问题。而且,基于任务众包模型并结合蚁群聚类的群组构造算法和最优群组的选取方法,具有较好的解决问题能力和良好的可扩展性。综上所述,本文的研究对于未来参与式感知系统下的任务众包应用的开展有着重要的理论意义和现实意义。