近年来,随着物联网飞速发展和各种传感设备广泛普及,移动众包（Mobile Crowdsourcing,MCS）已经成为收集感知数据和提供服务的新兴范例。与传统众包的区别在于,MCS要求众包工人实际移动到特定地点来收集和上传感知数据。在移动众包系统中,需要制定高效的工人招募机制,激励用户积极主动地参与感知,提供高质量服务。本文主要针对移动众包中多目标工人招募机制进行研究。多目标优化问题在移动众包中具有非常重要和普遍的意义,MCS中存在众包工人、平台和请求者等多方的冲突问题,需要同时优化多个目标。然而,现有大多数研究针对单方面的多目标优化问题,或者只针对单一目标进行优化,影响移动众包的应用与发展。由于数据爆炸式增长,传统基于中心云的解决方案已经无法满足移动众包的需求,需要将边缘计算引入到传统移动众包中,为解决移动众包中的关键问题提供必要的技术支撑。本文的主要研究内容如下:1.为了同时解决移动众包系统中工人、平台和请求者三方的冲突问题,提出基于上下文感知的多目标工人招募机制。该机制考虑工人偏好特征、感知能力、声誉度等因素,将工人技能与任务需求进行匹配,通过交互式方法招募工人,减少请求者付款,为平台提供更多可选择的解决方案。采用贪婪线性权重优化算法和改进的差分进化算法相结合的优化算法,搜索Pareto最优解,加快收敛速度,在多个目标之间进行权衡,最大化社会福利。2.为了解决移动众包系统中冷启动问题,最大化任务完成率,提高服务质量,提出基于社交网络的多目标工人招募机制。该机制考虑工人的移动轨迹和时间属性,通过分析工人的社会属性来计算社交关系强度,为众包平台招募足够的工人。当工人不能执行分配的感知任务时,众包平台通过社交网络进行两阶段任务分配,实时更新传播和完成奖励。在预算约束下,采用基于贪婪的多目标优化算法最大化任务完成率,扩大MCS的感知覆盖范围。