内置照相机、加速度器、麦克风、陀螺仪以及GPS等多种传感器的移动终端的日益普及,推动了群智感知这种新型感知模式的兴起。与通过布置大量静态传感器收集数据相比,群智感知通过人群所携带的移动终端收集数据,能够在较低成本下感知更大范围的数据,因此,群智感知已经广泛应用于交通服务、环境感知等诸多领域。需要指出的是,如何将感知任务分配给合适的工人执行是群智感知相关研究中的关键,相应地,这类任务分配问题受到了广泛关注。当前,已有学者基于工人属性或者任务属性研究了群智感知系统中的任务分配问题,但这些研究所考虑的工人属性或者任务属性较为简单,不能较好地反映实际情况。为了避免已有研究中的局限,本文考虑更加复杂的情形,分别从工人属性、任务属性以及工人与任务的属性匹配程度三个方面研究任务分配问题,并基于改进的鲸鱼优化算法分别设计任务分配算法以最大化工人效率、工人收益以及任务完成数量。主要的研究内容如下:(1)从工人属性角度研究最大化效率的任务分配问题。首先,考虑工人具有弹性在线时间属性的情形,利用模糊机会约束规划方法对其进行描述。其次,根据工人延时与否引入空闲成本以及延时成本,并给出对应的优化问题。最后,利用离散鲸鱼优化算法设计两阶段分配算法,并通过仿真实验验证算法的性能。(2)从任务属性角度研究最大化收益的任务分配问题。首先,考虑任务具有感知时间、感知位置以及感知内容等属性。其次,分析任务的感知时间、感知位置以及感知内容等属性的重合情况并定义任务间的时空相关性与内容相关性。进一步地,基于任务的感知时间确定相应周期从而设计周期分配框架。在该框架中,改进的鲸鱼优化算法被用来求解任务分配问题,并设计协作申请模式处理远距离区域的感知问题。最后,通过仿真实验验证所设计周期分配框架的性能。(3)从工人与任务的属性匹配角度研究最大化任务完成数量的任务分配问题。首先,根据工人与任务的位置属性与技能属性定义工人与任务间的空间匹配度以及技能匹配度。其次,考虑到工人特有的学习能力带来的阅历增长,定义工人技能随阅历增长的变化,并给出对应的任务分配问题。最后,结合差分进化算法对鲸鱼优化算法进行改进,并利用改进后的算法设计工人选择策略,通过仿真实验验证工人选择策略的性能。本文分别从工人属性、任务属性以及工人与任务属性的匹配程度三个方面研究群智感知系统中的任务分配问题,并采用改进的鲸鱼优化算法设计对应的任务分配算法,相关工作可为群智感知系统的实现提供参考。