工作流调度问题一直是工作流领域中的难点和研究热点。一个高效的工作流调度算法,能很大程度上提高和改善应用的服务质量。工作流调度算法的作用是将多种计算资源合理地分配给不同的工作流任务,从而满足客户的服务质量需求。随着移动互联网的迅速发展,移动用户的数量越来越大。在此背景下产生了一种移动群智感知模式,它主要利用移动智能设备的感知、计算和无线通信功能,构建以人为中心的感知网络,利用移动智能设备中的共享资源完成复杂的应用。研究发现目前大部分工作未考虑移动智能设备的资源或计算特性。一方面,移动计算的动态性、分布性、异构性和自治性,使传统调度技术无法有效地应用于此类环境中。另一方面,调度者希望任务可以尽可能减少完工时间以提高效率,而处理者则希望可以用最少的能耗来执行任务。针对移动计算下设备的动态性,本文将移动群智感知引入工作流领域进行研究,文中将重点关注移动群智感知过程中的任务分配。提出了一种描述用户调度过程的移动群智网络模型,通过对问题的分析和规约,证明了该问题是NP难的,并将智能控制中的Q-Learning思想引入到工作流任务分配系统,减少了应用在动态感知用户之间分配的最大完工时间和整体能源消耗。针对移动计算的异构性和多目标问题,首先提出了一个用户异构模型,并通过研究帕累托最优解问题提出了一种多目标优化模型,之后提出了一种针对多目标的强化贪婪迭代方法。该算法从宏观层面上通过强化学习的每一次探索进行学习优化;微观层面上通过贪心算法为每一次迭代选择局部最优解,增强了算法的性能,加快了收敛速度。最后,本文选取2组常用的开源移动设备连接轨迹进行验证实验。实验结果表明,对比与其他3种算法,本文提出的算法不仅能够降低时间和能耗开销,而且收敛速度较快,能够提高感知效率。本文研究的任务分配算法都可以普遍地适用于同类问题中,具有高度的普适性,能够扩展到类似的场景和模型上,可作为移动群体感知的工作流调度问题走向智能化的一种尝试。