1.一种群智感知多任务的动态多目标进化分配方法，其特征在于，包括以下步骤：(1)按任务发布者对感知数据的时空粒度要求，将目标感知时段、目标感知区域Sa分割为多个时段和一组子区域，让每个感知任务由移动用户们通过在不同时段前往各个子区域收集感知数据协作完成；

(2)给出移动用户执行任务的奖励计算方法，定义群智感知多任务动态多目标分配问题的优化目标、约束条件，构建群智感知多任务动态多目标分配模型；所述群智感知多任务动态多目标分配问题的优化目标：就是最大化所有感知任务的平均感知质量以及所有感知任务的平均剩余预算，所述约束条件包括每个感知任务的感知质量必须大于该感知任务对应可接受的最低质量阈值，每个移动用户在每个时段内承载的任务数量不超过该移动用户对应最大任务承载量，每个感知任务在每个子区域内被分配的移动用户满足数量要求；

(3)对步骤(2)中的群智感知多任务动态多目标分配模型，基于历史Pareto最优解集POSt‑1，执行任务相似性引导的种群初始化策略，生成有潜力的初始种群Pop；

基于历史Pareto最优解集POSt‑1，执行任务相似性引导的种群初始化策略，生成有潜力的初始种群Pop的具体方法如下：(3.1)Ta′(t)←基于每个感知任务可接受的最低质量阈值δi对Ta(t)中所有感知任务进行降序排列；

(3.2)Pop＝φ，设置感知任务计数器i＝1，子区域计数器j＝1；

(3.3)对感知任务tai∈Ta′(t)执行步骤3.4～3.10：(3.4)从t‑1时段的任务集合Ta(t‑1)中识别和tai∈Ta′(t)最相似的任务tal∈Ta(t‑

1)，其中tal和tai属于同一类型且可接受的最低质量阈值之差最小；记tyl和tyi分别为tal和tai的任务类型，则(3.5)对子区域saj∈Sa执行步骤3.6～3.9：

(3.6)Uh←找到历史解y∈POSt‑1中为子任务talj雇佣的移动用户集合；

(3 .7) 保留Uh中在t时段内仍然可用的移 动用户uk，即xijk＝1 ,(3.8)若子任务taij没有雇佣到足够数量的移动用户，即∑xijk＜ξ时，执行步骤3.8.1～3.8.3：(3.8.1)Uc←随机从U(t)中选取num个移动用户；

(3.8.2)计算Uc中每个移动用户的效用raijk＝usijk/aijk；

(3.8.3)找到Uc中效用最好的移动用户uv，其中

让子任务taij雇佣uv，即xijv＝1；

(3.9)当子区域计数器j小于子区域个数P时，则j＝j+1，返回步骤3.5；否则前往步骤

3.10；

(3.10)当感知任务计数器i小于感知任务数量Mt时，则i＝i+1，返回步骤3.3；否则Pop＝Pop∪x；

(3.11)重复步骤3.1～3.10生成N/2个个体，并和随机生成的N/2个个体，共同组成规模为N的初始种群Pop；

(4)基于所得初始种群Pop，多目标进化算法采用问题特定的进化算子生成子代种群，并综合考虑可行性和多样性更新种群位置，迭代执行生成子代种群、更新种群位置，直到满足最大迭代次数G，输出第t个时段的Pareto最优解集POSt；

所述多目标进化算法利用问题特定的进化算子生成子代种群，并综合考虑可行性和多样性更新种群位置，迭代执行生成子代、更新种群位置，直到满足最大迭代次数G，输出第t个时段的Pareto最优解集POSt，具体方法如下：(4.1)基于父代种群Pop利用考虑感知能力的交叉算子生成子代种群Off，引导种群向感知质量较高的空间进行探索，执行方法如4.1.1～4.1.6：(4.1.1)从Pop中任选两个父代个体，执行步骤4.1.1～4.1.5：(4.1.2)对于子任务taij，将两个父代个体中出现的相同移动用户直接保留到子代个体中；

(4.1.3)从剩余的不同移动用户中随机选择两个，并将感知能力较强的保留到子代个体中；

(4.1.4)当子任务taij没有雇佣到足够数量的移动用户时，返回步骤4.1.3，否则前往步骤4.1.5；

(4.1.5)对每个子任务执行步骤4.1.2～4.1.4，获得一个子代个体；

(4.1.6)重复步骤4.1.1～4.1.5生成N个子代个体，共同组成子代种群Off；

(4.2)对子代种群Off执行考虑综合排名的变异算子，从而实现在降低种群感知成本的同时，保证满意的感知质量，执行方法如4.2.1～4.2.5：(4.2.1)对Off中的每个父代个体，执行步骤4.2.2～4.2.7：(4.2.2)对于子任务taij，当随机生成数rand满足rand<0.5时，则执行步骤4.2.2～

4.2.5：

(4.2.3)按照移动用户的感知能力由强到弱对其进行排序，获得各移动用户的感知能力名次；

(4.2.4)按照移动用户的执行成本由少到多对其进行排序，获得各移动用户的执行成本名次；

(4.2.5)定义综合排名为移动用户对taij的感知能力和执行成本名次之和，基于此计算每个移动用户的综合排名；

(4.2.6)随机选择分配给子任务taij的两个移动用户，并将其中感知成本较高的替换为对taij综合排名第一的移动用户；

(4.2.7)对每个子任务执行步骤4.2.2～4.2.6；

(4.3)综合考虑可行性和多样性更新种群位置，执行方法如4.3.1～4.3.4：(4.3.1)将父代种群Pop和子代种群Off合并得到Pop’；

(4.3.2)基于Deb可行性准则对Pop’中个体进行排序，选取前N/2个个体组成临时种群Pop1，并从Pop’移除Pop1中所有个体；

(4.3.3)不考虑个体的约束违反，基于非支配排序准则对Pop’中个体进行排序，选取前N/2个个体组成临时种群Pop2；

(4.3.4)合并Pop1和Pop2得到下一次迭代的父代种群Pop，即Pop＝Pop1∪Pop2；

(4.4)迭代执行步骤4.1～4.3，直到满足最大迭代次数G，则输出Pop；

(4.5)从Pop中选取可行非支配解集，组成第t个时段的Pareto最优解集POSt。

2.根据权利要求1所述的一种群智感知多任务的动态多目标进化分配方法，其特征在于：步骤(1)中：所述目标感知区域Sa按空间粒度要求被分割为互不重叠的P个子区域，表示为Sa＝{sa1,sa2,…,saP}，满足∪isai＝Sa且sai∩saj＝φ；同时，目标感知时段按时间粒度要求被划分为多个等长的时段，第t个时段有Mt个待分配感知任务，表示为Ta(t)＝{ta1,ta2,…,taMt}，有Nt个可用移动用户，记为U(t)＝{u1,u2,…,uNt}。

3.根据权利要求1所述的一种群智感知多任务的动态多目标进化分配方法，其特征在于：步骤(2)中，所述给出移动用户执行任务的奖励计算方法，定义群智感知多任务动态多目标分配问题的优化目标、约束条件，具体方法如下：(2.1)定义感知任务tai在子区域saj中的数据收集为子任务taij，aijk为移动用户uk执行taij的奖励；综合考虑移动用户执行子任务所付出的精力成本和从当前所在位置前往目标地点的旅途成本，aijk由基础奖励和旅途成本补偿共同组成：aijk＝bk+djk×c0    (1)

式中：bk表示基础奖励，djk为用户uk执行子任务taij的旅途距离，c0则为单位旅途成本补偿；

(2.2)记usijk为移动用户uk对子任务taij的感知能力；感知任务tai根据完成方式，归为主观感受型、基于技能型，以及设备依赖型三类，移动用户uk在子区域saj中对不同类型子任务的感知能力不同，反之则相同；

(2.3)记感知任务tai的感知质量为uti，则uti被定义为所有被分配给tai的移动用户感知能力平均值：式中：P为子区域个数，即感知任务tai在目标感知区域Sa内的子任务数量，ξ为每个子任务taij所需分配的移动用户数量；当子任务taij被分配给移动用户uk时，xijk＝1，否则xijk＝

0；

(2.4)以最大化t时段中所有感知任务的平均感知质量以及平均剩余预算为优化目标，群智感知系统的多任务动态分配问题可被构建为如下动态多目标优化模型；

式中：Mt表示第t个时段内的感知任务数量，Bt表示第t个时段内的所有感知任务总预算；

(2.5)记感知任务tai可接受的最低质量阈值为δi，则tai的感知质量uti必须大于δi，以保证感知数据的可用性：uti≥δi,i＝1,2,...,Mt    (4)

(2.6)记移动用户uk在t时段内的最大任务承载量为εk，则uk在t时段内被分配的所有子任务数量不能大于εk：式中：Nt表示第t个时段内的移动用户数量；

(2.7)给每个子任务taij分配的移动用户数量需要达到ξ：