多数群智感知（MCS）任务分配方法针对单个任务，难以适用于多任务实时并发的现实场景，而且往往需要实时获取用户位置，不利于保护参与者隐私。针对上述问题，提出了一种面向用户区域的分布式多任务分配方法Crowd-Cluster。该方法首先通过贪心启发算法将全局感知任务及用户区域进行分簇；其次，基于空间关联性采用Q-learning算法将并发任务组合构成任务路径；接着，构建符合玻尔兹曼分布的用户意愿模型对任务路径进行动态定价；最后，基于历史信誉记录贪心优选参与者实现任务分配。基于真实数据集mobility的实验结果表明，Crowd-Cluster能有效减少参与者总人数及用户总移动距离，并且在低人群密度场景下，还能降低感知资源不足对任务完成度的影响。
