1.基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，包括以下步骤：将能量均衡问题构建为时间离散模型；利用李雅普诺夫优化算法确定动态负载均衡策略，将系统效用作为目标函数，利用参与者剩余能量方差衡量负载均衡程度；基于线性规划与遗传算法对问题进行求解，得到针对在线任务的长期动态能量均衡，并将任务分配给感知参与者；其中，所述时间离散模型为：N个感知参与者注册到感知平台，参与并完成感知任务，存在M类感知任务，j表示不同的感知任务类型，j∈{1,…,M}，将时间划分为离散的等长的时隙t，O j (t)表示在时隙t到达感知平台的类型j的感知任务数量，感知平台在每个时隙将不同类型的任务分配给感知参与者；若Q j (t)满足：则Q j (t)是平均速率稳定的，即所有进入感知平台的感知任务均会被执行；当{Q j (t)},j∈{1,…,M}均满足上式时，则移动群智感知系统是稳的；感知参与者在执行感知任务过程中，传感数据采集、本地数据处理和数据传输均会导致设备能量消耗，且不同参与者执行相同类型感知任务导致的能量消耗存在差异；为了反映不同感知参与者的剩余能量差异，利用剩余能量方差对其进行度量，V c (t)表示在时隙t所有参与者执行完任务后剩余能量 的方差，即：其中， 表示所有参与者的剩余能量均值, 表示在时隙t参与者i执行完被分配任务后的剩余能量，其随时间变化情况服从下式：其中，c ij 表示参与者i执行单位数量任务j时的能量消耗。
2.根据权利要求1所述的基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，在所述时间离散模型中，在每个时隙，感知平台将不同类型的任务分配给感知参与者，即分配决策，x(t)表示在时隙t的任务分配情况，x ij (t)表示在时隙t是否将任务j分配给感知参与者i，i∈{1,…,N}，即感知参与者i是否执行任务j，当x ij (t)＝1时，感知参与者i执行任务j；当x ij (t)＝0时，感知参与者i不执行任务j；每个时隙内，同一感知参与者能够同时执行多种类型的单位数量的任务；任务分配后，任务j在时隙t能够被执行的数量表示为r j (t)：r j (t)＝Σ i∈N x ij (t) (2)其中0≤r j (t)≤N；Q(t)＝(Q 1 (t),Q 1 (t),…,Q M (t))表示在时隙t感知平台内不同类型的感知请求队列积压向量，其动态变化情况服从下式：Q j (t+1)＝max[Q j (t)-r j (t),0]+o j (t) (3)其中，o j (t)表示在时隙t经过感知平台选择决策后进入感知平台的类型j的感知任务数量，0≤o j (t)≤O j (t)。
3.根据权利要求1所述的基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，为了确保参与者之间的负载均衡，对剩余能量方差进行了限制：其中，V max 为移动群智感知系统规定的最大方差值。
4.根据权利要求1所述的基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，U(t)表示时隙t感知平台的效益，其大小取决于进入平台的感知任务数量，其中β表示感知平台执行单位数量任务所能获得的效益，为正常数。
5.根据权利要求4所述的基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，时间离散模型要解决的问题是在满足感知任务队列稳定性的条件下，通过选择控制和任务分配，确保各参与者能量负载均衡的同时，使得系统平均效益最大化，所述问题的目标函数为：s.t.constraints(1)(3)(8)其中公式(8)为：若则称虚拟队列z(t)稳定。
6.根据权利要求5所述的基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，所述虚拟队列z(t)定义如下：z(t+1)＝max[z(t)-V max ,0]+V c (t) (9)其中，z(0)＝0，且对于所有的t，存在虚拟队列z(t)≥0。
7.根据权利要求1所述的基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，所述动态负载均衡策略包括：在每个时隙t，感知平台轮流选择M个任务的每个任务，选择o j (t)，使得下式最小化：感知平台选择x(t)＝{x ij (t),i∈{1,…,N},j∈{1,…,M}}，使得下式最小化：感知平台根据公式(2)更新Q j (t)，j∈{1,…,M}，感知平台根据公式(5)更新 感知平台根据公式(9)更新z(t)。
8.根据权利要求7所述的基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，所述李雅普诺夫优化算法的优化函数为：
9.根据权利要求7所述的基于李雅普诺夫优化的移动群智感知动态能量均衡方法，其特征在于，所述基于线性规划与遗传算法对问题进行求解，包括：随机初始化种群P，对于种群中的每个个体P k ，根据交叉概率和突变概率进行交叉和突变，根据适应度函数淘汰适应度低的子代，保留适应度高的子代，并作为父代继续进行遗传、交叉、突变和选择操作，直到迭代G代后，适应度最高的个体染色体即为最优任务分配方案；所述适应度函数如下：F k ＝-(g k -max{g k |k＝0,…,K})其中，K为种群个体数量，g k 为关于个体染色体的函数：
