Processing and analysis of the expedited volume of data are considered significant challenges for the Internet of Things (IoT) systems in which devices are constantly generating data. The Fog architecture will allow delay-sensitive applications to run everywhere. In IoT, users with smart devices can sense tasks and contribute to their performance. Mobile Crowdsensing (MCS) utilizes users’ crowds as leverage to collect information from the surroundings through their mobile sensors in Fog Computing networks. An efficient reward mechanism to attract the optimal users’ participation in different regions that take into account the sensing cost and, on the other hand, the quality of data collected is at an acceptable level, and the need to balance these two factors are significant for MCS. This research considers the Mobile Crowdsensing in Fog-Based IoT (FITMCS) to allocate optimal user rewards. For this purpose, improving the Coverage Factor (CF) and rewarding system (sensing cost) in MCS is regarded as an optimization problem. The Harris hawks optimization (HHO) tries to provide an optimal solution to solve it. FITMCS was simulated in a MATLAB environment, and two different scenarios, CF and sensing cost metrics, were used to measure its efficiency. The first scenario considers the number of users (50, 100, and 150 users), and the second scenario assumes the number of tasks (20, 25, and 30 sensing tasks) in the sensing environment as a variable. The results revealed that FITMCS improved the sensing cost by an average of 11.59% and CF by 25.1% compared to the previous scheme.

处理和分析快速数据量被认为是物联网 (IoT) 系统的重大挑战，其中设备不断生成数据。Fog 架构将允许对延迟敏感的应用程序在任何地方运行。在物联网中，拥有智能设备的用户可以感知任务并为他们的表现做出贡献。移动人群感知（MCS）利用用户的人群作为杠杆，通过雾计算网络中的移动传感器从周围环境收集信息。一个有效的奖励机制来吸引不同区域的最佳用户参与，一方面考虑到感知成本，另一方面收集的数据质量处于可接受的水平，平衡这两个因素的需要对于MCS。本研究考虑了基于雾的物联网 (FITMCS) 中的移动人群感知来分配最佳用户奖励。为此，改进 MCS 中的覆盖因子 (CF) 和奖励系统（感知成本）被视为优化问题。Harris hawks optimization (HHO) 试图提供一个最佳解决方案来解决它。FITMCS 在 MATLAB 环境中进行仿真，并使用两种不同的场景、CF 和传感成本指标来衡量其效率。第一个场景考虑用户数量（50、100和150个用户），第二个场景假设感知环境中的任务数量（20、25和30个感知任务）作为变量。结果表明，与之前的方案相比，FITMCS 将传感成本平均提高了 11.59%，CF 提高了 25.1%。为此，改进 MCS 中的覆盖因子 (CF) 和奖励系统（感知成本）被视为优化问题。Harris hawks optimization (HHO) 试图提供一个最佳解决方案来解决它。FITMCS 在 MATLAB 环境中进行仿真，并使用两种不同的场景、CF 和传感成本指标来衡量其效率。第一个场景考虑用户数量（50、100和150个用户），第二个场景假设感知环境中的任务数量（20、25和30个感知任务）作为变量。结果表明，与之前的方案相比，FITMCS 将传感成本平均提高了 11.59%，CF 提高了 25.1%。为此，改进 MCS 中的覆盖因子 (CF) 和奖励系统（感知成本）被视为优化问题。Harris hawks optimization (HHO) 试图提供一个最佳解决方案来解决它。FITMCS 在 MATLAB 环境中进行仿真，并使用两种不同的场景、CF 和传感成本指标来衡量其效率。第一个场景考虑用户数量（50、100和150个用户），第二个场景假设感知环境中的任务数量（20、25和30个感知任务）作为变量。结果表明，与之前的方案相比，FITMCS 将传感成本平均提高了 11.59%，CF 提高了 25.1%。Harris hawks optimization (HHO) 试图提供一个最佳解决方案来解决它。FITMCS 在 MATLAB 环境中进行仿真，并使用两种不同的场景、CF 和传感成本指标来衡量其效率。第一个场景考虑用户数量（50、100和150个用户），第二个场景假设感知环境中的任务数量（20、25和30个感知任务）作为变量。结果表明，与之前的方案相比，FITMCS 将传感成本平均提高了 11.59%，CF 提高了 25.1%。Harris hawks optimization (HHO) 试图提供一个最佳解决方案来解决它。FITMCS 在 MATLAB 环境中进行仿真，并使用两种不同的场景、CF 和传感成本指标来衡量其效率。第一个场景考虑用户数量（50、100和150个用户），第二个场景假设感知环境中的任务数量（20、25和30个感知任务）作为变量。结果表明，与之前的方案相比，FITMCS 将传感成本平均提高了 11.59%，CF 提高了 25.1%。第二个场景假设传感环境中的任务数量（20、25 和 30 个传感任务）作为变量。结果表明，与之前的方案相比，FITMCS 将传感成本平均提高了 11.59%，CF 提高了 25.1%。第二个场景假设传感环境中的任务数量（20、25 和 30 个传感任务）作为变量。结果表明，与之前的方案相比，FITMCS 将传感成本平均提高了 11.59%，CF 提高了 25.1%。