Con el rápido desarrollo de la tecnología de sensores y servicios móviles, ha surgido el modelo de servicio de detección de multitudes móviles (MCS). En este modelo, los grupos de usuarios perciben datos a través de dispositivos terminales móviles, completando así tareas a gran escala y distribuidas. La asignación de tareas es un eslabón importante en MCS, pero los intereses de los editores de tareas, usuarios y plataformas a menudo entran en conflicto. Por lo tanto, para mejorar el rendimiento de la asignación de tareas de MCS, este estudio propone un esquema de asignación de tareas de MCS de juego de formación de coaliciones superpuestas repetidas basado en la optimización de enjambre de partículas de múltiples objetivos (ROCG-MOPSO). El modelo de juego de formación de coaliciones superpuestas (OCF) se utiliza para describir la relación de asignación de recursos entre usuarios y tareas, y diseñar dos estrategias de juego, permitiendo a los usuarios formar coaliciones superpuestas para diferentes tareas de detección. La optimización multiobjetivo, por otro lado, es una estrategia que considera múltiples intereses simultáneamente en problemas de optimización. Por lo tanto, utilizamos el algoritmo de optimización de enjambre de partículas multiobjetivo para ajustar los parámetros del OCF para equilibrar mejor los intereses de los editores de tareas, usuarios y plataformas y así obtener un esquema de asignación de tareas más óptimo. Para verificar la efectividad de ROCG-MOPSO, realizamos experimentos en un conjunto de datos y comparamos los resultados con los esquemas en la literatura relacionada. Los resultados experimentales muestran que nuestro ROCG-MOPSO tiene un rendimiento superior en indicadores clave de rendimiento como ingresos promedio de usuario, ingresos de plataforma, tasa de finalización de tareas y recursos excedentes promedio de usuario.