En el campo de la percepción móvil de multitudes (MCS), la arquitectura cliente-nube tradicional enfrenta desafíos crecientes en comunicación y sobrecarga computacional. Para abordar estos problemas, este documento introduce la computación en el borde en el sistema MCS y propone un método de optimización de asignación de tareas de dos etapas bajo la restricción de recursos computacionales limitados. El método utiliza el aprendizaje profundo por refuerzo para la selección de servidores de borde óptimos para la implementación de tareas, seguido por un algoritmo estocástico autoadaptativo codicioso para el reclutamiento de participantes de percepción. En simulaciones, el método propuesto demostró una mejora del 20% en la cobertura espacial en comparación con el algoritmo RBR existente y superó a los algoritmos LCBPA, SMA y MOTA en 41, 42 y 48 tareas, respectivamente. Esta investigación contribuye a la optimización de la asignación de tareas en MCS y avanza en la integración de la computación en el borde en los sistemas MCS.