移动群智感知中任务分配的研究

随着内置高性能传感器的移动智能终端的广泛应用,新兴的移动群智感知技术逐渐成为实时感知与收集环境信息的有效方式。为协调与鼓励用户参与感知任务,并最大限度地保证感知数据的有效性与可靠性,针对移动群智感知相关研究中的关键问题—任务分配进行了研究。首先,介绍移动群智感知的相关背景;其次,根据感知任务的要求对任务分配的约束条件进行分类;然后,讨论与分析了任务分配的研究现状,包括平台为中心的优化算法设计以及用户为中心的激励机制设计;最后,指出现有研究工作中的不足,展望了未来的研究方向。     

基于数据驱动的群智感知任务分配算法

摘要：群智感知技术的应用实现了人群感测作用的最大化,作为社会网络研究的核心技术之一,然而对于感知参与者的位置和轨迹不确定性的问题造成群智感知数据实时性较差。为此,本文提出了一种基于空间任务分配的移动群智任务分配算法,该算法采用动态和自适应的数据驱动方案获取最优的模式来解决感知动态化问题;算法基于公开历史轨迹的移动模型（基于马尔科夫模型）,根据初始任务按照贝叶斯推理来估算下一位置,基于该算法的数据采集策略可以实现有本地服务引导未来数据的收集,从而完成整个感知的回路反馈。本文所提出的任务分配被证明基于不确定轨迹的移动群智感知任务分配是有效的。     

采用离散烟花算法的移动群智感知异构任务分配

建立移动群智感知异构任务分配问题的数学模型，该模型考虑参与者的心理与行为过程，并引入环境信息和参与者健康状况、信誉度和测量时间等因素，通过寻找最优任务分配方案，最小化任务完成的总成本，该总成本包括补偿成本、数据损失成本和距离成本3方面。为求解该模型，提出一种引入了预测信息的离散烟花算法。该算法采用整数编码方式，利用模型中的距离和匹配度2种启发信息设计烟花爆炸算子，提出了爆炸振幅的分组线性预测策略和变异算子的自适应竞争机制。实验结果表明，与已有算法相比，所提算法在移动群智感知异构任务分配问题上能够搜索到更优的分配方案。     

移动群智感知中的空间任务分配机制

在移动群智感知的空间任务分配问题中用户与任务的空间距离直接影响完成任务所需的成本,而现有的研究在这方面却考虑不足,因此以最小化感知成本为目标设计了移动群智感知中的空间任务分配机制。首先,以感知成本最小为目标,基于遗传算法和贪心算法设计了一种高效的任务分配方法;其次,针对用户感知质量的随机性,基于用户的历史感知情况和当前任务的执行情况设计了用户感知质量的更新机制。为验证所提机制的效果,通过仿真实验与两种基准的任务分配方法作比较。实验结果表明,所提机制在感知总成本和用户执行任务所移动的总距离等方面均有更好的效果,因此该空间任务分配机制具有很好的应用前景。     

边缘辅助群智感知位置隐私保护多任务分配机制

为了解决群智感知中隐私泄露和多任务分配的问题,提出了一种边缘辅助群智感知位置隐私保护(EALP)多任务分配机制。首先,考虑群感知任务具有地理相近特征,利用改进的模糊聚类(FCM)算法对任务位置进行聚类组合,改进聚类数目指标,提高多任务分配的合理性。接着,为了防止云平台和感知用户之间的共谋,在任务分配阶段,提出一种位置隐私保护协议,在感知用户、云服务器和边缘节点之间部署同态加密,云感知平台能够安全地计算感知用户的移动距离,而不知道感知用户的位置和任务聚类中心位置。最后,提出了一种基于蚁群算法多任务分配优化方案,兼顾平台和感知用户两者利益,优化感知用户执行任务路径。实验结果表明,与同类方法相比,所提机制在保护位置隐私的前提下提高了任务完成率,降低了系统的感知成本和用户移动成本。     

基于压缩感知的移动群智感知任务分发机制

针对移动群智感知任务中区域全覆盖感知成本过高问题，提出基于压缩感知的移动群智感知任务分发（CS-TD）机制。首先提出了感知任务整体成本模型，该模型综合考虑了参与感知任务的节点个数、节点的感知次数与数据上传次数；然后基于成本模型，分析感知节点的日常移动轨迹，结合压缩感知数据采集技术，提出了一种基于感知节点轨迹的压缩感知采样方法；其次通过区域全覆盖最少节点（RCLN）算法，选出最佳节点集合，对节点进行任务分配，利用压缩感知技术恢复节点数据；最后在多次感知任务的迭代中对感知节点的可信程度进行评定，保证任务方案的最优性。对CS-TD分发模型进行多次实验验证，与已有的CrowdTasker算法相比，CS-TD算法平均成本降低了30%以上。CS-TD模型能有效降低感知节点的消耗，能在全覆盖感知任务中降低整体感知成本。     

群智协同任务分配研究综述

任务分配是群智协同计算和众包中的核心问题之一,即通过设计合理的任务分配策略,在满足任务约束条件下,将群智任务分配给合适的工作者,以提高群智任务的完成效率和结果质量。分析了目前任务分配方法存在的问题,总结并提出了一个通用的任务分配框架,并分别从工作者模型、任务模型、任务分配算法三个方面对国内外相关研究工作进行了分析、归纳和总结。提出了群智协同任务分配研究中的关键问题与今后的研究趋势。     

基于深度强化学习和隐私保护的群智感知动态任务分配策略

在移动群智感知（Mobile Crowd Sensing,MCS）中,动态任务分配的结果对提高系统效率和确保数据质量至关重要。然而,现有的大部分研究在处理动态任务分配时,通常将其简化为二分匹配模型,该简化模型未充分考虑任务属性与工人属性对匹配结果的影响,同时忽视了工人位置隐私的保护问题。针对这些不足,文章提出一种基于深度强化学习和隐私保护的群智感知动态任务分配策略。该策略首先通过差分隐私技术为工人位置添加噪声,保护工人隐私;然后利用深度强化学习方法自适应地调整任务批量分配;最后使用基于工人任务执行能力阈值的贪婪算法计算最优策略下的平台总效用。在真实数据集上的实验结果表明,该策略在不同参数设置下均能保持优越的性能,同时有效地保护了工人的位置隐私。     

基于蒙特卡罗贝叶斯推理的移动群智感知可靠任务分配机制

针对现有任务分配策略的不足,研究了在工人数量有限的移动群智感知系统中任务分配策略,借助社交网络来分配任务并获得高收益。首先,建立了社交网络的动态不确定环境,利用社交网络完成任务,传播任务。然后考虑到不同社交网络对任务的偏好不同,设置任务偏好度这一不确定指标,借助经济学风险价值的理论描述任务分配的可靠性。最后利用蒙特卡罗贝叶斯推理方法研究任务动态传播模型的复杂参数的高斯过程,设计基于知识梯度的采样算法选择蒙特卡罗采样点,从而实现高收益的任务分配方案。为了验证所提策略的性能,将其与四种基准的采样算法进行比较。实验结果表明,所提任务分配策略在提高收益方面是有效的。     

社交网络下的移动群智感知任务扩散

移动群智感知是智慧城市数字化建设的核心基础技术之一,是移动计算领域的热点研究课题.近年来,移动群智感知虽然已有许多代表性的研究成果,但从整体上看距离大规模的普及应用仍有不少距离,在实际推广应用中仍面临着用户参与度不高的问题.为此,引入社交网络IM (影响最大化)传播模型,考虑到现实情况下概率信息的缺失,通过在线学习的方式,在进行影响力活动的同时学习影响力概率,即根据用户反馈不断更新影响力模型信息,从而提出新的基于该模型的任务扩散方案.通过使用真实的社交网络数据集进行实验,结果表明提出的方法在传播范围方面比传统的IM方法更有效,为移动群智感知系统的实际推广应用做出贡献.     

“t-时隙k-覆盖”群智感知任务的参与者选择方法

随着无线网络技术和移动智能终端的快速发展和普及,对群智感知的研究受到越来越多相关科研工作者的关注。群智感知利用众包的思想,将任务分配给拥有移动设备的用户(即感知任务的参与者),用户分别上传自己使用移动设备感知到的数据。参与者的选择直接决定了收集信息的质量和相关耗费。选择尽可能少的参与者来接受感知任务,达到对指定地点集合的时空覆盖这一质量要求,就显得至关重要。首先定义了“t-时隙k-覆盖”群智感知任务,以最小代价完成该类任务是NP-hard问题。通过特殊的构造技巧,在问题规模较小时可以用线性规划进行求解,但随着问题规模的增大,线性规划越来越力不从心,因此提出了基于贪心策略的参与者选择算法。在给定移动用户CDR信息的基础上,实验模拟了以上两种参与者选择方法。实验结果表明,在问题规模较小时,以上两种方法均可找出参与者集合,满足覆盖要求,贪心策略的结果大约是线性规划的两倍;在问题规模变大后,线性规划会出现不可求解的情况,而贪心策略依然可以得到近似最优结果。     

移动终端群智感知研究

随着移动终端集成了越来越多的内置传感器,移动群智感知成为近几年来的研究热点。通过对移动终端传感器感知数据的收集分析处理,用户所处情境便能被识别,还原用户所处场景,为用户提供个性化服务。文中通过归纳国内外的最新研究成果,提出了移动终端群智感知模型,并从数据处理、激励机制和群智感知应用、群智感知平台等几个方面具体归纳概括了国内外的研究趋势。文中归纳了最新的数据处理技术和群智感知应用场景,并提出了竞争和协作相辅相成的激励模式。     

面向单任务质量保障的移动群智感知任务分配

在移动群智感知中,现有的任务分配方法大多关注平台的整体感知质量,未充分考虑任务对工人、预算等资源的竞争,无法有效保障大规模任务分配场景下每个任务的感知质量,从而导致平台资源利用率降低。针对该问题,提出一种面向单任务质量保障的任务分配方法。为高效利用平台预算,考虑任务的难度和位置以及工人的设备能耗和理性因素,设计平台的激励成本。为保障每个任务的感知质量,考虑任务间的资源竞争情况并设计2种衡量指标,分别是从任务的角度根据差异化感知质量需求设计任务覆盖效率,以及从工人的角度基于最大熵原理设计工人利用效率,将这2种衡量指标相结合作为平台的系统效用,在平台资源有限的情况下以平台系统效用最大化为优化目标,提出一种融合交叉和变异操作的天牛群（BSO）算法。实验结果表明,与PSO、GA等基线方法相比,BSO算法的系统效用最大值平均提升13.51%,寻优速度平均提高40.61%,利用该算法获取的具有最大系统效用的任务分配方案可以有效保障每个任务的感知质量。     

面向延迟接受的移动群智感知多任务分配

针对现有任务分配策略的不足,提出了一种面向延迟接受的移动群智感知多任务分配策略.首先,基于平台和工人的不同需求,提出了一种方法实现任务和工人的双向匹配.其次,考虑到任务的紧急性,设计了一种混合延迟接受算法.最后,为了验证所提策略的性能,将其与两种基准的任务分配方法进行了比较.实验结果表明,所提任务分配策略在提高平台效用和工人满意度方面是有效的.     

数据驱动下交互网络群智感知任务分配仿真

采用当前方法在交互网络中分配群智感知任务时,分配任务所用的时间较长,存在用户完成任务的概率较低,分配效率低的问题,提出一种数据驱动下交互网络群智感知任务分配方法。分析群智感知环境,将能耗最小化和时间最小化作为感知任务分配的约束条件,通过信誉模型计算用户在交互网络中的信誉值,将感知任务优先分配给信誉值高的用户,在交互网络中设置因子,控制用户完成任务花费的代价,通过用户处理感知任务对应的效用值对用户信誉值进行更新,在交互网络中竞争下一个感知任务,直到分配完交互网络中存在的感知任务为止,实现交互网络群智感知任务的分配。仿真结果表明,所提方法的分配效率高、任务完成率高。     

基于数据冗余控制的移动群智感知任务分配方法

移动群智感知系统中任务之间存在时空覆盖重叠性,这可能导致重复数据收集从而引发数据冗余问题,为此,提出了一种可同时控制任务内以及任务间数据冗余的任务分配方法。该方法首先提出基于长短期记忆（LSTM）神经网络的轨迹序列预测模型,对任务参与者进行细分时空单元的轨迹序列预测,然后根据轨迹预测结果提出最小化数据冗余的优化模型。通过最小化时空单元的数据冗余度来控制单个任务内的数据冗余问题,并通过让单个任务参与者在时空单元中的感知数据被最大化重复利用来控制多个任务之间时空覆盖重叠性带来的数据冗余。实验结果表明,提出的任务分配方法可以有效地减少任务内及任务间的数据冗余。     

基于移动群智感知的多旋翼无人机噪声控制技术

由于多旋翼无人机产生噪声的位置点较多,难以感知具体的噪声位置,导致噪声控制效果不理想,因此提出基于移动群智感知的多旋翼无人机噪声控制技术。根据移动群智感知原则,确定标准群节点所处位置,对多旋翼无人机的噪声位置进行精准定位。再按照感知任务分配表达式,计算调度性能指标的具体数值,完成基于移动群智感知的执行任务调度。分析无人机板状结构的振动特性,求解同步开关阻尼、短路开关阻尼、电感开关阻尼、外加电压源开关阻尼的数值表达式,实现对多旋翼无人机噪声控制原理的研究。联合已知数值计算结果,分析噪声信号在无人机蒙皮结构、加筋板结构、典型壁板结构内的布局形式,完成基于移动群智感知的多旋翼无人机噪声控制方法的设计。对比实验结果,在移动群智感知算法作用下,无人机噪声信号在各个方向上的波动幅值均得到较好控制,与模糊逻辑控制方法相比,能够较好维持多旋翼无人机的稳定运动能力。     

基于信誉模型的群智感知网络用户参与激励机制

随着集成了越来越多传感器的移动设备的普及和发展,移动群智感知网络正成为一个新的研究领域,而充足的用户(尤其是信誉好的用户)参与,是移动群智感知网络的基础。在对用户参与激励机制策略进行研究和分析的基础上,针对现有激励机制在用户选择的随机性、任务处理效率和预算控制方面的不足,提出一种基于信誉模型的用户参与激励机制。初始时设置用户的信誉值,在任务分配过程中选择信誉度高的用户来参与任务处理,并通过设置因子减小用户的花费代价,这样在提高任务处理效率的基础上有效地控制了预算开支。最后通过实验验证,与现有普遍应用的用户参与激励机制策略相比,基于信誉模型的用户参与激励机制在提高任务处理效率和控制预算方面有更好的效果。     

一种面向任务需求的群智感知任务分配模型

针对群智感知平台中的任务分配问题,提出了一种任务需求特征提取算法和用户标签分类方法相结合的T REA U LCM任务分配模型.首先,通过任务需求特征提取算法提取感知任务的类别关键词;然后,通过多线性神经网络和多核学习对数据集进行训练得到分类器,通过分类器对用户的类型标签进行预测;最后,根据任务的类别关键词结合空间位置信息和用户参与度筛选有该任务类别标签且最大化满足任务需求的用户分发任务.仿真结果表明,T REA U LCM任务分配模型在任务匹配度和任务分配效率方面有较好的可行性.     

基于公交网络的车载群智感知方法及其优化

公交车具有固定的行驶路线和发车周期、统一的车载设备标准、低隐私泄露风险等特性。根据公交车的特性,设计了一个基于公交网络的车载群智感知系统,系统中的数据中心通过公交网络中的公交车来采集城市数据,以满足数据用户的需求;随后研究系统中的任务分配问题和数据交易问题。基于贪婪算法设计优化任务分配策略以最小化系统的数据采集能耗成本,和根据博弈论设计最优数据交易策略以最大化系统的经济效益。最后通过仿真,验证了提出的策略的有效性和优越性。