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。     

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。     

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。     

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。     

移动群智感知系统中基于离散布谷鸟搜索算法的任务分配

针对移动群智感知系统中工人积极性低以及任务过期的问题,提出了基于初始成本和软时间窗的任务分配算法。对应的任务分配问题为NP-hard问题,不存在计算有效的最优算法,因此,基于离散布谷鸟搜索算法（DCSA）进行求解。首先,根据问题特征,分别设计了对应的全局搜索过程以及局部搜索过程。其次,根据任务与工人起始位置的距离以及时间窗大小,分析其优先级以便得到更好的解。最后,执行可行化操作,使各次任务分配均满足相关约束。仿真结果表明,与遗传算法和贪婪算法相比,基于DCSA的任务分配算法能够提升工人的参与积极性,解决任务过期的问题,并最终降低系统的总成本。     

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。     

群智感知任务分配中的用户类型转换问题研究

群智感知系统中用户所提交的感知数据并不一定是可靠的.因此,设计合理的激励机制以保证用户高质量地完成群智感知任务是群智感知研究中所面临的最主要挑战.然而,大多数现有研究并未充分考虑系统无法吸引足够高质量用户参与的情形.针对这一问题,文章研究如何通过设置额外的奖励机制,激励完成任务质量较低的用户更好地参与任务,从而转换为高...     

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。     

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。     

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.     

基于时空信息和任务流行度分析的移动群智感知任务推荐

现有移动群智感知任务推荐的共同缺点是：一方面,未充分考虑时空信息对工人偏好的影响,导致推荐准确性低;另一方面,忽略了任务流行度对推荐的影响,导致推荐覆盖率差。为解决这些问题,提出一种基于时空信息和任务流行度分析的移动群智感知任务推荐方法。充分利用工人执行记录中的相关信息（如工人执行任务的时间、位置）,准确预测工人对任务的偏好;基于工人声誉和任务执行情况分析任务流行度并设计任务流行度惩罚因子,提升推荐效果的覆盖率;结合工人偏好和流行度惩罚因子生成任务推荐列表。实验结果表明,与现有基线方法相比,所提出方法在推荐准确率上平均提升了3.5%,推荐覆盖率上平均提高了25%。     

面向依赖关系约束的移动群智感知任务协作

现有移动群智感知中,大多研究将每个任务作为独立个体进行处理,对任务间约束关系缺乏研究,为此,提出了基于感知质量优先级的在线任务协作方法（online task collaboration method based on sensing quality priority,TCSP）。该方法首先使用贪婪算法计算感知质量优先级,对全部任务进行筛选以保证任务完成率;然后将选出任务中存在时间先后或执行逻辑前后关系的多个子任务构建为任务协作图,并将其协作过程建模为有约束的马尔可夫决策过程,通过强化学习算法求出最优协作策略。实验结果表明,与现有基线方法相比,所提出的任务协作方法能够减少依赖任务的平均完成时间,有效降低平台的平均感知成本。     

栅矢混合的移动群智感知系统任务分发方法

针对Zoom中基于栅格任务地图的分发方法中冗余数据量大、不支持任务信息渐进传输等缺点,提出了一种栅矢混合的移动群智感知系统任务分发方法。该方法通过结合栅格数据和矢量数据的优势,有效降低了冗余数据量。此外还提出了使用道格拉斯普克算法或任务优先级条件对任务信息进行渐进传输的方法。实验结果表明,与原来Zoom中使用基于GIF格式的STIF格式作为任务信息载体的方式相比,该方法能有效降低任务分发过程中所使用的数据量。     

移动群智感知中基于联邦学习的参与者选择机制

移动群智感知的发展使得一些任务收集的数据量过大,需要在不接收参与者原始数据的情况下评估数据质量并进行参与者选择。针对这一问题,提出一种基于联邦学习的移动群智感知参与者选择机制。考虑参与者智能终端资源水平、所处交互状态构建参与者智能终端资源评价机制,提出基于线性回归和长短期记忆网络的智能终端资源预测模型。通过预训练测试模型,评估参与者提供的数据质量,结合历史任务完成情况建立参与者信誉评价模型,实现对参与者的动态评价选择。仿真实验结果表明,所提的参与者选择机制在任务完成质量、能量消耗、通信轮数及任务完成时间等多方面体现出较好的性能。     

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...     

移动群智感知中支持隐私保护的动态激励机制

针对移动群智感知中高质量感知数据与参与用户隐私之间的矛盾,提出一种支持隐私保护的动态激励机制。首先,采用轻量级隐私保护方法,利用安全加密哈希函数为竞标用户生成不少于256位的可变地址序列,并结合随机数对候选用户节点的效用报价进行隐匿和约束;其次,通过定义区域热度、时间热度、数据完整率和数据质量等多维参数,实现任务价值与用户效用报价的动态平衡;最后,依据用户提交的效用报价和任务预算,并利用逆向拍卖思想,完成对任务参与节点的最优选择和动态激励。在群智感知系统模拟平台上进行仿真实验,结果表明所提机制不仅增强了隐私保护度和数据精确度,同时提升了时间效率和激励效果。