CN104917812B - 一种应用于群智计算的服务节点选择方法 - Google Patents
一种应用于群智计算的服务节点选择方法 Download PDFInfo
- Publication number
- CN104917812B CN104917812B CN201510182311.9A CN201510182311A CN104917812B CN 104917812 B CN104917812 B CN 104917812B CN 201510182311 A CN201510182311 A CN 201510182311A CN 104917812 B CN104917812 B CN 104917812B
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- task
- service
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 16
- 230000006978 adaptation Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 238000012358 sourcing Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000004913 activation Effects 0.000 abstract 1
- 238000001994 activation Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于群智计算的服务节点选择方法，具体包括以下步骤：目标区域的节点活动性探测；服务节点的距离参数确定；服务节点的服务预期满意度确定；服务节点的完成时间系数计算；服务节点与任务节点友好度计算；服务节点的适配系数进行计算。本发明可以通过对于服务节点各个服务因素的进行测定并且进行计算，能够快速的为用户筛选出最佳的服务节点进行服务请求的发送。
Description
【技术领域】
本发明属于物联网领域，特别涉及一种应用于群智计算的服务节点选择方法。
【背景技术】
在移动互联网环境下，节点(人)作为新型感知服务节点的出现，其具有的移动性、认知性、社会性和时空复杂性等区别于传统网络的新特性将给服务模式带来新的挑战，引发新的变革。与此同时，伴随着Web 2.0和各种移动社交服务的兴起，如何在移动、动态和分布式环境下，基于社会网络、群智计算相关理论，以面向服务计算为理念，使用形式化语言进行语义描述，分析移动节点间的行为演化和社会网络结构，构建面向移动终端的智能引擎，研究集群服务协作模式，服务的动态组合与智能推送等关键技术，实现符合移动用户偏好的可信服务交互机制，为用户提供高质量、多样性、可定制的移动服务，将是移动互联网环境下智能服务面临的新的挑战，这在过去的研究中很少涉及，需要以全新的方式来开展研究。
在集群服务之中，挑选服务节点是一个非常重要的环节，一个合适的服务节点往往可以提供更加优质的服务，也有更大的可能性让用户满意。
【发明内容】
本发明的目的在于提供一种应用于群智计算的服务节点选择方法，能够在该服务方法所适配的应用平台上为任务发布者挑选出最为合适的服务节点，并且通过引入节点友好系数等参数，激励服务节点与任务节点创立长效持久的合作关系，使得在其所应用的网络服务平台中创造牢固的服务关系网。
为了实现上述目的，本发明具体采用如下技术方案：
一种应用于群智计算的服务节点选择方法，包括以下步骤：
步骤一、服务器确定目标任务节点Pi并获取目标任务节点Pi所派放任务Tk的相关参数，包括距离影响因子εk，时间影响因子Фk；
步骤二、目标区域的服务节点活动性探测：服务器对于区域内的服务节点进行活动性感知，对于不同节点进行分类，采集各个节点活动情况，得到每个节点的活动参数
步骤三、服务节点的距离参数确定：获取区域内各个服务节点Qj与任务节点Pi之间的距离，得到每个节点的距离参数
步骤四、服务节点的服务预期满意度确定：根据服务节点的历史任务完成数量以及用户满意度进行服务预期满意度的计算；
步骤五、服务节点的完成时间系数计算：根据服务节点的历史任务完成所消耗的时间进行服务节点的完成时间系数进行计算；
步骤六、服务节点与任务节点友好系数计算：根据历史服务节点与任务节点的任务分发与完成情况进行服务节点与任务节点友好系数的计算；
步骤七、服务节点的适配系数进行计算：根据各个服务节点Q距离参数活动参数服务预期满意度服务节点的完成时间系数服务节点与任务节点友好系数进行服务节点的适配系数计算；
服务器根据服务节点的适配系数对服务节点进行排序，将排序后的服务节点并反馈至任务节点。
优选的，步骤一中距离影响因子εk和时间影响因子Фk的确定的方法如下：
优选的，步骤二中活动参数的计算方法如下：
其中，mj为任务发布一个自然月内服务节点Qj完成任务的数量，TIx是服务节点Qj第x个任务完成距离当前任务发布天数，TIx由下式可以得出：
TIx＝NT-TTx，式中NT为当前任务发布日期，TTx为第x个任务完成日期。
优选的，步骤三中距离参数的计算方法如下：
其中，为服务节点Qj和任务节点Pi之间的物理距离。
优选的，服务预期满意度的计算方法如下：
式中，nj为服务节点Qj所有历史任务完成数量，ux为对于任务Tx的任务满意度(由用户的评分可以直接获取相对应满意度)，ρx为与任务Tx任务相关性系数，为平衡调整系数，为服务节点Qj历史任务集；
式中，Mx为任务Tx的发布者Px的评价平均满意度，P为当前平台上所有任务的平均满意度；
其中Px的平均满意度Mx的计算方式如下式：
其中，nx为任务节点Px历史任务发布数量，uz为对于任务Tz的任务满意度，为任务节点Px历史任务集；
平台平均满意度P的计算方式如下式：
其中，n为平台上历史任务数量，ux为对于任务Tx的任务满意度，Tx∈V，V为平台的历史任务集。
优选的，步骤五中完成时间系数τj的计算公式如下：
其中，Фk为时间影响因子，通过任务要求确定，nj为服务节点Qj历史完成任务数量，tx为服务节点历史任务Tx用户要求完成时间，t′x为服务节点历史任务Tx实际完成时间,为服务节点Qj历史任务集。
优选的，步骤六中节点友好系数的计算公式如下：
其中，是历史两节点任务分配完成次数。
优选的，步骤七中适配系数的计算式子如下：
一种应用于群智计算的服务节点选择方法，包括以下步骤：
首先由任务节点发出服务请求，服务器接受服务请求，服务请求包括服务内容以及服务要求；
然后，服务器将服务请求转化为对应所需参数，同时开始调用服务器的数据库，所调用的内容包括各个服务节点历史服务情况，同时确定服务节点与任务节点的物理距离。；
随后，服务器通过所取的数据，包括物理距离、历史任务完成情况、历史任务完成时间、节点间友好记录数据，计算距离参数、预期满意度、完成时间系数、节点友好系数，最后通过加权计算出其服务节点的适配系数，服务器根据服务节点的适配系数挑选出最合适的服务节点，并反馈至任务节点。
相对于现有技术，本发明具有以下有益效果：在本发明提出了一种服务节点的选择方法，可以更好的为用户推荐有效的服务节点；通过实验发现，在出现过任务完成关系的用户与服务方之间，尤其是出现过多次服务关系的用户与服务方之间，用户的满意度普遍较高，因此在本发明所包含的服务节点选择方法中引入了预期满意度以及友好系数等参数，同时考虑用户对于距离以及时间方面的任务要求，通过多个参数进行运算，计算得到适配系数，通过适配系数挑选出合适的服务节点推送给用户；通过实验可以发现，当用户选择所推送的前五个服务节点所评价的满意度远远高于选择后面节点的满意度。同时可以发现，用户与所推送的服务节点会形成长期合作的合作关系概率较大，并维持较高的满意度。本发明可以通过对于服务节点各个服务因素的进行测定并且进行计算，能够快速的为用户筛选出最佳的服务节点进行服务请求的发送。
【附图说明】
图1为本发明应用于群智计算的服务节点选择方法的框架图。
【具体实施方式】
下面结合框图对于本发明进行详细说明：
请参阅图1所示，本发明一种应用于群智计算的服务节点选择方法，主要包括以下步骤：首先由任务节点P，即用户发出服务请求，服务器接受服务请求，服务请求包括服务内容以及服务要求，服务器将其请求转化为对应所需参数，同时开始调用服务器的数据库，所调用的内容包括各个服务节点历史服务情况，同时确定服务节点与任务节点的物理距离。随后通过所取的数据，包括物理距离、历史任务完成情况、历史任务完成时间、节点间友好记录数据，计算距离参数、预期满意度、完成时间系数、节点友好系数，最后通过加权计算出其服务节点的适配系数，并传回服务器，服务器根据服务节点的适配系数挑选出最合适的服务节点，并反馈至任务节点。
在群智服务网络中，Pi表示任务节点，Qj表示服务节点，Tk表示当前任务，其中i∈N，N为任务节点集，j∈U，U为服务节点集，k∈V，V为任务集，具体的服务节点选择方法包括以下步骤：
步骤一：服务器确定目标任务节点Pi并获取任务节点Pi所派放任务Tk的相关参数，包括距离影响因子εk，时间影响因子Фk；
由于不同任务对于时间以及距离要求不同，任务节点会在发放任务的同时确定这些服务要求参数，服务器在接受任务后通过任务要求来确定这些参数，确定的方法如下：
通过任务要求确定这些要求后进入步骤二；
步骤二：目标区域的服务节点活动性探测：服务器对于区域内的服务节点进行活动性感知，对于不同节点进行分类，采集各个节点活动情况，得到每个节点的活动参数
节点的活动参数由任务发布时一个自然月内服务节点的任务完成数量来计算得出。离当前任务发布时间完成的任务数量越多即表示该节点在当前时间点内越活跃，活动参数越高，活动参数的计算方法如下：
其中，mj为任务发布一个自然月内服务节点Qj完成任务的数量，TIx是服务节点Qj第x个任务完成距离当前任务发布天数，TIx由下式可以得出：
TIx＝NT-TTx，式中NT为当前任务发布日期，TTx为第x个任务完成日期。
步骤三：服务节点的距离参数确定：获取区域内各个服务节点Qj与任务节点Pi之间的距离，得到每个节点的距离参数
距离参数的确定由服务节点与任务节点物理距离决定，通过GPS传感器定位两节点的位置，直接得出两节点之间的物理距离结合任务所确定的距离影响因子εk，由下式确定距离参数
步骤四：服务节点的服务预期满意度确定：根据服务节点的历史任务完成数量以及用户满意度进行服务预期满意度的计算；
服务预期满意度是用来评价当前服务节点服务水平的一个重要参数，服务预期满意度是由服务节点的历史服务情况所决定的，其计算式子如下：
式中，nj为服务节点Qj所有历史任务完成数量，ux为对于任务Tx的任务满意度(由用户的评分可以直接获取相对应满意度)，ρx为与任务Tx任务相关性系数，为平衡调整系数，为服务节点Qj历史任务集。
式子中引入了平衡调整系数以及相关性系数ρx，其计算方法如下。
由于在平台中存在恶意评价或个别用户要求过高以及部分用户随意评价导致部分服务节点得到的满意度评价与其实际提供的服务质量不符，因此在服务预期满意度评价系数的计算中引入平衡调整系数平衡调整系数主要将是通过对于当前服务节点的历史服务对象的平均评价水平与整个平台的平均评价水平对比，对于平均评价水平较低或较高的任务节点的评价进行调整，但不影响评价体现服务节点的实际满意度情况，平衡调整系数的确定方法如下所示：
式中，Mx为任务Tx的发布者Px的评价平均满意度，P为当前平台上所有任务的平均满意度。
其中Px的平均满意度Mx的计算方式如下式：
其中，nx为任务节点Px历史任务发布数量，uz为对于任务Tz的任务满意度，为任务节点Px历史任务集。
平台平均满意度P的计算方式如下式：
其中，n为平台上历史任务数量，ux为对于任务Tx的任务满意度，Tx∈V，V为平台的历史任务集。
其次，由于与当前任务相关性较高的评价更具有参考价值，故引入相关性系数ρx可以有效的提高相关性系数较高满意度评价的权重。每个任务在用户提交时可以设定多个关键字，相关性系数ρx的由当前任务的关键字与历史任务的关键字对应程度确定，相关性系数ρx即为当前任务与历史任务Tx所拥有相同关键字的数量。每个任务在用户提交时可以设定多个关键字，若两个任务没有相同关键字则相关性系数为0，若有多个相同关键字则其相关性系数就等于两者间相同关键字的数量。
步骤五：服务节点的完成时间系数计算：根据服务节点的历史任务完成所消耗的时间进行服务节点的完成时间系数进行计算；
完成时间系数确定的是当前服务节点时间使用情况，再根据当前任务是否对于时间有要求，来确定将此系数参与到最后适配系数的运算当中，完成时间系数的确定方法如下式：
式中，nj为服务节点Qj历史完成任务数量，tx为服务节点历史任务Tx用户要求完成时间，t′x为服务节点历史任务Tx实际完成时间,为服务节点Qj历史任务集。
步骤六：服务节点与任务节点友好系数计算：根据历史服务节点与任务节点的任务分发与完成情况进行服务节点与任务节点友好系数的计算；
由于该服务节点选择方法的主要目的之一是发展牢固的长期服务关系，因此在适配系数计算时需要考虑节点友好系数，节点间的任务完成次数越多节点之间的友好系数就越高，随之适配系数也就会越高，从而使任务节点更愿意将任务发放给与其友好系数高的服务节点。节点友好系数根据两节点之间任务分配完成次数确定，确定方式如下式所示：
式中，为历史两节点任务分配完成次数。
步骤七：服务节点的适配系数进行计算：根据各个服务节点Pi距离参数活动参数服务预期满意度服务节点的完成时间系数服务节点与任务节点友好系数进行服务节点的适配系数计算。
当上述系数都计算完成后，将上述系数在服务器内进行加权复合运算，计算出服务节点适配系数得出适配系数后将其传回服务器，对其进行排序，将适配系数高的服务节点推送给任务节点。适配系数的计算式子如下：
式中各个参数都由前几个步骤中得出。
为进一步验证本发明方法在实际运行过程中的表现，通过相应的实验，分析和对比实验结果，对发明方法的相关性能进行测试和评估。本发明将部署在利用JAVA语言编写的服务平台上，服务平台包括手机客户端与服务器端。手机客户端的主要功能是为服务方及用户提供一个环境友好的用户操作界面以实现服务平台与服务节点之间信息的采集和传输，服务器端的主要功能是管理和实现本发明的任务众包过程。实验评测的主要由两方面来进行：(1)用户对于所推送服务节点的满意度(2)用户与所推送服务节点长期合作成功率。通过实验可以发现，当用户选择所推送的前五个服务节点所评价的满意度远远高于选择后面节点的满意度。同时可以发现，用户与所推送的服务节点会形成长期合作的合作关系概率较大，并维持较高的满意度。通过上述实验结果可以发现，通过本节点选择方法有利于提高用户满意度，并形成长期的用户服务方合作关系。
Claims (3)
1.一种应用于群智计算的服务节点选择方法，其特征在于，包括以下步骤：
步骤一、服务器确定目标任务节点Pi并获取目标任务节点Pi所派放任务Tk的相关参数，包括距离影响因子εk，时间影响因子Фk；
步骤二、目标区域的服务节点活动性探测：服务器对于区域内的服务节点进行活动性感知，对于不同节点进行分类，采集各个节点活动情况，得到每个节点的活动参数
步骤三、服务节点的距离参数确定：获取区域内各个服务节点Qj与任务节点Pi之间的距离，得到每个节点的距离参数
步骤四、服务节点的服务预期满意度确定：根据服务节点的历史任务完成数量以及用户满意度进行服务预期满意度的计算；
步骤五、服务节点的完成时间系数计算：根据服务节点的历史任务完成所消耗的时间进行服务节点的完成时间系数进行计算；
步骤六、服务节点与任务节点友好系数计算：根据服务节点与任务节点的任务分发与完成的历史情况进行服务节点与任务节点友好系数的计算；
步骤七、服务节点的适配系数进行计算：根据各个服务节点Qj距离参数活动参数服务预期满意度服务节点的完成时间系数服务节点与任务节点友好系数进行服务节点的适配系数计算；
服务器根据服务节点的适配系数对服务节点进行排序，将排序后的服务节点并反馈至任务节点；
步骤二中活动参数的计算方法如下：
<mrow>
<msub>
<mi>A</mi>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>X</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>m</mi>
<mi>j</mi>
</msub>
</munderover>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>TI</mi>
<mi>x</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
其中，mj为任务发布一个自然月内服务节点Qj完成任务的数量，TIx是服务节点Qj第x个任务完成距离当前任务发布天数，TIx由下式可以得出：
TIx＝NT-TTx，式中NT为当前任务发布日期，TTx为第x个任务完成日期；
步骤三中距离参数的计算方法如下：
<mrow>
<msub>
<mi>G</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&epsiv;</mi>
<mi>k</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>lnD</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mrow>
其中，为服务节点Qj和任务节点Pi之间的物理距离；
服务预期满意度的计算方法如下：
式中，nj为服务节点Qj历史任务完成数量，ux为对于任务Tx的任务满意度，ρx为与任务Tx任务相关性系数，为平衡调整系数， 为服务节点Qj历史任务集；
式中，Mx为任务Tx的发布者Px的评价平均满意度，P为当前平台上所有任务的平均满意度；
其中Px的平均满意度Mx的计算方式如下式：
<mrow>
<msub>
<mi>M</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>z</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>x</mi>
</msub>
</msubsup>
<msub>
<mi>u</mi>
<mi>z</mi>
</msub>
</mrow>
<msub>
<mi>n</mi>
<mi>x</mi>
</msub>
</mfrac>
</mrow>
其中，nx为任务节点Px历史任务发布数量，uz为对于任务Tz的任务满意度， 为任务节点Px历史任务集；
平台平均满意度P的计算方式如下式：
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>u</mi>
<mi>x</mi>
</msub>
</mrow>
<mi>n</mi>
</mfrac>
</mrow>
其中，n为平台上历史任务数量，ux为对于任务Tx的任务满意度，Tx∈V，V为平台的历史任务集；
步骤五中完成时间系数τQj的计算公式如下：
<mrow>
<msub>
<mi>&tau;</mi>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>&Phi;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</munderover>
<msqrt>
<mfrac>
<mrow>
<msub>
<msup>
<mi>t</mi>
<mo>&prime;</mo>
</msup>
<mi>x</mi>
</msub>
</mrow>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
</mfrac>
</msqrt>
</mrow>
其中，Фk为时间影响因子，通过任务要求确定，nj为服务节点Qj历史完成任务数量，tx为服务节点历史任务Tx用户要求完成时间，t′x为服务节点历史任务Tx实际完成时间, 为服务节点Qj历史任务集；
步骤六中节点友好系数的计算公式如下：
<mrow>
<msub>
<mi>F</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>lnm</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，是历史两节点任务分配完成次数；
步骤七中适配系数的计算式子如下：
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>logG</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>F</mi>
<mrow>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>A</mi>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
</msub>
<mo>)</mo>
<mo>&times;</mo>
<msub>
<mi>S</mi>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
</msub>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msqrt>
<msub>
<mi>&tau;</mi>
<msub>
<mi>Q</mi>
<mi>j</mi>
</msub>
</msub>
</msqrt>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的一种应用于群智计算的服务节点选择方法，其特征在于，步骤一中距离影响因子εk和时间影响因子Фk的确定的方法如下：
3.一种应用于群智计算的服务节点选择方法，其特征在于，基于权利要求1或2所述的一种应用于群智计算的服务节点选择方法，包括以下步骤：
首先由任务节点发出服务请求，服务器接受服务请求，服务请求包括服务内容以及服务要求；
然后，服务器将服务请求转化为对应所需参数，同时开始调用服务器的数据库，所调用的内容包括各个服务节点历史服务情况，同时确定服务节点与任务节点的物理距离；
随后，服务器通过所取的数据，包括物理距离、历史任务完成情况、历史任务完成时间、节点间友好记录数据，计算距离参数、预期满意度、完成时间系数、节点友好系数，最后通过加权计算出其服务节点的适配系数，服务器根据服务节点的适配系数挑选出最合适的服务节点，并反馈至任务节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510182311.9A CN104917812B (zh) | 2015-04-16 | 2015-04-16 | 一种应用于群智计算的服务节点选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510182311.9A CN104917812B (zh) | 2015-04-16 | 2015-04-16 | 一种应用于群智计算的服务节点选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104917812A CN104917812A (zh) | 2015-09-16 |
| CN104917812B true CN104917812B (zh) | 2018-03-02 |
Family
ID=54086510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510182311.9A Active CN104917812B (zh) | 2015-04-16 | 2015-04-16 | 一种应用于群智计算的服务节点选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104917812B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105391799A (zh) * | 2015-12-08 | 2016-03-09 | 深圳市安盾知识产权服务有限公司 | 一种基于o2o模式的维权处理的方法、系统及云平台 |
| CN106056214B (zh) * | 2016-05-18 | 2018-08-17 | 西北工业大学 | 一种面向移动群体感知的多任务工作者选择方法 |
| CN109993475B (zh) * | 2018-01-02 | 2024-03-22 | 家乐宝电子商务有限公司 | 一种冷链物流定时配送方法、系统及设备 |
| CN117170873B (zh) * | 2023-09-12 | 2024-06-07 | 广州云硕科技发展有限公司 | 基于人工智能的资源池管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103188755A (zh) * | 2013-01-06 | 2013-07-03 | 西安交通大学 | 一种面向物联网移动感知的服务节点选择方法 |
| WO2014090037A1 (zh) * | 2012-12-10 | 2014-06-19 | 中兴通讯股份有限公司 | 云计算中的任务调度方法及系统 |
| CN104168325A (zh) * | 2014-08-26 | 2014-11-26 | 哈尔滨工程大学 | 一种具备自维护功能的分布式Web服务选择方法 |
-
2015
- 2015-04-16 CN CN201510182311.9A patent/CN104917812B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014090037A1 (zh) * | 2012-12-10 | 2014-06-19 | 中兴通讯股份有限公司 | 云计算中的任务调度方法及系统 |
| CN103188755A (zh) * | 2013-01-06 | 2013-07-03 | 西安交通大学 | 一种面向物联网移动感知的服务节点选择方法 |
| CN104168325A (zh) * | 2014-08-26 | 2014-11-26 | 哈尔滨工程大学 | 一种具备自维护功能的分布式Web服务选择方法 |
Non-Patent Citations (1)
| Title |
|---|
| 面向物联网移动感知的服务节点发现算法;安健等;《西安交通大学学报》;20111231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104917812A (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210329094A1 (en) | Discovering signature of electronic social networks | |
| Wu et al. | A context-aware multiarmed bandit incentive mechanism for mobile crowd sensing systems | |
| Wang et al. | Measurement and analysis of the bitcoin networks: A view from mining pools | |
| CN104917812B (zh) | 一种应用于群智计算的服务节点选择方法 | |
| CN103412918B (zh) | 一种基于服务质量和声誉的服务信任度评估方法 | |
| US8744989B1 (en) | Ranking and vote scheduling using statistical confidence intervals | |
| CN103746957B (zh) | 一种基于隐私保护的信任评估系统及其构建方法 | |
| CN103795697B (zh) | 一种网络媒介信息投放效果模拟方法和系统 | |
| CN108460082A (zh) | 一种推荐方法及装置，电子设备 | |
| CN102075352A (zh) | 一种网络用户行为预测的方法和装置 | |
| CN115640305B (zh) | 一种基于区块链的公平可信联邦学习方法 | |
| CN110798273B (zh) | 一种基于次用户效用最优的协作频谱感知方法 | |
| KR20110096488A (ko) | 최적화된 도메인간 정보 퀄리티 평가를 갖는 협동적 네트워킹 | |
| CN104035987A (zh) | 一种微博网络用户影响力排名方法 | |
| CN105162695B (zh) | 一种新型的近邻移动社交网络交友隐私保护方法 | |
| Xiao et al. | Incentive mechanism design for federated learning: A two-stage stackelberg game approach | |
| CN106485469A (zh) | 一种位置相关的基于需求的动态激励机制方法 | |
| Hermoso et al. | From blurry numbers to clear preferences: A mechanism to extract reputation in social networks | |
| CN110634550A (zh) | 一种科学专家指导系统 | |
| CN104794644A (zh) | 一种面向智能服务引擎的任务众包方法 | |
| CN114301935A (zh) | 一种基于声誉的物联网边云协同联邦学习节点选择方法 | |
| Li et al. | Fair incentive mechanism with imperfect quality in privacy-preserving crowdsensing | |
| Xiao et al. | AoI-aware incentive mechanism for mobile crowdsensing using stackelberg game | |
| KR20100036728A (ko) | 비중부여를 이용한 사정율 예측방법 | |
| Gao et al. | Combination of auction theory and multi-armed bandits: Model, algorithm, and application |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |