CN106708600A - 一种基于多智能体建模和专家系统的众包平台最优投放策略生成器 - Google Patents

一种基于多智能体建模和专家系统的众包平台最优投放策略生成器 Download PDF

Info

Publication number
CN106708600A
CN106708600A CN201611136252.2A CN201611136252A CN106708600A CN 106708600 A CN106708600 A CN 106708600A CN 201611136252 A CN201611136252 A CN 201611136252A CN 106708600 A CN106708600 A CN 106708600A
Authority
CN
China
Prior art keywords
task
mass
rent
parameter
expert system
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.)
Pending
Application number
CN201611136252.2A
Other languages
English (en)
Inventor
邹广宇
李彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201611136252.2A priority Critical patent/CN106708600A/zh
Publication of CN106708600A publication Critical patent/CN106708600A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45554—Instruction set architectures of guest OS and hypervisor or native processor differ, e.g. Bochs or VirtualPC on PowerPC MacOS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于计算机应用技术领域，本发明建立一个与众包平台同步进化的多智能体仿真模型，并根据仿真模型提供一个在各种不确定条件下依然能达到预期目标的具有鲁棒性的众包任务设计策略生成器。通过结合专家系统，和基于智能体的仿真建立一个与众包平台同步进化的计算机仿真模型，并依据此模型构建一个在各种不确定条件下具有鲁棒性的众包任务设计生成器。基于遗传算法的任务设计生成器生成的任务设计方案可以在各种不确定情况下达到预期的目标，具有很高的鲁棒性。以这种方式设计的任务不仅满足公司对于质量和进度的要求，同时维持了一个可持续发展的在线工作者群体，促进众包业务的兴盛繁荣，更好的为社会经济服务。

Description

一种基于多智能体建模和专家系统的众包平台最优投放策略 生成器
技术领域
本发明属于计算机应用技术领域，涉及一种基于多智能体建模和专家系统的众包平台最优投放策略生成器
背景技术
众包是一种通过互联网把工作分发给分布于全球的大量的在线工作者来完成的新型商业模式。然而不同于传统的外包业务，众包业务中任务需求者和在线工作者之间没有契约约束，而且在线工作者是完全匿名的，这就给质量控制和进度控制带来了巨大的挑战。同一件任务在众包平台上的不同设置和不同的投放策略会产生不同的完成质量和完成时间。因此，在给定目标质量和目标进度的前提下，如何设计与如何投放任务是摆在每一个想利用众包平台的决策者所不能回避的问题。目前关于众包平台的研究，多是根据平台上的全部任务数据拟合出任务完成质量和完成时间的概率密度。而众包任务设计也多是根据经验进行参数设定，或是根据酬劳与任务质量之间的关系进行定价，没有把任务参数和在线工作者的特征作为一个整体来研究众包平台。同时，众包平台随着在线工作者的动态变化而日新月异。新来者加入进来，有些人离开，已有的在线工作者工作技能不断提高而成为高级工作者，从而有更高的薪酬预期。因此，如何制定出在各种不确定条件下依然可以实现既定目标的具有鲁棒性的任务设计策略是摆在每一个想利用众包平台的决策者不得不面对的挑战。
国内关于众包的研究集中在商业模式上的创新，高校管理，以及信息收集，并衍生出一些新的词汇如威客与众筹。这些都是众包在某一领域的具体应用，从政策及理论层面的定性研究，而没有提出可以量化的计算模型。另外也有使用改进的期望最大化法对任务质量进行评估的研究。但都没有考虑到众包业务中任务需求者、任务、以及在线工作者本身的特性以及相互之间的联系对整个系统的影 响。同时，基于统计数据和经验所设计的众包任务无法在多种不确定条件下实现预期的性能指标。另一方面，考虑到国内有大量的互联网用户和手机上网用户，国内的众包业务前景十分广阔。
为了进行众包任务设计，本发明使用专家系统(Expert System)以便任务设计生成器基于已有的知识而不断进化。专家系统是一个利用已有相似问题的解决方案来解决新问题的过程。与医生看病的过程相似，专家系统在已有的案例库中搜索与新问题相似的问题，进而重用已有的医疗方案。专家系统可以总结为四个步骤：查询，重用，修改，和保留。查询指根据新问题的特征在已有案例库中查询相似案例的过程；重用指把已有解决方案应用到新问题的过程；修改指如果应用已有解决方案的预期与实际结果相差较大从而修改已有解决方案的过程；保留指把能达到预期的解决方案存入到案例库的过程。
众包平台是一个复杂自适应系统，这是因为没有中央控制，其整体特性是由分布于全球的在线工作者的个人行为以及相互间的联系所决定的。因为基于智能体的仿真模型(Agent-based Model)是由大量的相互联系的具有自主决策的个体组成，所以基于智能体建模是从复杂自适应系统的角度来研究众包平台最为合适的方法。本发明利用基于智能体的众包平台模型来生成、测试任务设计方案，配合智能优化算法以期获得最优设计方案。
发明内容
为了解决现有技术中存在的问题，本发明建立一个与众包平台同步进化的多智能体仿真模型，并根据仿真模型提供一个在各种不确定条件下依然能达到预期目标的具有鲁棒性的众包任务设计策略生成器。
本发明的技术方案是通过结合专家系统(Expert System)，和基于智能体的仿真(Agent-based Modeling)建立一个与众包平台同步进化的计算机仿真模型，并依据此模型构建一个在各种不确定条件下具有鲁棒性的众包任务设计生成器。
一种基于多智能体建模和专家系统的众包平台最优投放策略生成器，如图1所示。
1)根据搜索关键字，在专家系统的案例库内搜索相似的案例；如果其相似度大于一个预先设定的阈值，则直接使用已有案例的解决方案作为众包任务设计方案；如果其相似度达不到预先设定的阈值，则通过基于智能体的众包平台仿真模型生成一个新的众包任务设计方案。
2)根据新的设计方案设计的众包任务投放到众包平台上；如果众包任务的性能指标达到预期，则把相应的众包任务设计方案存入专家系统的案例库中；如果众包任务的性能指标达不到预期，则丢弃这个设计方案。
3)如果此丢弃的解决方案来自于专家系统的案例库，则通过基于智能体的众包平台仿真模型重新生成新的众包任务设计方案，并投放到众包平台上；如果此丢弃的方案来自于基于智能体的众包平台仿真模型的输出，则说明此仿真模型已经过时，需要重新进行校准验证。
上述专家系统的案例库中的每一个案例都包括三部分信息：任务类型、任务设置参数和预期的性能指标；其中任务类型与预期的性能指标构成案例库的搜索关键字；任务设置参数为任务设计方案。
上述任务类型包括视频、音频、文本、图像、手写识别；预期的性能指标包括任务完成率、任务完成质量和任务完成时间，即表示在众包平台上投放的任务在多长时间以多好的质量完成。当有一个新的任务要发布在众包平台上，根据任务的类型和预期的性能指标在案例库中搜索相似的案例，已有的相似的案例的任务设置参数就是任务设计方案。任务设置参数因任务和众包平台的不同而不同。
在系统运行之初，专家系统的案例库为空。随着系统的不断运行，不断在众包平台上投放任务，越来越多的案例加入到案例库中，整个众包任务设计生成器也就随着众包平台不断进化。
当专家系统的案例库中找不到相似的案例，或者已有的案例无法实现预期的目标时，基于智能体的众包平台仿真模型被用来生成新的任务设计方案。基于智能体的众包平台仿真模型包括任务需求者，在线工作者和任务；其中任务具有设置参数；任务需求者和在线工作者作为众包平台的参与者，各自具有自己的行为规则。关于众包平台仿真模型的细节，参见文献(Guangyu Zou,Alvaro Gil,and Marina Tharayil.An agent-based modelfor crowdsourcing systems.Proceedings of the IEEE/ACM Winter SimulationConference,December 7-10,2014.Savannah,GA.)和(Guangyu Zou,Marina Tharayil,Alvaro E.Gil,DeepthiChander,Laura Elisa Celis.System and Method to Analyzeand Optimize Crowdsourcing Systems.US.Application No:14/190205.Feb.2014.)。
上述众包平台包括可控参数和不可控参数：可控参数为决策变量，即任务设置参数；不可控参数为环境参数。对于不可控参数，在不同情况下可能符合不同的概率分布。为了生成在各种不确定环境下都能实现预期目标的具有鲁棒性的众包任务设计方案，基于智能优化算法，将所有的任务设置参数进行编码，而后把各编码所对应的任务放到众包平台仿真模型，并在各种可能环境参数下进行测试，找到在所有可能情况下均表现出色的任务设置参数，得到进一步优化的任务设计方案。
进一步限定，上述的智能优化算法为遗传算法。任务设置参数作为遗传算法中的染色体，与环境参数合成仿真模型的设置参数构成的众包任务设计方案在遗传算法中不断进化成更好的解决方案。因此，通过如图2所示的基于遗传算法的任务设计生成器生成的任务设计方案可以在各种不确定情况下达到预期的目标，具有很高的鲁棒性。
本发明基于仿真模型和专家系统进行任务设计和投放策略决策来提高众包平台的效率。效率的提高必将吸引更多的任务需求者投放更多的任务，更多的任 务会吸引更多的在线工作者的参与，从而形成一个良性循环。以这种方式设计的任务不仅满足公司对于质量和进度的要求，同时维持了一个可持续发展的在线工作者群体，促进众包业务的兴盛繁荣，更好的为社会经济服务。
附图说明
图1是基于多智能体建模和专家系统的众包平台最优投放策略生成器的流程图。
图2是基于遗传算法的众包任务设计生成器图。
图3是完成质量的箱线图。
图4是完成时间的箱线图。
图5是染色体单点交叉操作示意图。
图6是染色体双点交叉操作示意图。
图7是染色体变异操作示意图。
图8是生成下一代种群示意图。
图9是改变预设目标后完成质量的箱线图。
图10是改变预设目标后完成时间的箱线图。
具体实施方式
结合附图和具体实施方式说明本发明的技术方案，
为了演示本发明的具体使用情况，在流行的众包平台Amazon Mechanical Turk(AMT)上投放任务进行测试。在AMT上投放的任务是一个停车场的监控视频，需要在线工作者记录车辆进入和离开停车场的时间。
表格1列出所有任务设置参数以及对应的实际性能参数。这些数据一方面存入专家系统的案例库，另一方面用来训练和校准基于智能体的众包平台仿真模型。
表格1任务设置参数和对应的性能指标
首先，预期的性能指标为，任务准确率高于97％，完成时间在40分钟之内。通过以任务完成质量和完成时间作为关键字搜索案例库，找到第12条案例与预期目标具有最高的相似度。因此，以对应的配置参数设计任务，共投放30份任务到AMT上由在线工作者完成。其得到的数据如图3、4所示。由图可知，30份任务的准确率在97％左右，完成时间也在40分钟左右，与预期的目标一致。
然后，预设的目标是任务完成质量为99％，完成时间小于60分钟。以此任务完成质量和完成时间作为关键字搜索案例库，案例库中没有足够相似的案例。因此，根据图1的流程图，转到众包平台的仿真模型根据预设目标重新生成任务设计方案。本专利使用遗传算法对众包任务设计方案进行编码，而后根据适值进行交叉、变异、选择操作，最终得到符合目标质量和目标完成时间的最优任务设计方案。遗传算法共分6步。
步骤1，随机地生成一定数量的作为任务设计方案的染色体。比如，种群大小为100，每一个染色体有9个基因，基因值在可行域范围内随机设置。表格2是一个表示任务设计方案的染色体的例子，每一列是一个基因，代表任务设计中的一个参数。
表格2一个表示任务设计方案的染色体的例子
步骤2，在染色体的种群内根据适值随机的选择染色体进行交叉，产生下一代染色体。染色体的适值由公式1计算得出。其中，fi是第i个染色体的适值。xij是第i个染色体第j个输出参数值。Xj是第j个输出参数期望值。m是输出参数个数。
以表格2中的染色体作为众包任务设计参数，则完成质量和完成时间分别为99.6％和275分钟。在目标完成质量和目标完成时间分别为99％和60分钟的条件下，其根据公式1计算出的适值为0.56。每个染色体被选中进行交叉的概率由其适值决定，如公式(2)所示。这里pj是第j个染色体被选中的概率。fj是第j个染色体的适值。是整个种群染色体的适值和。使用轮盘法选择，即当ppi≥rand(0，1)≥ppi-1时，第i个染色体被选中。
对于选中的染色体所进行得交叉操作有两种：单点交叉和双点交叉。图5是一个单点交叉的例子，交叉点为6，则位置为6和其后的基因交换。
图6是一个双点交叉的例子，其中交叉点1是3，交叉点2是5，则在交叉点1和交叉点2之间的区间[3,6]之间的基因进行交换。
步骤3，变异操作。以与步骤2中相同的选择过程，根据适值随机选择染色体进行变异操作。变异操作就是随机选择染色体的一个基因，而后在可行域范围内随机地改变为一个新值。图7是一个变异的例子，首先随机地选择一个变异点。这个例子中随机选择的变异点是2，而后第二个位置的基因在可行域内随机地替换为一个新值，这里是7。
步骤4，单纯形算子。为了实现遗传算法的快速收敛，本发明结合了单纯形算子(John Yen,Bogju Lee.A Simplex Genetic Algorithm Hybrid.IEEE InternationalConference on Evolutionary Computation,13-16Apr 1997.175–180.)。在n维空间中，一个单纯形是具有n+1个顶点的多胞形。单纯形算子通过最坏顶点经过单纯形中心点的反射点XR替代这个最坏顶点(XW)形成新的单纯形。这个过程如公式(3)所示。
然后根据反射点XR的不同情形，确定替代原有单纯形最坏顶点的新的顶点XN。
这里，XB表示适值最大的点；X2ndW是第二差的点。α是从最差点反射程度的系数。XN是用来在新生成的单纯形中替换最差点XW的新的点。
步骤5，选择操作，生成新的种群。经过交叉、变异、和单纯形算子操作生成的新的染色体与原有的染色体放在一起，根据其适值随机地选择出与原有种群数相同的新的种群，保持种群数量的稳定。选择过程与步骤2中的选择过程完全一致，使得适值高的染色体有更大的可能性被选中，从而提高整个种群的适值， 进而算法逐渐收敛到最优值。生成新的种群的具体过程如图8所示，其中，适值最高的10％的染色体保留进入新的种群；适值最高的50％的染色体进行单纯形算子操作生成新种群中20％的染色体；父辈种群中的全部染色体都有机会进行交叉和变异操作生成新种群中剩余70％的染色体。
步骤6，终止条件。当下面2个条件中任意一个满足，则遗传算法终止。
·达到最大迭代次数。此算例中最大迭代次数为1000次。
·这里是整个种群的平均适值，fB是整个种群的最好适值。
T是一个阈值。此算例中的T为1％。
遗传算法经过不断迭代以上的6步，得到的最优设计方案中各任务设置参数如表格3所示。
表格3基于仿真模型生成的设计方案
以如表格3的参数值设计众包任务，并投放30份到AMT上，统计任务的完成质量和完成时间，如图9、10所示。从图可以看出，根据任务设计方案设计的任务，其完成准确率在99％左右，完成时间在60分钟左右，与预设目标一致。因此，本发明提出的众包任务设计生成器可以为使用众包平台的决策者提供辅助决策。

Claims (8)

1.一种基于多智能体建模和专家系统的众包平台最优投放策略生成器，其特征在于，
1)根据搜索关键字，在专家系统的案例库内搜索相似的案例；如果其相似度大于一个预先设定的阈值，则直接使用已有案例的解决方案作为众包任务设计方案；如果其相似度达不到预先设定的阈值，则通过基于智能体的众包平台仿真模型生成一个新的众包任务设计方案；
2)根据新的设计方案设计的众包任务投放到众包平台上；如果众包任务的性能指标达到预期，则把相应的众包任务设计方案存入专家系统的案例库中；如果众包任务的性能指标达不到预期，则丢弃这个设计方案；
3)如果此丢弃的解决方案来自于专家系统的案例库，则通过基于智能体的众包平台仿真模型重新生成新的众包任务设计方案，并投放到众包平台上；如果此丢弃的方案来自于基于智能体的众包平台仿真模型的输出，则说明此仿真模型已经过时，需要重新进行校准验证。
2.根据权利要求1所述的一种基于多智能体建模和专家系统的众包平台最优投放策略生成器，其特征在于，所述专家系统的案例库中的每一个案例都包括三部分信息：任务类型、任务设置参数和预期的性能指标；其中任务类型与预期的性能指标构成案例库的搜索关键字；任务设置参数为任务设计方案。
3.根据权利要求2所述的基于多智能体建模和专家系统的众包平台最优投放策略生成器，其特征在于，所述任务类型包括视频、音频、文本、图像、手写识别；预期的性能指标包括任务完成率、任务完成质量和任务完成时间；任务设置参数因任务和众包平台的不同而不同。
4.根据权利要求1或2或3所述的一种基于多智能体建模和专家系统的众包平台最优投放策略生成器，其特征在于，基于智能体的众包平台仿真模型包括任务需求者，在线工作者和任务；其中任务具有设置参数；任务需求者和在线工作者作为众包平台的参与者，各自具有自己的行为规则。
5.根据权利要求1或2或3所述的一种基于多智能体建模和专家系统的众包平台最优投放策略生成器，其特征在于，众包平台包括可控参数和不可控参数：可控参数为决策变量，即任务设置参数；不可控参数为环境参数；基于智能优化算法，将所有的任务设置参数进行编码，而后把各编码所对应的任务放到众包平台仿真模型，并在各种可能环境参数下进行测试，找到在所有可能情况下均表现出色的任务设置参数，得到进一步优化的任务设计方案。
6.根据权利要求4所述的一种基于多智能体建模和专家系统的众包平台最优投放策略生成器，其特征在于，众包平台包括可控参数和不可控参数：可控参数为决策变量，即任务设置参数；不可控参数为环境参数；基于智能优化算法，将所有的任务设置参数进行编码，而后把各编码所对应的任务放到众包平台仿真模型，并在各种可能环境参数下进行测试，找到在所有可能情况下均表现出色的任务设置参数，得到进一步优化的任务设计方案。
7.根据权利要求5所述的一种基于多智能体建模和专家系统的众包平台最优投放策略生成器，其特征在于，所述的智能优化算法为遗传算法。
8.根据权利要求6所述的一种基于多智能体建模和专家系统的众包平台最优投放策略生成器，其特征在于，所述的智能优化算法为遗传算法。
CN201611136252.2A 2016-12-12 2016-12-12 一种基于多智能体建模和专家系统的众包平台最优投放策略生成器 Pending CN106708600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611136252.2A CN106708600A (zh) 2016-12-12 2016-12-12 一种基于多智能体建模和专家系统的众包平台最优投放策略生成器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611136252.2A CN106708600A (zh) 2016-12-12 2016-12-12 一种基于多智能体建模和专家系统的众包平台最优投放策略生成器

Publications (1)

Publication Number Publication Date
CN106708600A true CN106708600A (zh) 2017-05-24

Family

ID=58936649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611136252.2A Pending CN106708600A (zh) 2016-12-12 2016-12-12 一种基于多智能体建模和专家系统的众包平台最优投放策略生成器

Country Status (1)

Country Link
CN (1) CN106708600A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107464094A (zh) * 2017-07-27 2017-12-12 江苏徐工信息技术股份有限公司 一种工程机械行业产品研发用众包平台系统及操作方法
CN108874655A (zh) * 2017-05-15 2018-11-23 华为技术有限公司 一种处理众包测试数据的方法及装置
CN109784637A (zh) * 2018-12-13 2019-05-21 华为终端有限公司 应用于处理平台数据分析的方法和装置
CN110533186A (zh) * 2019-09-04 2019-12-03 武汉轻工大学 众包定价体系的评估方法、装置、设备及可读存储介质
CN111027917A (zh) * 2019-11-04 2020-04-17 天津大学 一种基于NetLogo的多Agent众包设计平台建模方法
CN114792155A (zh) * 2022-03-07 2022-07-26 西南交通大学 一种基于双向觅食理论的众包设计过程仿真方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279817A (zh) * 2013-04-28 2013-09-04 中国兵器工业第五九研究所 一种基于知识的精密塑性成形知识库设计系统
CN104298785A (zh) * 2014-11-12 2015-01-21 中南大学 一种众搜资源搜索方法
US20150278403A1 (en) * 2014-03-26 2015-10-01 Xerox Corporation Methods and systems for modeling crowdsourcing platform

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279817A (zh) * 2013-04-28 2013-09-04 中国兵器工业第五九研究所 一种基于知识的精密塑性成形知识库设计系统
US20150278403A1 (en) * 2014-03-26 2015-10-01 Xerox Corporation Methods and systems for modeling crowdsourcing platform
CN104298785A (zh) * 2014-11-12 2015-01-21 中南大学 一种众搜资源搜索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUANGYU ZOU: "An agent-based model for crowdsourcing system", 《PROCEEDINGS OF THE IEEE/ACM WINTER SIMULATION CONFERENCE》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874655A (zh) * 2017-05-15 2018-11-23 华为技术有限公司 一种处理众包测试数据的方法及装置
CN108874655B (zh) * 2017-05-15 2021-12-24 华为技术有限公司 一种处理众包测试数据的方法及装置
CN107464094A (zh) * 2017-07-27 2017-12-12 江苏徐工信息技术股份有限公司 一种工程机械行业产品研发用众包平台系统及操作方法
CN109784637A (zh) * 2018-12-13 2019-05-21 华为终端有限公司 应用于处理平台数据分析的方法和装置
CN110533186A (zh) * 2019-09-04 2019-12-03 武汉轻工大学 众包定价体系的评估方法、装置、设备及可读存储介质
CN110533186B (zh) * 2019-09-04 2023-05-12 武汉轻工大学 众包定价体系的评估方法、装置、设备及可读存储介质
CN111027917A (zh) * 2019-11-04 2020-04-17 天津大学 一种基于NetLogo的多Agent众包设计平台建模方法
CN114792155A (zh) * 2022-03-07 2022-07-26 西南交通大学 一种基于双向觅食理论的众包设计过程仿真方法
CN114792155B (zh) * 2022-03-07 2023-04-07 西南交通大学 基于双向觅食理论的众包设计过程仿真方法

Similar Documents

Publication Publication Date Title
CN106708600A (zh) 一种基于多智能体建模和专家系统的众包平台最优投放策略生成器
CN109347149A (zh) 基于深度q值网络强化学习的微电网储能调度方法及装置
CN109934487A (zh) 一种考虑多主体利益博弈的主动配电网协调规划方法
CN108448620B (zh) 基于综合性能指标的高渗透率分布式电源集群划分方法
CN108932671A (zh) 一种采用深度q神经网络调参的lstm风电负荷预测方法
Kumar et al. Federated control with hierarchical multi-agent deep reinforcement learning
CN107067190A (zh) 基于深度强化学习的微电网电能交易方法
CN107784561A (zh) 一种移动众包系统中在线激励机制的实现方法
CN104881800A (zh) 一种基于移动群智感知的激励机制实现方法
CN105760959A (zh) 一种基于两阶段萤火虫编码的机组组合优化方法
CN103324954A (zh) 一种基于树结构的图像分类方法及其系统
CN115840900A (zh) 一种基于自适应聚类分层的个性化联邦学习方法及系统
CN110222908A (zh) 一种基于数据驱动的短期用电量预测方法
CN102903038B (zh) 基于用户轨迹的小件物流配送方法及系统
CN104239434A (zh) 一种基于带有多样化半径技术的小生境遗传算法的聚类方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN109214565A (zh) 一种适用于大电网分区调度的子区域系统负荷预测方法
CN112330487A (zh) 一种光伏发电短期功率预测方法
CN109214546A (zh) 一种基于改进的hs-narx神经网络的电力短期负荷预测方法
CN116151439A (zh) 一种在城市中选址救灾物资储备站的方法
CN116961139B (zh) 一种电力系统的调度方法、调度装置和电子装置
CN109919793A (zh) 活动参与分析及推荐方法
CN109871482A (zh) 一种基于纳什均衡的群组教育资源推荐方法
CN117117878A (zh) 基于人工神经网络和多智能体强化学习的电网需求侧响应潜力评估及负荷调控方法
CN113034297A (zh) 基于节点吸引力的复杂网络关键节点识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170524