CN107833072A - 一种基于遗传算法的参与式感知激励机制优化方案 - Google Patents
一种基于遗传算法的参与式感知激励机制优化方案 Download PDFInfo
- Publication number
- CN107833072A CN107833072A CN201711081723.9A CN201711081723A CN107833072A CN 107833072 A CN107833072 A CN 107833072A CN 201711081723 A CN201711081723 A CN 201711081723A CN 107833072 A CN107833072 A CN 107833072A
- Authority
- CN
- China
- Prior art keywords
- participant
- participatory
- genetic algorithm
- value
- incentive mechanism
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 19
- 230000002068 genetic effect Effects 0.000 title claims description 16
- 238000012913 prioritisation Methods 0.000 title claims description 4
- 230000008447 perception Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 5
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000010429 evolutionary process Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 8
- 238000000034 method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于智能移动传感网技术领域，具体的说是应用于参与式感知网络中的激励机制模块，构建了一种优化模型，提供了一种有效的方案吸引感知者积极参与任务，保障了源数据的数量及质量，进而提升了感知结果的精确性。
Description
所属技术领域
本发明属于智能移动传感网技术领域，具体的说是应用于参与式感知网络中的激励机制模块，构建了一种优化模型，提供了一种有效的方案吸引感知者积极参与任务，保障了源数据的数量及质量，进而提升了感知结果的精确性。
背景技术
广泛流行的手持移动终端设备，比如内置多种传感器的智能手机等，推动了一种新型感知模式的出现，这种模式被称为参与式感知。这种感知方式依靠普通民众手持的移动设备，搜集周遭环境感知数据，目的是将个性化的数据处理结果呈现给感兴趣的用户，以满足不同用户的差异化需求。自从参与式感知的概念由J.Burke提出以来，感知应用已经涉及到诸多领域，比如：环境监测、社交网络应用、交通路线导航、医疗保健等等。这种感知模式优点显著，同时也存在新的挑战，参与者在搜集上传数据的过程中，无疑会牺牲时间和精力，另外，移动设备的电量消耗，宽带费用等都会影响参与积极性。若感知数据不足，将影响感知结果的准确度和可参考性。激励机制是参与式感知领域中研究的重点。在参与式感知项目中，感知平台为激励主体，参与者充当着激励客体的角色，激励机制能够激励更多的用户参与任务，提高感知数据的可靠性。目前已有很多激励机制的研究成果。Liu[1]等人提出了一种解决能量供应保持，数据质量保证和参与用户获得最大收益等问题的方案。I.Koutsopoulos[2]提出了针对报酬分配和用户参与水平的激励机制，采用贝叶斯博弈在一定服务质量的约束下最小化报酬成本。IDF和ITF[3]将激励策略与用户的消费需求结合，基于服务公平和社会福利最大化原则，增加了参与式感知试验中的高质量感知数据。文献[4]由参与式感知实验平台指定总报酬，建立斯塔克伯格博弈模型，通过纳什均衡和斯塔克伯格均衡制定任务分配方案，最大化平台效用。基于以上背景，本发明提出了一种基于遗传算法的参与式感知激励机制的优化方案，运用遗传算法优化模型，以有效参与者数量最大化和感知区域范围最大化为优化目标，以服务提供者的有限预算为约束，利用遗传算法模拟自然界优胜劣汰的进化过程，搜索最优解。
[1]Liu C H，Hui P，Branch J W，et al.Efficient network management forcontext-aware participatory sensing.SECON，2011：116-124.
[2]Koutsopoutos I，Optimal incentive-driven design of participatorysensing Systems，Proceedings of INFOCOM，IEEE，2013：1402-1410.
[3]Luo T，Tham C K.Fairness and social welfare in incentivizingparticipatory sensing.Sensor，Mesh and Ad Hoc Communications and Networks(SECON)，20129th Annual IEEE Communications Society Conference on.IEEE，2012：425-433.
[4]Yang D，Xue G，Fang X，et al.Crowdsourcing to smartphones：incentivemechanism design for mobile phone sensing.In Proc.of ACM MobileCom，2012：173-184.
专利内容
本发明针对参与式感知网络中的数据贡献群体提出了一套激励机制方案，采用启发式的优化方法，运用遗传算法优化模型，以有效参与者数量最大化和感知区域范围最大化为优化目标，以服务提供者的有限预算为约束，利用遗传算法模拟自然界优胜劣汰的进化过程，搜索最优解。本发明基于参与者和服务提供者的双向利益，提出了一种基于遗传算法的新型参与式感知激励机制又欧化模型，在服务提供者有限预算的约束下，增加了感知数据覆盖的区域和活跃参与度。保证了感知源数据的数量及质量。
附图说明
图1：采用激励机制模型的参与式感知工作过程
图2：感知者的元素数据存储
图3：非感知区域覆盖率变化曲线对比图
图4：感知者非有效参与率变化曲线对比图
具体实施方式
基于遗传算法的参与式感知激励机制优化模型在参与式感知网络中具体实施步骤如下：
(1)假设目标区域面积为200km×200km，划分为10000×10000个格子。目标区域内有100位参与者，1位服务提供者，参与者在目标区域内随机均匀分布，每位参与者所持移动设备的覆盖区域半径为600m，参与者和服务提供者可以通过网络随时通信。迭代循环数为100。服务提供者在每轮迭代循环中的预算报酬Cost是有限的且固定的。
(2)系统对参与者的数据采用结构化的存储方式，如上图2所示。D1至DM表示第1个到第M个用户向量，每个用户具有六种属性。系统将目标区域划分为若干方格，用方格表示分区，则每位参与者的位置均可表示为方格坐标，如图1所示，针对第i位参与者Di，xi表示其x轴坐标值，yi表示其y轴坐标值，ei表示其预期报酬值，ri表示实际或者虚拟报酬值(若参与者Di为有效参与者并且其实际报酬值高于预期值，则ri表示其实际报酬值，否则ri表示虚拟报酬值)，oi表示其手机覆盖的感知分区，si表示该参与者的状态，积极参与或者退出。
(3)建立数学模型：
用户数据结构中，向量e表示参与者的期望报酬值，向量r表示服务提供者返回给参与者的实际或者虚拟报酬值，向量s表示参与者的两种状态，采用二进制1和0分别表示积极参与和退出。
e＝[e1，e2，…，eM] (1)
r＝[r1，r2，…，rM] (2)
s＝[s1，s2，…，sM] (3)
分析优化过程，若参与者Di的实际或者虚拟报酬值ri低于期望值ei，则表明该参与者不满足服务报酬，将退出当前任务，其对应的si值为二进制0，反之，则认为该参与者积极参与当前任务，其对应的si值为二进制1。数学模型表示如下(为方便构建数学模型，引入代换向量st和st′)：
令stj′＝stj+1，则
st′＝[st1′，st2，…，stM′] (6)
向量st′中元素sti′，对应向量s中的元素si，即若元素sti′的值非零，则元素si的值为二进制1，表示参与者si处于积极参与状态，相反，若元素sti′的值为零，则元素si的值为二进制0，表示参与者si退出。
服务提供者接收积极参与者发送的数据包，评估数据质量，参考期望报酬值，运用遗传算法迭代优化机制，在有限预算的约束下，以感知覆盖区域最大为目标，选择有效参与者。假设矩阵向量P为采样决策向量，表示为：
P＝[P1，P2，…，PM] (7)
若参与者Di为有效参与者，则相对应的Pi的值为二进制1，否则，Pi的值为二进制0。保证求解结果的精确性，引入验证向量φ，
φ为向量矩阵s和P的Hadamard积，向量s的元素si和向量P的元素Pi的值均为二进制1的情况下(参与者Di为积极参与者，同时被服务提供者选择为有效参与者)，φi的值为二进制1，否则φi的值为二进制0。
向量φ中非零元素的个数即可表示有效参与者人数，有效参与率为：
非有效参与率可表示为：
P＝[P1，P2，…，PM]为待求解的基因型个体变量，通过有效参与度和覆盖率两种表现型对种群施行进化算法，编码方式为二进制编码。
参与者随机均匀分布在目标区域内，系统将目标区域划分为X×Y个格子，每个格子代表一个坐标点，令C为||P||0位有效参与者的坐标集合，则
xi为参与者ci的x轴坐标值，yi为y轴坐标值。假设每位参与者移动设备的覆盖区域半径为Ra，则总的区域覆盖率可表示为：
则
公式(14)中，表示目标区域中坐标为(x′，y′)的格子和坐标为(xi，yi)的有效参与者ci的距离，小于等于移动设备感知区域半径Ra，表示格子(x′，y′)位于积极参与者ci所持移动设备的感知区域内，则该格子的量化值为g(x′，y′)＝1，否则，认为该格子未被任何移动设备感知覆盖，量化值为g(x′，y′)＝0。公式(13)表示目标区域的非感知覆盖率，其中X×Y表示目标区域内总的格子数。在目标区域非感知覆盖率数学模型中，g(x′，y′)为变量。
为优化求解过程，采用加权方式将多目标优化模型转换为单目标优化模型，即：
s.t.
式(16)表示有效参与者实际得到的总报酬(即服务提供者的预算成本)为已知有限值。
式(15)中：ω1，ω2为分目标函数的权重系数，表示决策者对覆盖率和活跃度的偏重，研究中将其设置为ω1＝ω2＝0.5。
(4)利用遗传算法优化机制，求出式(15)中目标函数T的最优解，即满足T为最小值的解，将所求最优解作用于分目标函数，可求出最小非有效参与率和非覆盖率。遗传算法进行优化求解的具体步骤为：
①随机产生初始群体，采用二进制编码。
②确定适应度函数，利用此函数计算群体中个体的适应度值，选出适应度最高的优秀个体作为父代。系统模型将适应度函数设定为：
③选择单点交叉算子，进行交叉操作。
④变异操作，优项选择。
⑤迭代次数达到设定的最大遗传代数，优化算法终止。
(5)分别为RADP-VPC-RC、GIA和遗传算法优化模型(简记为GAM)设置仿真参数，对比证明本发明所建模型的优越性。
表1 激励机制模型仿真参数
注：表1中符号”-”表示特定的优化模型无对应的仿真参数(例如：RADP-VPC-RC模型无种群规模，终止代数，突变率和交叉率参数)。
仿真结果如上图3，图4所示。图3表示未被有效参与者所持移动设备感知覆盖的区域占总目标区域的比例变化趋势，随着迭代循环次数的增加，RADP-VPC-RC非覆盖率稳定地在百分之五十左右变化，GIA在百分之十五左右变化，GAM持续下降，迭代次数为100时，非覆盖率趋近于百分之零。图四表示非有效参与者的比例变化趋势，随着迭代循环次数增加，RADP-VPC-RC非有效参与率在百分之四十五左右变化，GIA则在百分之二十左右变化，GAM呈持续下降趋势。观察对比可知，遗传算法优化模型(GAM)在降低非覆盖率和非有效参与率方面具有显著优势。
Claims (3)
1.一种基于遗传算法的参与式感知激励机制优化方案，其特征在于其主要包块如下部分：
采用参与者手持移动设备进行数据采集搜索，每个参与者相当于移动传感网中的一个节点；
以服务提供者的有限预算为约束，利用遗传算法模拟自然界优胜劣汰的进化过程，搜索最优解；
兼顾考虑服务提供者及数据贡献者的双重利益。
2.为参与者设置合理的激励机制，提供自主估价，保留参与权，推送反馈值的方式，为参与者提供足够的参与自由空间。
3.根据权利要求书1所述的思路构建模型，随机产生初始群体，采用二进制编码，确定适应度函数，利用此函数计算群体中个体的适应度值，选出适应度最高的优秀个体作为父代，选择单点交叉算子，进行交叉操作，迭代次数达到设定的最大遗传代数，优化算法终止，找出最优解，增加了感知数据覆盖的区域和活跃参与度，保证了感知源数据的数量及质量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711081723.9A CN107833072A (zh) | 2017-11-01 | 2017-11-01 | 一种基于遗传算法的参与式感知激励机制优化方案 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711081723.9A CN107833072A (zh) | 2017-11-01 | 2017-11-01 | 一种基于遗传算法的参与式感知激励机制优化方案 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107833072A true CN107833072A (zh) | 2018-03-23 |
Family
ID=61653825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711081723.9A Pending CN107833072A (zh) | 2017-11-01 | 2017-11-01 | 一种基于遗传算法的参与式感知激励机制优化方案 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107833072A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870990A (zh) * | 2014-03-31 | 2014-06-18 | 上海交通大学 | 移动群智感知系统中覆盖问题的激励机制实现方法 |
| CN107301509A (zh) * | 2017-06-23 | 2017-10-27 | 武汉大学 | 一种基于群智感知系统面向随机参与的群智感知激励方法 |
-
2017
- 2017-11-01 CN CN201711081723.9A patent/CN107833072A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870990A (zh) * | 2014-03-31 | 2014-06-18 | 上海交通大学 | 移动群智感知系统中覆盖问题的激励机制实现方法 |
| CN107301509A (zh) * | 2017-06-23 | 2017-10-27 | 武汉大学 | 一种基于群智感知系统面向随机参与的群智感知激励方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周杰等: "基于遗传算法的参与式感知激励机制的优化" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sohrabi et al. | A survey on the combined use of optimization methods and game theory | |
| Nie et al. | A multi-leader multi-follower game-based analysis for incentive mechanisms in socially-aware mobile crowdsensing | |
| Wang et al. | Dynamic UAV deployment for differentiated services: A multi-agent imitation learning based approach | |
| Etesami et al. | Stochastic games for the smart grid energy management with prospect prosumers | |
| Eksin et al. | Demand response management in smart grids with heterogeneous consumer preferences | |
| Wu et al. | Vehicle-to-aggregator interaction game | |
| Lee et al. | Ant-colony-based scheduling algorithm for energy-efficient coverage of WSN | |
| Cao et al. | Power allocation and pricing in multiuser relay networks using Stackelberg and bargaining games | |
| Zhao et al. | Social-aware incentive mechanism for vehicular crowdsensing by deep reinforcement learning | |
| Romoozi et al. | A positioning method in wireless sensor networks using genetic algorithms | |
| CN107831685A (zh) | 一种群体机器人的控制方法和系统 | |
| Dai et al. | Energy‐efficient resource allocation for device‐to‐device communication with WPT | |
| Kang et al. | Quality-aware online task assignment in mobile crowdsourcing | |
| Zhang et al. | Joint channel bandwidth and power allocation game for selfish cooperative relaying networks | |
| CN110097190B (zh) | 一种基于双时间限制的群智感知任务分配方法 | |
| Thuc et al. | Downlink power control in two-tier cellular networks with energy-harvesting small cells as stochastic games | |
| Reina et al. | A multi-objective optimization of data dissemination in delay tolerant networks | |
| CN110191489A (zh) | 一种超密集网络中基于强化学习的资源分配方法及装置 | |
| Squartini et al. | Home energy resource scheduling algorithms and their dependency on the battery model | |
| Meng et al. | Hierarchical evolutionary game based dynamic cloudlet selection and bandwidth allocation for mobile cloud computing environment | |
| Madhja et al. | Adaptive wireless power transfer in mobile ad hoc networks | |
| Chen et al. | An incentive mechanism for crowdsourcing systems with network effects | |
| Ghazikhani et al. | A novel algorithm for coalition formation in multi-agent systems using cooperative game theory | |
| Hu et al. | Leveraging blockchain for multi-operator access sharing management in Internet of vehicles | |
| Li et al. | Fair and size-scalable participant selection framework for large-scale mobile crowdsensing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| DD01 | Delivery of document by public notice |
Addressee: Cui Haiwei Document name: Deemed withdrawal notice |
|
| DD01 | Delivery of document by public notice | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180323 |
|
| WD01 | Invention patent application deemed withdrawn after publication |