CN108200610A - 采取分布式博弈的群智感知资源分配方法 - Google Patents

采取分布式博弈的群智感知资源分配方法 Download PDF

Info

Publication number
CN108200610A
CN108200610A CN201810158632.9A CN201810158632A CN108200610A CN 108200610 A CN108200610 A CN 108200610A CN 201810158632 A CN201810158632 A CN 201810158632A CN 108200610 A CN108200610 A CN 108200610A
Authority
CN
China
Prior art keywords
resource
awareness apparatus
resource allocation
represent
user
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.)
Granted
Application number
CN201810158632.9A
Other languages
English (en)
Other versions
CN108200610B (zh
Inventor
李云
韩嘉伟
曹傧
陈吕洋
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810158632.9A priority Critical patent/CN108200610B/zh
Publication of CN108200610A publication Critical patent/CN108200610A/zh
Application granted granted Critical
Publication of CN108200610B publication Critical patent/CN108200610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于移动通信技术领域，特别涉及一种采取分布式博弈的群智感知资源分配方法，包括：根据群智感知系统网络环境，在效用‑成本模型中建立系统收益目标函数；根据基于分布式买卖博弈的激励机制，得到用户的最优单位时间资源分配量和感知设备的最优资源单价；判断感知设备的资源是否满足用户需求，若满足则完成资源分配，否则则执行资源动态调整方案完成资源分配；本发明与现有技术相比提高了系统收益和资源利用率，任务响应率也有所提高。

Description

采取分布式博弈的群智感知资源分配方法
技术领域
本发明属于移动通信技术领域，特别涉及一种采取分布式博弈的群智感知资源分配方法。
背景技术
随着无线网络硬件设备的进步和革新，移动设备的功能也变得更加强大。现在，人们在移动设备上广泛安装各类传感器来收集生活中的各种信息，如测量温度、湿度、噪声以及GPS定位等等。然而，尽管移动设备上的各种感知应用改善了生活的许多方面，一些困难却仍然有待解决。首先，每个设备的感知资源(如CPU，系统内存)始终有限，如果遇到资源需求量大、感知时间较长以及当前移动设备资源占用较高的时候，不论单个设备的功能如何强大都不可能随时随地进行独立感知任务。其次，每个移动设备的感知范围有限，任何单个移动设备都无法感知到其范围以外的目标，而扩展其感知范围的代价也是相当巨大的。因此，与邻近的移动设备进行协作感知是很有必要的。
这种利用全球移动设备的可用性进行协作感知任务，称为群智感知。在实际的无线网络场景中，无所不在的移动设备可以构成一个超大型的移动传感网络，数百万个人移动设备可以用来收集和分析各种感知数据，因此与个人感知方法相比，群智感知的能力呈指数增长。通过这种方式，将节省大量用以部署数千个传感器节点的基础设施投资。因此，近年来群智感知已经成为一种非常有前景的技术。
尽管群智感知的资源分配方法在近年来受到各界学者越来越多的重视和研究，也提出了许多有效的解决方案，但仍然存在几个重要问题尚待完善。首先，感知设备在提供感知服务时需消耗自身的资源(如内存与CPU资源)从而产生感知开销，并在感知过程中的数据传输产生通信开销，如果没有合理的报酬，任何独立的移动设备都不会主动消耗自身资源进行协作任务。因此，在群智感知系统中，需要设计合理的激励机制来鼓励合适的移动设备参与协作任务。另外，在实际情况中，感知任务的到达离开往往具有随机性，在不同时间感知任务的负载大小，目标位置以及感知时间都不尽相同，如果系统中的资源分配不能灵活动态地调整，则会导致感知设备之间负载分布不均，后续任务可能因找不到资源足够的感知设备而被拒绝，进而导致系统资源利用率以及任务响应率低下，系统性能不佳。
发明内容
针对上述问题，本发明提供一种采取分布式博弈的群智感知资源分配方法，包括：
S1、根据群智感知系统网络环境，在效用-成本模型中建立系统收益目标函数；
S2、根据基于分布式买卖博弈的激励机制，得到用户的最优单位时间资源分配量和感知设备的最优资源单价；
S3、判断感知设备的资源是否满足用户需求，若满足则完成资源分配，否则则执行资源动态调整方案完成资源分配。
最优单位时间资源分配量和最优资源单价的获取包括：
S21、初始化单位时间资源分配量和资源单价；
S22、感知设备将资源单价发送给用户，根据用户收益函数的拉格朗日函数更新单位时间资源分配量，并将单位时间资源分配量发送给感知设备；
S23、判断感知设备收益函数的拉格朗日函数对资源单价的偏导数是否大于零，若是则根据感知设备收益函数的拉格朗日函数更新资源单价并返回S22，若收敛则进行，输出最优的最优单位时间资源分配量和最优资源单价。
优选的，用户收益函数和感知设备收益函数包括：
用户收益函数：
感知设备收益函数：
其中，pij表示用户bi支付给感知设备sj的资源单价。
优选的，根据资源动态调整方案进行资源分配，如图4，包括：
S31、根据感知设备剩余可用资源和最优资源单价，得到资源缺口
S32、根据低负载感知设备提供的感知资源Qauc和感知成本，计算当前轮次的投标价格以及额外收益；
S33、感知设备选取低负载感知设备提供的最低价达成资源交易，并根据当前的交易修改资源缺口为
S34、判断感知设备是否买到足够的感知资源，若是则完成资源分配，否则进行步骤S35；
S35、判断是否有低负载感知设备参加资源调整，若有则返回S2，否则拒绝当前资源分配请求，结束资源分配。
优选的，步骤S31中所述的资源缺口表示为：
其中，ai表示当前任务到达时间，di表示当前任务离开时间，di-1表示前一任务离开时间，
优选的，目标函数包括：
在效用-成本模型中，以系统的收益建立目标函数，表示为：
其中，U(qij)表示系统的收益，uij(qij)表示用户的效用函数，表示感知设备的感知成本，表示感知设备的通信成本。
优选的，系统用户的效用函数uij(qij)为：
其中，α为权重参数，qij(t)表示单位时间资源分配量。
优选的，感知设备的感知成本为：
其中，cj为感知设备sj的单位感知资源开销。
优选的，感知设备的通信成本为：
其中，表示在通信方式为Wi-Fi时感知设备sj到用户bi传输的数据量，表示在通信方式为蜂窝时感知设备sj到用户bi传输的数据量，表示用户bi与感知设备sj的连接时间，γ表示使用Wi-Fi通信时的单位时间通信成本，θ表示使用蜂窝通信时的单位时间通信成本，bwf表示Wi-Fi的网络带宽，bcell表示蜂窝的网络带宽。
本发明在群智感知系统网络环境中，设计了一种基于分布式买卖博弈的激励机制，促使最好的邻近设备共享自己的资源；在此基础上，为了灵活地利用资源以获得良好的任务响应，还制定了一种基于拍卖的资源动态调整方法；最终仿真结果表明本发明提出的群体感知方法具有一定的有效性与先进性，本发明与现有技术相比提高了系统收益和资源利用率，任务响应率也有所提高。
附图说明
图1为本发明采取分布式博弈的群智感知资源分配方法的群智感知系统结构图；
图2为本发明采取分布式博弈的群智感知资源分配方法的流程图；
图3为本发明求取最优资源单价和最优单位时间资源分配量的流程图；
图4为本发明资源动态调整方的案流程图；
图5为本发明的分布式博弈(Distributed Game，DG)方案与现有外包中心(Crowdsourcer Centric，CC)方案收益对比仿真结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实例对本发明的实施作具体描述。
本发明一种采取分布式博弈的群智感知资源分配方法，包括：
S1、根据群智感知系统网络环境，在效用-成本模型中建立系统收益目标函数；
S2、根据基于分布式买卖博弈的激励机制，得到用户的最优单位时间资源分配量和感知设备的最优资源单价；
S3、判断感知设备的资源是否满足用户需求，若满足则完成资源分配，否则则执行资源动态调整方案完成资源分配。
本发明的群智感知系统模型，如图1所示，假设系统中存在N个可以提供协作任务的感知设备，每个感知设备存在量为Qj，j∈(1,…,N)的闲置资源可供感知任务，在一段时间内，系统中先后到达M个感知任务至用户设备，先到达的任务先接受服务，当第i个任务到达时，用户bi，i∈(1,…,M)宣布其在感知时间窗[ai,di]内的资源需求量Wi；相应地，被选中的感知设备sj，在感知时间内会均匀地分配感知资源来为用户进行感知任务，单位时间内分配的资源表示为qij(t)；与此同时，已知存在两种无线网络可被用于数据传输：Wi-Fi网络和蜂窝网络。在数据传输过程中，当用户与感知设备距离较近时，优先采用通信成本较低的Wi-Fi进行通信，若用户或感知设备移动出Wi-Fi覆盖范围，则自动切换至蜂窝网络继续通信。
接下来完成对系统效用，成本以及目标函数的模型建立过程：
对于用户bi，如果选择感知设备sj为其完成感知任务后会得到一定的效用，定义用户的效用为uij(qji)，表示为：
其中，α为权重参数，ai表示当前任务到达时间，di表示当前任务离开时间，qij(t)表示为单位时间内分配的感知资源量。
其次，对于为用户bi提供感知服务的感知设备sj，则会产生感知成本和通信成本其中，感知设备的感知成本函数为：
其中，cj为感知设备sj的单位感知资源开销。
对于通信成本，因为考虑用户发送的感知请求数据量极小，这里只计算感知结果回传过程所产生的通信成本；数据传输方式可能为Wi-Fi或者蜂窝(优先使用Wi-Fi)，所以感知设备的通信成本定义如下：
其中，表示感知设备sj到用户bi在Wi-Fi下传输的数据量，表示为：
表示感知设备sj到用户bi在蜂窝下传输的数据量，表示为：
其中，表示在通信方式为Wi-Fi时感知设备sj到用户bi传输的数据量，表示在通信方式为蜂窝时感知设备sj到用户bi传输的数据量，表示用户bi与感知设备sj的连接时间，γ表示使用Wi-Fi通信时的单位时间通信成本，θ表示使用蜂窝通信时的单位时间通信成本，bwf表示Wi-Fi的网络带宽，bcell表示蜂窝的网络带宽；因为在蜂窝中传输数据比在Wi-Fi中传输的开销更大，所以，一般γ<θ。
在确定了用户收益函数和感知设备的成本后，为了最大化感知效用并最小化成本开销，我们确定系统收益目标函数U(qij)如下：
约束条件：
qij(t)≥0,i＝1,…,M,j＝1,…,N,
其中，Wi是用户bi对任务的资源需求量，Qj是感知设备sj的可用资源量；特别地，在用户选择感知设备进行任务时，所有感知设备分配的资源总量需满足任务在感知时间内的资源需求，否则感知任务失败，且单个感知设备分配的资源总量不能超过其可用资源量。
在用户方有感知任务到达时，其需要以一定的价格从感知设备方购买资源，而感知设备需要消耗自身资源为用户方提供感知服务，同时得到用户方给予的补偿。因此，系统收益优化问题可以转化为买卖博弈双方的收益优化问题。接下来，采用基于分布式买卖博弈激励机制分别建立用户bi与感知设备sj的买卖博弈模型，求取最优单位时间资源分配量和最优资源单价，主要包括以下步骤：
S21、初始化单位时间资源分配量和资源单价；
S22、感知设备将资源单价发送给用户，根据用户收益函数的拉格朗日函数更新单位时间资源分配量，并将单位时间资源分配量发送给感知设备；
S23、判断感知设备收益函数的拉格朗日函数对资源单价的偏导数是否大于零，若是则根据感知设备收益函数的拉格朗日函数更新资源单价并返回S22，若收敛则输出最优单位时间资源分配量和最优资源单价。
其中用户bi的收益定义为系统的效用减去支付给感知设备sj的总额，表示为：
约束条件：
qij(t)≥0,i＝1,…,M,j＝1,…,N；
其中，pij表示买方bi支付给卖方sj的资源单价。
感知设备sj的收益定义为在约束条件下用户bi的支付总额减去感知和通信成本，表示为：
约束条件：
根据买卖双方的目标函数与约束条件，可通过拉格朗日乘子法分别构造双方的拉格朗日函数。
构造用户bi的拉格朗日函数与KKT条件，如下：
其中，μij表示用户收益函数的拉格朗日函数的拉格朗日乘子，为μij的最优值。
由此可解出最优单位时间资源分配量如下所示
从上述的公式中可以得出是关于资源单价pij的函数，要求得最优资源分配量需先得到来自卖方的资源单价。
构造感知设备sj的拉格朗日函数与KKT条件，如下：
求解最优值时，令可以表示为：
其中，τij表示感知设备收益函数的拉格朗日函数的拉格朗日乘子，为τij的最优值，Qj表示当前感知设备的剩余资源，由此可解出最优资源单价，表示为：
其中，表示是关于和的函数，可通过一些计算机工具，如Matlab，进行计算。
对于每一组bi和sj，采用如图3所示的迭代更新方法求得博弈达到均衡状态时的双方最优策略。
当感知任务数量较多且某些感知设备负载较高时，采用本发明的基于多轮顺序拍卖的资源动态调整方法，对资源进行动态调整；其中，把资源不足的高负载感知设备视为拍卖方，把资源充足的低负载感知设备视为投标者，具体步骤如下：
S31、根据感知设备剩余可用资源和最优资源单价，得到资源缺口
S32、根据低负载感知设备提供的感知资源Qauc和感知成本，计算当前轮次的投标价格以及额外收益；
S33、感知设备选取低负载感知设备提供的最低价达成资源交易，并根据当前的交易修改资源缺口为
S34、判断感知设备是否买到足够的感知资源，若是则完成资源分配，否则进行步骤S35；
S35、判断是否有低负载感知设备参加资源调整，若有则返回S2，否则拒绝当前资源分配请求，结束资源分配。
感知设备sj根据剩余可用资源以及新任务的最优资源单价进行比较，得出在任务迁移的过程中需要通过拍卖的方式在低负载感知设备上购买的资源缺口其中，ai表示当前任务到达时间，di表示当前任务离开时间，di-1表示前一任务离开时间；因为任务迁移旨在释放足够的资源来接受新的任务，所以感知设备可能不会完全迁移以前分配的任务，即不会释放已分配的所有资源。
感知设备sj作为拍卖方公布其资源缺口以及用户bi给出的最优资源单价以寻求合适的低负载感知设备进行任务迁移，并释放被占用的资源来响应新的任务；同时，所有满足被迁移任务感知范围的低负载感知设备作为投标者，递交自身能提供的感知资源Qauc，并根据最优资源单价与自身感知成本的差异同时向拍卖方递交当前轮次的投标价格β以赚取额外收益，其中
根据多轮顺序拍卖的规则，在每一轮投标中，拍卖方在所有投标价格中选取一个最低的价格达成资源交易，并修改资源缺口拍卖成功的低负载设备，将不会参与本次拍卖的下一轮竞标。
当前轮次结束后，如果拍卖方购买到足够的感知资源，即或者在下一轮竞标中没有投标者，则拍卖结束，完成拍卖。
为了进一步说明本发明的有效性，本发明在MATLAB环境下与现有技术系统收益随着感知任务量变化进行对比，对比的仿真图如图5，仿真主要参数设置如下，考虑在200×20m2范围内随机分布20个感知设备，即N＝20，且每个感知设备的感知半径是40m，每个感知任务随机到达及离开持续时间服从1～30s的均匀分布，设置每个感知设备对于用户在WiFi中的连接时间服从均值为15，WiFi的带宽bwf为11Mbps以及单位时间传输开销γ为0.1，蜂窝的带宽bcell为5Mbps以及单位时间传输开销θ为0.5，单位感知资源开销cj为0.05，权重参数α设置为2。
在仿真中，本发明通过感知任务的数量进行比较；在这种情况下，令20个从方设备随机的分布在系统范围内，在一段时间内使感知任务的数量从10变化至100，每个任务的资源量需求在40-60Mb之间均匀分布；图中CC方案为D.Yang等人在文献IncentiveMechanisms for Crowdsensing:Crowdsourcing With Smartphones中提出的群智感知系统资源分配方法，本发明中称之为“CC方案”，该方法也采用了博弈的思想去激励感知设备分配资源，但是却没有考虑通信方式用户与感知设备连接方式的不固定对通信成本的影响，也没有考虑在多任务情况下感知设备负载较高而资源受限的处理问题；图5中DG方案为本发明所提出的DG方案，可以看到当任务数量在低于40的时候，DG方案与CC方案的系统收益随着任务量的增加而共同增长，这是因为从方接受的感知任务越多，系统获得的收益越大，当任务量超过40的时候，可以看到CC方案的收益增长逐渐变缓，并在任务量达到70的时候趋于平衡；而DG方案随着任务量的增加而不断增长，这是因为当任务量较多时，如果负载程度不同的感知设备之间不能进行资源的灵活调整，那么系统则不能满足更多的感知任务，并导致感知任务的响应率低下，则收益收到影响，所以当任务量较多的时候，DG方案的效果大大超过了CC方案。
本发明使用了基于分布式买卖博弈的激励机制对群智感知系统中用户和感知设备进行建模，具有优化系统整体收益，减低成本开销的功能；此外，对于多感知任务情况下个别感知设备负载较高资源不足的问题，采用资源动态调整方法进行处理，使系统中感知资源重新分配以满足用户任务需求，使系统资源利用率以及任务响应率得到了改善。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.采取分布式博弈的群智感知资源分配方法，其特征在于，包括：
S1、根据群智感知系统网络环境，在效用-成本模型中建立系统收益目标函数；
S2、根据基于分布式买卖博弈的激励机制，得到用户的最优单位时间资源分配量和感知设备的最优资源单价；
S3、判断感知设备的资源是否满足用户需求，若满足则完成资源分配，否则执行资源动态调整方案完成资源分配。
2.根据权利要求1所述的采取分布式博弈的群智感知资源分配方法，其特征在于，根据基于分布式买卖博弈的激励机制，得到用户的最优单位时间资源分配量和感知设备的最优资源单价包括：
S21、初始化单位时间资源分配量和资源单价；
S22、感知设备将资源单价发送给用户，根据用户收益函数的拉格朗日函数更新单位时间资源分配量，并将单位时间资源分配量发送给感知设备；
S23、判断感知设备收益函数的拉格朗日函数对资源单价的偏导数是否大于零，若大于零则根据感知设备收益函数的拉格朗日函数更新资源单价并返回S22，否则输出最优的最优单位时间资源分配量和最优资源单价。
3.根据权利要求2所述的采取分布式博弈的群智感知资源分配方法，其特征在于，所述用户收益函数和感知设备收益函数包括：
用户收益函数：
感知设备收益函数：
其中，uij(qij)表示用户的效用函数，qij(t)表示单位时间资源分配量，表示感知设备的通信成本，表示感知设备的感知成本，pij表示用户bi支付给感知设备sj的资源单价，qij表示当前任务，ai表示当前任务到达时间，di表示当前任务离开时间，表示用户bi与感知设备sj的连接时间。
4.根据权利要求1所述的采取分布式博弈的群智感知资源分配方法，其特征在于，根据资源动态调整方案进行资源分配包括：
S31、根据感知设备剩余可用资源和最优资源单价，得到资源缺口
S32、根据低负载感知设备提供的感知资源Qauc和感知成本，计算当前轮次的投标价格以及额外收益；
S33、感知设备选取低负载感知设备提供的最低价达成资源交易，并根据当前的交易修改资源缺口为
S34、判断感知设备是否买到足够的感知资源，若是则完成资源分配，否则进行步骤S35；
S35、判断是否有低负载感知设备参加资源调整，若有则返回S2，否则拒绝当前资源分配请求，结束资源分配。
5.根据权利要求4所述的采取分布式博弈的群智感知资源分配方法，其特征在于，步骤S31中所述的资源缺口表示为：
其中，ai表示当前任务到达时间，di表示当前任务离开时间，di-1表示前一任务离开时间，表示最优的单位时间资源分配量。
6.根据权利要求1所述的采取分布式博弈的群智感知资源分配方法，其特征在于，所述在效用-成本模型中建立系统收益目标函数表示为：
其中，U(qij)表示系统的收益，uij(qij)表示用户的效用函数，表示感知设备的感知成本，表示感知设备的通信成本。
7.根据权利要求6所述的采取分布式博弈的群智感知资源分配方法，其特征在于，所述用户的效用函数uij(qij)为：
其中，α为权重参数，ai表示当前任务到达时间，di表示当前任务离开时间，qij(t)表示为单位时间资源分配量。
8.根据权利要求6所述的采取分布式博弈的群智感知资源分配方法，其特征在于，所述感知设备的感知成本为：
其中，cj为感知设备sj的单位感知资源开销，ai表示任务到达时间，di表示任务离开时间，qij(t)表示为单位时间资源分配量。
9.根据权利要求6所述的采取分布式博弈的群智感知资源分配方法，其特征在于，所述感知设备的通信成本为：
其中，Dij wf(qij,Tij ct)表示在通信方式为Wi-Fi时感知设备sj到用户bi传输的数据量，表示在通信方式为蜂窝时感知设备sj到用户bi传输的数据量，表示用户bi与感知设备sj的连接时间，γ表示使用Wi-Fi通信时的单位时间通信成本，θ表示使用蜂窝通信时的单位时间通信成本，bwf表示Wi-Fi的网络带宽，bcell表示蜂窝的网络带宽。
CN201810158632.9A 2018-02-26 2018-02-26 采取分布式博弈的群智感知资源分配方法 Active CN108200610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810158632.9A CN108200610B (zh) 2018-02-26 2018-02-26 采取分布式博弈的群智感知资源分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810158632.9A CN108200610B (zh) 2018-02-26 2018-02-26 采取分布式博弈的群智感知资源分配方法

Publications (2)

Publication Number Publication Date
CN108200610A true CN108200610A (zh) 2018-06-22
CN108200610B CN108200610B (zh) 2021-10-22

Family

ID=62593690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810158632.9A Active CN108200610B (zh) 2018-02-26 2018-02-26 采取分布式博弈的群智感知资源分配方法

Country Status (1)

Country Link
CN (1) CN108200610B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109445940A (zh) * 2018-10-19 2019-03-08 上海达家迎信息科技有限公司 一种基于物联网的挖矿方法、系统、装置、设备和介质
CN109740952A (zh) * 2019-01-09 2019-05-10 中南大学 一种基于单位竞价和贡献密度的群体感知数据收集方法
CN109756371A (zh) * 2018-12-27 2019-05-14 上海无线通信研究中心 一种基于博弈的网络节点资源感知激励方法及系统
CN110231984A (zh) * 2019-06-06 2019-09-13 湖南大学 多工作流任务分配方法、装置、计算机设备和存储介质
CN110825517A (zh) * 2019-09-29 2020-02-21 清华大学 一种基于演化博弈论的分布式资源动态分配方法
CN111083675A (zh) * 2019-12-03 2020-04-28 西北工业大学 工业物联网中基于社交感知的资源分配方法
CN111177892A (zh) * 2019-12-11 2020-05-19 中电普信(北京)科技发展有限公司 一种分布式仿真系统
CN111401645A (zh) * 2020-03-20 2020-07-10 北京科技大学 一种智慧网络中情景感知冲突处理方法
CN111770454A (zh) * 2020-07-03 2020-10-13 南京工业大学 移动群智感知中位置隐私保护与平台任务分配的博弈方法
CN113077327A (zh) * 2021-04-09 2021-07-06 东华大学 一种去中心化群智感知系统中的分布式最优拍卖方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106068027A (zh) * 2016-05-25 2016-11-02 重庆邮电大学 机会群智感知网络中态势感知的自适应数据传输方法
CN107563616A (zh) * 2017-08-17 2018-01-09 上海大学 一种用户任务分配和激励策略的群体感知系统和方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106068027A (zh) * 2016-05-25 2016-11-02 重庆邮电大学 机会群智感知网络中态势感知的自适应数据传输方法
CN107563616A (zh) * 2017-08-17 2018-01-09 上海大学 一种用户任务分配和激励策略的群体感知系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BIN CAO，ET AL: "：An Incentive-based Workload Assignment with Power Allocation in Ad Hoc Cloud", 《IEEE ICC 2017 NEXT GENERATION NETWORKING AND INTERNET SYMPOSIUM》 *
曹傧等: "无线网络虚拟化中资源共享的功率分配算法", 《通信学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109445940A (zh) * 2018-10-19 2019-03-08 上海达家迎信息科技有限公司 一种基于物联网的挖矿方法、系统、装置、设备和介质
CN109756371A (zh) * 2018-12-27 2019-05-14 上海无线通信研究中心 一种基于博弈的网络节点资源感知激励方法及系统
CN109756371B (zh) * 2018-12-27 2022-04-29 上海无线通信研究中心 一种基于博弈的网络节点资源感知激励方法及系统
CN109740952A (zh) * 2019-01-09 2019-05-10 中南大学 一种基于单位竞价和贡献密度的群体感知数据收集方法
CN110231984A (zh) * 2019-06-06 2019-09-13 湖南大学 多工作流任务分配方法、装置、计算机设备和存储介质
CN110825517A (zh) * 2019-09-29 2020-02-21 清华大学 一种基于演化博弈论的分布式资源动态分配方法
CN110825517B (zh) * 2019-09-29 2020-09-08 清华大学 一种基于演化博弈论的分布式资源动态分配方法
CN111083675A (zh) * 2019-12-03 2020-04-28 西北工业大学 工业物联网中基于社交感知的资源分配方法
CN111177892A (zh) * 2019-12-11 2020-05-19 中电普信(北京)科技发展有限公司 一种分布式仿真系统
CN111401645A (zh) * 2020-03-20 2020-07-10 北京科技大学 一种智慧网络中情景感知冲突处理方法
CN111770454A (zh) * 2020-07-03 2020-10-13 南京工业大学 移动群智感知中位置隐私保护与平台任务分配的博弈方法
CN113077327A (zh) * 2021-04-09 2021-07-06 东华大学 一种去中心化群智感知系统中的分布式最优拍卖方法

Also Published As

Publication number Publication date
CN108200610B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN108200610A (zh) 采取分布式博弈的群智感知资源分配方法
Ota et al. QUOIN: Incentive mechanisms for crowd sensing networks
Du et al. Contract design for traffic offloading and resource allocation in heterogeneous ultra-dense networks
Su et al. Incentive scheme for cyber physical social systems based on user behaviors
WO2021254349A1 (zh) 一种基于竞争博弈的多用户切片资源分配方法
Chen et al. Tarco: Two-stage auction for d2d relay aided computation resource allocation in hetnet
Chen et al. Multiuser computation offloading and resource allocation for cloud–edge heterogeneous network
Tang et al. Double-sided bidding mechanism for resource sharing in mobile cloud
Jie et al. Online task scheduling for edge computing based on repeated Stackelberg game
CN109729507B (zh) 基于激励机制的d2d协作式缓存方法
CN112491964B (zh) 移动辅助边缘计算方法、装置、介质和设备
Kim Asymptotic shapley value based resource allocation scheme for IoT services
Sun et al. VERACITY: Overlapping coalition formation-based double auction for heterogeneous demand and spectrum reusability
Zamzam et al. Game theory for computation offloading and resource allocation in edge computing: A survey
Huang et al. Incentive mechanisms for mobile edge computing: Present and future directions
Wang et al. Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system
Huang et al. Hybrid market-based resources allocation in mobile edge computing systems under stochastic information
Liwang et al. Overbooking-empowered computing resource provisioning in cloud-aided mobile edge networks
Zandi et al. Dynamic spectrum access via channel-aware heterogeneous multi-channel auction with distributed learning
Nguyen et al. EdgePV: collaborative edge computing framework for task offloading
Zhang et al. Distributed pricing and bandwidth allocation in crowdsourced wireless community networks
Ye et al. A game-based approach for cloudlet resource pricing for cloudlet federation
Hui et al. Digital twin enabled multi-task federated learning in heterogeneous vehicular networks
Jiang et al. Research on Resource Allocation Algorithm of 5G Network in Multi-Business Smart Grid
CN103561471B (zh) 一种多用户单中继通信系统中的带宽分配方法

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
GR01 Patent grant
GR01 Patent grant