CN108959194A - 感知任务分发方法、装置、系统及可读存储介质 - Google Patents

感知任务分发方法、装置、系统及可读存储介质 Download PDF

Info

Publication number
CN108959194A
CN108959194A CN201810690726.0A CN201810690726A CN108959194A CN 108959194 A CN108959194 A CN 108959194A CN 201810690726 A CN201810690726 A CN 201810690726A CN 108959194 A CN108959194 A CN 108959194A
Authority
CN
China
Prior art keywords
perception
perception task
sensing node
task
cooperation relation
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
CN201810690726.0A
Other languages
English (en)
Inventor
张书奎
陶冶
张力
龙浩
王进
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN201810690726.0A priority Critical patent/CN108959194A/zh
Publication of CN108959194A publication Critical patent/CN108959194A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种感知任务分发方法，包括：获取感知数据；根据感知数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度；根据协作关系强度以及适应度计算感知任务分发概率，生成感知任务分发序列。该方法充分考虑感知节点关系，可以提高感知任务分发效率。本申请还公开了一种感知任务分发装置、系统及一种可读存储介质，具有上述有益效果。

Description

感知任务分发方法、装置、系统及可读存储介质
技术领域
本申请涉及电子技术领域，特别涉及一种感知任务分发方法、装置、系统及一种可读存储介质。
背景技术
随着移动智能设备发展迅猛，功能也日趋完善，如智能手机、平板电脑、智能穿戴设备等，不但具有较强的存储、计算、网络通讯能力，同时还配备各式各样的传感器。为了更好的利用这些移动智能设备的感知、计算和存储资源，一种称为群智感知(Mobile CrowdSensing Computing，MCSC)的新兴感知计算模式应用而生。简单而言，群智感知就是利用移动感知节点具备的感知功能，经过他们之间相互协作，共同完成单个感知节点难以完成的复杂的感知任务。
目前，群智感知已经广泛应用于交通异常分析、空气污染地图标识、噪音污染监测、停车位检测、居民健康指数衡量等领域。在移动群智感知系统中，分发感知任务是群智感知实现的一个关键环节。感知任务分发是指服务器把需要执行的感知任务分发给移动感知节点。对于移动群智感知系统来说，设计一种高效的感知任务发布方法，以利于移动感知节点快速，低开销地获取感知任务，成为一个值得研究的重要问题。
目前的感知任务分发方法主要采用基于主题感知的迭代群智感知计算模型，该模型可以实现在充分了解感知节点真实主题和准确率的情况下为其分发合适的感知任务，但是这种感知任务分发方法只注重感知节点自身的属性关系，忽略了感知节点之间的关系，各感知节点无法实现配合，感知任务分发效率低下。
因此，如何充分考虑感知节点关系，提高感知任务分发效率，是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的是提供一种感知任务分发方法，该方法可以充分考虑感知节点关系，提高感知任务分发效率；本申请的另一目的是提供一种感知任务分发装置、系统及一种可读存储介质，具有上述有益效果。
为解决上述技术问题，本申请提供一种感知任务分发方法，应用于群智感知，包括：
获取感知数据；
根据所述感知数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度；
根据所述协作关系强度以及所述适应度计算感知任务分发概率，生成感知任务分发序列。
优选地，根据所述数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度包括：
根据所述数据基于二分图以及协作网络图构建用以表述感知节点与感知任务关系的网络关系图；
根据所述网络关系图分析感知节点间的协作关系强度以及感知节点对感知任务的适应度。
优选地，根据所述协作关系强度以及所述适应度分析感知任务分发概率，生成感知任务分发序列包括：
根据所述协作关系强度以及所述适应度，通过随机游走思想迭代计算感知任务分发概率分布；
根据所述感知任务分发概率分布生成感知任务分发序列。
优选地，所述感知任务分发概率分布的计算方法具体为：
分发概率分布：
其中，in(i)表示指向i的集合；当i，j同为感知节点时，wij表示协作关系强度对应的权重；当j为感知任务时，wij表示适应度对应的权重；参数d为随机变量。
优选地，所述感知任务分发方法还包括：
根据准确率和/或召回率分析感知任务动态分发的准确度。
优选地，所述准确率的计算方法具体为：
所述召回率的计算方法具体为：
其中，R(a)表示在训练集上对感知节点产生的任务分发列表，T(a)表示在测试集上得到的任务分发列表。
优选地，所述协作关系强度的计算方法具体为：
协作关系强度：
其中，Pi表示和感知节点i有协作关系的感知节点的集合，Pj表示和感知节点j有协作关系的感知节点集合。
所述适应度的计算方法具体为：
适应度
其中，Sj表示感知节点i对感知任务j的选择或浏览次数，max(Sij)表示在群智感知中感知节点对感知任务选择或浏览次数的最大值。
本申请公开一种感知任务分发装置，包括：
获取单元，用于获取感知数据；
分析单元，用于根据所述感知数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度；
计算单元，用于根据所述协作关系强度以及所述适应度计算感知任务分发概率，生成感知任务分发序列。
本申请公开一种感知任务分发系统，包括：
存储器，用于存储程序；
处理器，用于执行所述程序时实现所述感知任务分发方法的步骤。
本申请公开一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述基感知任务分发方法的步骤。
本申请所提供的感知任务分发方法通过对获取的感知数据进行分析，得到用于表示感知节点间协作关系的协作关系强度以及用于表示感知节点与感知任务之间适应程度的适应度，将协作关系强度和适应度两个参数加入分析过程，通过分析多个感知节点之间的关系强度以及感知节点与感知任务之间的适应度来找到感知任务的分发序列，利用节点的协作关系的社交属性，充分挖掘节点和任务之间的关系，缩短了感知任务迭代计算的时间，可以提高感知任务分发的准确度，提高完成任务的质量和效率，也提高了整个群智感知中的数据的利用率。
本申请还公开了一种感知任务分发装置、系统及一种可读存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的感知任务分发方法的流程图；
图2为本申请实施例提供的感知数据示意图；
图3为本申请实施例提供的网络关系示意图；
图4为本申请实施例提供的感知任务分发效果示意图；
图5为本申请实施例提供的动态分发效果提升示意图；
图6为本申请实施例提供的感知任务分发装置的结构框图；
图7为本申请实施例提供的感知任务分发系统的结构框图；
图8为本申请实施例提供的感知任务分发系统的结构示意图。
具体实施方式
本申请的核心是提供一种感知任务分发方法，该方法可以充分考虑感知节点关系，提高感知任务分发效率；本申请的另一核心是提供一种感知任务分发装置、系统及一种可读存储介质，具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例提供的感知任务分发方法的流程图；该方法可以包括：
步骤s100、获取感知数据。
感知数据指群智感知中可以用于表述感知节点间以及感知节点与感知任务间关系的数据。在此对获取的数据形式不做限定，可以为表格形式，如图2所示，也可以为图像形式等。
步骤s101、根据感知数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度。
自从感知节点加入到移动感知器网络中，并与其他节点建立协作关系，该节点与其他任意一个节点，无论是直接还是间接协作关系，都存在着一定的可计算的协作关系强度。不同的感知节点对感知任务的适应程度表现不同，适应程度影响着节点在接收到感知任务后的响应情况，目前的任务分配机制通常只注重节点自身的属性关系，忽略了节点之间的关系，本申请通过分析感知节点间的协作关系强度以及感知节点对感知任务的适应度，充分利用节点的协作关系的社交属性，挖掘节点间以及节点和任务之间的关系，提高整个群智感知中的数据的利用率。
在此对通过数据分析协作关系强度以及适应度的方法不做限定，可以直接根据获取的数据进行计算，为了使数据更直观的表示节点间以及节点与任务的关系，可以通过将数据转换成关系图来进行分析，优选地，根据数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度可以包括以下步骤：
步骤一：根据数据基于二分图以及协作网络图构建用以表述感知节点与感知任务关系的网络关系图；
步骤二：根据网络关系图分析感知节点间的协作关系强度以及感知节点对感知任务的适应度。
其中，感知节点的行为可由一系列二元组描述，二元组(p，t)表示感知节点(Point)对感知任务(Task)产生过的行为，这一过程可由二分图表示，通过二分图对感知节点与感知任务之间的关系可以简化分析过程，精确感知节点与感知任务之间的联系。在群智感知中，感知节点相互之间的协作关系一般可以由协作网络图进行表示，协作关系图通过分析节点间的协作关系强度分析节点间相互配合的联系。
本申请将通常应用领域不相关的协作关系图与二分图结合起来，结合两图优势，形成一个全新的网络关系图结构，用以同时对节点间以及节点与任务之间的关系进行简单、精确的分析。
例如，图2所示为编号201328的节点具体实施数据，将数据用基于二分图以及协作关系图的网络关系图形式表示，如图3所示，其中，为便于分析数据，将节点和感知任务编号，用便于观察的字母来替换。由图3可以清晰直观地显示群智感知中的协作分配关系，有利于从整体上将节点间的关系同节点与任务之间的关系同时进行分析，避免了需要同时参照两种图进行分析的繁琐以及不便。
在此对协作关系强度的计算方法不做限定，可以任选合适的算法对与目标节点有协作关系的节点的联系程度进行分析。其中，优选地，对两节点间的协作关系强度的计算可以通过分别对与两节点有写作关系的感知节点进行分析，通过两组关系网络分析对应的节点间的关系强度，算法简单，计算过程耗时短。协作关系强度的计算方法具体如公式1所示。
协作关系强度：
其中，Pi表示和感知节点i有协作关系的感知节点的集合，Pj表示和感知节点j有协作关系的感知节点集合。
节点对感知任务的适应程度表现形式不同，但是其本质是不变的，就是节点对感知任务的兴趣，兴趣越高，则适应度也就越高，本申请引入适应度用于量化表示感知节点对感知任务的适应程度。适应度可以根据感知节点对感知任务的兴趣程度进行表示，其中，兴趣程度可以通过感知节点对感知任务的选择或浏览次数来表示，当然，也可以通过其它方式来表示兴趣程度，通过感知节点对感知任务的选择或浏览次数来表示兴趣程度不论从数据的获取难度以及计算的复杂性来说相对于其他方式性能较优，本申请仅以通过选择或浏览次数为例，优选地，适应度的计算方法具体如公式2所示。
适应度
其中，Sj表示感知节点i对感知任务j的选择或浏览次数，max(Sij)表示在群智感知中感知节点对感知任务选择或浏览次数的最大值。
步骤s102、根据协作关系强度以及适应度计算感知任务分发概率，生成感知任务分发序列。
节点之间的协作关系强度，可以定义节点相互之间的权重；节点对感知任务的适应度，可以定义节点和感知任务之间的权重，利用节点之间的协作关系生成感知任务分发的概率分布，一般情况下协作关系与分发概率成正比，根据概率分布对应生成感知任务的分发序列，可以有效提高完成任务的质量和效率。
在此对协作关系强度以及适应度如何迭代分析生成任务分发概率的方法不做限定，可以参照现有技术，优选地，可以选用随机游走思想对获取的协作关系强度以及适应度计算概率分布，随机游走是指从一个或一系列顶点开始遍历一张图，在任意一个顶点，遍历者将以概率1-α游走到这个顶点的邻居节点，以概率α随机跳跃到图中的任何一个顶点，称α为跳转发生的概率，每次游走后得到一个概率分布，该概率分布刻画了图中每一个顶点被访问到的概率。用这个概率分布作为下一次游走的输入并反复迭代这一过程。通过随机游走思想计算概率分布，并将协作关系强度和适应度两个参数统一为权重因子加入其中，从而缩短了感知任务迭代计算的时间、提高了感知任务分发的准确度。具体地，根据协作关系强度以及适应度分析感知任务分发概率，生成感知任务分发序列可以包括以下步骤：
1)、根据协作关系强度以及适应度，通过随机游走思想迭代计算感知任务分发概率分布；
2)、根据感知任务分发概率分布生成感知任务分发序列。
由于计算时输入的数据类型不同，通过不同的算法对协作关系强度以及适应度进行分析得到的任务分发概率可能是不同的，优选地，感知任务分发概率分布的计算方法具体可以如公式3所示。
其中，in(i)表示指向i的集合；wij表示权重，wij∈[0，1]，当i与j同为感知节点时，wij衡量感知节点之间协作关系强度，即协作关系强度对应的权重；当感知节点j是感知任务时，wij表示感知节点i和感知任务j之间的权重，即适应度对应的权重。参数d是一个随机变量，表示继续游走的概率。仅通过权重进行分析的过程不仅计算过程简单，而且受其他因素较小，准确率较高。
基于上述技术方案本申请所提供的感知任务分发方法通过对获取的感知数据进行分析，得到用于表示感知节点间协作关系的协作关系强度以及用于表示感知节点与感知任务之间适应程度的适应度，将协作关系强度和适应度两个参数加入分析过程，通过分析多个感知节点之间的关系强度以及感知节点与感知任务之间的适应度来找到感知任务的分发序列，利用节点的协作关系的社交属性，充分挖掘节点和任务之间的关系，缩短了感知任务迭代计算的时间，可以提高感知任务分发的准确度，提高完成任务的质量和效率，也提高了整个群智感知中的数据的利用率。
基于上述实施例，为了衡量感知任务动态分发的准确度，本申请引入准确率以及召回率这两个概念，其中，准确率＝提取出的正确信息条数/提取出的信息条数；召回率＝提取出的正确信息条数/样本中的信息条数。例如，检索文章的时候，准确率是检索出相关文档数与检索出的文档总数的比率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率。准确率和召回率取值均在0和1之间，其数值越接近1，准确率和召回率就会越高。
优选地，在根据生成的任务分发序列进行任务分发后，可以根据准确率和/或召回率分析感知任务动态分发的准确度。具体地，在此对准确率以及召回率的计算公式不做限定，可以自行根据任务类型、节点类型等参数进行设置，优选地，准确率的计算方法具体可以如公式4所示。
召回率的计算方法具体可以如公式5所示。
其中，R(a)表示算法在训练集上对感知节点产生的任务分发列表，T(a)表示感知节点在测试集上得到的任务分发列表。
为进一步加深对本申请提供的感知任务分发方法的理解，在此以获取的感知数据为图2所示的数据为例对整体的感知任务分发方法进行介绍。
步骤1，在二分图模型基础上，对获取的感知数据用网络关系图表示节点与感知任务之间的关系。
(1)为了分析数据，将节点和感知任务编号，用便于观察的字母来替换，将数据用基于二分图的形式表示，如图3所示。
步骤2，量化计算协作关系强度和适应度两个参数。
(1)通过查询节点行为可知，和节点201328的具有协作关系的节点共有4个(143770，143659，37373，201274)，其中和节点143770具有协作关系的节点有2个，二者的公共节点为201074，利用上述公式1可以计算节点201328和节点143770的协作关系强度为：
(2)通过查询节点行为可知，节点201328对感知任务36896的标注为1次，而所有节点对感知任务标注的最大次数为100，利用公式2可以计算出节点201328对感知任务36896的适应度：
步骤3，将协作关系强度以及适应度中统一为权重因子，迭代计算出概率分布并生成任务分发序列。
(1)设置节点的数量；起始节点的访问概率为1，其他节点是0；迭代的次数；初始化，设置临时变量；顺序取出图中每一个节点i和i的尾边集合；取节点i的出边的尾节点j以及边E(i,j)的权重wij；根据公式3计算概率分布；每次游走都是从root节点出发，因此root节点的权重需要加上(1-alpha)，其中，alpha为随机游走的概率。
步骤4，通过准确率和召回率来衡量任务分发的结果。
随机从数据库选取16个移动节点的数据，按照1:3的比例进行实验验证，其中4个进行算法实验，12个进行算法验证，交替进行，根据公式4和5可计算出准确率为1.654％，召回率为0.601％。
从图4可以看出，本申请的感知任务分发方法，利用节点之间的协作关系，分发感知任务的概率得到了明显的提升。将不同感知任务对应的概率值由高到低排序，从而生成更加精确的动态分发列表。将有无协作关系的分发概率进行纵向的比较，如图5所示。
从图5中可以观察出，T6、T7和T8节点的分发效果比较好，通过对比这些节点对应的节点和A1的权重关系可以发现，协作关系权重越大，感知任务分发的效果提升的越明显。
下面对本申请提供的感知任务分发装置进行介绍，请参考图6，图6为本申请实施例提供的感知任务分发装置的结构框图；该装置可以包括：获取单元200、分析单元201以及计算单元202。
其中，获取单元200主要用于获取感知数据；
分析单元201主要用于根据感知数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度；
计算单元202主要用于根据协作关系强度以及适应度计算感知任务分发概率，生成感知任务分发序列。
具体地，分析单元201可以用于根据数据基于二分图以及协作网络图构建用以表述感知节点与感知任务关系的网络关系图；根据网络关系图分析感知节点间的协作关系强度以及感知节点对感知任务的适应度。
分析单元201可以进一步包括协作关系强度计算子单元以及适应度计算子单元。
其中，协作关系强度计算子单元用于根据公式1计算协作关系强度。
其中，公式1具体为：协作关系强度
Pi表示和感知节点i有协作关系的感知节点的集合，Pj表示和感知节点j有协作关系的感知节点集合。
适应度计算子单元用于根据公式2计算适应度。
其中，公式2具体为：适应度
Sj表示感知节点i对感知任务j的选择或浏览次数，max(Sij)表示在群智感知中感知节点对感知任务选择或浏览次数的最大值。
计算单元202可以用于根据协作关系强度以及适应度，通过随机游走思想迭代计算感知任务分发概率分布；根据感知任务分发概率分布生成感知任务分发序列。
计算单元202可以进一步包括分发概率分布计算子单元，用于根据公式3计算分发概率分布。
其中，公式3具体为：
其中，in(i)表示指向i的集合；当i，j同为感知节点时，wij表示协作关系强度对应的权重；当j为感知任务时，wij表示适应度对应的权重；参数d为随机变量。
本申请提供的感知任务分发装置还可以进一步包括评估单元，评估单元与计算单元连接，用于根据准确率和/或召回率分析感知任务动态分发的准确度。
其中，评估单元可以进一步包括准确率计算子单元以及召回率计算子单元。准确率计算子单元用于根据公式4计算准确率；召回率计算子单元用于根据公式5计算召回率。
其中，公式4具体为：
公式5具体为：
R(a)表示在训练集上对感知节点产生的任务分发列表，T(a)表示在测试集上得到的任务分发列表。
本申请提供的感知任务分发装置可以实现提高感知任务分发效率的目的。具体对感知任务分发装置的介绍可参照上述感知任务分发方法，在此不再赘述。
下面对本申请提供的感知任务分发系统进行介绍，具体对感知任务分发系统的介绍可参照上述感知任务分发装置，图7为本申请实施例提供的感知任务分发系统的结构框图；该系统可以包括：
存储器500，用于存储计算机程序；
处理器600，用于执行计算机程序时实现感知任务分发方法的步骤。
本申请提供的感知任务分发系统可以实现提高感知任务分发效率的目的。
请参考图8，本申请实施例提供的感知任务分发系统的结构示意图，该分发系统可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在分发系统301上执行存储介质330中的一系列指令操作。
分发系统301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上面所描述的感知任务分发方法中的步骤可以由感知任务分发系统的结构实现。
下面对本申请实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的感知任务分发方法可相互对应参照。
本申请公开的一种可读存储介质，其上存储有程序，程序被处理器执行时实现感知任务分发方法的步骤。
需要说明的是，本申请具体实施方式中的感知任务分发装置中的各个单元，其工作过程请参考图1对应的具体实施方式，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备，存储介质和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，设备，存储介质和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个移动终端中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是手机，或者平板电脑等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、终端或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的感知任务分发方法、装置、系统及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种感知任务分发方法，应用于群智感知，其特征在于，包括：
获取感知数据；
根据所述感知数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度；
根据所述协作关系强度以及所述适应度计算感知任务分发概率，生成感知任务分发序列。
2.如权利要求1所述的感知任务分发方法，其特征在于，根据所述数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度包括：
根据所述数据基于二分图以及协作网络图构建用以表述感知节点与感知任务关系的网络关系图；
根据所述网络关系图分析感知节点间的协作关系强度以及感知节点对感知任务的适应度。
3.如权利要求1所述的感知任务分发方法，其特征在于，根据所述协作关系强度以及所述适应度分析感知任务分发概率，生成感知任务分发序列包括：
根据所述协作关系强度以及所述适应度，通过随机游走思想迭代计算感知任务分发概率分布；
根据所述感知任务分发概率分布生成感知任务分发序列。
4.如权利要求3所述的感知任务分发方法，其特征在于，所述感知任务分发概率分布的计算方法具体为：
分发概率分布：
其中，in(i)表示指向i的集合；当i，j同为感知节点时，wij表示协作关系强度对应的权重；当j为感知任务时，wij表示适应度对应的权重；参数d为随机变量。
5.如权利要求1所述的感知任务分发方法，其特征在于，还包括：
根据准确率和/或召回率分析感知任务动态分发的准确度。
6.如权利要求5所述的感知任务分发方法，其特征在于，所述准确率的计算方法具体为：
所述召回率的计算方法具体为：
其中，R(a)表示在训练集上对感知节点产生的任务分发列表，T(a)表示在测试集上得到的任务分发列表。
7.如权利要求1所述的感知任务分发方法，其特征在于，所述协作关系强度的计算方法具体为：
协作关系强度：
其中，Pi表示和感知节点i有协作关系的感知节点的集合，Pj表示和感知节点j有协作关系的感知节点集合；
所述适应度的计算方法具体为：
适应度
其中，Sj表示感知节点i对感知任务j的选择或浏览次数，max(Sij)表示在群智感知中感知节点对感知任务选择或浏览次数的最大值。
8.一种感知任务分发装置，其特征在于，包括：
获取单元，用于获取感知数据；
分析单元，用于根据所述感知数据分析感知节点间的协作关系强度以及感知节点对感知任务的适应度；
计算单元，用于根据所述协作关系强度以及所述适应度计算感知任务分发概率，生成感知任务分发序列。
9.一种感知任务分发系统，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行所述程序时实现如权利要求1至7任一项所述感知任务分发方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至7任一项所述感知任务分发方法的步骤。
CN201810690726.0A 2018-06-28 2018-06-28 感知任务分发方法、装置、系统及可读存储介质 Pending CN108959194A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810690726.0A CN108959194A (zh) 2018-06-28 2018-06-28 感知任务分发方法、装置、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810690726.0A CN108959194A (zh) 2018-06-28 2018-06-28 感知任务分发方法、装置、系统及可读存储介质

Publications (1)

Publication Number Publication Date
CN108959194A true CN108959194A (zh) 2018-12-07

Family

ID=64487963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810690726.0A Pending CN108959194A (zh) 2018-06-28 2018-06-28 感知任务分发方法、装置、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN108959194A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059770A (zh) * 2019-04-30 2019-07-26 苏州大学 基于位置预测的自适应任务分发方法、装置及相关组件
CN112396102A (zh) * 2020-11-17 2021-02-23 哈尔滨工程大学 基于时空移动特征分布的移动群智感知用户联盟聚类方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059770A (zh) * 2019-04-30 2019-07-26 苏州大学 基于位置预测的自适应任务分发方法、装置及相关组件
CN112396102A (zh) * 2020-11-17 2021-02-23 哈尔滨工程大学 基于时空移动特征分布的移动群智感知用户联盟聚类方法
CN112396102B (zh) * 2020-11-17 2022-08-02 哈尔滨工程大学 基于时空移动特征分布的移动群智感知用户联盟聚类方法

Similar Documents

Publication Publication Date Title
Papadimitriou et al. Fast and accurate link prediction in social networking systems
Steinhaeuser et al. Identifying and evaluating community structure in complex networks
Costa et al. Characterization of complex networks: A survey of measurements
Lei et al. Identification of dynamic protein complexes based on fruit fly optimization algorithm
CN112365171B (zh) 基于知识图谱的风险预测方法、装置、设备及存储介质
Jardak et al. Parallel processing of data from very large-scale wireless sensor networks
CN106506705A (zh) 基于位置服务的人群分类方法及装置
Zhang et al. Service recommendation based on quotient space granularity analysis and covering algorithm on Spark
CN102148717B (zh) 一种二分网络中社团检测方法及装置
Li et al. Evolutionary community discovery in dynamic social networks via resistance distance
Cheng et al. Neighbor similarity based agglomerative method for community detection in networks
CN108959194A (zh) 感知任务分发方法、装置、系统及可读存储介质
Bhih et al. An optimisation tool for robust community detection algorithms using content and topology information
Király et al. Geodesic distance based fuzzy c-medoid clustering–searching for central points in graphs and high dimensional data
Abudalfa et al. A dynamic linkage clustering using KD-tree
Zhang et al. Differentiating population spatial behavior using representative features of geospatial mobility (refgem)
Liu et al. An influence power-based clustering approach with PageRank-like model
Saxena et al. Global rank estimation
Patra et al. Motif discovery in biological network using expansion tree
Qi A review: Random walk in graph sampling
CN107480199B (zh) 数据库的查询重构方法、装置、设备及存储介质
Liu et al. Community detection in multi-partite multi-relational networks based on information compression
Adu-Gyamfi et al. Mobility and trajectory-based technique for monitoring asymptomatic patients
Deshpande et al. A novel algorithm for evaluating clustering propensity of IoT-generated spatio-temporal data geared for distributed systems
Topirceanu et al. Social cities: Quality assessment of road infrastructures using a network motif approach

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181207