CN109347905A - 一种移动群智感知中的空间任务分配机制 - Google Patents
一种移动群智感知中的空间任务分配机制 Download PDFInfo
- Publication number
- CN109347905A CN109347905A CN201811001423.XA CN201811001423A CN109347905A CN 109347905 A CN109347905 A CN 109347905A CN 201811001423 A CN201811001423 A CN 201811001423A CN 109347905 A CN109347905 A CN 109347905A
- Authority
- CN
- China
- Prior art keywords
- user
- task
- quality
- tasks
- perceived
- 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
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
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明设计了一种分配机制来解决空间任务中用户与任务的空间距离的问题。首先,以感知成本最小为目标,基于遗传算法和贪心算法,设计了一种高效的任务分配方法;其次,针对用户感知质量的随机性,基于用户的历史感知情况和当前任务的执行情况,设计了用户感知质量的更新机制。为验证所提机制的效果,通过仿真实验与两种基准的任务分配方法作比较。实验结果表明,所提机制在感知总成本、任务分配率和用户执行任务所移动的总距离等方面均有更好的效果。
Description
技术领域
本发明涉及一种空间任务分配机制,特别地,涉及到一种以感知成本最小为 目标,基于遗传算法和贪心算法的空间任务分配方法。
背景技术
如今,智能手机逐渐成为移动通讯设备的主流,这些智能手机通常配有功能 强大的传感器,如GPS,相机和数字式罗盘等。在此背景下,借助智能手机收集 感知数据的新兴感知模式-移动群智感知(Mobile Crowd Sensing,以下简称MCS) 正逐渐成为学术界研究的热点课题。MCS通常由三部分组成:任务所有者、云端 平台和感知用户,其中任务所有者将感知任务提交到云端平台;云端平台通过智 能分配算法将感知任务分配给感知用户;感知用户按要求完成感知任务并上传数 据。如何选择合适的感知用户是MCS的关键问题之一,合理的任务分配方案是 感知任务高效执行的前提。
目前,MCS的应用中大部分都是空间任务,如交通规划、环境监测和公共安 全等,这对MCS的任务分配方法提出了更高的要求。目前,有关MCS中任务分 配问题的研究有很多,但是MCS的发展处于初期阶段,很多方法和理论仍需完 善。在文献题目:《Taming theuncertainty:budget limited robust crowd sensing through online learning》作者:Han K,Zhang C,Luo J,IEEE/ACM Transactions on Networking,2016,24(3):1462-1475中考虑到感知用户收集数据质量的不确定性, 设计出BLISS任务分配框架不断重组感知用户集合。在文献题目:《Incentive mechanisms for time window dependent tasks inmobile crowd sensing》作者:Xu J, Xiang J,Yang D,IEEE Transactions on WirelessCommunications,2015,14(11): 6353-6364中考虑基于连续时间窗口的任务分配问题,并利用动态规划算法解决 该问题。在文献题目:《Task allocation mechanism forcrowdsourcing system based on reliability of users》作者:SHI Zhan,XIN Yu,SUNYu-e,Journal of Computer Applications,2017,37(9):2449-2453中将任务分配问题抽象成整数规划问题,然后 采用贪心技术实现用户与任务之间的高效匹配。但是上述研究都不适用于空间任 务的分配问题。在文献题目:《Balancing quality and budgetconsiderations in mobile crowdsourcing》作者:Miao C,Yu H,Shen Z,DecisionSupport Systems,2016(90):56-64中将空间任务的分配问题描述成多条件的背包问题,并使用贪心策略解决该问题。在文献题目:《A Crowd-Sensing Framework for Allocationof Time-Constrained and Location-based Tasks》作者:Estrada R,Mizouni R,OtrokH,IEEE Transactions on Services Computing,DOI 10.1109/TSC. 2017.2725835针对具有时间限制和位置限制的任务提出一种多任务的分配框架, 并引入排队机制、信誉机制和委托人机制以得到高效的任务分配方案。在空间任 务的分配问题中,用户到任务的空间距离直接影响着感知成本,而在有的研究中 所提出的任务分配方法均是以数据收益为优化目标,并未考虑用户与任务的空间 距离对感知成本的影响。在文献题目:《Multitask-oriented Participant Selection in Mobile Crowd Sensing》作者:LIU yan,GUO Bin,WU Wen-le,Chinese Journal of Computers,2016(8):1872-1877中主要针对多任务分发问题提出了MultiTasker方 法,目标是使用户完成任务所移动的总距离最短,并且完成任务的用户数最少以 优化用户资源,但是该方法没有考虑任务对感知数据质量的要求。
发明内容
本发明要解决的技术问题是:
本发明在总结现有任务分配方法的基础上,针对空间任务的分配问题,以感 知成本最小为优化目标,设计了一种空间任务的分配机制。该分配机制将所研究 的任务分配问题抽象为数学模型;阐述了基于遗传算法和贪心算法实现任务与用 户之间的高效匹配,此外还详细介绍了用户感知质量的更新机制;最后,通过仿 真实验将本文的分配算法MICTA与两种基准的分配方法做比较,并对实验结果 进行分析。
附图说明
图1 N=10时,任务分配率与用户总量间的关系
图2 N=10时,用户执行任务移动的总距离与用户总量间的关系
图3 N=10时,感知总成本与用户总量间的关系
图4 N=20时,任务分配率与用户总量间的关系
图5 N=20时,用户执行任务移动的总距离与用户总量间的关系
图6 N=20时,感知总成本与用户总量间的关系
图7 M=23时,任务分配率与用户总量间的关系
图8 M=23时,用户执行任务移动的总距离与用户总量间的关系
图9 M=23时,感知总成本与用户总量间的关系
本发明的具体实施方式
下面结合实施例进一步描述本发明。本发明的范围不受这些实例的限制,本 发明的范围在权利要求书中提出。
(1)关键参数的设置
MATLAB实验环境中模拟N个感知任务,随机分布在600*600(单位:km) 的区域内。每个任务的最低质量要求qi服从区间[0,30]上的均匀分布。此外,模 拟M个感知用户,用户的出发点设为(0,0),每个用户的感知质量λk服从区间 [0,30]上的均匀分布。通常情况下用户的固定激励与用户的感知质量相关。本实 验根据用户感知质量λk的取值范围,设置用户uk的固定激励fk(单位:RMB)。 当用户uk的感知质量λk在[0,10]范围内,固定激励fk服从区间[0,100]上的均匀 分布;当用户uk的感知质量λk在[10,20]范围内,固定激励fk服从区间[100,200] 上的均匀分布;当用户uk的感知质量λk在[20,30]范围内,固定激励 fk服从区间[200,300]上的均匀分布;为分析用户与任务的空间距离对感知成本的 影响,本实验设置所有用户的动态成本p=0.1(单位:RMB/Km)。感知用户的最大 执行能力服从区间[1,4]上的均匀分布。
(2)实验
为验证本发明所提机制的效果,在MATLAB实验环境下进行仿真测试,并与 以下两种基准分配方法作对比。
①LCPTA方法:基于贪心算法的任务分配方法,优先为固定激励最低的用户 分配感知任务。为用户分配感知任务时,第一步在未分配的任务集中找到该用户 能够执行的任务集L,即所有质量要求小于用户感知质量的任务,第二步,每次 从集L中选取距离用户当前位置最近的任务分配给用户,直到达到用户的最大执 行能力或集合L为空。
②HRPTA方法:同样基于贪心算法分配感知任务,但与LCPTA方法不同的是, HRPTA优先为比率最高的用户分配感知任务,这里所说的比率是指用户的感知质 量与固定激励的比值。
图1,2,3中设置任务数量N=10。图1中三条线段重合,表明任务数量为10 时,三种方法均能保证所有任务至少被执行一次。但由图2可以看出本文提出的 MICTA方法在用户完成任务所移动的总距离方面优于另外两种方法。这是因为 MICTA方法能够综合考虑任务的质量要求、用户的感知质量、固定激励、最大执 行能力和用户到任务的空间距离等多个因素合理地选择合适的用户集合,而 LCPTA方法优先为固定激励低的用户分配任务,而没有考虑任务的质量要求和用 户与任务的空间距离,这就造成LCPTA方法在用户执行任务移动的总距离方面无 法达到最优。同理,HRPTA方法优先为感知质量与固定激励比值最高的用户分配 任务,同样没有考虑任务的质量要求和用户与任务的空间距离等因素。由图3可知,随着用户总量的增多,MICTA方法在感知成本方面波动不大,而且总是低 于另外两种方法。
图4,5,6中设置任务数量N=20。由图4可知,当任务数为20时,若用户总 量小于29,LCPTA方法无法将所有任务分配出去,若用户总量小于38,HRPTA 方法无法将所有任务分配出去,而MICTA方法在用户总量为14时依然能够成功 分配所有任务。这是因为LCPTA方法和HRPTA方法无法在考虑感知成本的同时 兼顾用户的感知质量和任务的质量要求,这就造成LCPTA方法和HRPTA方法需 要更多的感知用户参与。由图5可知,当任务数为20时,MICTA方法依然在用 户执行任务移动的总距离方面优于两外两种方法。由图6可知,随着用户总量的 增加,MICTA方法的感知成本基本不变且总是低于另外两种方法。
图7,8,9中设置用户总量M=23。如图7可知,用户总量M=23时,当任务总 量达到17时,LCPTA方法和HRPTA方法均无法成功分配所有任务,而当任务总 量达到29时,本文提出的MICTA方法依然能够将所有任务成功分配出去。由图 8,9可知,随着任务总量的增加,三种方法在用户执行任务移动的总距离和感知 总成本两个方面均不断增加,但是在任务全部被成功分配的情况下,本文所提的 MICTA方法在上述两个方面均优于LCPTA方法和HRPTA方法。
实验证明,相比LCPTA方法和HRPTA方法,本文基于遗传算法提出的MICTA 方法,能在任务全部被成功分配的前提下实现感知成本最小。这是由于遗传算法 是一种仿照生物进化过程,通过选择、交叉和变异得到最优解的智能算法。在本 文系统模型中,基于遗传算法的MICTA算法能够综合考虑任务的质量要求、用 户的感知质量、用户的最大执行能力和用户到任务的空间距离等多种因素,使得 该方法相比另外两种基准算法在任务分配率、用户执行任务移动的总距离和感知 总成本等方面均有较好的表现。
Claims (4)
1.一种移动群智感知中的空间任务分配机制,其特征在于,包括以下步骤:
(1)以感知成本最小为目标,基于遗传算法和贪心算法的空间任务分配方法(MinimizeCost for Tasks Allocation简称MICTA);
(2)用户感知质量的更新机制。
2.根据权利要求1所述的移动群智感知中的空间任务分配机制,其特征在于,所述的步骤(1)中基于遗传算法和贪心算法的空间任务分配算法包括以下步骤:
(2.A)染色体编码及适应度评价函数
本专利采用自然数编码方式,0,1,2...M表示M个用户的编号,用户编号所在的位置下标对应任务编号,上述编码方式产生的解所确定的分配方案能够保证每个任务至少被执行一次,但不能保证分配给每个任务的用户的感知质量符合任务的质量要求,也不能保证分配给用户的任务数量在其最大执行能力的范围内,为了处理以下所示的约束条件,
λk≥yi,kqi uk∈U ti∈T
其中yi,k为二进制变量,表示用户uk是否执行了任务ti,如果是,yi,k的值为1,反之为0。第一个约束条件确保执行每个任务的用户的感知质量都满足该任务的质量要求qi。第二个约束条件确保每个用户执行的任务数不超过用户的最大执行能力nk。MICTA方法在计算染色体评价值时引入惩罚系数pw;
(2.B)种群更新
本文遗传算法采用最佳个体保存与轮盘赌相结合的选择策略产生一半数量的子代,另外一半子代采用部分匹配交叉和单点变异得到;
(2.C)终止条件
达到最大进化代数时终止。
3.根据权利要求1所述的移动群智感知中的空间任务分配机制,其特征在于,所述的步骤(1)中染色体的评价值的具体计算过程如下:
(3.A)确定输入染色体C中被选用户的集合S={1,2,…s},令k=1,输出染色体C的评价值E=0;
(3.B)如果k>s跳转到步骤(3.E);否则根据C得到用户k要执行的任务集合Ri={1,2...r},并令E=E+fk,如果Ri中元素的个数|Ri|大于用户k的执行能力nk,令E=E+pw;
(3.C)如果Rk为空,令k=k+1跳转到步骤(3.B);否则选择Rk中距离用户k当前最近的任务j,令E=E+distance(k,j)*Rk,如果任务j的质量要求qj大于用户k的感知能力,令E=E+pw;
(3.D)从集合Rk中移除任务j,跳转到步骤(3.C);
(3.E)输出染色体C的评价值E。
4.根据权利要求1所述的移动群智感知中的空间任务分配机制,其特征在于,所述的步骤(2)中用户感知质量的更新机制描述如下:
移动群智感知中感知用户的非专业性造成用户每次完成任务的感知质量是不可预知的随机值,但是可以通过总结用户历史的感知情况得到用户感知质量的估计值,为得到更接近用户的实际情况的估计值,本文加入用户感知质量的更新机制,每执行完一个任务后,根据用户上传的感知数据更新用户的感知质量,为后续的任务分配做准备,用户感知质量的更新公式如下所示:
其中表示感知用户uk执行完r任务后的感知质量,Aj k表示用户uk执行任务tj时上传的合格数据的总量,α为常量,通过调整α的大小,可以调整用户当前执行当前任务的结果对感知质量更新的影响,为避免用户执行任务时的偶然性,用户感知质量的更新过程中增大历史感知质量的比重,因此设置α的取值范围在区间[0.5.1]之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811001423.XA CN109347905A (zh) | 2018-08-30 | 2018-08-30 | 一种移动群智感知中的空间任务分配机制 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811001423.XA CN109347905A (zh) | 2018-08-30 | 2018-08-30 | 一种移动群智感知中的空间任务分配机制 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109347905A true CN109347905A (zh) | 2019-02-15 |
Family
ID=65292137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811001423.XA Pending CN109347905A (zh) | 2018-08-30 | 2018-08-30 | 一种移动群智感知中的空间任务分配机制 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109347905A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885944A (zh) * | 2019-02-25 | 2019-06-14 | 天津工业大学 | 一种移动群智感知中的混合空间任务分配机制 |
CN110009233A (zh) * | 2019-04-08 | 2019-07-12 | 清华大学深圳研究生院 | 群智感知中基于博弈论的任务分配方法 |
CN110097190A (zh) * | 2019-04-25 | 2019-08-06 | 华南理工大学 | 一种基于双时间限制的群智感知任务分配方法 |
CN111105142A (zh) * | 2019-11-25 | 2020-05-05 | 哈尔滨工程大学 | 一种面向用户个性化隐私保护的众包任务分配方法 |
CN115629885A (zh) * | 2022-12-21 | 2023-01-20 | 暨南大学 | 群智感知中基于局部预算共享的多源任务分配方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103647671A (zh) * | 2013-12-20 | 2014-03-19 | 北京理工大学 | 一种基于Gur Game的群智感知网络管理方法及其系统 |
CN104850935A (zh) * | 2015-04-15 | 2015-08-19 | 南京邮电大学 | 一种以最小化支付为目标的移动群智感知激励方法 |
CN104881800A (zh) * | 2015-06-03 | 2015-09-02 | 西北工业大学 | 一种基于移动群智感知的激励机制实现方法 |
CN106056214A (zh) * | 2016-05-18 | 2016-10-26 | 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 |
CN106209874A (zh) * | 2016-07-18 | 2016-12-07 | 沈阳师范大学 | 一种群智感知分配系统及其任务分配方法 |
CN106709647A (zh) * | 2016-12-25 | 2017-05-24 | 复旦大学 | 一种基于用户观测质量在线学习的群智感知激励方法 |
CN108304266A (zh) * | 2018-01-30 | 2018-07-20 | 华南理工大学 | 一种移动多目标群智感知任务分配方法 |
-
2018
- 2018-08-30 CN CN201811001423.XA patent/CN109347905A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103647671A (zh) * | 2013-12-20 | 2014-03-19 | 北京理工大学 | 一种基于Gur Game的群智感知网络管理方法及其系统 |
CN104850935A (zh) * | 2015-04-15 | 2015-08-19 | 南京邮电大学 | 一种以最小化支付为目标的移动群智感知激励方法 |
CN104881800A (zh) * | 2015-06-03 | 2015-09-02 | 西北工业大学 | 一种基于移动群智感知的激励机制实现方法 |
CN106056214A (zh) * | 2016-05-18 | 2016-10-26 | 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 |
CN106209874A (zh) * | 2016-07-18 | 2016-12-07 | 沈阳师范大学 | 一种群智感知分配系统及其任务分配方法 |
CN106709647A (zh) * | 2016-12-25 | 2017-05-24 | 复旦大学 | 一种基于用户观测质量在线学习的群智感知激励方法 |
CN108304266A (zh) * | 2018-01-30 | 2018-07-20 | 华南理工大学 | 一种移动多目标群智感知任务分配方法 |
Non-Patent Citations (3)
Title |
---|
ZONGJIAN HE等: ""High Quality Participant Recruitment in Vehicle-based Crowdsourcing using Predictable Mobility"", 《IEEE》 * |
刘琰: ""移动群智感知多任务参与者优选方法研究"", 《计算机学报》 * |
童咏昕等: ""时空众包数据管理技术研究综述"", 《软件学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885944A (zh) * | 2019-02-25 | 2019-06-14 | 天津工业大学 | 一种移动群智感知中的混合空间任务分配机制 |
CN110009233A (zh) * | 2019-04-08 | 2019-07-12 | 清华大学深圳研究生院 | 群智感知中基于博弈论的任务分配方法 |
CN110097190A (zh) * | 2019-04-25 | 2019-08-06 | 华南理工大学 | 一种基于双时间限制的群智感知任务分配方法 |
CN110097190B (zh) * | 2019-04-25 | 2022-11-18 | 华南理工大学 | 一种基于双时间限制的群智感知任务分配方法 |
CN111105142A (zh) * | 2019-11-25 | 2020-05-05 | 哈尔滨工程大学 | 一种面向用户个性化隐私保护的众包任务分配方法 |
CN111105142B (zh) * | 2019-11-25 | 2023-06-30 | 哈尔滨工程大学 | 一种面向用户个性化隐私保护的众包任务分配方法 |
CN115629885A (zh) * | 2022-12-21 | 2023-01-20 | 暨南大学 | 群智感知中基于局部预算共享的多源任务分配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347905A (zh) | 一种移动群智感知中的空间任务分配机制 | |
US9325585B1 (en) | Mission-driven autonomous and adaptive resource management | |
Dai et al. | A learning-based approach for vehicle-to-vehicle computation offloading | |
Kim et al. | Multi-agent reinforcement learning-based resource management for end-to-end network slicing | |
EP2962427B1 (en) | Method and system to represent the impact of load variation on service outage over multiple links | |
EP3089502A1 (en) | User perception evaluation method and system | |
CN104038540A (zh) | 一种应用代理服务器自动选择方法及系统 | |
Jie et al. | Online task scheduling for edge computing based on repeated Stackelberg game | |
CN105703927A (zh) | 一种资源分配方法、网络设备和网络系统 | |
Li et al. | Adaptive service function chaining mappings in 5G using deep Q-learning | |
Tumuluru et al. | Integrating price responsive demand into the unit commitment problem | |
CN110881199A (zh) | 一种网络切片资源的动态分配方法、装置及系统 | |
CN102662764A (zh) | 一种基于smdp的动态云计算资源优化分配方法 | |
US20130178990A1 (en) | Triangulated Rules Engine | |
Mostafa | Cooperative fog communications using a multi-level load balancing | |
EP3152810B1 (en) | A method and a system for controlling energy supply to different units | |
Santos et al. | A multi-tier fog content orchestrator mechanism with quality of experience support | |
CN114548416A (zh) | 数据模型训练方法及装置 | |
Ateya et al. | Energy efficient offloading scheme for MEC-based augmented reality system | |
Tiwary et al. | CPS: a dynamic and distributed pricing policy in cyber foraging systems for fixed state cloudlets | |
Abozariba et al. | Uncertainty-aware RAN slicing via machine learning predictions in next-generation networks | |
KR102135210B1 (ko) | 가상 머신 추천 방법 및 이를 이용한 가상 머신 추천 시스템 | |
CN110069708B (zh) | 一种跨媒介推广的推广效果预估方法、装置、介质和设备 | |
Wu et al. | Tasks offloading for connected autonomous vehicles in edge computing | |
Bensalem et al. | Towards optimal serverless function scaling in edge computing network |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190215 |
|
WD01 | Invention patent application deemed withdrawn after publication |