CN109885944A

CN109885944A - 一种移动群智感知中的混合空间任务分配机制

Info

Publication number: CN109885944A
Application number: CN201910140802.5A
Authority: CN
Inventors: 孙学梅; 苑春苗; 许缓缓
Original assignee: Tianjin Polytechnic University
Current assignee: Tianjin Polytechnic University
Priority date: 2019-02-25
Filing date: 2019-02-25
Publication date: 2019-06-14

Abstract

本发明设计了一种混合任务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，基于离线空间任务和在线空间任务的分配算法，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，通过仿真实验对混合任务分配方法作分析。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

一种移动群智感知中的混合空间任务分配机制

技术领域

本发明涉及一种混合空间任务分配机制，特别地，涉及到一种以感知成本最小为目标，基于离线空间任务分配机制和在线空间任务分配机制。

背景技术

手持智能设备(如智能手机和可穿戴设备)的市场在近几年得到快速的发展。这些设备均具有强大的计算和通信功能，并且配备有功能多样的内嵌式传感器。这些传感器的应用使得智能设备可以获取周围环境的有关数据如：噪声水平、交通状况和污染情况等。成功的社会管理办法的制定依赖于这些数据提供的宝贵信息。传统的数据感知技术，如无线传感器网络通过部署专业的传感器获取周围环境的数据，然而由于稀疏的节点覆盖、昂贵的维护成本和伸缩性的不足使得这种商业化的传感器技术无法成功应用到现实世界中。所以伴随着移动智能设备的发展，移动群感知最为一种新兴的感知模型开始走进人们的视野。

移动群智感知需要大量的用户通过智能设备中丰富的内嵌式传感器(如：加速度计、陀螺仪、指南针、麦克风、相机、GPS和无线网络接口)来感知周围环境。内嵌在智能设备中的传感器可以记录用户和周围环境的信息。通过融合和分析这些多维的信息，我们可以促进健康监测、环境检测、交通监测和社会行为监测的发展。从这个意义上来看移动群感知为我们的生活和社会提供了新的前景。目前已经存在的比较优秀的移动群智感知系统包括：用于噪音检测的NoiseTube^[57]，用于交通检测的SingleGuru和VTrack^[58]，用于3G/wifi信号探测的 CityExplorer，SmartTrace^[59]和Sensorly，用于室内定位的LiFs^[60]和TrMCD^[61]。上述感知系统的功能主要依赖于感知用户的数量，但是由于缺乏充足的补偿，普通用户不愿无偿参与感知和共享其设备功能。例如当一个智能手机用户参与一个感知数据收集任务时，不可避免的要消耗智能手机的资源，包括计算资源，通信资源和设备电量等。此外，感知数据通常包括位置信息，这就使得用户不得不承担泄露个人隐私的风险。因此可以想象，除非获得充足的激励否则普通用户是不愿意参与感知任务的。

经典的移动群智感知系统通常任务发布者，移动用户(以下简称：用户)和服务平台(以下简称：平台)。任务发布者向平台提供一组感知任务和任务预算，平台根据提供的任务要求和平台中已经存在的用户信息，将任务分配给合适的用户，用户接收任务后按照任务要求收集感知数据，对收集到的感知数据做出简单处理后上传到平台并索要相应的补偿。作为任务发布者与用户的中介角色，平台从中赚取差值作为服务费用，因而站在平台的角度，平台分配感知任务时在满足任务各项要求的情况下总是试图将任务分配给合适用户以尽可能的减少支付给用户的报酬。

移动群智感知系统中任务发布者在平台上传的任务可以按照紧急程度分为常规任务和紧急任务。常规任务是事先已知的(离线的)，对时间不敏感的，如观察植被的生长情况，某地的污染情况等。而对于紧急任务随时可能会出现(在线的)，如某地突然发生地质灾害，需要获取有关灾情的数据。这类紧急任务通常对感知时间有较高的要求，不在感知时间内收集的数据属于无效数据。紧急任务的不确定性和高要求对任务分配方案提出了更高的挑战。

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，设计了一种混合空间任务的分配机制。在离线任务与在线任务混合的分配问题中，针对其中在线任务的分配算法AM-ONLT。但是AM-ONLT算法的输入行参数包括离线空间任务的分配结果，所以调用AM-ONLT算法对在线任务进行分配的前提是，已经对其中的离线空间任务完成了分配。所以在AM-ONLT算法之前调用不同的离线空间任务分配算法构成了三种不同的混合空间任务的分配机制，分别为：CostFirst&&AM-ONLT、RatioFirst&&AM-ONLT和 GGA-TA&&AM-ONLT。三种混合空间任务的分配机制具有不同的离线空间任务分配算法和相同在线空间任务分配算法。

该混合分配机制将所研究的任务分配问题抽象为数学模型；阐述了基于离线任务分配与在线任务分配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，通过仿真实验对实验结果进行分析。

附图说明

图1混合空间任务分配机制的设计流程

图2 N＝10时，离线用户总量与感知总成本之间的关系

图3 N＝10时，离线用户总量与用户移动的总距离之间的关系

图4 N＝50时，离线用户总量与感知总成本之间的关系

图5 N＝50时，离线用户总量与用户移动的总距离之间的关系

图6 M＝20时，离线任务总量与感知总成本之间的关系

图7 M＝20时，离线任务总量与算法执行时间之间的关系

图8在线任务数量与感知总成本之间的关系

图9在线任务数量与感知总成本之间的关系(混合分配机制算法)

图10在线任务数量与用户移动的总距离之间的关系

图11在线任务数量与执行时间之间的关系

本发明的具体实施方式

下面结合实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

在Matlab2016中进行了仿真实验，在仿真实验中设置20个离线的空间任务，以及50个在线空间任务。每个在线任务的到达时间和结束时间在0到100之间随机分布。所有的任务均随机分布在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。此外在平台中模拟30个感知用户，假设用户的移动速度spd_k均为1km/min。表述方便，用户的出发点均设置为(0，0)，每个用户的感知质量λ_k服从区间[0，30]上的均匀分布。用户的固定激励f_k服从区间[1，30]上的均匀分布，用户的动态成本p_k服从区间[0.1，0.3]上的均匀分布。感知用户的最大执行能力服从区间[4，8]上的均匀分布。分别使用三种混合空间任务的分配机制进行分配，其中GGA-TA&&AM-ONLT每次仿真实验执行5次，实验结果取5次中的最小值。

(2)实验

为验证本发明所提机制的效果，在MATLAB2016实验环境下进行仿真测试，并对以下混合任务分配方法进行分析。

①离线空间任务分配方法：以感知成本最小为目标，设计了三种离线空间任务分配方法分别是：基于贪心算法，低成本用户优先的离线空间任务分配方法(以下简称：CostFirst)；基于贪心算法，感知质量与感知成本比值高的用户优先的离线空间任务分配方法(以下简称： RatioFirst)；基于遗传算法和贪心算法混合的离线空间任务分配方法(Greedy and Genetic Algorithm for Tasks Allocation以下简称GGA-TA)。

②在线空间任务分配方法：在线空间任务的分配算法(Allocation Method forOnline Tasks，简称AM-ONLT)。该算法设计主要包括两点：一是用户执行在线空间任务的预计时间必须在任务感知时间要求的范围内；二是为了最小化感知成本(包括用户的固定激励和动态激励)，用户执行在线空间任务时应移动尽可能短的距离。

③混合空间任务分配方法：AM-ONLT算法与分别与三种离线空间任务分配算法构成了三种混合空间任务的分配机制：CostFirst&&AM-ONLT、RatioFirst&&AM-ONLT和 GGA-TA&&AM-ONLT。相比CostFirst&&AM-ONLT和RatioFirst&&AM-ONLT，GGT-TA&&AM-ONLT能够在离线空间任务与在线空间任务混合的分配问题中实现最小的感知总成本与用户的移动距离。而如果综合考虑感知总成本、用户移动的距离和执行时间， RatioFirst&&AM-ONLT能得到更好的分配结果。

从图2和图3中可以看出离线任务数量为10时，随着用户总量的增加，GGA-TA算法所得分配方案的感知总成本和用户移动的距离先下降后基本保持不变。这是因为随着用户数量的增加，对平台来说合适的用户不断增加，所以GGA-TA算法结果在用户增加的前期先下降，当用户数量足够多后保持不变；CostFirst和RatioFirst算法所得分配方案的感知成本和移动的距离随着用户数量增长的前期存在上下波动的情况，但是用户数量增加到一定程度后均保持不变。CostFirst算法和RatioFirst算法所得分配方案的感知成本和用户的移动的距离远远高于 GGA-TA算法的结果，这是因为GGA-TA是一种启发式算法，能够综合考虑任务的质量要求，用户的感知质量，用户与任务的空间距离等多个因素找到最优解，而CostFirst和RatioFirst 仅仅使用贪心算法容易陷入局部最优。

从图4和图5中可以看出离线任务数量为50时，CostFirst算法所得分配结果在感知总成本和用户移动的距离方面达到最高，这是因为CostFirst算法基于贪心策略，只关注用户的感知成本，容易陷入局部最优。任务量增加到50后，同样基于贪心策略的RatioFirst算法，在感知总成本和用户移动的距离方面，却低于CostFirst算法。这是因为RatioFirst算法不仅关注用户的感知成本，同时还关注用户的感知质量。GGA-TA算法所得分配结果在感知总成本和用户移动的距离方面远远低于CostFirst和RatioFirst算法的结果。这是因为GGA-TA是一种启发式算法，所得结果更接近全局最优。

如图6和图7可知，用户总量M＝20时，随着离线任务总量的增加，三种算法的感知总成本和用户移动的距离均不断增加。但是当离线任务总量达到36时，基于RatioFirst算法的平台无法将所有任务分配出去，当离线任务总量达到51时，基于CostFirst算法的平台无法将所有任务分配出去。离线任务总量达到57时，基于GGA-TA方法的平台依然能将所有任务成功分配。而且GGA-TA算法所得分配方案在感知总成本和用户移动的总距离方面总是低于另外两种算法的平台结果。

如图8可知，随着离线任务总量的增加，GGA-TA算法的计算量不断增大，算法执行时间也不断增大。由于GGA-TA算法为启发式算法，需要经过不断的迭代计算才能得到最优结果，所以GGA-TA算法的执行时间远高于CostFirst算法和RatioFirst算法。

如图9，10所示，可见感知总成本和用户移动的距离随着在线任务个数的增加逐渐递增。在感知总成本和用户移动距离方面，GGA-TA&&AM-ONLT所得的分配结果总是低于CostFirst&&AM-ONLT与RatioFirst&&AM-ONLT的结果，这是因为对于离线任务分配，基于GGA-TA算法的平台在感知成本和用户移动的距离方面低于采用CostFirst或RatioFirst算法的平台结果。由本文第三章可知，在离线空间任务的分配中，CostFirst算法与RatioFirst算法所得分配方案在感知总成本与用户移动的距离方面相差不大。但是RatioFirst&&AM-ONLT所得分配方案的感知总成本与用户的移动的距离总是略高于GGT-TA&&AM-ONLT而低于 CostFirst&&AM-ONLT，这是因为CostFirst&&AM-ONLT分配机制在第一步的离线任务分配中调用CostFirst算法，只关注用户的费用导致被选用户的平均感知水平不高，而RatioFirst算法关注的是用户的感知质量与成本的比值，所以被选用户的平均感知水平高于CostFirst算法所选用户的平均感知水平，在第二步的在线任务分配中，对于其中高质量要求的在线任务，CostFirst 算法选择出的用户因为低于在线任务的质量要求而不得不重新安排其他用户前往感知地点执行任务，所以CostFirst&&AM-ONLT的所得分配方案的感知总成本与用户移动的距离高于 RatioFirst&&AM-ONLT。

如图11所示，随着在线任务数量的增加，三种混合任务分配机制的执行时间的变化不大，可见在线任务分配算法AM-ONLT的执行时间与在线任务的数量无关。而RatioFirst&&AM-ONLT与CostFirst&&AM-ONLT的执行时间总是远远低于 GGT-TA&&AM-ONLT的执行时间，这是因为在离线空间任务分配中，GGT-TA算法的执行时间高于CostFirst与RatioFirst。

实验证明，相比CostFirst&&AM-ONLT和RatioFirst&&AM-ONLT，GGT-TA&&AM-ONLT能够在离线空间任务与在线空间任务混合的分配问题中实现最小的感知总成本与用户的移动距离。而如果综合考虑感知总成本、用户移动的距离和执行时间，RatioFirst&&AM-ONLT能得到更好的分配结果。

Claims

1.一种移动群智感知中的混合空间任务分配机制，其特征在于，包括以下步骤：

(1)混合空间任务分配机制的设计，该机制是针对离线空间任务与在线空间任务混合的分配问题而设计，目标为最小化感知总成本；

(2)离线空间任务，设计了三种不同的任务分配算法，分别为：基于贪心策略的CostFirst算法；基于贪心策略的RatioFirst算法；基于遗传算法和贪心策略混合的GGA-TA算法；

(3)针对在线空间任务，基于贪心策略的AM-ONLT算法；

(4)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)中混合空间任务分配机制的设计描述如下：

该设计由三种不同的混合空间任务的分配机制组成，分别为：CostFirst&&AM-ONLT、RatioFirst&&AM-ONLT和GGA-TA&&AM-ONLT；三种混合空间任务的分配机制具有不同的离线空间任务分配算法和相同在线空间任务分配算法；站在的平台的角度考虑将所有任务按要求分配给用户并使支付给用户的补偿达到最小，该任务可描述为如下公式，

其中X_i，j，k为二进制变量，表示用户k是否执行空间任务i后前往执行任务j，如果是，X_i，j，k的值为1，反之为0；为表述方便，本文假设用户从同一地点出发，完成所分配的任务后返回出发点；加入虚拟任务点0作为用户的出发点；上述公式需要遵循以下几个限制条件，

λ_k≥y_i，kqⁱ u_k∈U t_i∈T∪OLT

E_t，i≤y_i，ke_i，k≤E_t，i i∈OLT

y_i，k为二进制变量，表示用户k是否执行了任务i，如果是，y_i，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；ExeTim_i，k表示用户k执行任务i的时间，第二个约束条件表示用户执行在线任务的时间必须在任务的时间窗口(从开始时间到结束时间)内；第三个约束条件表示每个任务被执行一次；第四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；与离线空间任务相比，在线空间任务的分配需要额外考虑在线空间任务的感知时间。

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(2)中离线空间任务分配算法中的CostFirst算法具体计算步骤如下：

CostFirst算法以用户为中心进行任务分配，优先为固定成本低的用户分配感知任务，CostFirst算法的具体计算过程如下：

(3.A)将用户按照固定成本升序排序，排序结果用U＝{u1，u2，…u_M}表示，令k＝1，Pos＝(0，0)；

(3.B)如果存在未分配的任务且k≤M，查找任务集合中未分配的且质量要求低于的任务集合S；否则跳转到步骤(3.E)；

(3.C)如果或者跳转到步骤(3.D)；否则将距离用户位置Pos最近的任务t加入中，令Pos＝(l_t，1，l_t，2)，令S＝S-t；重复步骤(3.C)；

(3.D)令k＝k+1，Pos＝(0，o)，跳转到步骤(3.B)；

(3.E)输出

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)中离线空间任务分配算法中的RatioFirst算法具体计算步骤如下：

RatioFirst算法以用户为中心进行任务分配，优先为感知质量与固定成本比值高的用户分配感知任务，RatioFirst算法的具体计算如下：

(4.A)将用户按照感知质量与固定成本比值降序排序，排序结果用U＝{u₁，u₂...u_M}表示，令k＝1，Pos＝(0，0)；

(4.B)如果存在未分配的任务且k≤M，查找任务集合中未分配的且质量要求低于的任务集合S；否则跳转到步骤(4.E)；

(4.C)如果或者跳转到步骤(4.D)；否则将距离用户位置Pos最近的任务t加入中，令Pos＝(l_t，1，l_t，2)，令S＝S-t；重复步骤(4.C)；

(4.D)令k＝k+1，Pos＝(0，0)，跳转到步骤(4.B)；

(4.E)输出

5.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)中离线空间任务分配算法中的GGA-TA算法具体计算步骤如下：

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，

λ_k≥y_i，kqⁱ u_k∈U t_i∈T

其中y_i，k为二进制变量，表示用户u_k是否执行了任务t_i，如果是，y_i，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n_k；GGA-TA方法在计算染色体评价值时引入惩罚系数P_w；

(5.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；

(5.B)如果k＞s跳转到步骤(5.E)；否则根据C得到用户k要执行的任务集合R_i＝{1，2...r}，并令E＝E+f_k，如果R₁中元素的个数|R_i|大于用户k的执行能力n_k，令E＝E+p_w；

(5.C)如果R_k为空，令k＝k+1跳转到步骤(5.B)；否则选择R_k中距离用户k当前最近的任务j，令E＝E+distance(k，j)*R_k，如果任务j的质量要求q^j大于用户k的感知能力，令E＝E+p_w；

(5.D)从集合R_k中移除任务j，跳转到步骤(5.C)；

(5.E)输出染色体C的评价值E。

6.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(3)中基于贪心策略的AM-ONLT算法具体步骤如下：

(6.A)得到EXET＝(et₁，et₂...et_N)，ORD＝(ord₁，ord₂...ord_s)，令RW＝Ω

(6.B)令i＝1，AAT＝T；

(6.C)如果i≥|ONLT|，跳转到步骤(6.I)；否则，令SE＝AAT；

(6.D)如果跳转到步骤(6.G)；否则从SE中寻找距离在线任务i最近的邻近任务j，令k＝rw_j，如果执行任务j的用户k的感知质量λ_k＜lqⁱ，令SE＝SE-j，重复步骤(6.D)；否则跳转到步骤(6.E)；

(6.E)如果k当前已分配的任务数量|ord_k|＝n_k，令SE＝SE-j，跳转到步骤(6.D)；否则跳转到步骤(6.F)；

(6.F)如果用户k执行任务j的预计时间et_j满足条件：S_t，i≤et_j≤E_t，i，且令et_N+i＝et_j+distancce(i，j)/spd_k，跳转到步骤(6.H)；否则，令SE＝SE-j，跳转到步骤(6.D)；

(6.G)未被选中且感知质量大于或等于在线任务j的用户置于集合NT，从NT中选择固定成本最小的用户k；如果k存在且满足令跳转到步骤(6.H)；

(6.H)将在线任务j分配给用户k，令AAT＝AAT∪j，ONLT＝ONLT-j，rw_N+1＝k，更新EXET＝(et₁，et₂...et_N)，ORD＝(ord₁，ord₂...ord_s)，i＝i+1；

(6.I)输出RW。

7.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(4)中用户感知质量的更新机制描述如下：

MCS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，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u_k执行完r任务后的感知质量，表示用户u_k执行任务t_j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。