CN110097190B - 一种基于双时间限制的群智感知任务分配方法 - Google Patents

Abstract

本发明公开了一种基于双时间限制的群智感知任务分配方法，包括以下步骤：S1、任务发布者将具有时间限制的感知任务发送给感知服务平台；S2、感知参与者将自己的个人信息上传到感知服务平台；S3、感知服务平台收到感知任务集合和参与者的信息后，运行免疫遗传算法，得到参与者与任务配对情况；S4、感知服务平台将任务信息发送给选中的参与者，并为提供完成任务的顺序；S5、被选中的参与者执行感知任务并将感知结果发送给感知服务平台；S6、感知服务平台整合收到的感知结果并返回感知结果给任务发布者，支付报酬给参与者。所述方法能够在预算约束，双时间限制的条件下，使得感知平台所获的效益最高。

Description

一种基于双时间限制的群智感知任务分配方法

技术领域

本发明涉及群智感知领域，具体涉及一种基于双时间限制的群智感知任务分配方法。

背景技术

随着科技的发展，移动智能设备(手机、平板电脑、可穿戴设备等)已经深入人们的生活，而群智感知(Crowdsensing)，作为一种新式的收集数据、提供信息服务的模式，逐渐开始引起人们的注意。群智感知是以普通用户的移动智能设备作为基本感知单元，通过与互联网(服务器)进行交互和协作，实现感知任务的分发与感知数据的收集，完成复杂的、很难单独完成的社会感知任务。简而言之，群智感知充分发挥了大量普通用户的力量，以“群众”的力量，形成了一个分布式的、无时无刻的、与人们紧密相连的感知系统。在群智感知中，完成复杂感知任务的参与者可以只是拥有移动设备的普通用户，不需要拥有相关的专业技能。与此相反，大量普通用户通过合理的协作来完成他们单独不可能完成的任务。例如用户可以在回家的路上报告路面状况，以便进行交通监视。或者在饭后散步时进行噪声信息收集，以便进行噪声污染监控。同时，用户也可以发挥信息请求者的作用，主动要求一些移动用户收集感知数据以满足他们的需求。

群智感知系统相比传统的感知数据方式(无线传感器网络、分布式传感器网络等)，能够很好的解决节点覆盖不足、高代价的安装和管理成本以及缺乏可扩展性等问题，它能够结合人的感知判断能力和移动设备本身具有的感知能力，如地理位置、气候环境、交通情况等，可以为公共安全、环境监控、医疗辅助和社会生活等提供更多的数据信息。

现在，已有的任务分配算法研究大多数都是基于单限制条件或单任务的，如果考虑多限制条件下的多任务的分配，已有的技术和算法还不能很好的解决这个问题。对于限制条件来说，从整个群智感知系统来看，一般的任务分配算法都会满足系统或者参与者一定的条件，比如感知系统的报酬预算，完成任务所需要的人数，完成任务的限制条件，感知参与者的技能属性等。在这些条件下，通过设计适当的算法来进行任务分配。而在现实中，所遇到的实际情况限制条件往往并不是单一的，然而目前的一些算法在针对多限制条件下任务分配的情况时往往表现不好，会出现任务完成率低，参与者利用率低等情况。而对于感知参与者和感知任务来说，在传统的群智感知系统中，一般是一个感知参与者完成一个感知任务，一个感知任务可由多个感知参与者完成。而为了能够提高任务的完成率，多任务分配的需求开始增加，即一个感知参与者可完成多个感知任务。在这种情况下，随着参与者和任务数量的增加，匹配对的解空间将急速增加，目前的优化模型和算法在针对这一情况时也表现乏力，会降低感知任务的完成效率。

综上所述，建立一个多限制条件下的多任务分配模型显得十分有意义，能解决单限制条件模型在多限制条件环境中的参与者感知能力利用问题和任务分配效率以及完成率问题，具有重要的创新性。

发明内容

本发明解决的技术问题是针对现有的算法在多限制条件下的群智感知任务分配场景下表现的乏力，提出一种基于双时间限制的群智感知任务分配免疫遗传算法，所述算法能够在参与者和任务的时间约束条件下，在一定预算内，选择到更适合的用户来完成任务，使得感知服务器平台所获得的收益最大。

为了达到此目的，本发明采用以下的技术方案。

一种基于双时间限制的群智感知任务分配方法，包括以下步骤：

S1、任务发布者将具有时间限制的感知任务发送给感知服务平台；

S2、感知参与者将自己的个人信息上传到感知服务平台；

S3、感知服务平台利用基于双时间限制的群智感知任务分配模型中的免疫遗传算法，得到感知参与者与感知任务配对情况；

S4、感知服务平台将感知任务信息发送给选中的感知参与者，并为感知参与者提供完成感知任务的的执行顺序；

S5、被选中的感知参与者执行感知任务并将感知结果发送给感知服务平台；

S6、感知服务平台将收到的感知结果进行整合并返回完成感知任务所得到的结果给任务发布者，并支付报酬给参与者。

进一步的，步骤S1所述的具有时间限制的感知任务包括在暴雨天收集路面积水情况或者高峰时期交通流量等。这些感知任务都需要在一定的时间范围内(如高峰时期只会持续一段时间)去完成。步骤S2的个人信息包括地理位置和感知时间。

进一步的，感知参与者集合为W＝{w₁，w₂，...，w_j，...，w_m}，其中，w_j表示第j个感知参与者，m表示感知参与者个数；感知任务集合T＝{t₁，t₂，...，t_n}，n为任务数量，t_n第n个感知任务为t_n；

感知参与者的时间限制表示为感知参与者w_j从当前的位置wl_j开始的行驶时间不得超过自己的最大期望工作时间wt_j，任务请求者提交的第i个感知任务为t_i，感知任务的位置表示为tl_i，感知任务t_i需要在有效的时间段[te_c，te_c+te_i]内完成，其中te_c表示当前时间，te_i表示第i任务的时间期限；

设分配给感知参与者w_j的任务集为

其中，t_i表示第i个感知任务，s表示感知任务数量，T表示感知任务集合；用wa_j表示第j个感知参与者的任务集WA_j的数量，ta_i表示在第i个感知任务t_i被分配后感知平台所获得的效益值，从任务地点a即感知参与者到任务地点b的距离用D(a，b)表示；

在感知任务的时间限制、感知参与者的时间限制以及感知服务平台的预算限制下，通过基于双时间限制的群智感知任务分配模型将感知任务和感知参与者进行配对，使得感知服务平台所获的收益最大，基于双时间限制的群智感知任务分配模型表达为如下：

约束于：

其中，wv表示参与者的行驶速度，x_i表示第i个任务分配的状态，其中x_i＝1表示任务t_i已被分配，相反x_i＝0表示任务t_i没有被分配；te_h表示任务h的时间期限，h为1～wa_j。

通过基于双时间限制的群智感知任务分配模型能合理的将感知任务和感知参与者进行配对，使得感知服务平台所获的收益最大。

进一步的，步骤S3所述的免疫遗传算法包括以下步骤：

a、首先初始化染色体种群，具体是采用随机初始化，即随机生成第一代种群作为初始染色体种群；

b、接着对初始染色体种群进行迭代，在每次迭代过程中进行制作疫苗、选择染色体、注射疫苗、交叉、变异和修复染色体的操作。

进一步的，步骤b所述的制作疫苗具体为：

在第k代染色体种群中，选取当前染色体种群中能使得适应度值最高，即使得基于双时间限制的群智感知任务分配模型中优化的效益值最高的前两个染色体执行交叉和修复操作，从而获得一个候选疫苗；

接着，比较当前染色体种群中适应度值最高的染色体、候选疫苗和第k-1代的新疫苗的适应度值，然后选取这三个中适应度值最高作为这一代的新疫苗。

进一步的步骤b所述的选择染色体包括以下步骤：

(1)精英保留选择，根据适应度值对亲本群体中的染色体进行排序，并选择适应度值排前三分之一的染色体直接进入下一代，将选择出来的染色体称为精英染色体；

(2)竞标赛选择：对步骤(1)中剩下三分之二的染色体，将其称为普通染色体，在每次操作中，从普通染色体中随机选择染色体并两两比较染色体的适应度值，并将具有最高适应度值的染色体传递到下一代中，重复步骤(2)的操作，直到满足免疫遗传算法的种群个体数量要求。

进一步的，步骤b所述的注射疫苗是将新疫苗与随机选择的染色体进行基因片段的交叉，以确保疫苗中的优良基因能够传递到下一代。

进一步的，步骤b所述的交叉是将两个父代染色体的对应基因片段进行交叉，具体如下：

分别随机的从普通染色体的集合中选择一个染色体和精英染色体的集合中选择另外一个染色体，接下来，将两个染色体的父代基因片段对应交叉，产生更优的子代，重复这个过程，直到所有的父代均进行交叉操作。

进一步的，步骤b所述的变异是改变染色体的基因，具体是在同一个染色体的两个不同的基因片段中分别随机选择两个基因，然后，对所选的两个基因进行交换操作，从而形成一个变异后的染色体。

进一步的，步骤b中会产生无效染色体，对无效染色体进行修复包括以下步骤：

1)根据以下两个条件，检查每个基因片段；

A、参与者能否在预期的工作时间内按照规定的顺序完成任务；

B、分配的任务能否在任务到期前由参与者完成；

如果上述两个条件中的任何一项为否，则在当前基因片段中搜索即满足这两个条件，又拥有最大适应度值的子集作为该基因片段新的分配方案；

2)找出染色体上分配给不同参与者的任务，即找出染色体中有两个或两个以上的基因片段包含相同的任务，接下来，比较包含相同任务的基因片段所对应的适应度值，将拥有最大适应度值的基因片段中的任务保留，并将其他基因片段中的删除该任务；

3)经过步骤1)和步骤2)，得到一个有效染色体。

与现有的技术相比，本发明的有益效果是：针对目前研究未同时考虑感知任务和感知参与者的时间约束条件的不足，在多任务分配场景下提出一个双时间限制的多任务分配问题，同时考虑任务和参与者的时间限制，并将其转化为一个基于双时间限制的群智感知任务分配模型，同时提出免疫遗传算法(Immune Genetic Algorithm，MATC-IGA)的免疫遗传算法来求解该模型，能够在合理的时间内找到一个合理的近似解。

附图说明

图1a为本发明实施例中任务均匀分布下，MATC-IGA、MATC-GA、GGA-I和Greedy四种算法中任务数量与感知服务器平台效益的关系示意图；

图1b为本发明实施例中任务均匀分布下，MATC-IGA、MATC-GA、GGA-I和Greedy四种算法中参与者数量与感知服务器平台效益的关系示意图；

图2a为本发明实施例中任务紧密分布下，MATC-IGA、MATC-GA、GGA-I和Greedy四种算法中任务数量与的感知服务器平台效益的关系示意图；

图2b为本发明实施例中任务紧密分布下，MATC-IGA、MATC-GA、GGA-I和Greedy四种算法中参与者数量与的感知服务器平台效益的关系示意图；

图3a为本发明实施例中任务混合分布下，MATC-IGA、MATC-GA、GGA-I和Greedy四种算法中任务数量与的感知服务器平台效益的关系示意图；

图3b为本发明实施例中任务混合分布下，MATC-IGA、MATC-GA、GGA-I和Greedy四种算法中参与者数量与的感知服务器平台效益的关系示意图；

图4为本发明实施例中染色体表达和参与者完成任务的路线示意图；

图5为本发明实施例中的选择操作示意图；

图6为本发明实施例中的交叉操作示意图；

图7为本发明实施例中的变异操作的示意图；

图8为本发明实施例中的修复操作的示意图；

图9为本发明一种基于双时间限制的群智感知任务分配方法的流程图。

具体实施方式

下面结合附图及实施例，对本发明作进一步的说明。

如图9所示的一种基于双时间限制的群智感知任务分配方法，包括以下步骤：

S1、任务发布者将具有时间限制的感知任务发送给感知服务平台；

S2、感知参与者将自己的个人信息(包括地理位置，感知时间)上传到感知服务平台；

S3、感知服务平台收到具有时间限制感知任务集和感知参与者的个人信息后，通过利用基于双时间限制的群智感知任务分配模型中的分配策略-免疫遗传算法，得到感知参与者与感知任务配对情况，即感知参与者应该完成哪些任务；

S4、感知服务平台将感知任务信息发送给选中的感知参与者，并为感知参与者提供完成感知任务的顺序；

S5、被选中的感知参与者执行感知任务并将感知结果发送给感知服务平台；

S6、感知服务平台将收到的感知结果进行整合并返回完成感知任务所得到的结果给任务发布者，并支付报酬给参与者。

假设每个感知参与者都愿意承担感知任务，以获得感知服务平台所给予的一定报酬。

一个参与者可以在每一轮分配中接受多个任务，任务可以是从一个地方到另一个地方的行驶时间与移动距离，行驶时间与移动距离成正比，比如移动10个单元要花费5个时间单元，则移动20个单元就要花费10个时间单元。

任务请求者可以通过将有报酬的感知任务发布到感知平台上，感知服务平台收集感知参与者和任务的信息，并通过最大化自身所获的效益来确定任务分配结果。

根据上面所述，对感知参与者和感知任务定义如下：

定义1(感知参与者)：感知参与者w_j愿意完成多项感知任务，但是其从当前的位置wl_j开始的行驶时间不得超过他的最大期望工作时间wt_j。

定义2(感知任务)：任务请求者提交一个感知任务t_i，其位置表示为tl_i。任务t_i需要在有效的时间段[te_c，te_c+te_i]内完成，其中te_c表示当前时间，te_i表示第i任务的时间期限；

根据定义1和定义2，给定一个感知参与者数量为m的感知参与者集合W＝{w₁，w₂，...，w_m}和一个任务数量为n的感知任务集合T＝{t₁，t₂，...，t_n}。感知服务平台的目标是通过将任务和用户进行适当匹配，最大化感知服务平台所获得的效益。然后，可以将在时间约束条件下的多任务分配(Multi-task Allocation with Time Constraints，MATC)问题定义如下：

定义3(MATC)：假设分配给感知参与者w_j的任务集为

用wa_j表示任务集合WA_j的数量。ta_i表示在任务t_i被分配后感知平台所获得的效益值。从地点a(感知参与者或任务)到地点b(任务)的距离用D(a，b)表示，则MATC可以基于双时间限制的群智感知任务分配模型优化多任务分配问题，具体的，该模型如下：

约束于：

其中wv表示参与者的行驶速度。x_i表示任务分配的状态，其中x_i＝1表示任务t_i已被分配，相反x_i＝0表示任务t_i没有被分配；te_h表示任务h的时间期限，h为1～wa_j。

进一步地，所述免疫遗传算法是对该基于双时间限制的群智感知任务分配模型的求解方法，具体包括初始化种群，制作疫苗，选择染色体，注射疫苗，交叉、变异，修复染色体的操作，其中，具体过程如下：

如图4所示，对于染色体的表达，考虑到基于双时间限制的群智感知任务分配模型解的结构性质，采用数组结构来表示染色体。具体而言，一个染色体由m个基因片段组成，其中m是候选参与者的数目，一个基因片段对应一个参与者，其中第i个基因片段对应第i个参与者。每个基因片段可以进一步划分为几个基因，基因的存储数字代表分配给该参与者的任务的序号。在图4中，表示将任务t₅、t₉和t₁₀分配给参与者w₄。值得注意的是，基因序列反映任务的执行顺序，实线是参与者w₄执行任务的正确顺序，而虚线显示了错误的执行顺序。

基于染色体表达，采用随机的方式生成第一代种群，以维持种群多样性。每代种群定义为G(i)＝{C₁，C₂，...，C_k}，其中G(i)表示包含k个染色体的第i代种群，C_k表示第k个染色体。随机生成第一代种群，其中染色体均为有效染色体。

疫苗是进化过程中每一代里保留优秀染色体特征的特殊染色体。将疫苗注入到其他染色体中，使得能够获得更优秀的染色体，并且在保持种群多样性的前提下使得种群不会退化。具体来说，在第k代中，选取当前种群中能使得适应度值，即使得基于双时间限制的群智感知任务分配模型中优化的效益值，最高的前两个染色体执行交叉和修复操作获得一个候选疫苗。接着，比较当前种群中适应度值最高的染色体、候选疫苗和第k-1代的疫苗的适应度值，然后选取适应度值最高的那个作为这一代的新疫苗。

如图5所示，选择操作是将适应度值高的染色体传递给下一代，同时保证种群的多样性。然而，一些适应度值低的染色体也可能含有一些良好的基因片段。因此，采取了两个步骤来进行选择操作。

(1)精英保留选择：根据适应度值对亲本群体中的染色体进行排序，并选择适应度值排前三分之一的染色体直接进入下一代，将选择出来的染色体称为精英染色体。

(2)竞标赛选择：对步骤(1)中剩下三分之二的染色体，将其称为普通染色体，在每次操作中，从普通染色体中随机选择染色体比较染色体的适应度值，并将具有最高适应度值的染色体传递到下一代中，重复步骤(2)的操作，直到满足免疫遗传算法的种群个体数量要求，每个种群有k个体。

如图5所示，根据适应度值对种群G_i中的染色体按适应度值从高到低进行排序，得到种群G′_i，然后根据步骤(1)中所述的精英保留选择，选择前

个个体即图5中

剩下的

根据步骤(2)中所述的竞标赛选择进行选择，得到

经过选择操作，得到了一些有潜力称为最优解的染色体。接着，为了进一步获得更有潜力的染色体，需要通过交叉操作对染色体进行重组。利用适者生存的思想，将两个父代染色体的对应基因片段进行交叉。首先，需要为交叉操作在种群中选择两个染色体作为父代染色体。具体来说，分别随机地从普通染色体的集合中选择一个染色体和精英染色体的集合中选择另外一个染色体。这样选择父代的方法能在保证种群不断进化的同时保持种群的多样性。接下来，通过将父代的高质量基因片段结合在一起，产生一个更优的子代。重复这个过程，直到所有的基因片段均进行了这样的比较操作。值得注意的是，由交叉算子产生的子代染色体可能违反限制条件，所以产生的子代染色体可能是一个无效染色体。如图6所示，选择C_i和C_j两个染色体作为父代染色体，对于每一个基因片段都有一个f(·)表示当前基因片段的效益值，如基因片段w₁的效益值f(w₁)为34。对于C_i和C_j两个染色体，我们分别比较对应的基因片段的效益值，选择效益值较大的基因片段作为交叉后的染色体C_new对应的基因片段。

变异操作用于改变染色体的基因，形成新的染色体。这个操作不仅可以增加种群的多样性，而且更容易跳出局部最优状态。如图7所示，对于一个待变异的染色体，在两个不同的基因片段中分别随机选择两个基因。然后，对所选的两个基因进行交换操作，从而形成一个变异后的染色体，图7中将t₆和t₇两个基因进行交换操作。值得注意的是，这个变异后的新染色体可能是无效染色体。

疫苗注射是将疫苗与选定的染色体进行交叉以确保疫苗中的优良基因能够传递到下一代。疫苗注射操作和交叉操作之间的区别在于，父代染色体是用于疫苗注射的染色体和疫苗。

为了使交叉和变异过程中产生的无效染色体成为有效的染色体，如图8所示，通过以下三个步骤对一个无效染色体进行修复：

1)检查每个基因片段，以验证：(A)参与者能否在预期的工作时间内按照规定的顺序完成任务；(B)分配的任务能否在任务到期前由参与者完成。如果上述两个条件中的任何一项被违反，就在当前基因片段中搜索满足约束条件的最大任务子集作为该基因片段新的分配方案。

如图8所示，步骤①，假设参与者w₃当前的分配不能满足上述的两个约束条件，因此，需要从当前分配模式的子集台

中选择既能满足上述约束条件，又拥有最大适应度值的一个子集作为新的分配模式，即新的基因片段。

2)找出染色体上分配给多个参与者的任务，即染色体中有两个或两个以上的基因片段包含相同的任务。接下来，比较包含相同任务的基因片段所对应的适应度值。将拥有最大适应度值的基因片段中的任务保留，并将其他基因片段中的重复任务删除。图8的步骤②中，比较两个均含有任务t₆的基因片段，比较它们的适应度值，分别为34和26，则移除适宜度值较低的基因片段中的任务t₆。

3)经过前两个步骤，已经得到了一个有效染色体。然而，因为选择了子集和删除任务的操作会导致一些参与者可能会有足够的时间来完成一些未分配的任务。因此，图8的步骤③中，将未分配的t₁₀进行分配，在保证约束条件下，尽可能多地将未分配的任务进行再分配。

本实施例采用以下三种算法与本发明的免疫遗传算法进行比较：

(1)基于贪婪策略的算法(Greedy)

该算法使用最接近的策略，总是选择最接近的任务来确定它是否可以被分配给候选参与者。如果分配有效，被分配的任务位置被视为参与者新的开始位置。一直选择最近的任务给当前参与者，直到参与者工作时间耗尽。重复上述操作，直到所有参与者都完成了上述操作。

(2)贪婪增强的有意向移动的遗传算法(Greedy Genetic Algorithm,GGA-I)

GGA-I的初始种群用一种贪婪的启发式的最近优先(NearestFirst)算法的结果在生成。由于基因表达的不同，适当的调整后续的进化操作，使得操作与本发明的的模型限制适配。

(3)遗传算法(Genetic Algorithm，MATC-GA)

该算法是免疫遗传算法的简化版，没有加入疫苗制作和疫苗注射操作。

四种算法的效益最大化的性能如图1a-图3b所示，其中，图1a和图1b为在任务呈均匀分布时，四种算法中任务数量和参与者数量与感知服务器平台效益的关系；图2a和图2b为在任务呈紧密分布分布时，四种算法中任务数量和参与者数量与感知服务器平台效益的关系；图3a和图3b为在任务呈混合分布时，四种算法中任务数量和参与者数量与感知服务器平台效益的关系；本发明所提出的免疫遗传算法(Immune Genetic Algorithm，MATC-IGA)性能都比其他对比算法好，具体表现在平台所获得效益值在不同任务数量和不同用户数量上均表现为最佳，即使感知服务平台获得更高的效益值，此外在任务分配率上也能分配更多的任务。

总的来说，所提出的免疫遗传算法能有效的选择用户使得在双时间限制条件下，感知服务平台能获益最大。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (9)

1.一种基于双时间限制的群智感知任务分配方法，其特征在于，包括以下步骤：

S1、任务发布者将具有时间限制的感知任务发送给感知服务平台；

S2、感知参与者将自己的个人信息上传到感知服务平台；

S3、感知服务平台利用基于双时间限制的群智感知任务分配模型中的免疫遗传算法，得到感知参与者与感知任务配对情况；

S4、感知服务平台将感知任务信息发送给选中的感知参与者，并为感知参与者提供完成感知任务的执行顺序；

S5、被选中的感知参与者执行感知任务并将感知结果发送给感知服务平台；

S6、感知服务平台将收到的感知结果进行整合并返回完成感知任务所得到的结果给任务发布者，并支付报酬给参与者；

感知参与者集合为W＝{w₁，w₂，...，w_j，...，w_m}，其中，w_j表示第j个感知参与者，m表示感知参与者个数；感知任务集合T＝{t₁，t₂，...，t_n}，n为任务数量，t_n第n个感知任务为t_n；

感知参与者的时间限制表示为感知参与者wj从当前的位置wl_j开始的行驶时间不得超过自己的最大期望工作时间wt_j，任务请求者提交的第i个感知任务为t_i，感知任务的位置表示为tl_i，感知任务t_i需要在有效的时间段[te_c，te_c+te_i]内完成，其中te_c表示当前时间，te_i表示第i任务的时间期限；

设分配给感知参与者w_j的任务集为

其中，t_i表示第i个感知任务，s表示感知任务数量，T表示感知任务集合；用wa_j表示第j个感知参与者的任务集WA_j的数量，ta_i表示在第i个感知任务t_i被分配后感知平台所获得的效益值，从任务地点a即感知参与者到任务地点b的距离用D(a，b)表示；

在感知任务的时间限制、感知参与者的时间限制以及感知服务平台的预算限制下，通过基于双时间限制的群智感知任务分配模型将感知任务和感知参与者进行配对，使得感知服务平台所获的收益最大，基于双时间限制的群智感知任务分配模型表达为如下：

约束于：

其中，wv表示参与者的行驶速度，x_i表示第i个任务分配的状态，其中x_i＝1表示任务t_i已被分配，相反x_i＝0表示任务t_i没有被分配，te_h表示任务h的时间期限，h为1～wa_j。

2.根据权利要求1所述的一种基于双时间限制的群智感知任务分配方法，其特征在于，步骤S1所述的具有时间限制的感知任务包括在暴雨天收集路面积水情况或者高峰时期交通流量；步骤S2的个人信息包括地理位置和感知时间。

3.根据权利要求1所述的一种基于双时间限制的群智感知任务分配方法，其特征在于，步骤S3所述的免疫遗传算法包括以下步骤：

a、首先初始化染色体种群，具体是采用随机初始化，即随机生成第一代种群作为初始染色体种群；

b、接着对初始染色体种群进行迭代，在每次迭代过程中进行制作疫苗、选择染色体、注射疫苗、交叉、变异和修复染色体的操作。

4.根据权利要求3所述的一种基于双时间限制的群智感知任务分配方法，其特征在于，步骤b所述的制作疫苗具体为：

在第k代染色体种群中，选取当前染色体种群中能使得适应度值最高，即使得基于双时间限制的群智感知任务分配模型中优化的效益值最高的前两个染色体执行交叉和修复操作，从而获得一个候选疫苗；

接着，比较当前染色体种群中适应度值最高的染色体、候选疫苗和第k-1代的新疫苗的适应度值，然后选取这三个中适应度值最高作为这一代的新疫苗。

5.根据权利要求3所述的一种基于双时间限制的群智感知任务分配方法，其特征在于，步骤b所述的选择染色体包括以下步骤：

(1)精英保留选择，根据适应度值对亲本群体中的染色体进行排序，并选择适应度值排前三分之一的染色体直接进入下一代，将选择出来的染色体称为精英染色体；

(2)竞标赛选择：对步骤(1)中剩下三分之二的染色体，将其称为普通染色体，在每次操作中，从普通染色体中随机选择染色体并两两比较染色体的适应度值，并将具有最高适应度值的染色体传递到下一代中，重复步骤(2)的操作，直到满足免疫遗传算法的种群个体数量要求。

6.根据权利要求3所述的一种基于双时间限制的群智感知任务分配方法，其特征在于，步骤b所述的注射疫苗是将新疫苗与随机选择的染色体进行基因片段的交叉，以确保疫苗中的优良基因能够传递到下一代。

7.根据权利要求3所述的一种基于双时间限制的群智感知任务分配方法，其特征在于，步骤b所述的交叉是将两个父代染色体的对应基因片段进行交叉，具体如下：

分别随机的从普通染色体的集合中选择一个染色体和精英染色体的集合中选择另外一个染色体，接下来，将两个染色体的父代基因片段对应交叉，产生更优的子代，重复这个过程，直到所有的父代均进行交叉操作。

8.根据权利要求3所述的一种基于双时间限制的群智感知任务分配方法，其特征在于，步骤b所述的变异是改变染色体的基因，具体是在同一个染色体的两个不同的基因片段中分别随机选择两个基因，然后，对所选的两个基因进行交换操作，从而形成一个变异后的染色体。

9.根据权利要求3所述的一种基于双时间限制的群智感知任务分配方法，其特征在于，步骤b中会产生无效染色体，对无效染色体进行修复包括以下步骤：

1)根据以下两个条件，检查每个基因片段；

A、参与者能否在预期的工作时间内按照规定的顺序完成任务；

B、分配的任务能否在任务到期前由参与者完成；

如果上述两个条件中的任何一项为否，则在当前基因片段中搜索即满足这两个条件，又拥有最大适应度值的子集作为该基因片段新的分配方案；

2)找出染色体上分配给不同参与者的任务，即找出染色体中有两个或两个以上的基因片段包含相同的任务，接下来，比较包含相同任务的基因片段所对应的适应度值，将拥有最大适应度值的基因片段中的任务保留，并将其他基因片段中的删除该任务；

3)经过步骤1)和步骤2)，得到一个有效染色体。

Images