CN110097262B - 一种群智感知中对感知时长敏感的任务分配方法 - Google Patents

一种群智感知中对感知时长敏感的任务分配方法 Download PDF

Info

Publication number
CN110097262B
CN110097262B CN201910310310.6A CN201910310310A CN110097262B CN 110097262 B CN110097262 B CN 110097262B CN 201910310310 A CN201910310310 A CN 201910310310A CN 110097262 B CN110097262 B CN 110097262B
Authority
CN
China
Prior art keywords
task
worker
perception
sensing
duration
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.)
Active
Application number
CN201910310310.6A
Other languages
English (en)
Other versions
CN110097262A (zh
Inventor
赖畅
欧昭婧
张幸林
张锦怡
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910310310.6A priority Critical patent/CN110097262B/zh
Publication of CN110097262A publication Critical patent/CN110097262A/zh
Application granted granted Critical
Publication of CN110097262B publication Critical patent/CN110097262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种群智感知中对感知时长敏感的任务分配方法，该任务分配方法包括如下步骤：S1、服务器获取多个感知任务，每个感知任务有特定的感知区域和感知时间段以及感知时长；S2、用户注册感知APP并给予服务器查看通信记录的权限；S3、服务器根据用户的移动智能设备所具备的传感器来选出候选工人集合；S4、服务器基于其分配机制选择一组合适的工人并为其分配任务；S5、被选中的工人完成任务并上传感知结果后会获得报酬。本发明基于指数分布构建了效用函数，对工人完成具有一定感知时长的任务的能力进行估计，并据此进行任务分配。

Description

一种群智感知中对感知时长敏感的任务分配方法
技术领域
本发明涉及群智感知领域，特别涉及一种群智感知中对感知时长敏感的任务分配方法。
背景技术
随着传感器丰富的智能设备的迅速普及，群智感知作为一种新型的众包模式，目前已经成为一种新的感知方式。群智感知利用移动用户的力量获取城市的实时动态。通常情况下，在移动用户及其智能设备的帮助下，可以实时获取各种环境信息，如空气质量监测、噪声等级监测、交通拥堵监测。此外，在群智感知的帮助下，行人可以检测到障碍物，警察可以跟踪可疑车辆。
群智感知利用人群来完成那些具有特定时空信息的任务，任务的完成与否取决于群智感知系统是否将任务分配给一组合适的工人。因此，任务分配是群智感知的基础研究方向。研究人员在任务分配方面投入了大量的精力，现有的工作大多集中在如何根据感知模式、感知质量、感知预算等可能的因素，尽可能多地分配任务。然而，这些工作没有考虑到所分配任务的感知时长。换句话说，现有的工作只根据所分配的工人是否在特定的时空单元返回感知样本来考虑任务的完成，而不能保证返回样本的感知时长。感知任务具有一定的感知时长是很普遍的，因此设计一种群智感知中对感知时长敏感的任务分配方法变得非常迫切。
发明内容
本发明目的是提供一种群智感知中对感知时长敏感的任务分配方法，将具有一定感知时长的任务尽可能多地分配给一组合适的工人，从而获得足够数量的感知数据来完成大规模的群智感知任务。
本发明所采用的技术方案如下。
一种群智感知中对感知时长敏感的任务分配方法，所述方法包括如下步骤：
S1、服务器获取若干个感知任务，每个感知任务均有其特定感知区域、感知时间段以及感知时长；
S2、用户注册感知APP并给予服务器查看通信记录的权限；
S3、服务器根据用户的移动智能设备中的传感器来选出候选工人集合；移动智能设备具有多种传感器(例如加速传感器、陀螺仪、距离传感器、麦克风、摄像头等)，服务器根据用户的移动智能设备是否具备感知任务所要求的传感器来选出候选工人集合；
S4、服务器基于任务分配机制从候选工人集合中选择一组工人并为其分配任务；
S5、被选中的工人完成任务后，将具有一定感知时长的感知结果(如具有一定时长的视频)上传到服务器后，若服务器判断该感知结果的感知时长不低于感知任务所要求的感知时长，则该工人可获得报酬。
优选地，步骤S3所述的传感器包括麦克风和摄像头。
优选地，步骤S1所述若干个感知任务构成感知任务集合T＝{t1,t2,...,tk,...,tr}，感知任务表示为tk→(si,cj,δ)，其中，→为唯一相关联，即每个任务tk都与一个三元组(si,cj,δ)唯一相关联，给定一个任务tk，即可得知其对应的三元组(si,cj,δ)，si表示感知任务tk所处的第i个感知区域，cj表示感知任务tk所处的第j个感知时间段，δ表示感知任务tk要求的感知时长，k为1～r,r表示感知任务个数。
优选地，步骤S3所述的候选工人集合表示为W＝{w1,w2,...,wu,...,wl}，其中，wu表示第u个候选的工人，l表示候选的工人个数。
优选地，步骤S4所述的服务器基于任务分配机制从候选工人集合中选择一组工人并为其分配任务，分配的结果为二元组(wu,tk)，wu表示W中第u个候选的工人被选中。
优选地，步骤S4所述的任务分配机制是基于贪心策略的DSTA(DurationSensitive Task Allocation，感知时长敏感的任务分配方法)，包括如下步骤：
S411、将已分配的任务集CT设置为空集，将已分配的工人-任务对构成的集合Vf设置为空集；
S412、基于公式V＝W×T计算候选工人集合W和感知任务集合T的笛卡尔积V，Vf为V的子集，f为子集的标记；
S413、根据效用函数Utility(wu,tk)从V中找出一个具有最大总体效用的工人-任务对(wu,tk)，然后令maxUtility:＝Utility(wu,tk)，随后令V:＝V\(wu,tk)，Vf:＝Vf∪(wu,tk)，其中，:＝表示赋值操作；该步骤的maxUtility:＝Utility(wu,tk)将maxUtility初始化为当前的最大总体效用(即确定一个下界)，使得在后续选择工人-任务对(wu,tk)时保证maxUtility可以递增；V:＝V\(wu,tk)表示将V中具有最大总体效用的工人-任务对(wu,tk)移除，V的规模会因此减少一个；Vf:＝Vf∪(wu,tk)表示将V中具有最大总体效用的工人-任务对(wu,tk)添加到已分配的工人-任务对构成的集合Vf中，Vf的规模会因此增加，通过Vf可以便于计算步骤S417中的count(wu)；
S414、当c×|Vf|<B并且V不为空集，其中c表示每个工人-任务对的报酬，|Vf|表示Vf的大小，B表示预算限制，进入步骤S415；否则，结束；
S415、从V中找出一个具有最大总体效用的工人-任务对(wu,tk)，进入步骤S416；
S416、如果Utility(wu,tk)>maxUtility，进入步骤S417；否则，返回步骤S414；
S417、计算已分配给工人wu的任务数量count(wu)，计算方式为：统计Vf中与wu有关的工人-任务对(wu,tk)的个数，即为count(wu)；如果count(wu)<L，其中L表示分配给每个工人的最大任务数量，进入步骤S418；否则，从V中移除所有与工人wu有关的工人-任务对；若不考虑count(wu)<L条件，则DSTA算法可延伸为RxTA算法(Relaxed Task Allocation，松弛的任务分配方法)算法；
RxTA算法包括步骤S411至步骤S418,其中步骤S417中L的取值无需做任何限制；
S418、令Vf:＝Vf∪(wu,tk)，CT:＝CT∪tk，移除所有与任务tk有关的工人-任务对(wu,tk)，并且令maxUtility:＝Utility(wu,tk)，其中，该步骤的:＝表示赋值操作；Vf:＝Vf∪(wu,tk)表示将从步骤S415得到且满足步骤S416和步骤S417条件的工人-任务对(wu,tk)添加到已分配的工人-任务对构成的集合Vf中，Vf的规模因此增加，用于后续计算count(wu)；CT:＝CT∪tk表示将已分配的任务tk添加到已分配的任务集CT中，用于后续计算任务完成率指标；maxUtility:＝Utility(wu,tk)将满足步骤S416条件的Utility(wu,tk)赋值给maxUtility，保证maxUtility是递增的。
优选地，步骤S4所述的效用函数Utility(wu,tk)是基于指数分布，按如下公式计算：
Utility(wu,tk)＝F(V∪(wu,tk))；
Figure BDA0002031238760000031
Figure BDA0002031238760000032
Figure BDA0002031238760000041
Figure BDA0002031238760000042
其中λi,j,u表示工人wu在感知区域si、感知时间段cj与基站的历史平均通信次数，len(cj)表示感知时间段cj的长度，α(tk,wu)表示工人wu完成任务tk的概率，λi,u表示工人wu在感知区域si与基站的历史平均通信次数的总和，F(V∪(wu,tk))表示往集合V中添加工人-任务对(wu,tk)后产生的总体效用，F(V)表示集合V产生的总体效用，Φ(tk,V)表示任务tk能在集合V中能被完成的概率，Entropy(tk,wu)表示工人wu在任务tk所在感知区域si、感知时间段cj与基站通信产生的通信熵。
优选地，判断步骤S5中被选中的工人是否完成任务的方式包括其感知结果的感知时长是否不低于该任务所规定的感知时长。
本发明的有益效果：
一、克服了没有考虑感知时长的任务分配方法的弊端，本发明的任务分配方法对于具有一定感知时长的任务，可以将其分配给合适的工人。
二、基于指数分布构建了效用函数，可以对工人完成具有一定感知时长的任务的能力进行估计，并据此进行任务分配。
三、使用贪心策略构建了对感知时长敏感的任务分配算法(即上文的DSTA和RxTA算法)，可以较快地得到局部最优解，从而更快地进行任务分配。
附图说明
图1为本发明的一种群智感知中对感知时长敏感的任务分配方法的流程图；
图2为实施例中候选工人数量影响任务完成率的对比图；
图3为实施例中待分配任务数量影响任务完成率的对比图；
图4为实施例中感知时长影响任务完成率的对比图；
图5为实施例中候选工人数量影响被选中的工人数量的对比图；
图6为实施例中待分配任务数量影响被选中的工人数量的对比图；
图7为实施例中感知时长影响被选中的工人数量的对比图。
具体实施方式
下面结合说明书附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。
如图1所示，本实施例的一种群智感知中对感知时长敏感的任务分配方法，所述方法包括如下步骤：
S1、服务器获取多个具有一定感知时长要求的感知任务，每个感知任务均有其特定感知区域、感知时间段以及感知时长，若干个感知任务构成感知任务集合T＝{t1,t2,...,tk,...,tr}，感知任务表示为tk→(si,cj,δ)，其中，si表示感知任务tk所处的第i个感知区域，cj表示感知任务tk所处的第j个感知时间段，δ表示感知任务tk要求的感知时长，k为1～r,r表示感知任务个数，r的取值为30、60、90、120或150。
本实施例的感知任务为具有一定感知时长的视频，感知时长为3分钟、5分钟、7分钟或9分钟，比如在虹桥火车站11:00-12:00的时间内录制一段3分钟的视频，这里的感知区域为虹桥火车站、感知时间段为11:00-12:00、感知时长为3分钟，一共分布在20个感知区域(即s1～s20)，49个感知时间段(即c1～c49)，感知时长分别取值为3分钟、5分钟、7分钟或9分钟；
S2、用户注册感知APP并给予服务器查看通信记录的权限；
S3、服务器根据用户的移动智能设备是否具备感知任务所要求的传感器(如麦克风、摄像头)来选出候选工人集合W，W＝{w1,w2,...,wu,...,wl}，其中，wu表示第u个候选的工人，l表示候选的工人个数，l的取值为100、200、300、400或500。
S4、服务器基于其任务分配机制从候选工人集合中选择一组工人并为其分配任务，分配的结果为二元组(wu,tk)，wu表示W中第u个候选的工人被选中；
S5、被选中的工人在任务tk所要求的感知区域si、感知时间段cj完成任务并将具有一定感知时长的感知结果(如3分钟、5分钟、7分钟或9分钟的视频)上传到服务器后，若服务器判断该感知结果的感知时长不低于感知任务所要求的感知时长，则该工人可获得报酬。
进一步的，步骤S4所述的任务分配机制是基于贪心策略的DSTA算法，包括如下步骤：
S411、将已分配的任务集CT设置为空集，将已分配的工人-任务对构成的集合Vf设置为空集；
S412、基于公式V＝W×T计算候选工人集合W和感知任务集合T的笛卡尔积V；
S413、根据效用函数Utility(wu,tk)从V中找出一个具有最大总体效用的工人-任务对(wu,tk)，然后令maxUtility:＝Utility(wu,tk)，随后令V:＝V\(wu,tk)，Vf:＝Vf∪(wu,tk)。其中，:＝表示赋值操作；该步骤的maxUtility:＝Utility(wu,tk)将maxUtility初始化为当前的最大总体效用(即确定一个下界)，使得在后续选择工人-任务对(wu,tk)时保证maxUtility可以递增；V:＝V\(wu,tk)表示将V中具有最大总体效用的工人-任务对(wu,tk)移除，V的规模会因此减少；Vf:＝Vf∪(wu,tk)表示将V中具有最大总体效用的工人-任务对(wu,tk)添加到已分配的工人-任务对构成的集合Vf中，Vf的规模会因此增加，通过Vf可以便于计算步骤S417中的count(wu)；
S414、当c×|Vf|<B并且V不为空集，其中c表示每个工人-任务对的报酬，|Vf|表示Vf的大小，B表示预算限制，进入步骤S415；否则，结束；
S415、从V中找出一个具有最大总体效用的工人-任务对(wu,tk)，进入步骤S416；
S416、如果Utility(wu,tk)>maxUtility，进入步骤S417；否则，返回步骤S414；
S417、计算已分配给工人wu的任务数量count(wu)，如果count(wu)<L，其中L表示分配给每个工人的最大任务数量，取值为2，进入步骤S418；否则，从V中移除所有与工人wu有关的工人-任务对；(若不考虑count(wu)<L条件，则DSTA算法可延伸为RxTA算法)
S418、令Vf:＝Vf∪(wu,tk)，CT:＝CT∪tk，移除所有与任务tk有关的工人-任务对(wu,tk)，并且令maxUtility:＝Utility(wu,tk)。该步骤的:＝表示赋值操作；Vf:＝Vf∪(wu,tk)表示将从步骤S415得到且满足步骤S416和步骤S417条件的工人-任务对(wu,tk)添加到已分配的工人-任务对构成的集合Vf中，Vf的规模因此增加，用于后续计算count(wu)；CT:＝CT∪tk表示将已分配的任务tk添加到已分配的任务集CT中，用于后续计算任务完成率指标；maxUtility:＝Utility(wu,tk)将满足步骤S416条件的Utility(wu,tk)赋值给maxUtility，保证maxUtility是递增的。
步骤S4所述的任务分配机制中的效用函数Utility(wu,tk)是基于指数分布，按如下公式计算：
Utility(wu,tk)＝F(V∪(wu,tk))；
Figure BDA0002031238760000071
Figure BDA0002031238760000072
Figure BDA0002031238760000073
Figure BDA0002031238760000074
其中λi,j,u表示工人wu在感知区域si、感知时间段cj与基站的历史平均通信次数，len(cj)表示感知时间段cj的长度，α(tk,wu)表示工人wu完成任务tk的概率，λi,u表示工人wu在感知区域si与基站的历史平均通信次数的总和，F(V∪(wu,tk))表示往集合V中添加工人-任务对(wu,tk)后产生的总体效用，F(V)表示集合V产生的总体效用，Φ(tk,V)表示任务tk能在集合V中能被完成的概率，Entropy(tk,wu)表示工人wu在任务tk所在感知区域si、感知时间段cj与基站通信产生的通信熵。
图2-图4为本发明中的一种群智感知中对感知时长敏感的任务分配方法对任务完成率的影响，其中RxTA不考虑分配给每个工人的最大任务数量，DSTA则考虑分配给每个工人的最大任务数量。作为比较的算法是随机任务分配算法(Random Task Allocation，RaTA)和不考虑感知时长的任务分配算法(Non-Duration Task Allocation，NDTA)，前者(即RaTA算法)随机将任务分配给工人，后者(即NDTA算法)基于泊松分布构建效用函数Utility(wu,tk)并将任务分配给工人。
其中，RaTA算法参考自文献：Multi-Task Allocation in Mobile Crowd Sensingwith Individual Task Quality Assurance[J.Wang,Y.Wang,D.Zhang,F.Wang,H.Xiong,C.Chen,Q.Lv,and Z.Qiu,“Multi-task allocation in mobile crowd sensing withindividual task quality assurance,”IEEE Transactions on Mobile Computing,vol.17,no.9,pp.2101–2113,2018.]和Fine-Grained Multitask Allocation forParticipatory Sensing With a Shared Budget[J.Wang,Y.Wang,D.Zhang,L.Wang,H.Xiong,A.Helal,Y.He,and F.Wang,“Fine-grained multitask allocation forparticipatory sensing with a shared budget,”IEEE Internet of Things Journal,vol.3,no.6,pp.1395–1405,2016.]。
NDTA算法参考自文献：HyTasker:Hybrid Task Allocation in Mobile CrowdSensing[J.Wang,F.Wang,Y.Wang,L.Wang,Z.Qiu,D.Zhang,B.Guo,and Q.Lv,“Hytasker:Hybridtaskallocationinmobilecrowdsensing,”arXivpreprint arXiv:1805.08480,2018.]、Multi-Task Allocation in Mobile Crowd Sensing with Individual TaskQuality Assurance[J.Wang,Y.Wang,D.Zhang,F.Wang,H.Xiong,C.Chen,Q.Lv,and Z.Qiu,“Multi-task allocation in mobile crowd sensing with individual task qualityassurance,”IEEE Transactions on Mobile Computing,vol.17,no.9,pp.2101–2113,2018.]和Fine-Grained Multitask Allocation for Participatory Sensing With aShared Budget[J.Wang,Y.Wang,D.Zhang,L.Wang,H.Xiong,A.Helal,Y.He,and F.Wang,“Fine-grained multitask allocation for participatory sensing with a sharedbudget,”IEEE Internet of Things Journal,vol.3,no.6,pp.1395–1405,2016.]
图2为候选工人数量对任务完成率的影响。随着候选工人数量的增加，RxTA和DSTA可供选择的工人数量就越多，越能保证任务的完成率。图中显示，RxTA和DSTA的任务完成率始终保持在高位(大于76％)，平均来看，RxTA和DSTA分别比RaTA好40.3％和41.5％、比NDTA好9.8％和8.6％，这是因为RxTA和DSTA在分配任务时考虑了感知任务的感知时长，并基于效用函数将具有一定感知时长要求的感知任务分配给使总体效用最大化的工人们，候选工人数量的增加给RxTA和DSTA更多的工人选择从而保证任务的完成率。
图3为待分配任务数量对任务完成率的影响。随着待分配任务数量的增加，可能没有足够的候选工人来支撑这些增加的任务，任务的分配好坏影响任务完成率，因此显得更为重要，更需要将这些任务分配给能完成任务的工人才能保证任务的完成率。图中显示，RxTA和DSTA的任务完成率始终保持在高位(大于78％)，平均来看，RxTA和DSTA分别比RaTA好41.9％和41.8％、比NDTA好9.6％和9.6％。这是因为即使在待分配任务数量增加时，RxTA和DSTA也依然可以根据其效用函数将任务分配给能使总体效用最大化的工人们从而保证任务的完成率。
图4为感知时长对任务完成率的影响。随着感知时长的增加，工人完成任务的难度越来越大，因此在感知时长提升时，如何进行任务分配来保证任务完成率显得尤为重要。图中显示，随着感知时长的增加，任务完成率逐渐降低，平均来看，RxTA和DSTA分别比RaTA好35.6％和36.1％、比NDTA好19.9％和20.4％。随着感知时长增加，工人完成任务的难度也因此增加，符合条件的候选工人越来越少，任务完成率逐渐下降，但RxTA和DSTA依然可以根据其效用函数在这有限的候选工人中找出能使总体效用最大化的工人们并将感知任务分配给他们，使得任务完成率的降低速率远低于NDTA和RaTA。
图5-图7为本发明中的一种群智感知中对感知时长敏感的任务分配方法对被选中的工人数量的影响。
图5为候选工人数量对被选中的工人数量的影响。图中显示，随着候选工人数量增加，被选中的工人数量逐渐增加，RxTA选择工人的数量最少，RaTA选择工人的数量最多。这是因为随着候选工人数量的增加，可供选择的工人越来越多，能够使更多工人参与任务的完成，从而增加了被选中的工人数量。由于RxTA分配任务时不限制工人被分配的任务数量，因此选择了最少的工人。由于RaTA随机分配任务，没有考虑一个工人可以完成多个任务，因此选择了最多的工人。
图6为待分配任务数量对被选中的工人数量的影响。图中显示，随着待分配任务数量的增加，被选中的工人数量逐渐增加，同样地，RxTA选择工人的数量最少，RaTA选择工人的数量最多。这是因为随着待分配任务数量的增加，需要更多的工人来完成任务才能保证任务的完成率，因此被选中的工人数量逐渐增加。由于RxTA分配任务时不限制工人被分配的任务数量，因此选择了最少的工人。由于RaTA随机分配任务，没有考虑一个工人可以完成多个任务，因此选择了最多的工人。
图7为感知时长对被选中的工人数量的影响。图中显示，感知时长对被选中的工人数量的影响不大，即被选中的工人数量并不因为感知时长的增加而明显增加或减少。这是因为RaTA和NDTA分配任务时不考虑感知时长，所以感知时长不影响其选择工人的数量。虽然DSTA和RxTA都考虑感知时长，但它们在任务分配时并不直接使用感知时长，而是将感知时长嵌入到效用函数中，选择能使总体效用最大化的工人并为其分配任务，被选中的工人数量不取决于感知时长，而取决于能否使总体效用最大化。由图4可知，这些被选中的工人因为感知时长的增加导致任务完成难度加大，完成任务的可能性也因此降低，但相较于NDTA和RaTA，任务完成率的降低速率更小。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种群智感知中对感知时长敏感的任务分配方法，其特征在于，包括如下步骤：
S1、服务器获取若干个感知任务，每个感知任务均有感知区域、感知时间段以及感知时长；所述若干个感知任务构成感知任务集合T＝{t1,t2,...,tk,...,tr}，感知任务表示为tk→(si,cj,δ)，其中，→为唯一相关联，即每个任务tk都与一个三元组(si,cj,δ)唯一相关联，给定一个任务tk，即可得知其对应的三元组(si,cj,δ)，si表示感知任务tk所处的第i个感知区域，cj表示感知任务tk所处的第j个感知时间段，δ表示感知任务tk要求的感知时长，k为1～r,r表示感知任务个数；将感知时长为3分钟、5分钟、7分钟或9分钟；
S2、用户注册感知APP并给予服务器查看通信记录的权限；
S3、服务器根据用户的移动智能设备是否具备感知任务所要求的传感器来选出候选工人集合；所述的候选工人集合表示为W＝{w1,w2,...,wu,...,wl}，其中，wu表示第u个候选的工人，l表示候选的工人个数；
S4、服务器基于任务分配机制从候选工人集合中选择一组工人并为其分配任务；所述的任务分配机制是基于贪心策略的DSTA算法，包括如下步骤：
S411、将已分配的任务集CT设置为空集，将已分配的工人-任务对构成的集合Vf设置为空集；
S412、基于公式V＝W×T计算候选工人集合W和感知任务集合T的笛卡尔积V，Vf为V的子集，f为子集的标记；
S413、根据效用函数Utility(wu,tk)从V中找出一个具有最大总体效用的工人-任务对(wu,tk)，然后令maxUtility:＝Utility(wu,tk)，随后令V:＝V\(wu,tk)，Vf:＝Vf∪(wu,tk)，其中，:＝表示赋值操作；该步骤的maxUtility:＝Utility(wu,tk)将maxUtility初始化为当前的最大总体效用即确定一个下界，使得在后续选择工人-任务对(wu,tk)时保证maxUtility递增；V:＝V\(wu,tk)表示将V中具有最大总体效用的工人-任务对(wu,tk)移除，V的规模会因此减少；Vf:＝Vf∪(wu,tk)表示将V中具有最大总体效用的工人-任务对(wu,tk)添加到已分配的工人-任务对构成的集合Vf中，Vf的规模会因此增加，通过Vf计算步骤S417中的count(wu)；
S414、当c×|Vf|＜B并且V不为空集，其中c表示每个工人-任务对的报酬，|Vf|表示Vf的大小，B表示预算限制，进入步骤S415；否则，结束；
S415、根据效用函数Utility(wu,tk)从V中找出一个具有最大总体效用的工人-任务对(wu,tk)，进入步骤S416；
S416、如果Utility(wu,tk)＞maxUtility，进入步骤S417；否则，返回步骤S414；
S417、计算已分配给工人wu的任务数量count(wu)，其计算方式为：统计Vf中与wu有关的工人-任务对(wu,tk)的个数，即为count(wu)，如果count(wu)＜L，其中L表示分配给每个工人的最大任务数量，进入步骤S418；否则，从V中移除所有与工人wu有关的工人-任务对；若不考虑count(wu)＜L，则DSTA算法延伸为RxTA算法；
S418、令Vf:＝Vf∪(wu,tk)，CT:＝CT∪tk，移除所有与任务tk有关的工人-任务对(wu,tk)，并且令maxUtility:＝Utility(wu,tk)，其中，Vf:＝Vf∪(wu,tk)表示将从步骤S415得到且满足步骤S416和步骤S417条件的工人-任务对(wu,tk)添加到已分配的工人-任务对构成的集合Vf中，Vf的规模因此增加，用于后续计算count(wu)；CT:＝CT∪tk表示将已分配的任务tk添加到已分配的任务集CT中，用于后续计算任务完成率指标；maxUtility:＝Utility(wu,tk)将满足步骤S416条件的Utility(wu,tk)赋值给maxUtility，保证maxUtility是递增的；
所述的效用函数Utility(wu,tk)是基于指数分布，按如下公式计算：
Utility(wu,tk)＝F(V∪(wu,tk))；
Figure FDA0004114612450000021
Figure FDA0004114612450000022
Figure FDA0004114612450000023
Figure FDA0004114612450000024
其中λi,j,u表示工人wu在感知区域si、感知时间段cj与基站的历史平均通信次数，len(cj)表示感知时间段cj的长度，α(tk,wu)表示工人wu完成任务tk的概率，λi,u表示工人wu在感知区域si与基站的历史平均通信次数的总和，F(V∪(wu,tk))表示往集合V中添加工人-任务对(wu,tk)后产生的总体效用，F(V)表示集合V产生的总体效用，Φ(tk,V)表示任务tk能在集合V中能被完成的概率，Entropy(tk,wu)表示工人wu在任务tk所在感知区域si、感知时间段cj与基站通信产生的通信熵；
S5、被选中的工人完成任务后，将具有感知时长的感知结果上传到服务器后，若服务器判断该感知结果的感知时长不低于感知任务所要求的感知时长，则该工人可获得报酬。
2.根据权利要求1所述的一种群智感知中对感知时长敏感的任务分配方法，其特征在于，判断步骤S5中被选中的工人是否完成任务的方式包括其感知结果的感知时长是否不低于该任务所规定的感知时长。
CN201910310310.6A 2019-04-17 2019-04-17 一种群智感知中对感知时长敏感的任务分配方法 Active CN110097262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910310310.6A CN110097262B (zh) 2019-04-17 2019-04-17 一种群智感知中对感知时长敏感的任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910310310.6A CN110097262B (zh) 2019-04-17 2019-04-17 一种群智感知中对感知时长敏感的任务分配方法

Publications (2)

Publication Number Publication Date
CN110097262A CN110097262A (zh) 2019-08-06
CN110097262B true CN110097262B (zh) 2023-06-20

Family

ID=67445154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910310310.6A Active CN110097262B (zh) 2019-04-17 2019-04-17 一种群智感知中对感知时长敏感的任务分配方法

Country Status (1)

Country Link
CN (1) CN110097262B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681222A (zh) * 2023-03-30 2023-09-01 苏州大学 满足时间限制的多轮不确定的群智感知任务分配方法
CN117992656A (zh) * 2024-04-07 2024-05-07 贵州华鑫信息技术有限公司 数据处理方法、装置、云端设备、车辆及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657133B (zh) * 2015-01-28 2018-08-24 南京邮电大学 移动群智感知中一种用于单时间窗口任务的激励方法
CN104899760B (zh) * 2015-02-17 2018-03-13 南京邮电大学 一种时间相关移动群智感知系统中的激励方法
CN108092727B (zh) * 2017-12-04 2020-08-25 黑龙江八一农垦大学 基于迭代km算法的跨层异构多信道频谱感知方法

Also Published As

Publication number Publication date
CN110097262A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
CN108182524B (zh) 一种订单分配方法及装置、电子设备
CN110097262B (zh) 一种群智感知中对感知时长敏感的任务分配方法
Huang et al. A genetic-algorithm-based approach to solve carpool service problems in cloud computing
CN110400128B (zh) 一种基于工人偏好感知的空间众包任务分配方法
TWI393378B (zh) 熱點分析系統及方法，及其電腦程式產品
US20170301054A1 (en) Dynamic forecasting for forward reservation of cab
CN110046953A (zh) 一种共享汽车的租用方法和装置
CN106971604A (zh) 一种停车位资源配置方法和装置
CN102214293A (zh) 面部群集设备、面部群集方法和程序
EP4422918A1 (en) Systems and methods for managing an electric vehicle charging station&#39;s parking space availability
Acer et al. Scaling crowdsourcing with mobile workforce: A case study with belgian postal service
Yan et al. Fairness in practice: a survey on equity in urban mobility
CN112183943A (zh) 订单派发方法、装置、电子设备
Hakeem et al. On-The-Fly Curbside Parking Assignment.
Rehena et al. A multiple-criteria algorithm for smart parking: making fair and preferred parking reservations in smart cities
CN117422266B (zh) 基于工人偏好的任务分配方法、系统、装置、存储介质
KR20220015356A (ko) 수요 예측 기반 수요 분산 처리를 위한 운송 서비스 서버 및 그를 위한 방법
CN110782150B (zh) 一种基于群智感知的自然资源信息收集系统及方法
CN113077149A (zh) 一种基于ucb算法的群智感知任务分配方法及系统
CN116319567B (zh) 资源分配方法、资源分配设备和可读存储介质
CN112257936A (zh) 一种接单区域的推荐方法、装置、电子设备及存储介质
CN115599514A (zh) 任务调度方法、装置、计算设备及计算机可读存储介质
CN114492955A (zh) 基于三维实景建模与cim的数字孪生时空大数据平台
US20220414721A1 (en) Method of predicting fare and prediction data system
CN109542355B (zh) 一种停车场云存储资源的信任计算方法

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