CN111191952A - 加入空间众包工作者评分要素的空间众包任务分配方法 - Google Patents
加入空间众包工作者评分要素的空间众包任务分配方法 Download PDFInfo
- Publication number
- CN111191952A CN111191952A CN202010009499.8A CN202010009499A CN111191952A CN 111191952 A CN111191952 A CN 111191952A CN 202010009499 A CN202010009499 A CN 202010009499A CN 111191952 A CN111191952 A CN 111191952A
- Authority
- CN
- China
- Prior art keywords
- firefly
- task
- space
- crowdsourcing
- ith
- 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.)
- Withdrawn
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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种加入空间众包工作者评分要素的空间众包任务分配方法,其步骤包括:1根据时空特征将任一地理区域划分为一系列连续的时空环境;2设置时间戳和区域面积;3获取时空环境下所有空间众包任务集合;4获取任务集合中未被接单任务,并依次编号;5获取时空环境下所有空间众包工作者集合;6获取工作者集合中未接单工作者,并依次编号;7采用改进的离散萤火虫群优化算法为时空环境下每一个未被接单任务匹配一个未接单工作者,从而使得在时空环境下的任务分配质量得分最优。本发明能实现空间众包任务分配时空间众包工作者评分总和尽可能高的同时空间众包工作者总旅行成本尽可能小的双目标,从而提高任务分配的效率和分配质量。
Description
技术领域
本发明涉及一种加入空间众包工作者评分要素的空间众包任务分配方法,属于空间众包任务分配领域。
背景技术
空间众包的概念是在众包概念的基础上发展而来,众包指的是一个公司或机构把过去由专职员工执行的工作任务,通过公开的web平台,以自愿自由的形式外包给非特定的大众志愿者的做法。而随着移动互联网技术、共享经济模式的快速发展,先进移动设备的广泛使用,一种考虑了时间和空间信息的新的众包形式开始广泛传播,这种新型众包任务通常需要在指定时间到达指定地点才能完成任务,即空间众包。近年来兴起的滴滴出行、美团外卖等软件都是常见的空间众包平台。任务分配作为空间众包中的一个核心的研究问题,主要研究如何将适当的空间任务分配给合适的空间众包工作者。
目前,解决空间众包任务分配问题,有研究静态的也有研究动态的,大部分考虑众包任务、众包工作地点、利润、收益等影响,采用k近邻算法、贪婪算法、二分图匹配算法、树分割与深度优先结合等方法。采用这些方法可以快速的选取当前最好的选择,获取最大效益,但是根据实际问题,这些方法通常缺少对全局任务分配的考虑,缺少考虑工作者服务质量对任务分配质量的影响,分配方法的效率和鲁棒性不高。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种加入空间众包工作者评分要素的空间众包任务分配方法,以期能实现空间众包任务分配时空间众包工作者评分总和尽可能高的同时空间众包工作者总旅行成本尽可能小的双目标,从而提高任务分配的效率和分配质量。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种加入空间众包工作者评分要素的空间众包任务分配方法的特点在于,包括以下步骤:
步骤一:根据时空特征将任一地理区域划分为一系列连续的时空环境,任意一个时空环境E是由一个时间戳T和区域面积S组成,即E=S×T;
步骤二:设置时间戳T和区域面积S的具体值;
步骤三:获取所述时空环境E下所有M个空间众包任务,并依次编号,从而构成空间任务集合TT={TT1,TT2,...,TTm,...,TTM};TTm表示第m个空间众包任务,1≤m≤M;令第m个空间众包任务TTm包含三个属性,即:其中,表示第m个空间众包任务TTm的地理位置属性,取值为二维地理坐标,表示第m个空间众包任务TTm的发布时间属性,取值为时间点,表示第m个空间众包任务TTm的发布状态属性,取值若为“0”,则表示发布的第m个空间众包任务TTm尚未被接单,取值若为“1”,则表示发布的第m个空间众包任务TTm已被接单;
步骤四:获取所述空间任务集合TT中,第m个空间众包任务TTm的发布状态属性的所有任务MM个,并重新依次编号,构成未被接单任务集合NTT={NTT1,NTT2,...,NTTmm,...,NTTMM};NTTmm表示第mm个未被接单任务;并依次将第mm个未被接单任务NTTmm的地理位置属性映射到值为所设定的范围之间的二维坐标,并记为1≤mm≤MM;
步骤五:获取所述时空环境E下所有N个空间众包工作者,并依次编号,从而构成空间众包工作者集合WW={WW1,WW2,...,WWn,...,WWN};WWn表示第n个空间众包工作者,1≤n≤N;令第n个空间众包工作者WWn包含三个属性,即其中表示第n个空间众包工作者WWn的地理位置属性,取值为二维坐标,表示第n个空间众包工作者WWn的接单状态属性,处于接单状态,取值若为“0”,则表示第n个空间众包工作者WWn处于未接单状态,取值若为“1”,则表示第n个空间众包工作者WWn处于接单状态,表示第n个空间众包工作者WWn的评分属性;
步骤六:获取空间众包工作者集合WW中,任意第n个空间众包工作者WWn接单状态属性的所有工作者NN个,并重新依次编号,构成未接单工作者集合NWW={NWW1,NWW2,...,NWWnn,...,NWWNN};NWWnn表示第nn个未接单工作,并依次将第nn个任务NWWnn的地理位置属性映射到值为所设定的范围之间的二维坐标,并记为1≤nn≤NN;
步骤七:采用改进的离散萤火虫群智能优化算法为所述时空环境E下每一个未被接单任务匹配一个未接单工作者,从而使得在所述时空环境E下的任务分配质量得分最优;
步骤八:输出当前时空环境E下最优任务分配组合及其得分。
本发明所述的加入空间众包工作者评分要素的空间众包任务分配方法的特点也在于,所述步骤七是按如下过程进行:
7.1初始化萤火虫群智能优化算法的各参数值,包括:最大迭代次数iter_max、每次迭代控制变量t、种群规模大小Nt、荧光素更新率γ、荧光素消失率ρ、初始荧光素l0、初始决策域半径rd、动态决策域更新率β、初始感知半径rs、邻域阈值nt;
7.2生成初始解:
根据未被接单任务数MM,未接单工作者数NN,且MM<NN,确定萤火虫维度为MM,并生成Nt个萤火虫的初始位置,即初始解;
令每个萤火虫代表一种未被接单任务和未接单工作者之间的任务分配组合,并令xi(t)表示第i个萤火虫在第t次迭代时的一种任务分配组合,且xi(t)=[xi1(t),xi2(t),...,ximm(t),...,xiMM(t)],其中,1≤i≤Nt,1≤ximm(t)≤NN,ximm(t)表示第i个萤火虫在第t次迭代时为第mm个未被接单任务NTTmm所匹配的未接单工作者的编号,也称编码;
7.3利用式(1)确定目标函数:
J(xi(t))=max(TD) (1)
式(1)中,J(xi(t))表示第i个萤火虫在t次迭代所在位置的目标函数值,TD表示任务分配质量总评分,并有:
TD=ri×c1×G-r2×c2×L (2)
式(2)中,r1,r2为加权系数,c1,c2为统一量纲常数,且0<r1,r2<1,r1+r2=1;G表示给当前MM个未被接单任务分配MM个未接单工作者时,从NN个未接单工作者中选中的MM个未接单工作者的评分总和,并有:
式(3)中,Gmmnn表示给第mm个未被接单空间任务分配的第nn个工作者的评分,并有:
式(2)中,L表示给当前MM个未被接单任务分配MM个未接单工作者时,所有选中的未接单工作者与对应的未被接单任务之间消耗的旅行成本之和,并有:
式(5)中,Lmmnn表示第mm个未被接单空间众包任务与被选中的第nn个未接单工作者之间的旅行成本,并有:
Lmmnn=abs(xmm-xnn)+abs(ymm-ynn) (6)
式(6)中,abs()表示求绝对值;
7.4利用式(7)中第i个萤火虫在第t-1次迭代时荧光素li(t-1),从而更新第i个萤火虫在t次迭代时荧光素li(t),并将在t次迭代时最优萤火虫位置标记到公告板:
li(t)=(1-ρ)li(t-1)+γJ(xi(t)) (7)
式(7)中,ρ是荧光素消失率,γ是荧光素更新率,当t=1时,li(t-1)为初始荧光素l0;
7.5利用式(8)得到第i个萤火虫在第t次迭代时寻找的邻居集合Ni(t):
Ni(t)={j:||xj(t)-xi(t)||<rd i(t);li(t)<lj(t)} (8)
式(9)中,diatance(i,j)k表示第t次迭代时第i个萤火虫与第j个萤火虫在第k维上的距离,1≤k≤MM,并有:
式(10)中,xik(t)表示第i个萤火虫第t次迭代时第k维上的编码,xjk(t)表示第i个萤火虫第t次迭代时第k维上的编码;
7.6利用式(11)确定第i个萤火虫在第t次迭代时的下一步移动方向后,向第j个萤火虫位置方向移动:
j=max(pi) (11)
7.7利用式(13)中第i个萤火虫在第t次迭代时在第k个维度上的编码xik(t),从而更新第i个萤火虫在第t+1次迭代时在第k个维度上的编码xik(t+1):
式(13)中,rand()表示随机函数,0<rp1、rp2<1,randperm(n,1)表示从1到n个常数中随机取出其中一个;若第i个萤火虫在第t次迭代时在MM个维度上的编码出现重复的情况,则找出第j个萤火虫与第i个萤火虫在MM个维度上的不同编码及对应的维度,以随机的顺序重新排列对应维度上的编码,并将重排后的编码作为第i个萤火虫相应维度的编码;
式(14)中,rs是感知半径,nt是邻域阈值,|Ni(t)|是邻域中萤火虫数目;
7.9根据式(7)计算第i个萤火虫第t+1次迭代时的荧光素li(t+1),并与第t次迭代时公告板上标记最优萤火虫位置相比,若优于公告板上标记的最优萤火虫位置,则更新公告板上标记的最优萤火虫位置,否则保留原来公告板上标记的最优萤火虫位置;
7.10判断t>iter_max是否成立,若成立,则表示当前公告板上标记的最优萤火虫位置为最优,从而得到最优目标函数值,即得到最优的任务分配质量得分,否则,将t+1赋值给t后,顺序执行步骤7.5。
所述步骤7.5中,若Ni(t)为空集合,则以随机概率执行以下策略中的一种策略后再计算邻居集合Ni(t):
7.5.1引入交换变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将其对应下标的编码进行交换,1≤p,q≤MM且p<q;
7.5.2引入插入变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将第q维下标的编码插入到第p维下标的编码之前,1≤p,q≤MM且p<q;
7.5.3引入反演变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将第p维至第q维下标的编码顺序反转,1≤p,q≤MM且p<q。
与已有技术相比,本发明的有益效果体现在:
1、本发明从实际问题出发,将空间众包工作者评分要素加入到空间众包任务分配模型中,解决了现有任务分配方法中缺少考虑工作者服务质量要素的问题,从更全面的角度考虑任务分配的全局效益,满足了从全局角度优化空间众包任务分配。
2、本发明提出了空间众包任务分配工作者评分最大化和工作者旅行成本最小化双目标优化目的,充分考虑了该因素对任务分配质量的影响,并可以通过改变两者权重系数大小,改变其对任务分配质量的影响,从而提高了全局任务分配质量。
3、本发明基于自然界萤火虫群体的生物学原理,受萤火虫群体间通过个体之间的交流、学习与合作可以将有限的个体经验与智能通过互相作用达到整体能力远远大于个体总和的效果行为启发,采用改进的离散型萤火虫群优化算法求解加入空间众包工作者评分要素的空间众包任务分配模型,对原始萤火虫群优化算法进行离散化并改进,改进的萤火虫群优化算法具有更快的收敛速度和更优的全局寻优能力,从而提高了整体求解的效率,有效减少了求解所用时间,同时提高了整体任务分配结果的分配质量。
附图说明
图1为本发明空间众包任务分配方法的流程图;
图2为本发明空间众包任务分配方法中改进的离散型萤火虫群优化算法流程图;
图3为本发明空间众包任务分配方法与随机匹配算法有效性与稳定性对比结果;
图4为本发明空间众包任务分配方法GIDGSO与算法IDGSO、DGSO、DFA对比结果图;
图5为本发明空间众包任务分配方法中任务分配质量总得分随迭代次数变化结果图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的说明:
本实施例中,一种加入空间众包工作者工作评分要素的空间众包任务分配方法,流程图如图1所示,包括以下几个步骤:
步骤一:根据时空特征将任一地理区域划分为一系列连续的时空环境,任意一个时空环境E是由一个时间戳T和区域面积S组成,即E=S×T;
步骤二:设置时间戳T和区域面积S的具体值;
步骤三:获取时空环境E下所有M个空间众包任务,并依次编号,从而构成空间任务集合TT={TT1,TT2,...,TTm,...,TTM};TTm表示第m个空间众包任务,1≤m≤M;令第m个空间众包任务TTm包含三个属性,即:其中,表示第m个空间众包任务TTm的地理位置属性,取值为二维地理坐标,也就是一个经纬度的值,表示第m个空间众包任务TTm的发布时间属性,取值为时间点,具体到年月日时分秒,表示第m个空间众包任务TTm的发布状态属性,取值若为“0”,则表示发布的第m个空间众包任务TTm尚未被接单,取值若为“1”,则表示发布的第m个空间众包任务TTm已被接单;
步骤四:获取空间任务集合TT中,第m个空间众包任务TTm的发布状态属性的所有任务MM个,并重新依次编号,构成未被接单任务集合NTT={NTT1,NTT2,...,NTTmm,...,NTTMM},即当前待分配空间任务集合;NTTmm表示第mm个未被接单任务;并依次将第mm个未被接单任务NTTmm的地理位置属性映射到值为所设定的范围之间的二维坐标,将经纬度值映射到并记为1≤mm≤MM;
步骤五:获取时空环境E下所有N个空间众包工作者,并依次编号,从而构成空间众包工作者集合WW={WW1,WW2,...,WWn,...,WWN};WWn表示第n个空间众包工作者,1≤n≤N;令第n个空间众包工作者WWn包含三个属性,即其中表示第n个空间众包工作者WWn的地理位置属性,取值为二维坐标,也就是经纬度坐标,表示第n个空间众包工作者WWn的接单状态属性,处于接单状态,取值若为“0”,则表示第n个空间众包工作者WWn处于未接单状态,取值若为“1”,则表示第n个空间众包工作者WWn处于接单状态,表示第n个空间众包工作者WWn的评分属性,通常是工作者的服务质量评价得分;
步骤六:获取空间众包工作者集合WW中,任意第n个空间众包工作者WWn接单状态属性的所有工作者NN个,并重新依次编号,构成未接单工作者集合NWW={NWW1,NWW2,...,NWWnn,...,NWWNN},要完成当前时空环境下未被接单空间任务,只能从这个未接单工作者集合中选择工作者来接单;NWWnn表示第nn个未接单工作,并依次将第nn个任务NWWnn的地理位置属性映射到值为所设定的范围之间的二维坐标,并记为1≤nn≤NN;
步骤七:采用改进的离散萤火虫群智能优化算法为时空环境E下每一个未被接单任务匹配一个未接单工作者,从而使得在时空环境E下的全局任务分配得分最优,每个未被接单空间任务当前只能匹配一个未接单空间众包工作者,每个未接单空间众包工作者当前也只能接受一个未被接单空间任务,如图2所示,其包括以下步骤:
7.1初始化萤火虫群智能优化算法的各参数值,包括:最大迭代次数iter_max、每次迭代控制变量t、种群规模大小Nt、荧光素更新率γ、荧光素消失率ρ、初始荧光素l0、初始决策域半径rd、动态决策域更新率β、初始感知半径rs、邻域阈值nt;
7.2生成初始解:
根据未被接单任务数MM,未接单工作者数NN,且MM<NN,之所以设定这个约束,是为了充分考虑空间众包工作者的服务质量,为空间任务匹配最优的空间众包工作者,确定萤火虫维度为MM,并生成Nt个萤火虫的初始位置,即初始解;
令每个萤火虫代表一种未被接单任务和未接单工作者之间的任务分配组合,并令xi(t)表示第i个萤火虫在第t次迭代时的一种任务分配组合,且xi(t)=[xi1(t),xi2(t),...,ximm(t),...,xiMM(t)],其中,1≤i≤Nt,1≤ximm(t)≤NN,ximm(t)表示第i个萤火虫在第t次迭代时为第mm个未被接单任务NTTmm所匹配的未接单工作者的编号,也称编码;
7.3利用式(1)确定目标函数:
J(xi(t))=max(TD) (1)
式(1)中,J(xi(t))表示第i个萤火虫在t次迭代所在位置的目标函数值,TD表示任务分配质量总得分,任务分配质量总得分最大化包括两方面,一方面使得任务分配结果空间众包工作者服务质量评分总和最高,另一方面使得任务分配结果空间众包工作者旅行消耗成本总和最低,并有:
TD=ri×c1×G-r2×c2×L (2)
式(2)中,r1,r2为加权系数,分别表示工作者服务质量评分总和与消耗旅行成本总和所占的比重,c1,c2为统一量纲常数,且0<r1,r2<1,r1+r2=1;G表示给当前MM个未被接单任务分配MM个未接单工作者时,从NN个未接单工作者中选中的MM个未接单工作者的评分总和,并有:
式(3)中,Gmmnn表示给第mm个未被接单空间任务分配的第nn个工作者的评分,并有:
式(2)中,L表示给当前MM个未被接单任务分配MM个未接单工作者时,所有选中的未接单工作者与对应的未被接单任务之间消耗的旅行成本之和,并有:
式(5)中,Lmmnn表示第mm个未被接单空间众包任务与被选中的第nn个未接单工作者之间的旅行成本,此处旅行成本计算方式采用的是曼哈顿距离计算方式,并有:
Lmmnn=abs(xmm-xnn)+abs(ymm-ynn) (6)
式(6)中,abs()表示求绝对值;
7.4利用式(7)中第i个萤火虫在第t-1次迭代时荧光素li(t-1),从而更新第i个萤火虫在t次迭代时荧光素li(t),并将在t次迭代时最优萤火虫位置标记到公告板:
li(t)=(1-ρ)li(t-1)+γJ(xi(t)) (7)
式(7)中,ρ是荧光素消失率,γ是荧光素更新率,当t=1时,li(t-1)为初始荧光素l0;
7.5利用式(8)得到第i个萤火虫在第t次迭代时寻找的邻居集合Ni(t):
式(8)中,表示第i个萤火虫在第t次迭代时的决策域半径,lj(t)表示第j个萤火虫在第t次迭代时荧光素;||xj(t)-xi(t)||表示在第t次迭代时第i个萤火虫与第j个萤火虫之间的距离,此处的距离指的是汉明距离,采用汉明距离计算公式来计算两个萤火虫之间的距离,并有:
式(9)中,diatance(i,j)k表示第t次迭代时第i个萤火虫与第j个萤火虫在第k维上的距离,1≤k≤MM,并有:
式(10)中,xik(t)表示第i个萤火虫第t次迭代时第k维上的编码,xjk(t)表示第i个萤火虫第t次迭代时第k维上的编码;
若式(8)中求得的Ni(t)为空集合,则以随机概率执行以下策略中的一种策略后再计算邻居集合Ni(t),增加萤火虫种群多样性,以便找到更好的解:
7.5.1引入交换变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将其对应下标的编码进行交换,1≤p,q≤MM且p<q;
7.5.2引入插入变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将第q维下标的编码插入到第p维下标的编码之前,1≤p,q≤MM且p<q;
7.5.3引入反演变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将第p维至第q维下标的编码顺序反转,1≤p,q≤MM且p<q。
7.6利用式(11)确定第i个萤火虫在第t次迭代时的下一步移动方向后,向第j个萤火虫位置方向移动:
j=max(pi) (11)
7.7利用式(13)中第i个萤火虫在第t次迭代时在第k个维度上的编码xik(t),从而更新第i个萤火虫在第t+1次迭代时在第k个维度上的编码xik(t+1):
式(13)中,rand()表示随机函数,0<rp1、rp2<1,randperm(n,1)表示从1到n个常数中随机取出其中一个;若第i个萤火虫在第t次迭代时在MM个维度上的编码出现重复的情况,则找出第j个萤火虫与第i个萤火虫在MM个维度上的不同编码及对应的维度,以随机的顺序重新排列对应维度上编码,并将重排后的编码作为第i个萤火虫相应维度的编码;例如,当前萤火虫维度为10维,其中一个萤火虫初始编码为[12,8,5,7,2,11,15,9,3,6],其邻域内最优萤火虫编码为[1,9,4,10,3,15,7,8,2,13],进行一次位置更新后,当前萤火虫的编码变为[12,8,4,7,3,11,7,9,10,13],其第4维与第7维上的编码出现了重复,两个维度上编码都是7,所以找出最优萤火虫与当前萤火虫相同维度上的不同编码,即第1、2、4、6、8、9维上对应的编码12、8、7、11、9、10,并随机打乱编码,例如,打乱后编码为10、9、2、8、15、1,再将该编码依次作为当前萤火虫第1、2、4、6、8、9维上的编码,改变后的萤火虫编码为[10,9,4,2,3,8,7,15,1,13];
式(14)中,rs是感知半径,nt是邻域阈值,|Ni(t)|是邻域中萤火虫数目;
7.9根据式(7)计算第i个萤火虫第t+1次迭代时的荧光素li(t+1),并与第t次迭代时公告板上标记最优萤火虫位置相比,若优于公告板上标记的最优萤火虫位置,则更新公告板上标记的最优萤火虫位置,否则保留原来公告板上标记的最优萤火虫位置;
7.10判断t>iter_max是否成立,若成立,则表示当前公告板上标记的最优萤火虫位置已达到最优,从而得到最优目标函数值,也即得到最优的任务分配质量得分,否则,将t+1赋值给t后,顺序执行步骤7.5。
步骤八:输出当前时空环境E下最优任务分配组合及其得分。
为了本发明方法的有效性和稳定性,进行了测试。根据模拟数据,表1,表2,模拟的空间任务和空间众包工作者的位置数据是处于同一时空环境,时间戳T设置为3分钟,区域面积S设置为10千米×10千米,进行了独立重复的20次实验,比较随机匹配算法与本发明提出的方法对任务分配总得分的影响,得到下面图3的结果。测试结果表明本发明所提出的方法具有较好的稳定性和有效性,适用于解决空间众包任务分配问题。
表1模拟的未被接单空间任务和未接单空间众包工作者的位置数据
表2模拟工作者当前评分
为了验证本发明所提出算法的性能,与另外三种算法IDGSO、DGSO、DFA进行实验对比,使用表1,表2中数据进行20次独立重复实验得到结果如图4所示,验证本发明所提出方法具有一定的性能水平。
对改进的离散型萤火虫群优化算法中几个参数进行了分析,分析迭代次数、感知半径rs、决策半径rd、邻域阈值nt、种群规模对算法性能的影响,采用表1中数据对算法独立重复20次实验得到平均值,分析各参数,并给出了参数的最优参考取值如表4,供实际应用时参考选择。
表4各参数最优参考取值
iter_max | r<sub>s</sub> | r<sub>d</sub> | n<sub>t</sub> | N<sub>t</sub> |
100 | 12 | 12 | 5 | 100 |
选择的实施例:模拟在一个时空环境下,10千米×10千米面积区域中3分钟内,获取未被接单的空间众包任务10个,编号1-10,获取未接单的空间众包工作者15人,编号1-15,他们的地理位置信息经处理后模拟如表1所示,这15位工作者当前服务质量的评分所得如表2。各参数初始化为:荧光素消失系数0.4,荧光素增强系数0.6,感知半径变化系数0.08,邻域阈值5,初始荧光素初始浓度5,初始感知半径12,初始决策半径12,种群规模100,最大迭代次数500。生成初始解,例如第一个萤火虫第一次迭代时初始解为x1(1)=[12,8,5,7,2,11,15,9,3,6],表示编号为12的工作者接单编号为1的任务,编号为8的工作者接单编号为2的任务,编号为5的工作者接单编号为3的任务,…,编号为6的工作者接单编号为10的任务,未被分配到的工作者将进入下一个时空环境的任务分配。应用改进的离散型萤火虫群优化算法求解任务分配结果,输出结果,得到空间任务与工作者的最优匹配组合如表3所示,任务分配总得分如图5所示:
表3空间任务与空间众包工作者的任务分配组合结果
tasknum | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
workernum | 3 | 11 | 12 | 1 | 4 | 15 | 10 | 14 | 6 | 8 |
表3所得结果表明,最终最优的任务分配组合为:编号为1的空间众包任务匹配编号为3的空间众包工作者,编号为2的空间众包任务匹配编号为11的空间众包工作者,…,编号为10的空间众包任务匹配编号为8的空间众包工作者。如图5所示,表明了最优的任务分配组合对应的最优任务分配质量得分。
综上所述,本发明方法从全局角度出发,考虑了时空环境下全局任务分配,同时考虑在进行任务分配时加入空间众包工作者服务评分要素,实现了空间众包任务分配时空间众包工作者评分总和尽可能高的同时空间众包工作者总旅行成本尽可能小的双目标,从而提高了任务分配的效率,有效减少了进行任务分配所用时长,同时获得当前最优任务分配组合及最优任务分配质量得分,从而提高了全局任务分配的分配质量。
Claims (3)
1.一种加入空间众包工作者评分要素的空间众包任务分配方法,其特征在于,包括以下步骤:
步骤一:根据时空特征将任一地理区域划分为一系列连续的时空环境,任意一个时空环境E是由一个时间戳T和区域面积S组成,即E=S×T;
步骤二:设置时间戳T和区域面积S的具体值;
步骤三:获取所述时空环境E下所有M个空间众包任务,并依次编号,从而构成空间任务集合TT={TT1,TT2,...,TTm,...,TTM};TTm表示第m个空间众包任务,1≤m≤M;令第m个空间众包任务TTm包含三个属性,即:其中,表示第m个空间众包任务TTm的地理位置属性,取值为二维地理坐标,表示第m个空间众包任务TTm的发布时间属性,取值为时间点,表示第m个空间众包任务TTm的发布状态属性,取值若为“0”,则表示发布的第m个空间众包任务TTm尚未被接单,取值若为“1”,则表示发布的第m个空间众包任务TTm已被接单;
步骤四:获取所述空间任务集合TT中,第m个空间众包任务TTm的发布状态属性的所有任务MM个,并重新依次编号,构成未被接单任务集合NTT={NTT1,NTT2,...,NTTmm,...,NTTMM};NTTmm表示第mm个未被接单任务;并依次将第mm个未被接单任务NTTmm的地理位置属性映射到值为所设定的范围之间的二维坐标,并记为
步骤五:获取所述时空环境E下所有N个空间众包工作者,并依次编号,从而构成空间众包工作者集合WW={WW1,WW2,...,WWn,...,WWN};WWn表示第n个空间众包工作者,1≤n≤N;令第n个空间众包工作者WWn包含三个属性,即其中表示第n个空间众包工作者WWn的地理位置属性,取值为二维坐标,表示第n个空间众包工作者WWn的接单状态属性,处于接单状态,取值若为“0”,则表示第n个空间众包工作者WWn处于未接单状态,取值若为“1”,则表示第n个空间众包工作者WWn处于接单状态,表示第n个空间众包工作者WWn的评分属性;
步骤六:获取空间众包工作者集合WW中,任意第n个空间众包工作者WWn接单状态属性的所有工作者NN个,并重新依次编号,构成未接单工作者集合NWW={NWW1,NWW2,...,NWWnn,...,NWWNN};NWWnn表示第nn个未接单工作,并依次将第nn个任务NWWnn的地理位置属性映射到值为所设定的范围之间的二维坐标,并记为
步骤七:采用改进的离散萤火虫群智能优化算法为所述时空环境E下每一个未被接单任务匹配一个未接单工作者,从而使得在所述时空环境E下的任务分配质量得分最优;
步骤八:输出当前时空环境E下最优任务分配组合及其得分。
2.根据权利要求1所述的加入空间众包工作者评分要素的空间众包任务分配方法,其特征在于,所述步骤七是按如下过程进行:
7.1初始化萤火虫群智能优化算法的各参数值,包括:最大迭代次数iter_max、每次迭代控制变量t、种群规模大小Nt、荧光素更新率γ、荧光素消失率ρ、初始荧光素l0、初始决策域半径rd、动态决策域更新率β、初始感知半径rs、邻域阈值nt;
7.2生成初始解:
根据未被接单任务数MM,未接单工作者数NN,且MM<NN,确定萤火虫维度为MM,并生成Nt个萤火虫的初始位置,即初始解;
令每个萤火虫代表一种未被接单任务和未接单工作者之间的任务分配组合,并令xi(t)表示第i个萤火虫在第t次迭代时的一种任务分配组合,且xi(t)=[xi1(t),xi2(t),...,ximm(t),...,xiMM(t)],其中,1≤i≤Nt,1≤ximm(t)≤NN,ximm(t)表示第i个萤火虫在第t次迭代时为第mm个未被接单任务NTTmm所匹配的未接单工作者的编号,也称编码;
7.3利用式(1)确定目标函数:
J(xi(t))=max(TD) (1)
式(1)中,J(xi(t))表示第i个萤火虫在t次迭代所在位置的目标函数值,TD表示任务分配质量总评分,并有:
TD=ri×c1×G-r2×c2×L (2)
式(2)中,r1,r2为加权系数,c1,c2为统一量纲常数,且0<r1,r2<1,r1+r2=1;G表示给当前MM个未被接单任务分配MM个未接单工作者时,从NN个未接单工作者中选中的MM个未接单工作者的评分总和,并有:
式(3)中,Gmmnn表示给第mm个未被接单空间任务分配的第nn个工作者的评分,并有:
式(2)中,L表示给当前MM个未被接单任务分配MM个未接单工作者时,所有选中的未接单工作者与对应的未被接单任务之间消耗的旅行成本之和,并有:
式(5)中,Lmmnn表示第mm个未被接单空间众包任务与被选中的第nn个未接单工作者之间的旅行成本,并有:
Lmmnn=abs(xmm-xnn)+abs(ymm-ynn) (6)
式(6)中,abs()表示求绝对值;
7.4利用式(7)中第i个萤火虫在第t-1次迭代时荧光素li(t-1),从而更新第i个萤火虫在t次迭代时荧光素li(t),并将在t次迭代时最优萤火虫位置标记到公告板:
li(t)=(1-ρ)li(t-1)+γJ(xi(t)) (7)
式(7)中,ρ是荧光素消失率,γ是荧光素更新率,当t=1时,li(t-1)为初始荧光素l0;
7.5利用式(8)得到第i个萤火虫在第t次迭代时寻找的邻居集合Ni(t):
式(9)中,diatance(i,j)k表示第t次迭代时第i个萤火虫与第j个萤火虫在第k维上的距离,1≤k≤MM,并有:
式(10)中,xik(t)表示第i个萤火虫第t次迭代时第k维上的编码,xjk(t)表示第i个萤火虫第t次迭代时第k维上的编码;
7.6利用式(11)确定第i个萤火虫在第t次迭代时的下一步移动方向后,向第j个萤火虫位置方向移动:
j=max(pi) (11)
7.7利用式(13)中第i个萤火虫在第t次迭代时在第k个维度上的编码xik(t),从而更新第i个萤火虫在第t+1次迭代时在第k个维度上的编码xik(t+1):
式(13)中,rand()表示随机函数,0<rp1、rp2<1,randperm(n,1)表示从1到n个常数中随机取出其中一个;若第i个萤火虫在第t次迭代时在MM个维度上的编码出现重复的情况,则找出第j个萤火虫与第i个萤火虫在MM个维度上的不同编码及对应的维度,以随机的顺序重新排列对应维度上的编码,并将重排后的编码作为第i个萤火虫相应维度的编码;
式(14)中,rs是感知半径,nt是邻域阈值,|Ni(t)|是邻域中萤火虫数目;
7.9根据式(7)计算第i个萤火虫第t+1次迭代时的荧光素li(t+1),并与第t次迭代时公告板上标记最优萤火虫位置相比,若优于公告板上标记的最优萤火虫位置,则更新公告板上标记的最优萤火虫位置,否则保留原来公告板上标记的最优萤火虫位置;
7.10判断t>iter_max是否成立,若成立,则表示当前公告板上标记的最优萤火虫位置为最优,从而得到最优目标函数值,即得到最优的任务分配质量得分,否则,将t+1赋值给t后,顺序执行步骤7.5。
3.根据权利要求2所述的加入空间众包工作者评分要素的空间众包任务分配方法,其特征在于,所述步骤7.5中,若Ni(t)为空集合,则以随机概率执行以下策略中的一种策略后再计算邻居集合Ni(t):
7.5.1引入交换变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将其对应下标的编码进行交换,1≤p,q≤MM且p<q;
7.5.2引入插入变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将第q维下标的编码插入到第p维下标的编码之前,1≤p,q≤MM且p<q;
7.5.3引入反演变异算子策略:
对于从第i个萤火虫的MM维解空间中以随机的方式任意产生两维,记为第p维和第q维,并将第p维至第q维下标的编码顺序反转,1≤p,q≤MM且p<q。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009499.8A CN111191952A (zh) | 2020-01-06 | 2020-01-06 | 加入空间众包工作者评分要素的空间众包任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009499.8A CN111191952A (zh) | 2020-01-06 | 2020-01-06 | 加入空间众包工作者评分要素的空间众包任务分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111191952A true CN111191952A (zh) | 2020-05-22 |
Family
ID=70706097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010009499.8A Withdrawn CN111191952A (zh) | 2020-01-06 | 2020-01-06 | 加入空间众包工作者评分要素的空间众包任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191952A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712282A (zh) * | 2021-01-13 | 2021-04-27 | 东华大学 | 一种面向众包市场的基于适应度的任务分配方法 |
CN113627765A (zh) * | 2021-08-01 | 2021-11-09 | 湖南大学 | 基于用户满意度的分布式空间众包任务分配方法和系统 |
US11386299B2 (en) | 2018-11-16 | 2022-07-12 | Yandex Europe Ag | Method of completing a task |
US11416773B2 (en) | 2019-05-27 | 2022-08-16 | Yandex Europe Ag | Method and system for determining result for task executed in crowd-sourced environment |
US11475387B2 (en) | 2019-09-09 | 2022-10-18 | Yandex Europe Ag | Method and system for determining productivity rate of user in computer-implemented crowd-sourced environment |
US11481650B2 (en) | 2019-11-05 | 2022-10-25 | Yandex Europe Ag | Method and system for selecting label from plurality of labels for task in crowd-sourced environment |
CN116307294A (zh) * | 2023-05-22 | 2023-06-23 | 合肥城市云数据中心股份有限公司 | 基于差分隐私和改进萤火虫的lbs空间众包任务分配方法 |
US11727336B2 (en) | 2019-04-15 | 2023-08-15 | Yandex Europe Ag | Method and system for determining result for task executed in crowd-sourced environment |
US11727329B2 (en) | 2020-02-14 | 2023-08-15 | Yandex Europe Ag | Method and system for receiving label for digital task executed within crowd-sourced environment |
-
2020
- 2020-01-06 CN CN202010009499.8A patent/CN111191952A/zh not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11386299B2 (en) | 2018-11-16 | 2022-07-12 | Yandex Europe Ag | Method of completing a task |
US11727336B2 (en) | 2019-04-15 | 2023-08-15 | Yandex Europe Ag | Method and system for determining result for task executed in crowd-sourced environment |
US11416773B2 (en) | 2019-05-27 | 2022-08-16 | Yandex Europe Ag | Method and system for determining result for task executed in crowd-sourced environment |
US11475387B2 (en) | 2019-09-09 | 2022-10-18 | Yandex Europe Ag | Method and system for determining productivity rate of user in computer-implemented crowd-sourced environment |
US11481650B2 (en) | 2019-11-05 | 2022-10-25 | Yandex Europe Ag | Method and system for selecting label from plurality of labels for task in crowd-sourced environment |
US11727329B2 (en) | 2020-02-14 | 2023-08-15 | Yandex Europe Ag | Method and system for receiving label for digital task executed within crowd-sourced environment |
CN112712282A (zh) * | 2021-01-13 | 2021-04-27 | 东华大学 | 一种面向众包市场的基于适应度的任务分配方法 |
CN113627765A (zh) * | 2021-08-01 | 2021-11-09 | 湖南大学 | 基于用户满意度的分布式空间众包任务分配方法和系统 |
CN113627765B (zh) * | 2021-08-01 | 2024-01-05 | 湖南大学 | 基于用户满意度的分布式空间众包任务分配方法和系统 |
CN116307294A (zh) * | 2023-05-22 | 2023-06-23 | 合肥城市云数据中心股份有限公司 | 基于差分隐私和改进萤火虫的lbs空间众包任务分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191952A (zh) | 加入空间众包工作者评分要素的空间众包任务分配方法 | |
Tsai et al. | Parallel cat swarm optimization | |
Hamta et al. | A hybrid PSO algorithm for a multi-objective assembly line balancing problem with flexible operation times, sequence-dependent setup times and learning effect | |
Hyun et al. | A genetic algorithm for multiple objective sequencing problems in mixed model assembly lines | |
CN111325356A (zh) | 一种基于演化计算的神经网络搜索分布式训练系统及训练方法 | |
CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
CN111105045A (zh) | 一种基于改进的蝗虫优化算法构建预测模型的方法 | |
CN109242290B (zh) | 一种无人机群行动方案自动生成方法 | |
CN113254719B (zh) | 一种基于地位理论的在线社交网络信息传播方法 | |
Wang et al. | Using ordinal data to estimate cardinal values | |
CN113242601A (zh) | 一种基于优化样本采样的noma系统资源分配方法及存储介质 | |
CN114758180B (zh) | 一种基于知识蒸馏的轻量化花卉识别方法 | |
CN114399161A (zh) | 基于离散映射差分进化算法的多无人机协同任务分配方法 | |
Lashin et al. | Comparative modeling of coevolution in communities of unicellular organisms: adaptability and biodiversity | |
Alexandrescu et al. | A genetic algorithm for mapping tasks in heterogeneous computing systems | |
Yeh | A Memetic Algorithm for the n/2/Flowshop/α F+ β C max Scheduling Problem | |
Fieberg et al. | Design and analysis of simple choice surveys for natural resource management | |
CN116050685A (zh) | 基于改进多因子优化的路径规划方法 | |
CN114943278A (zh) | 基于强化学习的持续在线群体激励方法、装置及存储介质 | |
CN115206431A (zh) | 一种氮循环驱动因子的预测方法、装置、设备及存储介质 | |
CN113487031A (zh) | 一种基于改进模拟退火融合遗传算法的多无人机任务分配方法 | |
Souza et al. | How likely are adaptive responses to mitigate the threats of climate change for amphibians globally? | |
CN1779710A (zh) | 服务质量评价援助装置 | |
Mazurek et al. | Fleet mix computation using evolutionary multiobjective optimization | |
CN113240070A (zh) | 基于pso-aco-bp神经网络的自动评分方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200522 |
|
WW01 | Invention patent application withdrawn after publication |