CN111475266A - 多样性约束的群智感知任务分配方法 - Google Patents

多样性约束的群智感知任务分配方法 Download PDF

Info

Publication number
CN111475266A
CN111475266A CN202010149178.8A CN202010149178A CN111475266A CN 111475266 A CN111475266 A CN 111475266A CN 202010149178 A CN202010149178 A CN 202010149178A CN 111475266 A CN111475266 A CN 111475266A
Authority
CN
China
Prior art keywords
user
task
users
tasks
type
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.)
Granted
Application number
CN202010149178.8A
Other languages
English (en)
Other versions
CN111475266B (zh
Inventor
张立臣
丁宇
宋星辰
李黎
郭龙江
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.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal University
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 Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN202010149178.8A priority Critical patent/CN111475266B/zh
Publication of CN111475266A publication Critical patent/CN111475266A/zh
Application granted granted Critical
Publication of CN111475266B publication Critical patent/CN111475266B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种多样性约束的群智感知任务分配方法，由收集用户和感知任务、确定任务的可用用户、选择任务分配用户、调整被选任务所分配的用户步骤组成。本发明考虑了感知任务的时效性和移动用户空闲时间的不连续性，在任务分配过程中增加了确定任务的可用用户部分，仅在空闲时间段包含了任务执行时间段的用户中选择满足任务要求的用户进行任务分配，减轻了服务器平台的通信和计算压力，提高了任务分配的速度和质量，同时解决了感知任务不能在有效时间段内完成带来的技术问题，扩大了群智感知的应用范围。本发明具有任务分配质量高、应用范围广等优点，可在群智感知任务分配中应用。

Description

多样性约束的群智感知任务分配方法
技术领域
本发明属于群智感知技术领域，具体涉及到多样性约束的群智感知任务分配方法。
背景技术
随着嵌入式设备、无线传感网络、物联网、智能移动终端等的快速发展，集成感知、计算和通信能力的普适智能系统正在被广泛部署，并逐步融入人们的日常生活环境中，普适计算获取数据的能力也由此得以极大增强。在此背景下，城市和社会感知成为当前信息领域的前沿研究热点。城市感知任务具有范围广、规模大、任务重等特点。目前的城市感知系统主要依赖于预安装的专业传感设施，如摄像头、空气检测装置等，具有覆盖范围受限、投资及维护成本高等问题，使用范围、对象和应用效果受到了很多限制。因此，一种新的感知模式——移动群智感知应运而生。与传统感知技术依赖于专业人员和设备不同，移动群智感知将目光转向大量普通用户，以大量普通用户作为感知源，利用其随身携带的智能移动终端如智能手机、可穿戴设备等，形成大规模、随时随地且与人们日常生活密切相关的感知系统。群智感知强调利用大众的广泛分布性、灵活移动性和机会连接性进行感知，并为城市及社会管理提供智能辅助支持。它可应用在很多重要领域，如智能交通、公共安全、社会化推荐、环境监测、城市公共管理等。
一个群智感知应用系统一般包含3个组成部分：服务器平台，数据使用者和数据提供者。数据使用者向服务器平台发布感知任务需求，并从服务器平台接收任务结果；服务器平台主要负责任务发布、任务分配、感知数据收集和任务质量评估；数据提供者，即携带移动智能设备的普通移动用户，接收服务器平台分配的任务并负责数据感知和收集，将感知数据发送给服务器平台。在群智感知系统中，任务分配是实施群智感知的基础。服务器平台需要根据数据使用者提交的任务需求，结合当前在线用户的状态，将各个可被分配的任务分配给满足任务约束条件的众多用户，分配的依据是实现特定的优化目标，如最大化任务接收率、最大化整体收益等。
当前的面向群智感知的任务分配方法和系统尚未考虑以下几个方面：
1、感知任务的时效性和移动用户空闲时间的不连续性。
2、各个感知任务对提供感知数据的用户群体所具有的用户类型的多样性要求。
在现有任务分配方法中，一般认为数据使用者不会对所提交的感知任务有完成时间约束，且完成感知任务的移动用户为无类型差异的可以随时执行任务的用户。事实上，由于数据使用者所提交的感知任务在不同时间段内被完成，所产生的数据会具有很大的性质上的差异，而这种差异直接影响任务的完成质量，所以感知任务往往对任务的执行时间有明确的限制，而且完成感知任务的移动用户往往具有不同的类型，每个任务对所分配用户的类型多样性要求各不相同，用户类型多样性分布符合任务要求的用户合作完成任务可以获得更高质量的感知数据。因此，任务分配过程中可以增加对感知任务的执行时间要求、用户类型多样性要求和用户的空闲时间段、用户类型的收集，且不同感知任务可按照各自的用户类型多样性要求对满足任务执行时间要求的用户进行调整，使完成任务的收益最大化。但是，当前的在线任务分配方法尚未考虑这些因素，在很大程度上限制了群智感知的应用范围。
因此，为满足符合实际要求的群智感知应用场景，同时提高平台的任务分配质量和任务分配收益，在考虑感知任务的执行时间要求、感知任务所选用户的类型多样性要求以及任务分配收益最大化要求的情况下，设计一种多样性约束的群智感知任务分配方法是十分必要的。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种任务分配质量高、应用范围广的多样性约束的群智感知任务分配方法。
解决上述技术问题所采用的技术方案是由下述步骤组成：
(1)收集用户和感知任务
感知任务集合Γ＝{τ1，τ2，...，τn}由n个任务组成，其中，每个任务τi为(Ni,si,ei)，对应一个执行时间区间(si,ei)和一个所需用户人数Ni，si是任务τi的开始时间，ei是任务τi的结束时间，满足ei>si，i∈{1,2,...,n}，n为有限的正整数，k为有限用户类型集合C＝{c1,c2,…,ck}所含用户类型个数。
用户集合U＝{u1,u2,…,um}由m个用户组成，其中，每个用户uj对应一个用户类型cj∈C、一个空闲时间区间(sj,ej)和一组执行任务τi的收益vij，其中，j∈{1,2,...,m}，ej>sj，vij≥0。
每个任务τi对每个用户类型ct∈C具有多样性约束参数
Figure BDA0002401829200000031
和
Figure BDA0002401829200000032
其中，t∈{1,2,...,k}，
Figure BDA0002401829200000033
(2)确定任务的可用用户
确定每个任务τi∈Γ的可用用户集合Ai如下：
Ai＝{uj|uj∈U,sj≤si,ej≥ei}
(3)选择任务分配用户
1)对每个任务τi∈Γ，每一个用户类型ct∈C，按用户uj执行任务的收益vij，从大到小分别对可用用户集合Ai中用户类型为ct的用户集合
Figure BDA0002401829200000034
中的用户进行排序，其中：
Figure BDA0002401829200000035
2)对每个任务τi∈Γ，每一个用户类型ct∈C，按如下公式分别从可用用户集合Ai中用户类型为ct的用户集合
Figure BDA0002401829200000036
中选择前
Figure BDA0002401829200000037
个用户组成任务τi的可分配用户集合Ui：
Figure BDA0002401829200000038
Figure BDA0002401829200000041
Figure BDA0002401829200000042
其中
Figure BDA0002401829200000043
是可用用户集合Ai中用户类型为ct的用户集合
Figure BDA0002401829200000044
中的用户个数，
Figure BDA0002401829200000045
是可分配用户集合Ui中用户类型为ct的用户集合。
3)按如下公式选择一个待分配任务τp，将待分配任务τp移入已分配用户的任务集合Γ’
Figure BDA0002401829200000046
|Ui|是可分配用户集合Ui中的用户个数，
Figure BDA0002401829200000047
是可分配用户集合Ui中用户类型为ct的用户集合
Figure BDA0002401829200000048
中的用户个数，若不存在满足条件的待分配任务τp，则分配结束。
4)对每一个用户类型ct∈C按用户uj执行待分配任务τp的收益vpj，从大到小分别对待分配任务τp的可分配用户集合Up中用户类型为ct的用户集合
Figure BDA0002401829200000049
中的用户进行排序，其中
Figure BDA00024018292000000410
5)对每个用户类型ct∈C，按如下公式分别从待分配任务τp的可分配用户集合Up中用户类型为ct的用户集合
Figure BDA00024018292000000411
中，选择前
Figure BDA00024018292000000412
个用户加入待分配任务τp的被选用户集合Up’
Figure BDA00024018292000000413
Figure BDA00024018292000000414
Figure BDA00024018292000000415
其中，Np是待分配任务τp的所需人数，
Figure BDA00024018292000000416
是待分配任务τp的被选用户集合Up’中用户类型为ct的用户集合。
6)按用户uj执行待分配任务τp的收益vpj，从大到小对集合Up-Up’中的用户进行排序，选择前Np-|Up’|个用户加入被选用户集合Up’，其中|Up’|是被选用户集合Up’中的用户个数。
(4)调整被选任务所分配的用户
1)找出被选用户集中收益最小的用户umin∈Up’和未被选用户集中收益最大的用户umax∈Up-Up’，若不存在收益最小的用户umin和收益最大的用户umax满足下式，转至步骤(4)的步骤5)
vp,min＜vp,max
其中，vp,min和vp,max分别是收益最小的用户umin和收益最大的用户umax执行任务τp的收益。
2)选择收益最小的可去用户u’min
Figure BDA0002401829200000051
其中，vpj是用户uj执行待分配任务τp的收益，
Figure BDA0002401829200000052
是待分配任务τp对用户uj的用户类型cj的反向多样性约束参数，
Figure BDA0002401829200000053
是被选用户集合Up’中用户类型为cj的用户集合
Figure BDA0002401829200000054
中的用户个数；若不存在收益最小的可去用户u’min，转至步骤(4)的步骤5)。
3)选择收益最大的可加用户u’max
Figure BDA0002401829200000055
其中，
Figure BDA0002401829200000056
是待分配任务τp对用户uj的用户类型cj的正向多样性约束参数；若不存在收益最大的可加用户u’max，转至步骤(4)的步骤5)。
4)将收益最大的可加用户u’max移入Up’，将收益最小的可去用户u’min移出Up’
Up'＝Up'∪{u'max}-{u'min}
转至步骤(4)的步骤1)。
5)按下式更新与待分配任务τp有时间冲突的任务τconf∈Γconf所对应的可用用户集Aconf
Aconf＝Aconf-Up'
其中
Figure BDA0002401829200000061
其中，(sconf,econf)是与待分配任务τp有时间冲突的任务τconf的执行时间区间，转至步骤(3)，直到不存在满足条件的待分配任务。
在本发明的收集用户和感知任务步骤(1)中，所述的感知任务集合Γ的所需用户人数Ni为任意正整数，Ni为k的整数倍，k为有限用户类型集合C所含类型个数。
在本发明的收集用户和感知任务步骤(1)中，所述的有限用户类型集合C所含用户类型个数k最佳为3。
在本发明的收集用户和感知任务步骤(1)中，所述的多样性约束参数
Figure BDA0002401829200000062
Figure BDA0002401829200000063
在本发明的选择任务分配用户步骤(3)的步骤3)中，所述的待分配任务τp为：满足条件的任务数目至少为1个，待分配任务τp是用户个数最小的可分配用户集合对应的任务。
由于本发明采用了在任务分配过程中考虑了每个任务对每个用户类型的多样性约束条件，并在满足约束条件的前提下调整了被选任务所分配的用户，提高了完成感知任务的收益以及感知数据的稳定性和可信度。此外，现有技术中通过用户位置或用户可信度对用户进行分类的方法可服务于本发明中用户类型的产生，相比于根据用户某一特征对用户进行划分，本发明中的用户类型和用户类型多样性约束更具有高度概括性和普遍适用性。
本发明考虑了感知任务的时效性和移动用户空闲时间的不连续性，在任务分配过程中增加了确定任务的可用用户部分，仅在空闲时间段包含了任务执行时间段的用户中选择满足任务要求的用户进行任务分配，减轻了服务器平台的通信和计算压力，提高了任务分配的速度和质量，同时解决了感知任务不能在有效时间段内完成带来的问题，扩大了群智感知的应用范围。
附图说明
图1是本发明实施例1的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施例。
实施例1
本实施例的多样性约束的群智感知任务分配方法由下述步骤组成：
(1)收集用户和感知任务
感知任务集合Γ＝{τ1，τ2，...，τn}由n个任务组成，其中，每个任务τi对应一个执行时间区间(si,ei)和一个所需用户人数Ni，si是任务τi的开始时间，ei是任务τi的结束时间，满足ei>si，i∈{1,2,...,n}，n为有限的正整数，k为有限用户类型集合C＝{c1,c2,…,ck}所含用户类型个数。感知任务集合Γ的所需用户人数Ni为任意正整数，Ni为k的整数倍，k为有限用户类型集合C所含类型个数,任务τi可表示为(Ni,si,ei)，本实施例的n为4，k为3，N1为3，N2为6，N3为9，N4为6，τ1为(3,0,2)，τ2为(6,1,3)，τ3为(9,2,4)，τ4为(6,4,6)，C为{c1,c2,c3}。
用户集合U＝{u1,u2,…,um}由m个用户组成，其中，每个用户uj对应一个用户类型cj∈C、一个空闲时间区间(sj,ej)和一组执行任务τi的收益vij，其中，j∈{1,2,...,m}，ej>sj，vij≥0，本实施例的m为20，u1的用户类型c1为c2,u2的用户类型c2为c3,u3的用户类型c3为c2,u4的用户类型c4为c3,u5的用户类型c5为c1,u6的用户类型c6为c2,u7的用户类型c7为c2,u8的用户类型c8为c3,u9的用户类型c9为c2,u10的用户类型c10为c1,u11的用户类型c11为c2,u12的用户类型c12为c1,u13的用户类型c13为c2,u14的用户类型c14为c3,u15的用户类型c15为c2,u16的用户类型c16为c3,u17的用户类型c17为c1,u18的用户类型c18为c2,u19的用户类型c19为c1,u20的用户类型c20为c3。
u1的空闲时间区间为(0,4)，u2的空闲时间区间为(0,3)，u3的空闲时间区间为(2,6)，u4的空闲时间区间为(4,6)，u5的空闲时间区间为(4,6)，u6的空闲时间区间为(4,6)，u7的空闲时间区间为(1,4)，u8的空闲时间区间为(1,4)，u9的空闲时间区间为(1,4)，u10的空闲时间区间为(0,3)，u11的空闲时间区间为(0,3)，u12的空闲时间区间为(1,3)，u13的空闲时间区间为(4,6)，u14的空闲时间区间为(2,4)，u15的空闲时间区间为(2,6)，u16的空闲时间区间为(1,3)，u17的空闲时间区间为(0,2)，u18的空闲时间区间为(2,6)，u19的空闲时间区间为(4,6)，u20的空闲时间区间为(1,3)。本实施例的收益vij取值如下：
Figure BDA0002401829200000081
每个任务τi对每个用户类型ct∈C具有多样性约束参数
Figure BDA0002401829200000082
和
Figure BDA0002401829200000083
其中，t∈{1,2,...,k}，本实施例的
Figure BDA0002401829200000092
和
Figure BDA0002401829200000093
取值如下：
Figure BDA0002401829200000094
Figure BDA0002401829200000095
(2)确定任务的可用用户
确定每个任务τi∈Γ的可用用户集合Ai如下：
Ai＝{uj|uj∈U,sj≤si,ej≥ei}
该步骤中，
A1＝{u1,u2,u10,u11,u17}，
A2＝{u1,u2,u7,u8,u9,u10,u11,u12,u16,u20}，
A3＝{u1,u3,u7,u8,u9,u14,u15,u18}，
A4＝{u3,u4,u5,u6,u13,u15,u18,u19}。
(3)选择任务分配用户
1)对每个任务τi∈Γ，每一个用户类型ct∈C，按用户uj执行任务的收益vij，从大到小分别对可用用户集合Ai中用户类型为ct的用户集合
Figure BDA0002401829200000096
中的用户进行排序，其中：
Figure BDA0002401829200000097
Figure BDA0002401829200000098
是Ai中类型为ct的用户集合，该步骤中，
Figure BDA0002401829200000099
Figure BDA00024018292000000910
Figure BDA0002401829200000101
Figure BDA0002401829200000102
Figure BDA0002401829200000103
Figure BDA0002401829200000104
Figure BDA0002401829200000105
Figure BDA0002401829200000106
Figure BDA0002401829200000107
Figure BDA0002401829200000108
Figure BDA0002401829200000109
Figure BDA00024018292000001010
2)对每个任务τi∈Γ，每一个用户类型ct∈C，按如下公式分别从可用用户集合Ai中用户类型为ct的用户集合
Figure BDA00024018292000001011
中选择前
Figure BDA00024018292000001012
个用户组成任务τi的可分配用户集合Ui
Figure BDA00024018292000001013
Figure BDA00024018292000001014
Figure BDA00024018292000001015
其中
Figure BDA00024018292000001016
是可用用户集合Ai中用户类型为ct的用户集合
Figure BDA00024018292000001017
中的用户个数，
Figure BDA00024018292000001018
是可分配用户集合Ui中用户类型为ct的用户集合。该步骤中，
U1＝{u17,u1,u2}，
U2＝{u12,u10,u9,u11,u1,u20,u16,u8}，
U3＝{u3,u1,u7,u15,u8,u14}，
U4＝{u5,u19,u6,u3,u15,u4}。
3)按如下公式选择一个待分配任务τp，将待分配任务τp移入已分配用户的任务集合Γ’
Figure BDA0002401829200000111
|Ui|是可分配用户集合Ui中的用户个数，
Figure BDA0002401829200000112
是可分配用户集合Ui中用户类型为ct的用户集合
Figure BDA0002401829200000113
中的用户个数，若不存在满足条件的待分配任务τp，则分配结束。该步骤中存在满足条件的待分配任务的任务数目为1，待分配任务τp是用户个数最小的可分配用户集合对应的任务，待分配任务为τ2。
4)对每一个用户类型ct∈C按用户uj执行待分配任务τp的收益vpj，从大到小分别对待分配任务τp的可分配用户集合Up中用户类型为ct的用户集合
Figure BDA00024018292000001111
中的用户进行排序，其中
Figure BDA0002401829200000114
Up是任务τp的可分配用户集合，
Figure BDA0002401829200000115
是Up中类型为ct的用户集合，该步骤中，p为2，
Figure BDA0002401829200000116
Figure BDA0002401829200000117
Figure BDA0002401829200000118
5)对每个用户类型ct∈C，按如下公式分别从待分配任务τp的可分配用户集合Up中用户类型为ct的用户集合
Figure BDA0002401829200000119
中，选择前
Figure BDA00024018292000001110
个用户加入待分配任务τp的被选用户集合Up’
Figure BDA0002401829200000121
Figure BDA0002401829200000122
Figure BDA0002401829200000123
其中，Np是待分配任务τp的所需人数，
Figure BDA0002401829200000124
是待分配任务τp的被选用户集合Up’中用户类型为ct的用户集合。该步骤中，
Figure BDA0002401829200000125
Figure BDA0002401829200000126
Figure BDA0002401829200000127
U2'＝{u12,u10,u9,u11,u20,u16}。
6)按用户uj执行待分配任务τp的收益vpj，从大到小对集合Up-Up’中的用户进行排序，选择前Np-|Up’|个用户加入被选用户集合Up’，其中|Up’|是被选用户集合Up’中的用户个数。
(4)调整被选任务所分配的用户
1)找出被选用户集中收益最小的用户umin∈Up’和未被选用户集中收益最大的用户umax∈Up-Up’，若不存在收益最小的用户umin和收益最大的用户umax满足下式，转至步骤(4)的步骤5)
vp,min＜vp,max
其中，vp,min和vp,max分别是收益最小的用户umin和收益最大的用户umax执行任务τp的收益，该步骤中，用户umin和用户umax存在，min为10，max为8。
2)选择收益最小的可去用户u’min
Figure BDA0002401829200000131
其中，vpj是用户uj执行待分配任务τp的收益，
Figure BDA0002401829200000137
是待分配任务τp对用户uj的用户类型cj的反向多样性约束参数，
Figure BDA0002401829200000132
是被选用户集合Up’中用户类型为cj的用户集合
Figure BDA0002401829200000133
中的用户个数；若不存在收益最小的可去用户u’min，转至步骤(4)的步骤5)，该步骤中，收益最小的可去用户u’min存在，u’min为u10。
3)选择收益最大的可加用户u’max
Figure BDA0002401829200000134
其中，
Figure BDA0002401829200000135
是待分配任务τp对用户uj的用户类型cj的正向多样性约束参数；若不存在收益最大的可加用户u’max，转至步骤(4)的步骤5)，该步骤中，收益最大的可加用户u’max存在，u’min为u8。
4)将收益最大的可加用户u’max移入Up’，将收益最小的可去用户u’min移出Up’
Up'＝Up'∪{u'max}-{u'min}
转至步骤(4)的步骤1)。
5)按下式更新与待分配任务τp有时间冲突的任务τconf∈Γconf所对应的可用用户集Aconf
Aconf＝Aconf-Up'
其中
Figure BDA0002401829200000136
其中，(sconf,econf)是与待分配任务τp有时间冲突的任务τconf的执行时间区间，转至步骤(3)，直到不存在满足条件的待分配任务,该步骤中，Γconf为{τ1,τ3}，更新后
A1＝{u1,u2,u10,u17}，
A3＝{u1,u3,u7,u14,u15,u18}，
任务分配结束后，得到任务分配结果为
U1'＝{u17,u1,u2}，
U2'＝{u12,u9,u11,u20,u16,u8}，
U4'＝{u5,u19,u6,u3,u4,u15}。
完成多样性约束的群智感知任务分配。
实施例2
本实施例的多样性约束的群智感知任务分配方法由下述步骤组成：
(1)收集用户和感知任务
感知任务集合Γ＝{τ1，τ2，...，τn}由n个任务组成，其中，每个任务τi对应一个执行时间区间(si,ei)和一个所需用户人数Ni，si是任务τi的开始时间，ei是任务τi的结束时间，满足ei>si，i∈{1,2,...,n}，n为有限的正整数，k为有限用户类型集合C＝{c1,c2,…,ck}所含用户类型个数。感知任务集合Γ的所需用户人数Ni为任意正整数，Ni为k的整数倍，k为有限用户类型集合C所含类型个数,任务τi可表示为(Ni,si,ei)，本实施例的n为2，k为3，N1为4，N2为5，τ1为(4,0,2)，τ2为(5,2,4)，C为{c1,c2,c3}。
用户集合U＝{u1,u2,…,um}由m个用户组成，其中，每个用户uj对应一个用户类型cj∈C、一个空闲时间区间(sj,ej)和一组执行任务τi的收益vij，其中，j∈{1,2,...,m}，ej>sj，vij≥0，本实施例m为10，u1的用户类型c1为c3,u2的用户类型c2为c1,u3的用户类型c3为c2,u4的用户类型c4为c3,u5的用户类型c5为c2,u6的用户类型c6为c1,u7的用户类型c7为c2,u8的用户类型c8为c1,u9的用户类型c9为c2,u10的用户类型c10为c1。
u1的空闲时间区间为(0,4)，u2的空闲时间区间为(2,4)，u3的空闲时间区间为(0,2)，u4的空闲时间区间为(0,2)，u5的空闲时间区间为(0,2)，u6的空闲时间区间为(2,4)，u7的空闲时间区间为(2,4)，u8的空闲时间区间为(0,2)，u9的空闲时间区间为(0,4)，u10的空闲时间区间为(0,2)。本实施例的收益vij取值如下：
Figure BDA0002401829200000151
每个任务τi对每个用户类型ct∈C具有多样性约束参数
Figure BDA0002401829200000152
和
Figure BDA0002401829200000153
其中，t∈{1,2,...,k}，
Figure BDA0002401829200000154
本实施例的
Figure BDA0002401829200000155
和
Figure BDA0002401829200000156
取值如下：
Figure BDA0002401829200000157
Figure BDA0002401829200000158
(2)确定任务的可用用户
确定每个任务τi∈Γ的可用用户集合Ai如下：
Ai＝{uj|uj∈U,sj≤si,ej≥ei}
该步骤中，
A1＝{u1,u3,u4,u5,u8,u9,u10}，
A2＝{u1,u2,u6,u7,u9}。
(3)选择任务分配用户
1)对每个任务τi∈Γ，每一个用户类型ct∈C，按用户uj执行任务的收益vij，从大到小分别对可用用户集合Ai中用户类型为ct的用户集合
Figure BDA0002401829200000159
中的用户进行排序，其中：
Figure BDA00024018292000001510
Figure BDA00024018292000001511
是Ai中类型为ct的用户集合，该步骤中，
Figure BDA00024018292000001512
Figure BDA00024018292000001513
Figure BDA00024018292000001514
Figure BDA0002401829200000161
Figure BDA0002401829200000162
Figure BDA0002401829200000163
2)对每个任务τi∈Γ，每一个用户类型ct∈C，按如下公式分别从可用用户集合Ai中用户类型为ct的用户集合
Figure BDA0002401829200000164
中选择前
Figure BDA0002401829200000165
个用户组成任务τi的可分配用户集合Ui
Figure BDA0002401829200000166
Figure BDA0002401829200000167
Figure BDA0002401829200000168
其中
Figure BDA0002401829200000169
是可用用户集合Ai中用户类型为ct的用户集合
Figure BDA00024018292000001610
中的用户个数，
Figure BDA00024018292000001611
是可分配用户集合Ui中用户类型为ct的用户集合。该步骤中，
U1＝{u8,u5,u4,u1}，
U2＝{u6,u2,u9,u7,u1}。
3)按如下公式选择一个待分配任务τp，将待分配任务τp移入已分配用户的任务集合Γ’
Figure BDA00024018292000001612
|Ui|是可分配用户集合Ui中的用户个数，
Figure BDA00024018292000001613
是可分配用户集合Ui中用户类型为ct的用户集合
Figure BDA00024018292000001614
中的用户个数，若不存在满足条件的待分配任务τp，则分配结束。该步骤中存在满足条件的待分配任务的任务数目为2，待分配任务τp是用户个数最小的可分配用户集合对应的任务，待分配任务为τ1。
4)对每一个用户类型ct∈C按用户uj执行待分配任务τp的收益vpj，从大到小分别对待分配任务τp的可分配用户集合Up中用户类型为ct的用户集合
Figure BDA0002401829200000171
中的用户进行排序，其中
Figure BDA0002401829200000172
Figure BDA0002401829200000173
是Up中类型为ct的用户集合，该步骤中，p为1，
Figure BDA0002401829200000174
Figure BDA0002401829200000175
Figure BDA0002401829200000176
5)对每个用户类型ct∈C，按如下公式分别从待分配任务τp的可分配用户集合Up中用户类型为ct的用户集合
Figure BDA0002401829200000177
中，选择前
Figure BDA0002401829200000178
个用户加入待分配任务τp的被选用户集合Up’
Figure BDA0002401829200000179
Figure BDA00024018292000001710
Figure BDA00024018292000001711
其中，Np是待分配任务τp的所需人数，
Figure BDA00024018292000001712
是待分配任务τp的被选用户集合Up’中用户类型为ct的用户集合。该步骤中，
Figure BDA00024018292000001713
Figure BDA00024018292000001714
Figure BDA00024018292000001715
U1'＝{u8,u5,u4}。
6)按用户uj执行待分配任务τp的收益vpj，从大到小对集合Up-Up’中的用户进行排序，选择前Np-|Up’|个用户加入被选用户集合Up’，其中|Up’|是被选用户集合Up’中的用户个数。该步骤中，选择用户u1加入被选用户集合U1’，U1’为{u8,u5,u4,u1}。
(4)调整被选任务所分配的用户
1)找出被选用户集中收益最小的用户umin∈Up’和未被选用户集中收益最大的用户umax∈Up-Up’，若不存在收益最小的用户umin和收益最大的用户umax满足下式，转至步骤(4)的步骤5)
vp,min＜vp,max
其中，vp,min和vp,max分别是收益最小的用户umin和收益最大的用户umax执行任务τp的收益，该步骤中，不存在满足条件用户umin和用户umax，转至步骤5)。
5)按下式更新与待分配任务τp有时间冲突的任务τconf∈Γconf所对应的可用用户集Aconf
Aconf＝Aconf-Up'
其中
Figure BDA0002401829200000181
其中，(sconf,econf)是与待分配任务τp有时间冲突的任务τconf的执行时间区间，转至步骤(3)，直到不存在满足条件的待分配任务,该步骤中，Γconf为空集，任务分配结束后，得到任务分配结果为：
U1'＝{u8,u5,u4,u1}，
U2'＝{u6,u9,u1,u7,u2}。
完成多样性约束的群智感知任务分配。

Claims (5)

1.一种多样性约束的群智感知任务分配方法，其特征在于是由下述步骤组成：
(1)收集用户和感知任务
感知任务集合Γ＝{τ1，τ2，...，τn}由n个任务组成，其中，每个任务τi为(Ni,si,ei)，对应一个执行时间区间(si,ei)和一个所需用户人数Ni，si是任务τi的开始时间，ei是任务τi的结束时间，满足ei>si，i∈{1,2,...,n}，n为有限的正整数，k为有限用户类型集合C＝{c1,c2,…,ck}所含用户类型个数；
用户集合U＝{u1,u2,…,um}由m个用户组成，其中，每个用户uj对应一个用户类型cj∈C、一个空闲时间区间(sj,ej)和一组执行任务τi的收益vij，其中，j∈{1,2,...,m}，ej>sj，vij≥0；
每个任务τi对每个用户类型ct∈C具有多样性约束参数
Figure FDA0002401829190000011
和
Figure FDA0002401829190000012
其中，t∈{1,2,...,k}，
Figure FDA0002401829190000013
(2)确定任务的可用用户
确定每个任务τi∈Γ的可用用户集合Ai如下：
Ai＝{uj|uj∈U,sj≤si,ej≥ei}
(3)选择任务分配用户
1)对每个任务τi∈Γ，每一个用户类型ct∈C，按用户uj执行任务的收益vij，从大到小分别对可用用户集合Ai中用户类型为ct的用户集合
Figure FDA0002401829190000014
中的用户进行排序，其中：
Figure FDA0002401829190000015
2)对每个任务τi∈Γ，每一个用户类型ct∈C，按如下公式分别从可用用户集合Ai中用户类型为ct的用户集合
Figure FDA0002401829190000016
中选择前
Figure FDA0002401829190000017
个用户组成任务τi的可分配用户集合Ui
Figure FDA0002401829190000018
Figure FDA0002401829190000021
Figure FDA0002401829190000022
其中
Figure FDA0002401829190000023
是可用用户集合Ai中用户类型为ct的用户集合
Figure FDA0002401829190000024
中的用户个数，
Figure FDA0002401829190000025
是可分配用户集合Ui中用户类型为ct的用户集合；
3)按如下公式选择一个待分配任务τp，将待分配任务τp移入已分配用户的任务集合Γ’
Figure FDA0002401829190000026
|Ui|是可分配用户集合Ui中的用户个数，
Figure FDA0002401829190000027
是可分配用户集合Ui中用户类型为ct的用户集合
Figure FDA0002401829190000028
中的用户个数，若不存在满足条件的待分配任务τp，则分配结束；
4)对每一个用户类型ct∈C按用户uj执行待分配任务τp的收益vpj，从大到小分别对待分配任务τp的可分配用户集合Up中用户类型为ct的用户集合
Figure FDA0002401829190000029
中的用户进行排序，其中
Figure FDA00024018291900000210
5)对每个用户类型ct∈C，按如下公式分别从待分配任务τp的可分配用户集合Up中用户类型为ct的用户集合
Figure FDA00024018291900000211
中，选择前
Figure FDA00024018291900000212
个用户加入待分配任务τp的被选用户集合Up’
Figure FDA00024018291900000213
Figure FDA00024018291900000214
Figure FDA00024018291900000215
其中，Np是待分配任务τp的所需人数，
Figure FDA00024018291900000216
是待分配任务τp的被选用户集合Up’中用户类型为ct的用户集合；
6)按用户uj执行待分配任务τp的收益vpj，从大到小对集合Up-Up’中的用户进行排序，选择前Np-|Up’|个用户加入被选用户集合Up’，其中|Up’|是被选用户集合Up’中的用户个数；
(4)调整被选任务所分配的用户
1)找出被选用户集中收益最小的用户umin∈Up’和未被选用户集中收益最大的用户umax∈Up-Up’，若不存在收益最小的用户umin和收益最大的用户umax满足下式，转至步骤(4)的步骤5)
vp,min＜vp,max
其中，vp,min和vp,max分别是收益最小的用户umin和收益最大的用户umax执行任务τp的收益；
2)选择收益最小的可去用户u’min
Figure FDA0002401829190000031
其中，vpj是用户uj执行待分配任务τp的收益，
Figure FDA0002401829190000032
是待分配任务τp对用户uj的用户类型cj的反向多样性约束参数，
Figure FDA0002401829190000033
是被选用户集合Up’中用户类型为cj的用户集合
Figure FDA0002401829190000034
中的用户个数；若不存在收益最小的可去用户u’min，转至步骤(4)的步骤5)；
3)选择收益最大的可加用户u’max
Figure FDA0002401829190000035
其中，
Figure FDA0002401829190000036
是待分配任务τp对用户uj的用户类型cj的正向多样性约束参数；若不存在收益最大的可加用户u’max，转至步骤(4)的步骤5)；
4)将收益最大的可加用户u’max移入Up’，将收益最小的可去用户u’min移出Up’
Up'＝Up'∪{u'max}-{u'min}
转至步骤(4)的步骤1)；
5)按下式更新与待分配任务τp有时间冲突的任务τconf∈Γconf所对应的可用用户集Aconf
Aconf＝Aconf-Up'
其中
Figure FDA0002401829190000041
其中，(sconf,econf)是与待分配任务τp有时间冲突的任务τconf的执行时间区间，转至步骤(3)，直到不存在满足条件的待分配任务。
2.根据权利要求1所述的多样性约束的群智感知任务分配方法，其特征在于：在收集用户和感知任务步骤(1)中，所述的感知任务集合Γ的所需用户人数Ni为任意正整数，Ni为k的整数倍，k为有限用户类型集合C所含类型个数。
3.根据权利要求1或2所述的多样性约束的群智感知任务分配方法，其特征在于：在收集用户和感知任务步骤(1)中，所述的有限用户类型集合C所含用户类型个数k为3。
4.根据权利要求1所述的多样性约束的群智感知任务分配方法，其特征在于：在收集用户和感知任务步骤(1)中，所述的多样性约束参数
Figure FDA0002401829190000042
Figure FDA0002401829190000043
5.根据权利要求1所述的多样性约束的群智感知任务分配方法，其特征在于：在选择任务分配用户步骤(3)的步骤3)中，所述的待分配任务τp为：满足条件的任务数目至少为1个，待分配任务τp是用户个数最小的可分配用户集合对应的任务。
CN202010149178.8A 2020-03-06 2020-03-06 多样性约束的群智感知任务分配方法 Expired - Fee Related CN111475266B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010149178.8A CN111475266B (zh) 2020-03-06 2020-03-06 多样性约束的群智感知任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010149178.8A CN111475266B (zh) 2020-03-06 2020-03-06 多样性约束的群智感知任务分配方法

Publications (2)

Publication Number Publication Date
CN111475266A true CN111475266A (zh) 2020-07-31
CN111475266B CN111475266B (zh) 2021-11-30

Family

ID=71748159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010149178.8A Expired - Fee Related CN111475266B (zh) 2020-03-06 2020-03-06 多样性约束的群智感知任务分配方法

Country Status (1)

Country Link
CN (1) CN111475266B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150285639A1 (en) * 2014-04-04 2015-10-08 Umm-Al-Qura University Method and system for crowd sensing to be used for automatic semantic identification
WO2015191324A2 (en) * 2014-05-30 2015-12-17 Reylabs Inc. Systems and methods involving mobile indoor energy efficiency exploration, monitoring and/or display aspects
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
CN109408228A (zh) * 2018-09-30 2019-03-01 陕西师范大学 基于预算调配的群智感知任务分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150285639A1 (en) * 2014-04-04 2015-10-08 Umm-Al-Qura University Method and system for crowd sensing to be used for automatic semantic identification
WO2015191324A2 (en) * 2014-05-30 2015-12-17 Reylabs Inc. Systems and methods involving mobile indoor energy efficiency exploration, monitoring and/or display aspects
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
CN109408228A (zh) * 2018-09-30 2019-03-01 陕西师范大学 基于预算调配的群智感知任务分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方文风，周朝荣，孙三山: "移动群智感知中任务分配的研究", 《计算机应用研究》 *

Also Published As

Publication number Publication date
CN111475266B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
Wang et al. EIHDP: Edge-intelligent hierarchical dynamic pricing based on cloud-edge-client collaboration for IoT systems
US11716748B2 (en) Multi-user slice resource allocation method based on competitive game
US8972311B2 (en) Intelligent spectrum allocation based on user behavior patterns
CN109068288B (zh) 一种基于多属性用户选择移动群智感知激励机制的方法及系统
CN102149171B (zh) 一种基于融合的异构无线接入网络的网络选择方法及装置
CN105446817B (zh) 移动云计算中一种基于鲁棒优化的联合资源预留配置算法
CN111510957B (zh) 基于多目标约束优化的移动边缘服务器坐标定位方法
CN105119751A (zh) 一种基于环境实时感知的服务评估及选取方法
CN108304266A (zh) 一种移动多目标群智感知任务分配方法
CN111614754A (zh) 面向雾计算的成本效率优化的动态自适应任务调度方法
CN115152191A (zh) 移动网络中的分析生成和使用
Hui et al. Digital twins enabled on-demand matching for multi-task federated learning in HetVNets
CN109086976B (zh) 一种面向群智感知的任务分配方法
Chen et al. Enhancing mobile edge computing with efficient load balancing using load estimation in ultra-dense network
CN111475266B (zh) 多样性约束的群智感知任务分配方法
Sahinel et al. Resource management in converged optical and millimeter wave radio networks: a review
Kushwaha et al. Optimal device selection in federated learning for resource-constrained edge networks
CN115080249B (zh) 一种基于联邦学习的车联网多维资源分配方法及系统
CN116095721A (zh) 一种融合感知通信的移动群智网络契约激励方法及系统
CN113938813B (zh) 一种任务处理方法、装置和存储介质
CN114116233A (zh) 基于ap聚类算法和多目标优化算法的边缘服务器配置方法及系统
CN110825500B (zh) 面向三层结构的群智感知任务分配方法
CN109143159B (zh) 基于联合定价和任务分配的指纹众包室内定位激励方法
Antonius Efficient resource allocation through CNN-game theory based network slicing recognition for next-generation networks
Esquivel-Mendiola et al. Distributed Algorithm for Base Station Assignment in 4G/5G Machine-Type Communication Scenarios with Backhaul Limited Conditions

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211130