CN111626563B - 一种双目标鲁棒移动群智感知系统及其激励方法 - Google Patents

Abstract

本发明公开了一种双目标鲁棒移动群智感知系统及其激励方法。本发明涉及物联网和近似算法技术领域；本发明提出的双目标鲁棒移动群智感知系统及其激励方法能够有效的提高移动群智感知平台效用，同时保证结果的鲁棒性；另外本发明所提出双目标鲁棒移动群智感知系统的激励方法得到的移动群智感知平台效用要高于其他同类算法得到的结果；并且本发明提出的双目标鲁棒移动群智感知系统的激励方法具有常数级别的近似度。

Description

一种双目标鲁棒移动群智感知系统及其激励方法

技术领域

本发明涉及物联网和近似算法技术领域，具体涉及一种双目标鲁棒移动群智感知系统及其激励方法。

背景技术

近年来，作为一种新的环境感知、数据收集和信息服务的方式，群智感知已经成为研究热点之一；随着智能手机等移动设备的普及，人们能够在日常生活中通过智能设备上嵌入的传感器来感知周围环境数据；这意味着大多数智能手机用户都可能成为移动群智感知的参与者；移动群智感知具有强可扩展性，适用于各种不同的场景，对用户的知识要求低，以及成本低等优点。

激励方法设计是群智感知研究中的重要问题之一；为了刺激更多的用户参与感知任务，大多数现有的激励方法都使用金钱激励，通过付费来激励用户；而这些工作中大部分的激励方法都是基于拍卖的，且考虑了感知系统的经济效益。

在移动群智感知中，多目标问题是非常重要且普遍存在的；例如，在环境监测群智感知中，我们希望感知数据能够帮助我们及时发现任何可能的污染事件；这要求我们一方面要优化传感器的类型，以确保它们能够提供多样性的数据；另一方面，我们需要优化参与感知的移动用户的位置，以使得传感器能够覆盖尽可能大的区域。

实际上，很多移动群智感知系统希望同时优化多个目标；然而，现有的群智感知系统一般是通过添加约束或者标量化方法将多目标优化问题转换为一个单目标优化问题；但实际上这种方法在很大程度上是不可行的；将多目标进行转化会导致不同目标处于不平等的位置；同时难以确定单目标优化问题的约束值，约束过于宽松，则问题失去了约束的意义；如果约束过于严格，则解的性能会下降；且对于大多数移动群智感知系统而言，感知数据质量是不稳定的，这也在很大程度上加剧了约束值的不确定性。

另外一个重要的问题是数据的鲁棒性；鲁棒性是指在最坏情况下，数据质量仍然能够得到有效的保证；考虑到多个目标的重要性不确定以及移动群智感知数据质量的不稳定性，本发明希望移动群智感知系统在多个目标方面的表现基本相同；多目标优化的鲁棒性指最大化多个目标函数的最小值，这意味着移动群智感知系统需要选择对多目标函数的最坏情况下仍能保证鲁棒性的用户；然而，现有技术中没有现成的激励方法可以用于多目标鲁棒移动群智感知系统。

发明内容

针对上述问题，本发明提供了一种双目标鲁棒移动群智感知系统及其激励方法，其目的是对于两个需要最大化的单调子模函数，设计鲁棒目标，即最大化两个目标函数中的较小值；另外，移动群智感知平台在获胜者数量的约束下选择获胜者集合以最大化移动群智感知平台的效用，并且给予用户相应的报酬。

本发明的技术方案是：一种双目标鲁棒移动群智感知系统，所述的双目标鲁棒移动群智感知系统由移动群智感知平台和n个用户组成；其中，用U表示n个用户的集合；

所述移动群智感知平台将t个任务分配给n个用户，用T表示任务的集合，

每个任务j∈T的价值是v^j，每一个用户i∈U收到任务列表后提交一个二元组B_i＝(T_i,b_i)到移动群智感知平台，

其中T_i是用户i的任务集合，包括用户i愿意完成的所有任务，b_i是用户i的报价，每一个任务集T_i与用户i的成本c_i有关，c_i是用户i完成其任务集的成本，且仅对用户i已知，移动群智感知平台选择一组获胜者集合

参与移动群智感知，其中获胜者的最大数量为m，即|S|≤m；

对于获胜者集合S，将期望收益函数定义为：

f(S)＝v(S)-∑_i∈Sb_i (1)

其中

是所有获胜者参与的任务价值总和；

每一个任务j∈T都对应一个任务所在区域，所有区域的集合为Z，

每一个区域l∈Z都有一个权重w_l>0，表示该区域的重要性，权重越大表示该区域越重要，所有权重都由移动群智感知平台提前给定；

对于获胜者集合S，将覆盖函数定义为：

g(S)＝γ∑_l∈Zw_l·log(1+n_l(S)) (2)

其中n_l(S)是区域l内获胜者参与任务数量的总和，γ是一个用于规范化期望收益函数和覆盖函数的规范系数；用f表示收益函数，用g表示覆盖函数；

所述期望收益函数f和覆盖函数g均为非负的、单调的、子模的。

进一步的，定义双目标鲁棒移动群智感知系统中的鲁棒性目标为最大化两个不同目标函数之间的较小值，移动群智感知平台的效用函数定义为：

u₀＝min{f(S),g(S)} (3)

给定任务集T，用户集U，每个用户i∈U的任务集T_i，获胜者最大数量m，报价集B＝(B₁,B₂,…,B_n)，规范系数γ，区域集Z以及每个区域j∈Z的权重w_j，移动群智感知平台计算得到获胜者集合

和每个获胜者i∈S的报酬p_i；

将任意获胜者i的效用定义为报酬与其实际成本之间的差额，失败者的效用为0：

目标是使移动群智感知平台的效用函数最大化，同时获胜者数量不超过m，定义鲁棒用户选择问题为：

进一步的，定义如下函数：

其中k是二分搜索的搜索值，ε∈(0,1)是二分搜索的精度，由移动群智感知平台提前给定。

进一步的，一种双目标鲁棒移动群智感知系统的激励方法，所述的双目标鲁棒移动群智感知系统的激励方法包括用户选择算法和支付决定算法；

所述的用户选择算法的目的是优化公式(5)所述的鲁棒用户选择问题，其具体步骤如下：

步骤3.1：初始化二分搜索下界k_min＝0，初始化二分搜索上界k_max＝min(f(U),g(U))，初始化获胜者集合

步骤3.2：令二分搜索当前搜索值k＝(k_min+k_max)/2，令

步骤3.3：找到集合U\S′中

值最大的用户i；

步骤3.4：令S′←S′∪{i}；

步骤3.5：如果

且S′≠U，执行步骤3.3，否则执行步骤3.6；

步骤3.6：如果|S′|>m，执行步骤3.7，否则执行步骤3.8；

步骤3.7：k_max←k，执行步骤3.9；

步骤3.8：k_min←k，S＝S′；

步骤3.9：如果(k_max-k_min)≥ε，执行步骤3.2，否则执行步骤3.10；

步骤3.10：k←k_min；

步骤3.11：输出获胜者集合S。

进一步的，所述支付决定算法的具体步骤如下：

步骤4.1：对于所有参与者i∈U，执行步骤4.2；

步骤4.2：初始化报酬p_i＝0；

步骤4.3：对于所有获胜者i∈S，则执行步骤4.4-4.16；

步骤4.4：令U′←U\{i}，令

步骤4.5：找到集合U′\S′中

值最大的用户i_e；

步骤4.6：如果f(S′∪{i})<k且f(S′∪{i_e})<k，执行步骤4.7，否则执行步骤4.8；

步骤4.7：令

步骤4.8：如果f(S′∪{i})<k且f(S′∪{i_e})≥k，执行步骤4.9，否则执行步骤4.10；

步骤4.9：令

步骤4.10：如果f(S′∪{i})≥k且f(S′∪{i_e})≥k，执行步骤4.11，否则执行步骤4.12；

步骤4.11：令

步骤4.12：如果f(S′∪{i})≥k且f(S′∪{i_e})<k，执行步骤4.13，否则执行步骤4.14；

步骤4.13：令

步骤4.14：令用户i的报酬

步骤4.15：令S′←S′∪{i_e}；

步骤4.16：如果

执行步骤4.5，否则执行步骤4.3；

步骤4.17：输出参与者报酬集合P。

进一步的，所述移动群智感知平台和n个用户组成的工作流程：移动群智感知平台有一系列任务需要招募用户完成，平台先发布所有的任务内容并告知所有愿意参与的用户，用户阅读过任务的内容后提交他们感兴趣的任务集合，其中包含他们愿意参与任务的编号，并提交他们完成这些任务相应的报价，平台收到任务集合以及报价后通过激励方法选择出最终参与感知任务的用户，即获胜者，并通知他们开始进行感知任务，用户完成任务后将感知数据提交给平台，平台再通过激励方法决定给予每一个参与任务的用户的报酬。

本发明的有益效果是：1、本发明提出的双目标鲁棒移动群智感知系统及其激励方法能够有效的提高移动群智感知平台效用，同时保证结果的鲁棒性；2、本发明所提出双目标鲁棒移动群智感知系统的激励方法得到的移动群智感知平台效用要高于其他同类算法得到的结果；3、本发明提出的双目标鲁棒移动群智感知系统的激励方法具有常数级别的近似度。

附图说明

图1是本发明中移动群智感知系统示意图的结构示意图；

图2是本发明中用户选择算法流程示意图；

图3是本发明中报酬决定算法的流程示意图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面将对本发明中进行进一步的叙述；显而易见地，下面描述中的仅仅是一部分的实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些将本发明所述的技术方案应用于其它类似情景；为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所述；一种双目标鲁棒移动群智感知系统，所述的双目标鲁棒移动群智感知系统由移动群智感知平台和n个用户组成；其中，用U表示n个用户的集合；

所述移动群智感知平台将t个任务分配给n个用户，用T表示任务的集合，

每个任务j∈T的价值是v^j，每一个用户i∈U收到任务列表后提交一个二元组B_i＝(T_i,b_i)到移动群智感知平台，

其中T_i是用户i的任务集合，包括用户i愿意完成的所有任务，b_i是用户i的报价，每一个任务集T_i与用户i的成本c_i有关，c_i是用户i完成其任务集的成本，且仅对用户i已知，移动群智感知平台选择一组获胜者集合

参与移动群智感知，其中获胜者的最大数量为m，即|S|≤m；

需要注意的是，由于用户是自私的，用户的报价b_i可能与实际成本c_i不同，所以，用户可以通过谎报成本来最大化自己的效用，然而移动群智感知平台仅选择报价不超过其为移动群智感知平台带来价值的盈利用户i，即对于

为了方便起见，我们假设用户集U只包含那些盈利用户，否则首先从用户集U中删去那些非盈利用户；

对于获胜者集合S，将期望收益函数定义为：

f(S)＝v(S)-∑_i∈Sb_i (1)

其中

是所有获胜者参与的任务价值总和；

每一个任务j∈T都对应一个任务所在区域，所有区域的集合为Z，

每一个区域l∈Z都有一个权重w_l>0，表示该区域的重要性，权重越大表示该区域越重要，所有权重都由移动群智感知平台提前给定；

对于获胜者集合S，将覆盖函数定义为：

g(S)＝γ∑_l∈Zw_l·log(1+n_l(S)) (2)

其中n_l(S)是区域l内获胜者参与任务数量的总和，γ是一个用于规范化期望收益函数和覆盖函数的规范系数；用f表示收益函数，用g表示覆盖函数；

所述期望收益函数f和覆盖函数g均为非负的、单调的、子模的；

证明：首先给出子模性的定义：

给定集合V和其幂2^V上的一个函数F，称F是子模函数，当且仅当以下条件满足

(1)、

对于任意

满足F(A)≥0；

(2)、对于任意

满足F(A)≤F(B)；

(3)、对于任意

满足F(A)+F(B)≥F(A∪B)+F(A∩B)，或对于任意

和e∈V\B，满足F(A∪{e})-F(A)≥F(B∪{e})-F(B)；

因为

有

因此f是非负的；

对于任意

有

因此f是单调的；

对于任意

和e∈V\B，有f(A∪{e})-f(A)＝(v(A∪{e})-∑_i∈A∪{e}b_i)-(v(A)-∑_i∈Ab_i)＝v({e})-b_e＝f(B∪{e})-f(B)；因此f是子模的；

下面证明覆盖函数g是非负的、单调的、子模的；由g的定义显然，g是非负的；且当集合S中加入新的用户后，g的值不会减少，所以g是单调的；

对于任意

和e∈V\B，有

设T^l(A)是区域l内由S内的获胜者执行的任务的集合，给定集合A，设

是区域l内由用户e执行的新任务的集合，即

对于每个区域l∈Z，有两种情况：

(1)、

则有

所以

因为：

所以n_l(A)≤n_l(B)，

对所有l∈Z成立；因此：

(2)、

则有n_l(A∪{e})＝n_l(A)，n_l(B∪{e})＝n_l(B)；所以

综上，我们得到

因此g是子模的。

进一步的，定义双目标鲁棒移动群智感知系统中的鲁棒性目标为最大化两个不同目标函数之间的较小值，移动群智感知平台的效用函数定义为：

u₀＝min{f(S),g(S)} (3)

给定任务集T，用户集U，每个用户i∈U的任务集T_i，获胜者最大数量m，报价集B＝(B₁,B₂,…,B_n)，规范系数γ，区域集Z以及每个区域j∈Z的权重w_j，移动群智感知平台计算得到获胜者集合

和每个获胜者i∈S的报酬p_i；

将任意获胜者i的效用定义为报酬与其实际成本之间的差额，失败者的效用为0：

目标是使移动群智感知平台的效用函数最大化，同时获胜者数量不超过m，定义鲁棒用户选择问题为：

进一步的，定义如下函数：

其中k是二分搜索的搜索值，ε∈(0,1)是二分搜索的精度，由移动群智感知平台提前给定。

进一步的，一种双目标鲁棒移动群智感知系统的激励方法，所述的双目标鲁棒移动群智感知系统的激励方法包括用户选择算法和支付决定算法；

所述的用户选择算法的目的是优化公式(5)所述的鲁棒用户选择问题，其具体步骤如下：

步骤3.1：初始化二分搜索下界k_min＝0，初始化二分搜索上界k_max＝min(f(U),g(U))，初始化获胜者集合

步骤3.2：令二分搜索当前搜索值k＝(k_min+k_max)/2，令

步骤3.3：找到集合U\S′中

值最大的用户i；

步骤3.4：令S′←S′∪{i}；

步骤3.5：如果

且S′≠U，执行步骤3.3，否则执行步骤3.6；

步骤3.6：如果|S′|>m，执行步骤3.7，否则执行步骤3.8；

步骤3.7：k_max←k，执行步骤3.9；

步骤3.8：k_min←k，S＝S′；

步骤3.9：如果(k_max-k_min)≥ε，执行步骤3.2，否则执行步骤3.10；

步骤3.10：k←k_min；

步骤3.11：输出获胜者集合S。

进一步的，所述支付决定算法的具体步骤如下：

步骤4.1：对于所有参与者i∈U，执行步骤4.2；

步骤4.2：初始化报酬p_i＝0；

步骤4.3：对于所有获胜者i∈S，则执行步骤4.4-4.16；

步骤4.4：令U′←U\{i}，令

步骤4.5：找到集合U′\S′中

值最大的用户i_e；

步骤4.6：如果f(S′∪{i})<k且f(S′∪{i_e})<k，执行步骤4.7，否则执行步骤4.8；

步骤4.7：令

步骤4.8：如果f(S′∪{i})<k且f(S′∪{i_e})≥k，执行步骤4.9，否则执行步骤4.10；

步骤4.9：令

步骤4.10：如果f(S′∪{i})≥k且f(S′∪{i_e})≥k，执行步骤4.11，否则执行步骤4.12；

步骤4.11：令

步骤4.12：如果f(S′∪{i})≥k且f(S′∪{i_e})<k，执行步骤4.13，否则执行步骤4.14；

步骤4.13：令

步骤4.14：令用户i的报酬

步骤4.15：令S′←S′∪{i_e}；

步骤4.16：如果

执行步骤4.5，否则执行步骤4.3；

步骤4.17：输出参与者报酬集合P。

所述移动群智感知平台和n个用户组成的工作流程具体包括：移动群智感知平台有一系列任务需要招募用户完成，平台先发布所有的任务内容并告知所有愿意参与的用户，用户阅读过任务的内容后提交他们感兴趣的任务集合，其中包含他们愿意参与任务的编号，并提交他们完成这些任务相应的报价，平台收到任务集合以及报价后通过激励方法选择出最终参与感知任务的用户，即获胜者，并通知他们开始进行感知任务，用户完成任务后将感知数据提交给平台，平台再通过激励方法决定给予每一个参与任务的用户的报酬，如图1所述。

为进一步阐明本发明所述双目标鲁棒移动群智感知系统的激励方法的性质，下面给出如下定义：

1、计算有效性：如果获胜者集合S和报酬集合P可以在多项式时间内计算，那么激励方法是计算有效的。

2、个体理性：每个用户都能通过真实报价获得非负的效用，即对于

u_i≥0。

3、真实性：无论其他用户如何报价，任何一个用户都不能通过虚假报价来提高他的效用，那么激励方法是真实的。

进一步的，本发明所述双目标鲁棒移动群智感知系统的激励方法的性质如下：

1、本发明所述的一种双目标鲁棒移动群智感知系统的激励方法的运行时间为

证明：由步骤3.1，二分搜索的初始区间程度为k_max-k_min＝min(f(U),g(U))，再考虑到搜索精度ε，二分搜索(步骤3.2-3.9)的重复次数为

在每一次搜索中，找到边缘价值最大的用户(步骤3.3)的运行时间为O(n)，由于至多有n个用户需要计算，因此一次二分搜索的运行时间为O(n²)，用户选择阶段的总运行时间是

在报酬支付阶段，步骤4.3中每一次执行都与步骤3.2-3.9相似，而报酬支付的总运行时间是O(n³)；因而整个算法的执行时间是

2、本发明所述的一种双目标鲁棒移动群智感知系统的激励方法是个体理性的，每一个用户都能通过真实报价得到非负的效用；

证明：设i_e是用户i的替代者，它出现在U\{i}排序后的第i个位置；因为如果i被计算过，用户i_e就不会出现在第i个位置，所以

即，

由于

是子模的，有

因此，

根据报酬支付中的四种情况分别考虑：

(a)、f(S∪{i})<k，f(S∪{i_e})<k：将条件带入到等式(9)中，得到

(b)、f(S∪{i})<k，f(S∪{i_e})≥k：将条件带入到等式(9)中，得到

(c)、f(S∪{i})≥k，f(S∪{i_e})≥k：将条件带入到等式(9)中，得到

(d)、f(S∪{i})≥k，f(S∪{i_e})<k；将条件带入到等式(9)中，得到

根据步骤4.14，

所以b_i≤p_i。

3、本发明所述的一种双目标鲁棒移动群智感知系统的激励方法是真实的。

证明：要证明真实性，就要证明符合梅尔森定理，即一个拍卖方法是真实的，当且仅当：

(a)、选择规则是单调的：如果用户i以b_i的报价在拍卖中获胜，那么他以b_i′≤b_i的报价也能够获胜；

(b)、每个获胜者的报酬是他的关键价值。如果该用户报价高于该值，那么他不再是获胜者。

基于梅尔森定理，我们证明用户选择阶段的选择规则是单调的，并且给予用户的报酬p_i是关键价值。

选择规则的单调性显然；一个用户降低他的报价并不能使他在排序中次序后退；接下来我们证明p_i是关键价值；根据步骤4.14，

其中L是获胜者数量；根据报酬支付中的四种情况分别考虑：

(a)、f(S′∪{i})<k，f(S′∪{i_e})<k。假设

则

这意味着当

时，原来的获胜者i会被i_e替代；在其他三种情况下，我们得到了相同的结果；

(b)、(S′∪{i})<k，f(S′∪{i_e})≥k；假设

则

(c)、f(S′∪{i})≥k，f(S′∪{i_e})≥k；假设

则：

b_i>f(S′)+v({i})-k (10)

由等式(10)得：

由等式(11)得：

结合等式(10)和等式(11)得：

(d)、(S′∪{i})≥k，f(S′∪{i_e})<k；假设

则：

b_i>f(S′)+v({i})-k (14)

由等式(14)得：

由等式(15)得：

结合等式(16)和等式(17)，得

综上，如果获胜者i报价

他的排序位置将位于获胜者数量之后，也就是说，i将不再是获胜者。

4、本发明专利所述双目标鲁棒移动群智感知系统的激励方法对下面问题有(1-ε)的近似度：

其中α＝1+log(max_e∈U(f({e})+g({e})))，ε为用户选择阶段的搜索精度；

证明：用户选择阶段的贪心算法与下面问题的最优解有α的近似度

因此，理论上如果搜索精度ε→0，二分搜索的结果是最优的；假设S^*是公式(18)所定义问题的最优解，S^*是用户选择阶段的解，显然，我们有min{f(S^*),g(S^*)}≤min{f(U),g(U)}＝k_max以及min{f(S),g(S)}≥k_min。当(k_max-k_min)<ε时，二分搜索结束；所以有min{f(S),g(S)}≥(1-ε)min{f(S^*),g(S^*)}。

(5)、对于任意满足非负性、单调性、子模性的目标函数，本发明专利所述双目标鲁棒移动群智感知系统以及激励方法可以经过简单扩展适用于多目标移动群智感知系统；

给定q个非负的、单调的、子模的目标函数f₁(S),f₂(S),…,f_q(S)，令

如果这些目标函数中至少有一个函数与用户报价有关，那么关键价值可以计算得到；双目标鲁棒移动群智感知系统的激励方法同样适用于多目标移动群智感知系统，并且所有性质依然能够保证。

实施例：

本发明所述的双目标鲁棒移动群智感知系统的激励方法包括用户选择算法和支付决定算法。

用一个例子模拟本系统激励方法的运行：假设用户集U＝{a,b,c,d}；最大获胜者数量m＝2；任务集T＝{A,B,C,D,E,F}，任务A-F的价值分别为100,200,…,600；区域集Z＝{α,β,δ}，α,β,δ的区域权重分别为300,200,100；任务A,B位于α，任务C,D位于β，任务E,F位于δ；用户任务集为T_a＝{B,E},T_b＝{C,D},T_c＝{A,E},T_d＝{B,F}；

用户a,b,c,d的报价分别是160,130,150,140；其他固定参数分别为：规范系数γ＝2.5，搜索精度ε＝0.5；

用户选择算法的目的是优化公式(5)所述的鲁棒用户选择问题，其过程如图2所示，步骤是：

步骤201：初始化二分搜索下界k_min＝0，初始化二分搜索上界k_max＝min(f(U),g(U))＝1863.68，初始化获胜者集合

步骤202：令二分搜索当前搜索值

令

步骤203：找到集合U\S′中

值最大的用户i＝1；

步骤204：令S′←S′∪{i}；

步骤205：如果

且S′≠U，执行步骤3.3，否则执行步骤3.6，此时满足条件，执行步骤3.3；

步骤206：找到集合U\S′中

值最大的用户i＝2；

步骤207：令S′←S′∪{i}；

步骤208：如果

且S′≠U，执行步骤3.3，否则执行步骤3.6，此时不满足条件，执行步骤3.6；

步骤209：如果|S′|>m，执行步骤3.7，否则执行步骤3.8，此时不满足条件，执行步骤3.8；

步骤210：k_min←k，S＝S′；

步骤211：如果(k_max-k_min)≥ε，执行步骤3.2，否则执行步骤3.10，此时满足条件，执行步骤3.2；

步骤212：令二分搜索当前搜索值

令

步骤213：继续循环，此处省略过程。直到最后一次k＝1109.74，S＝{a,b}，执行步骤3.9，此时不满足条件，执行步骤3.10；

步骤214：k←k_min；

步骤215：输出获胜者集合S＝{a,b}。

进一步的，支付决定算法的过程如图3所示，步骤如下：

步骤301：对于所有参与者i∈U，执行步骤4.2；

步骤302：初始化报酬p_i＝0；

步骤303：对于所有获胜者i∈S，执行步骤4.4-4.16，先对i＝a执行；

步骤304：令U′←U\{i}，令

步骤305：找到集合U′\S′中

值最大的用户i_e＝b；

步骤306：如果f(S′∪{i})<k且f(S′∪{i_e})<k，执行步骤4.7，否则执行步骤4.8，此时满足条件，执行步骤4.7；

步骤307：令

步骤308：如果f(S′∪{i})<k且f(S′∪{i_e})≥k，执行步骤4.9，否则执行步骤4.10，此时不满足条件，执行步骤4.10；

步骤309：如果f(S′∪{i})≥k且f(S′∪{i_e})≥k，执行步骤4.11，否则执行步骤4.12，此时不满足条件，执行步骤4.12；

步骤310：如果f(S′∪{i})≥k且f(S′∪{i_e})<k，执行步骤4.13，否则执行步骤4.14，此时不满足条件，执行步骤4.14；

步骤311：令用户i＝a的报酬

步骤312：令S′←S′∪{i_e}；

步骤313：如果

执行步骤4.5，否则执行步骤4.3，此时满足条件，执行步骤4.5，后面步骤类似，省略；

步骤314：对i＝b同样执行步骤4.4-4.16，此时省略过程；

步骤315：输出参与者报酬集合P；最后得到用户a的报酬p_a为820.26，用户b的报酬p_b为790.26。

根据上述内容，本发明还可以作出不同的变形；本发明披露的主题能够以不同的形式和例子所实现，并且本申请可以被应用于大量的应用程序中；权利要求中所要求保护的所有应用、修饰以及改变都属于本发明申请的范围。

同时，本发明使用了特定词语来描述实施例；如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点；因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例；此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本发明所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序；尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合；例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中；但是，这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多；实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。

Claims (4)

1.一种双目标鲁棒移动群智感知系统的激励方法，其特征在于，所述的双目标鲁棒移动群智感知系统由移动群智感知平台和n个用户组成；其中，用U表示n个用户的集合；

所述移动群智感知平台将t个任务分配给n个用户，用T表示任务的集合，

每个任务j∈T的价值是v^j，每一个用户i∈U收到任务列表后提交一个二元组B_i＝(T_i,b_i)到移动群智感知平台，

其中，T_i是用户i的任务集合，包括用户i愿意完成的所有任务，b_i是用户i的报价，每一个任务集T_i与用户i的成本c_i有关，c_i是用户i完成其任务集的成本，且仅对用户i已知，移动群智感知平台选择一组获胜者集合

参与移动群智感知，其中获胜者的最大数量为m，即|S|≤m；

对于获胜者集合S，将期望收益函数定义为：

f(S)＝v(S)-∑_i∈Sb_i (1)

其中，

是所有获胜者参与的任务价值总和；

每一个任务j∈T都对应一个任务所在区域，所有区域的集合为Z，

每一个区域l∈Z都有一个权重w_l＞0，表示该区域的重要性，权重越大表示该区域越重要，所有权重都由移动群智感知平台提前给定；

对于获胜者集合S，将覆盖函数定义为：

g(S)＝γ∑_l∈Zw_l·log(1+n_l(S)) (2)

其中，n_l(S)是区域l内获胜者参与任务数量的总和，γ是一个用于规范化期望收益函数和覆盖函数的规范系数；用f表示收益函数，用g表示覆盖函数；

所述期望收益函数f和覆盖函数g均为非负的、单调的、子模的；

定义所述双目标鲁棒移动群智感知系统中的鲁棒性目标为最大化两个不同目标函数之间的较小值，则移动群智感知平台的效用函数定义为：

u₀＝min{f(S),g(S)} (3)

给定任务集T，用户集U，每个用户i∈U的任务集T_i，获胜者最大数量m，报价集B＝(B₁,B₂,…,B_n)，规范系数γ，区域集Z以及每个区域j∈Z的权重w_j，移动群智感知平台计算得到获胜者集合

和每个获胜者i∈S的报酬p_i；

将任意获胜者i的效用定义为报酬与其实际成本之间的差额，失败者的效用为0：

目标是使移动群智感知平台的效用函数最大化，同时获胜者数量不超过m，定义鲁棒用户选择问题为：

进一步的，定义如下函数：

其中k是二分搜索的搜索值。

2.根据权利要求1所述的一种双目标鲁棒移动群智感知系统的激励方法，其特征在于，所述移动群智感知平台和n个用户组成的工作流程：移动群智感知平台有一系列任务需要招募用户完成，平台先发布所有的任务内容并告知所有愿意参与的用户，用户阅读过任务的内容后提交他们感兴趣的任务集合，其中包含他们愿意参与任务的编号，并提交他们完成这些任务相应的报价，平台收到任务集合以及报价后通过激励方法选择出最终参与感知任务的用户，即获胜者，并通知他们开始进行感知任务，用户完成任务后将感知数据提交给平台，平台再通过激励方法决定给予每一个参与任务的用户的报酬。

3.根据权利要求1所述的一种双目标鲁棒移动群智感知系统的激励方法，其特征在于，所述的双目标鲁棒移动群智感知系统的激励方法包括用户选择算法和支付决定算法；

所述的用户选择算法的目的是优化公式(5)所述的鲁棒用户选择问题，其具体步骤如下：

步骤3.1：初始化二分搜索下界k_min＝0，初始化二分搜索上界k_max＝min(f(U),g(U))，初始化获胜者集合

步骤3.2：令二分搜索当前搜索值k＝(k_min+k_max)/2，令

步骤3.3：找到集合U\S′中

值最大的用户i；

步骤3.4：令S′←S′∪{i}；

步骤3.5：如果

且S′≠U，执行步骤3.3，否则执行步骤3.6；

步骤3.6：如果|S′|＞m，执行步骤3.7，否则执行步骤3.8；

步骤3.7：k_max←k，执行步骤3.9；

步骤3.8：k_min←k，S＝S′；

步骤3.9：如果(k_max-k_min)≥ε，执行步骤3.2，否则执行步骤3.10；ε∈(0,1)是二分搜索的精度，由移动群智感知平台提前给定；

步骤3.10：k←k_min；

步骤3.11：输出获胜者集合S。

4.根据权利要求3所述的一种双目标鲁棒移动群智感知系统的激励方法，其特征在于，所述支付决定算法的具体步骤如下：

步骤4.1：对于所有参与者i∈U，执行步骤4.2；

步骤4.2：初始化报酬p_i＝0；

步骤4.3：对于所有获胜者i∈S，则执行步骤4.4-4.16；

步骤4.4：令U′←U\{i}，令

步骤4.5：找到集合U′\S′中

值最大的用户i_e；

步骤4.6：如果f(S′∪{i})＜k且f(S′∪{i_e})＜k，执行步骤4.7，否则执行步骤4.8；

步骤4.7：令

步骤4.8：如果f(S′∪{i})＜k且f(S′∪{i_e})≥k，执行步骤4.9，否则执行步骤4.10；

步骤4.9：令

步骤4.10：如果f(S′∪{i})≥k且f(S′∪{i_e})≥k，执行步骤4.11，否则执行步骤4.12；

步骤4.11：令

步骤4.12：如果f(S′∪{i})≥k且f(S′∪{i_e})＜k，执行步骤4.13，否则执行步骤4.14；

步骤4.13：令

步骤4.14：令用户i的报酬

步骤4.15：令S′←S′∪{i_e}；

步骤4.16：如果

执行步骤4.5，否则执行步骤4.3；

步骤4.17：输出参与者报酬集合P。

Images