CN111915185B - 一种基于路径规划策略的时空众包任务分配方法和装置 - Google Patents

一种基于路径规划策略的时空众包任务分配方法和装置 Download PDF

Info

Publication number
CN111915185B
CN111915185B CN202010755215.XA CN202010755215A CN111915185B CN 111915185 B CN111915185 B CN 111915185B CN 202010755215 A CN202010755215 A CN 202010755215A CN 111915185 B CN111915185 B CN 111915185B
Authority
CN
China
Prior art keywords
task
crowdsourcing
worker
candidate set
tasks
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
CN202010755215.XA
Other languages
English (en)
Other versions
CN111915185A (zh
Inventor
余敦辉
袁旭
王时绘
张笑笑
成涛
李乐易
沈海静
万鹏
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.)
Hubei University
Original Assignee
Hubei 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 Hubei University filed Critical Hubei University
Priority to CN202010755215.XA priority Critical patent/CN111915185B/zh
Publication of CN111915185A publication Critical patent/CN111915185A/zh
Application granted granted Critical
Publication of CN111915185B publication Critical patent/CN111915185B/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
    • G06Q10/06—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
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (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)

Abstract

本发明涉及信息技术领域，具体涉及一种基于路径规划策略的时空众包任务分配方法和装置。该方法包括：构建每一个众包工人对应的任务候选集；剔除任务候选集中时效冲突的任务，第一次更新任务候选集；剔除任务候选集中单位时间收益小于第一阈值的任务，第二次更新任务候选集；剔除任务候选集中预完成时间大于第二阈值的任务，第三次更新任务候选集；构建任务候选集中单位时间收益最大的众包工人路径。本发明在获得众包工人的任务候选集后，首先剔除存在时效冲突的任务、单位时间收益较小的任务和预完成时间较大的任务，既减少了生成众包工人路径的运算量，又兼顾了众包工人和任务发布方的效益，从而高效地实现了众包任务的处理分配工作。

Description

一种基于路径规划策略的时空众包任务分配方法和装置
技术领域
本发明涉及信息技术领域，具体涉及一种基于路径规划策略的时空众包任务分配方法和装置。
背景技术
随着移动互联网时代的到来，一种通过大众群体的智慧和协作来解决问题的新型模式-众包应运而生，本质上来说“众包”是“大众”和“外包”的结合。近年来，随着众包技术的运用和发展，带来了更多的外延需求，逐渐形成时空众包(spatiotemporalcrowdsourcing)(也称为空间众包或移动众包)，并运用在各种实时打车类应用和外卖配送平台，如滴滴出行、Uber、神州专车、美团外卖等。
所谓时空众包，是指将众包任务发起者发布的具有时空特性的众包任务分配给非特定的众包工人，并要求其完成众包任务并满足任务所指定的时空约束条件来获取一定报酬的一种新型众包模式。
但是现有的众包任务分配方案大多采用单独为一个众包工人分配任务，生成其配送路径，并没有考虑到实际中众包工人之间以及任务之间对最终配送方案的影响，导致众包工人的闲置率较高，进而存在众包任务处理效率低的技术问题。
发明内容
本发明的目的是提供一种基于路径规划策略的时空众包任务分配方法和装置，以解决现有的众包任务分配方案任务处理速率较低的技术问题。
本发明实施例提供了以下方案：
第一方面，本发明实施例提供一种基于路径规划策略的时空众包任务分配方法，所述方法包括：
根据众包工人集中每一个众包工人的当前位置和任务接收范围，构建所述每一个众包工人对应的任务候选集；其中，所述众包工人集包括当前位于设定任务区域内的多个众包工人；
对所述任务候选集中的任务进行时间评估，剔除所述任务候选集中时效冲突的任务，第一次更新所述任务候选集；
剔除所述任务候选集中单位时间收益小于第一阈值的任务，第二次更新所述任务候选集；其中，所述任务候选集中各任务的单位时间收益根据所述任务候选集中各任务的收益和预计耗时计算获得；
剔除所述任务候选集中预完成时间大于第二阈值的任务，第三次更新所述任务候选集；其中，所述任务候选集中各任务的预完成时间通过预估所述任务候选集对应的众包工人完成任务的时间获得；
根据所述任务候选集中各任务的收益、预计耗时、当前位置和目标地址，从第三次更新后的任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径。
在一种可能的实施例中，所述根据所述任务候选集中各任务的收益、预计耗时和目标地址，从所述任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径之后，所述方法还包括：
步骤1，根据当前发布的任务，第四次更新所述任务候选集；
步骤2，将第四次更新后的任务候选集中未参与构建所述众包工人路径的任务划分为第一优先级任务和第二优先级任务；其中，所述第一优先级任务为所述未参与构建所述众包工人路径的任务中除去所述第二优先级任务的任务；若某一任务的当前位置与参与构建所述众包工人路径的任务中的任意两个任务的当前位置分别位于设定路口的三个方向，则将所述某一任务认定为所述第二优先级任务；所述设定路口为所述任务候选集对应的众包工人的当前位置前往所述某一任务的当前位置的最短路径上距离所述某一任务的当前位置最近的路口；
步骤3，构建任务分组集；其中，所述任务分组集包括所述众包工人集中每一个众包工人对应的第四次更新后的任务候选集中未参与构建所述众包工人路径的任务；
步骤4，判断所述任务分组集中是否存在所述第一优先级任务；
步骤5，若是，则使用所述任务分组集中所有的所述第一优先级任务构建任务分配集；若否，则使用所述任务分组集中所有的所述第二优先级任务构建所述任务分配集；
步骤6，计算所述众包工人集中所有众包工人的剩余容量的总和；
步骤7，根据所述任务分配集、所述任务候选集对应的所述众包工人路径和所述所有众包工人的剩余容量的总和，构建最大费用流模型；其中，所述最大费用流模型包括源点和汇点；所述源点的流量为所述所有众包工人的剩余容量的总和；根据最小分割路径将所述众包工人路径分割为若干个任务段；所述源点分别连接所述众包工人集中每一个众包工人对应的众包工人点；所述众包工人点均连接所述汇点；所述众包工人点还分别连接所述若干个任务段中与其对应任务段；所述若干个任务段中任一任务段分别连接所述任务分配集中位于所述任一任务段对应的众包工人的任务接收范围内的任务；所述任务分配集中的每一个任务均连接所述汇点；所述任一任务段与其连接的任务之间的边权为所述与其连接的任务的单位时间收益；
步骤8，利用SPFA算法求解所述最大费用流模型的最大值，为所述众包工人路径增加0 或1个任务，更新所述众包工人路径，并返回步骤1。
在一种可能的实施例中，所述步骤6，包括：
计算所述众包工人集中所有众包工人的剩余容量的总和SRC，具体计算公式为：
Figure GDA0003108529850000031
其中，m为所述众包工人集中众包工人的总数，
Figure GDA0003108529850000032
为所述众包工人集中第l个众包工人所能接收的最大任务数量，
Figure GDA0003108529850000033
为所述众包工人集中第l个众包工人已经接收的任务数量。
在一种可能的实施例中，所述任务候选集中各任务的单位时间收益的计算获取方法包括：
计算所述任务候选集中的任一任务的单位时间收益g，具体的计算公式为：
Figure GDA0003108529850000034
其中，ft为所述任务候选集对应的众包工人完成所述任一任务的收益，ct为所述任务候选集对应的众包工人完成所述任一任务的预估时间。
在一种可能的实施例中，所述第一阈值的计算方法包括：
计算所述任务候选集对应的众包工人w的任务接收范围sw内的工人密度ρw1，具体的计算公式为：
Figure GDA0003108529850000035
其中，nw1为所述任务候选集对应的众包工人w的任务接收范围sw内的众包工人数量；
计算所述众包工人w的任务接收范围sw内的任务密度ρt1，具体的计算公式为：
Figure GDA0003108529850000036
其中，nt1为所述众包工人w的任务接收范围sw内的任务数量；
计算所述众包工人w的任务接收范围sw内的所有任务的平均单位时间收益
Figure GDA0003108529850000037
具体的计算公式为：
Figure GDA0003108529850000041
其中，gi为所述众包工人w的任务接收范围sw内的第i个任务的单位时间收益；
计算所述第一阈值θw，具体计算公式为：
Figure GDA0003108529850000042
其中，α为第一调节参数。
在一种可能的实施例中，所述第二阈值的计算方法包括：
计算所述任务候选集中选定的任务t的设定范围st内的工人密度ρw2，具体的计算公式为：
Figure GDA0003108529850000043
其中，nw2为所述任务t的设定范围st内的众包工人数量；
计算所述任务t的设定范围st内的任务密度ρt2，具体的计算公式为：
Figure GDA0003108529850000044
其中，nt2为所述任务t的设定范围st内的任务数量；
计算所述任务t的设定范围st内的所有众包工人接收所述任务t的平均等待时间
Figure GDA0003108529850000045
具体的计算公式为：
Figure GDA0003108529850000046
其中，WTj为所述任务t的设定范围st内的第j个众包工人接收所述任务t时所述任务t的发布者需要等待的预估时间；
计算所述第二阈值θt，具体计算公式为：
Figure GDA0003108529850000051
其中，β为第二调节参数。
在一种可能的实施例中，所述根据所述任务候选集中各任务的收益、预计耗时、当前位置和目标地址，从第三次更新后的任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径，包括：
根据所述第三次更新后的任务候选集，构建路径集合；
计算所述路径集合中任一路径<u0,...,un>的单位时间收益U(＜u0,...,un>)，具体计算公式为：
Figure GDA0003108529850000052
其中，u0为所述任一路径<u0,...,un>的第1个任务的目标位置，uk-1为所述任一路径 <u0,...,un>的第k个任务的目标位置，uk为所述任一路径<u0,...,un>的第k+1个任务的目标位置， un为所述任一路径<u0,...,un>的第n+1个任务的目标位置，CT(u0,un)为所述任务候选集对应的众包工人以最短距离从u0到un的预估消耗时间，CT(uk-1,uk)为所述任务候选集对应的众包工人以最短距离从uk-1到uk的预估消耗时间，θ为折扣调节参数，per为所述任务候选集中任务的单位时间价格，s为所述任务候选集对应的众包工人的工作效率；
对比所述路径集合中各路径的单位时间收益，将单位时间收益最大的路径作为所述众包工人路径。
第二方面，本发明实施例提供一种基于路径规划策略的时空众包任务分配装置，包括：
第一构建模块，用于根据众包工人集中每一个众包工人的当前位置和任务接收范围，构建所述每一个众包工人对应的任务候选集；其中，所述众包工人集包括当前位于设定任务区域内的多个众包工人；
第一更新模块，用于对所述任务候选集中的任务进行时间评估，剔除所述任务候选集中时效冲突的任务，第一次更新所述任务候选集；
第二更新模块，用于剔除所述任务候选集中单位时间收益小于第一阈值的任务，第二次更新所述任务候选集；其中，所述任务候选集中各任务的单位时间收益根据所述任务候选集中各任务的收益和预计耗时计算获得；
第三更新模块，用于剔除所述任务候选集中预完成时间大于第二阈值的任务，第三次更新所述任务候选集；其中，所述任务候选集中各任务的预完成时间通过预估所述任务候选集对应的众包工人完成任务的时间获得；
第二构建模块，用于根据所述任务候选集中各任务的收益、预计耗时、当前位置和目标地址，从第三次更新后的任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径。
在一种可能的实施例中，所述装置还包括：
第四更新模块，用于根据当前发布的任务，第四次更新所述任务候选集；
任务划分模块，用于在所述第二构建模块构建出所述众包工人路径之后，将第四次更新后的任务候选集中未参与构建所述众包工人路径的任务划分为第一优先级任务和第二优先级任务；其中，所述第一优先级任务为所述未参与构建所述众包工人路径的任务中除去所述第二优先级任务的任务；若某一任务的当前位置与参与构建所述众包工人路径的任务中的任意两个任务的当前位置分别位于设定路口的三个方向，则将所述某一任务认定为所述第二优先级任务；所述设定路口为所述任务候选集对应的众包工人的当前位置前往所述某一任务的当前位置的最短路径上距离所述某一任务的当前位置最近的路口；
第三构建模块，用于构建任务分组集；其中，所述任务分组集包括所述众包工人集中每一个众包工人对应的第四次更新后的任务候选集中未参与构建所述众包工人路径的任务；
第一判断模块，用于判断所述任务分组集中是否存在所述第一优先级任务；
第四构建模块，用于在所述任务分组集中存在所述第一优先级任务时，使用所述任务分组集中所有的所述第一优先级任务构建任务分配集；还用于在所述任务分组集中不存在所述第一优先级任务时，使用所述任务分组集中所有的所述第二优先级任务构建所述任务分配集；
第一计算模块，用于计算所述众包工人集中所有众包工人的剩余容量的总和；
第五构建模块，用于根据所述任务分配集、所述任务候选集对应的所述众包工人路径和所述所有众包工人的剩余容量的总和，构建最大费用流模型；其中，所述最大费用流模型包括源点和汇点；所述源点的流量为所述所有众包工人的剩余容量的总和；根据最小分割路径将所述众包工人路径分割为若干个任务段；所述源点分别连接所述众包工人集中每一个众包工人对应的众包工人点；所述众包工人点均连接所述汇点；所述众包工人点还分别连接所述若干个任务段中与其对应任务段；所述若干个任务段中任一任务段分别连接所述任务分配集中位于所述任一任务段对应的众包工人的任务接收范围内的任务；所述任务分配集中的每一个任务均连接所述汇点；所述任一任务段与其连接的任务之间的边权为所述与其连接的任务的单位时间收益；
第五更新模块，用于利用SPFA算法求解所述最大费用流模型的最大值，为所述众包工人路径增加0或1个任务，更新所述众包工人路径，并返回所述第四更新模块。
在一种可能的实施例中，所述第一计算模块，包括：
第二计算模块，用于计算所述众包工人集中所有众包工人的剩余容量的总和SRC，具体计算公式为：
Figure GDA0003108529850000071
其中，m为所述众包工人集中众包工人的总数，
Figure GDA0003108529850000072
为所述众包工人集中第l个众包工人所能接收的最大任务数量，
Figure GDA0003108529850000073
为所述众包工人集中第l个众包工人已经接收的任务数量。
在一种可能的实施例中，所述第二更新模块，包括：
第三计算模块，用于计算所述任务候选集中的任一任务的单位时间收益g，具体的计算公式为：
Figure GDA0003108529850000074
其中，ft为所述任务候选集对应的众包工人完成所述任一任务的收益，ct为所述任务候选集对应的众包工人完成所述任一任务的预估时间。
在一种可能的实施例中，所述第二更新模块，还包括：
第四计算模块，用于计算所述任务候选集对应的众包工人w的任务接收范围sw内的工人密度ρw1，具体的计算公式为：
Figure GDA0003108529850000075
其中，nw1为所述任务候选集对应的众包工人w的任务接收范围sw内的众包工人数量；
第五计算模块，用于计算所述众包工人w的任务接收范围sw内的任务密度ρt1，具体的计算公式为：
Figure GDA0003108529850000081
其中，nt1为所述众包工人w的任务接收范围sw内的任务数量；
第六计算模块，用于计算所述众包工人w的任务接收范围sw内的所有任务的平均单位时间收益
Figure GDA0003108529850000082
具体的计算公式为：
Figure GDA0003108529850000083
其中，gi为所述众包工人w的任务接收范围sw内的第i个任务的单位时间收益；
第七计算模块，用于计算所述第一阈值θw，具体计算公式为：
Figure GDA0003108529850000084
其中，α为第一调节参数。
在一种可能的实施例中，所述第三更新模块，包括：
第八计算模块，用于计算所述任务候选集中选定的任务t的设定范围st内的工人密度ρw2，具体的计算公式为：
Figure GDA0003108529850000085
其中，nw2为所述任务t的设定范围st内的众包工人数量；
第九计算模块，用于计算所述任务t的设定范围st内的任务密度ρt2，具体的计算公式为：
Figure GDA0003108529850000086
其中，nt2为所述任务t的设定范围st内的任务数量；
第十计算模块，用于计算所述任务t的设定范围st内的所有众包工人接收所述任务t的平均等待时间
Figure GDA0003108529850000087
具体的计算公式为：
Figure GDA0003108529850000091
其中，WTj为所述任务t的设定范围st内的第j个众包工人接收所述任务t时所述任务t的发布者需要等待的预估时间；
第十一计算模块，用于计算所述第二阈值θt，具体计算公式为：
Figure GDA0003108529850000092
其中，β为第二调节参数。
在一种可能的实施例中，所述第二构建模块，包括：
第六构建模块，用于根据所述第四次更新后的任务候选集，构建路径集合；
第十二计算模块，用于计算所述路径集合中任一路径<u0,...,un>的单位时间收益U(<u0,...,un>)，具体计算公式为：
Figure GDA0003108529850000093
其中，u0为所述任一路径<u0,...,un>的第1个任务的目标位置，uk-1为所述任一路径 <u0,...,un>的第k个任务的目标位置，uk为所述任一路径<u0,...,un>的第k+1个任务的目标位置， un为所述任一路径<u0,...,un>的第n+1个任务的目标位置，CT(u0,un)为所述任务候选集对应的众包工人以最短距离从u0到un的预估消耗时间，CT(uk-1,uk)为所述任务候选集对应的众包工人以最短距离从uk-1到uk的预估消耗时间，θ为折扣调节参数，per为所述任务候选集中任务的单位时间价格，s为所述任务候选集对应的众包工人的工作效率；
众包工人路径获取模块，用于对比所述路径集合中各路径的单位时间收益，将单位时间收益最大的路径作为所述众包工人路径。
第三方面，本发明实施例提供一种基于路径规划策略的时空众包任务分配设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现第一方面中任一所述的基于路径规划策略的时空众包任务分配方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时以实现第一方面中任一所述的基于路径规划策略的时空众包任务分配方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明在获得众包工人的任务候选集后，首先剔除存在时效冲突的任务，然后从众包工人的角度出发，剔除单位时间收益较小的任务，最后从任务的角度出发，剔除预完成时间较大的任务，既减少了生成众包工人路径的运算量，又兼顾了众包工人和任务发布方的效益，从而高效地实现了众包任务的处理分配工作。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于路径规划策略的时空众包任务分配方法的流程图；
图2是本发明实施例提供的众包工人工作示意图；
图3是本发明实施例提供的一种最大流量为SRC的最大费用流模型；
图4是本发明实施例提供的一种基于路径规划策略的时空众包任务分配装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
为了更加清楚地说明本发明的方案，在此作以下定义：
定义1：众包任务t。
t由任务发起者在众包平台上发布，通常被定义为t＝＜lt,rt,pt,dt,ft,ut＞，其中lt为任务的当前位置，rt为任务t能被工人所接收的半径，pt为任务发布时间，dt为任务截止时间，ft为完成任务t所获得的报酬，ut为任务目的地点。
定义2：众包工人w。
w是时间众包任务的参与者，通常被定义为w＝＜lw,sw,aw,ew,s,cw＞，其中lw为工人w当前位置，sw是工人w能接收任务的任务接收范围，rw是工人w能接收任务的范围半径，aw代表工人w抵达平台的时间，s为工人效率，表示工人w的历史任务成功率，cw为工人容量，表示工人任意时刻最多能接收的任务数量。
定义3：任务t的单位时间收益g。
g指众包工人w完成众包任务t后单位时间的平均效益，定义为：
Figure GDA0003108529850000111
ct为平台预估工人w完成任务t所耗费时长。
定义4：路径＜u0,...,un＞。
表示工人实际要经过的路径为u0→u1、u1→u2、…、un-1→un，其中每一段所走的路径为平台提供的最短路径。
定义5：路程耗费CT(s,t)时间。
CT(s,t)指从地点s到t预计消耗的最短时间。
请参阅图1，图1为本发明实施例提供的基于路径规划策略的时空众包任务分配方法的流程图，包括步骤11至步骤15。
步骤11，根据众包工人集中每一个众包工人的当前位置和任务接收范围，构建所述每一个众包工人对应的任务候选集。
其中，所述众包工人集包括当前位于设定任务区域内的多个众包工人。
具体的，根据众包工人端的定位模组可以获知其当前位置，根据任务发布端的定位模组也可以获知其当前位置。
具体的，假设某一任务的当前位置坐标为(xt,yt)，众包工人的当前位置为(x,y)，众包工人的任务接收范围的半径为rw，若(xt-x)2+(yt-y)2≤rw 2，则将该任务加入进该众包工人对应的任务候选集。通过遍历众包工人的任务接收范围，即可完成任务候选集的构建。
步骤12，对所述任务候选集中的任务进行时间评估，剔除所述任务候选集中时效冲突的任务，第一次更新所述任务候选集。
具体的，时效冲突的任务是指，两个任务的截止时间相距较近，但目的位置相距较远，从而使得众包工人不能在一定时间内完成该两个任务。这里给出一种时间评估的方案，具体为：
假设工人已接任务为[t1,t2,...,tn]，任务截止时间为[d1,d2,...,dn]。那么整体过程为：
①保存到达每个任务地点的预计时间[a1,a2,...,an]。
其中，该预计时间根据该工人在历史任务中的耗时统计所获得的，当然也可以直接人为设定。
②计算每个任务能够多花的时间为：[RT1:d1-a1,RT2:d2-a2,...,RTn:dn-an]。
③由于前面的任务必须满足后面的任务能够按时接到，因此接收最后一个任务之前能够多花的时间为：RTn＝dn-an，接收倒数第二个任务之前能够多花时间为： RTn-1＝min(dn-1-an-1,RTn)，依次往前推可得出在每个任务之前能够多花的时间。
④假设任务集中某个任务t如果在ti-1和ti之间接收，CT(s,t)指从地点s到t预计消耗的最短时间，如果满足以下其中一个，则将该任务从候选集中排除：
a.根据平台的预估该任务不能按时完成；
b.计算接收该任务多花的时间为CT(ti-1,t)+CT(t,ti)-CT(ti-1,ti)，该值大于接收任务ti之前能够多花的时间
Figure GDA0003108529850000121
步骤13，剔除所述任务候选集中单位时间收益小于第一阈值的任务，第二次更新所述任务候选集。
其中，所述任务候选集中各任务的单位时间收益根据所述任务候选集中各任务的收益和预计耗时计算获得。
具体的，从工人的角度考虑，如果在当前时间窗为工人分配回报率较低的任务后，可能导致工人无法接收下一时间窗回报率更高的任务；从任务发布者的角度考虑，如果周围有多个工人，却为其分配一个较远的工人，会导致用户等待时间过长。为此本发明设计了一种基于动态阈值的双向筛选方法，舍弃部分低效益的匹配规避较差的分配状况。本步骤即为从众包工人角度，基于任务的单位时间收益对任务进行筛选。
这里，本发明提供一种较优的任务的单位时间收益得计算方案，具体为：
步骤21，计算所述任务候选集中的任一任务的单位时间收益g，具体的计算公式为：
Figure GDA0003108529850000131
其中，ft为所述任务候选集对应的众包工人完成所述任一任务的收益，ct为所述任务候选集对应的众包工人完成所述任一任务的预估时间。
具体的，ct根据该众包工人在历史任务中的耗时统计而获得。
这里，本发明还提供了一种较优的第一阈值的计算方案，具体为：
步骤31，计算所述任务候选集对应的众包工人w的任务接收范围sw内的工人密度ρw1，具体的计算公式为：
Figure GDA0003108529850000132
其中，nw1为所述任务候选集对应的众包工人w的任务接收范围sw内的众包工人数量。
步骤32，计算所述众包工人w的任务接收范围sw内的任务密度ρt1，具体的计算公式为：
Figure GDA0003108529850000133
其中，nt1为所述众包工人w的任务接收范围sw内的任务数量。
步骤33，计算所述众包工人w的任务接收范围sw内的所有任务的平均单位时间收益
Figure GDA0003108529850000134
具体的计算公式为：
Figure GDA0003108529850000135
其中，gi为所述众包工人w的任务接收范围sw内的第i个任务的单位时间收益。
步骤34，计算所述第一阈值θw，具体计算公式为：
Figure GDA0003108529850000136
其中，α为第一调节参数。
具体的，第一阈值中，
Figure GDA0003108529850000137
越大，众包工人获取高回报率任务的可能性越大，ρt1越大工人的选择越多，众包工人获取高回报率任务的可能性越大，而ρw1越大工人间竞争越大，众包工人获取高回报率任务的可能性就越小，符合众包工人的预期期望。
步骤14，剔除所述任务候选集中预完成时间大于第二阈值的任务，第三次更新所述任务候选集。
其中，所述任务候选集中各任务的预完成时间通过预估所述任务候选集对应的众包工人完成任务的时间获得。
这里，本发明还提供了一种较优的第二阈值的计算方案，具体为：
步骤41，计算所述任务候选集中选定的任务t的设定范围st内的工人密度ρw2，具体的计算公式为：
Figure GDA0003108529850000141
其中，nw2为所述任务t的设定范围st内的众包工人数量。
步骤42，计算所述任务t的设定范围st内的任务密度ρt2，具体的计算公式为：
Figure GDA0003108529850000142
其中，nt2为所述任务t的设定范围st内的任务数量。
步骤43，计算所述任务t的设定范围st内的所有众包工人接收所述任务t的平均等待时间
Figure GDA0003108529850000143
具体的计算公式为：
Figure GDA0003108529850000144
其中，WTj为所述任务t的设定范围st内的第j个众包工人接收所述任务t时所述任务t的发布者需要等待的预估时间。
其中，WTj是根据任务发布者在其历史任务中的等待耗时统计以及不同众包工人在其历史任务中的接收习惯统计等而获得。
步骤44，计算所述第二阈值θt，具体计算公式为：
Figure GDA0003108529850000151
其中，β为第二调节参数。
具体的，第二阈值中，
Figure GDA0003108529850000152
越大任务发布者等待时间越长，而ρw越大任务被选择的可能性越大，相对等待时间就应越短，ρt越大任务被选择的可能性越小，等待时间就会越长，符合任务发布者的预期期待。
步骤15，根据所述任务候选集中各任务的收益、预计耗时、当前位置和目标地址，从第三次更新后的任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径。
具体的，单位时间收益最大的众包工人路径即为该众包工人当前最优的任务分配方案。
这里，本发明还给出了一种较优的众包工人路径构建方案，具体包括：
步骤51，根据所述第三次更新后的任务候选集，构建路径集合。
具体的，从第三次更新后的任务候选集中任选一个或多个任务，然后根据任务的当前位置和目标位置，构建出一条路径并加入到路径集合中，遍历整个任务候选集，从而完成路径集合的构建。
步骤52，计算所述路径集合中任一路径<u0,...,un>的单位时间收益U(＜u0,...,un＞)，具体计算公式为：
Figure GDA0003108529850000153
其中，u0为所述任一路径<u0,...,un>的第1个任务的目标位置，uk-1为所述任一路径 <u0,...,un>的第k个任务的目标位置，uk为所述任一路径<u0,...,un>的第k+1个任务的目标位置， un为所述任一路径<u0,...,un>的第n+1个任务的目标位置，CT(u0,un)为所述任务候选集对应的众包工人以最短距离从u0到un的预估消耗时间，CT(uk-1,uk)为所述任务候选集对应的众包工人以最短距离从uk-1到uk的预估消耗时间，θ为折扣调节参数，per为所述任务候选集中任务的单位时间价格，s为所述任务候选集对应的众包工人的工作效率。
具体的，其中θ∈(0,1]，θ越大折扣比例越大。
步骤53，对比所述路径集合中各路径的单位时间收益，将单位时间收益最大的路径作为所述众包工人路径。
具体的，本实施例采用折扣机制来度量实际效益，从而模拟出众包工人在执行多个任务的过程中会存在一定的绕路情况，这种情况会牺牲任务发布者的时间，需要设置一个绕路折扣机制。
如果在构建出众包工人路径之后，在众包工人的任务接收范围内新出现了若干个任务，而这些任务中某一个任务替换了众包工人路径中的某一任务后，有可能会提高整体的平均收益或降低配送时间，那么本发明则对众包工人路径进行任务替换操作。
为了提高众包工人路径的更新速度，以实现在动态场景下众包工人路径的快速更新，本发明还提供了一种基于最大费用流模型来更新众包工人路径的方案，具体为：
步骤61，根据当前发布的任务，第四次更新所述任务候选集。
具体的，如果当前发布的任务的当前位置位于某个或某些众包工人的任务接收范围内，则将该任务加入到某个或某些众包工人各自对应的经过三次更新的任务候选集中。
步骤62，将第四次更新后的任务候选集中未参与构建所述众包工人路径的任务划分为第一优先级任务和第二优先级任务。
其中，所述第一优先级任务为所述未参与构建所述众包工人路径的任务中除去所述第二优先级任务的任务；若某一任务的当前位置与参与构建所述众包工人路径的任务中的任意两个任务的当前位置分别位于设定路口的三个方向，则将所述某一任务认定为所述第二优先级任务；所述设定路口为所述任务候选集对应的众包工人的当前位置前往所述某一任务的当前位置的最短路径上距离所述某一任务的当前位置最近的路口。
具体的，第一优先级任务不与众包工人已经接收的任务位置冲突，有较大的可能性可以添加进众包工人路径中，而第二优先级任务与众包工人已经接收的任务位置的冲突较大，添加进众包工人路径中的概率较小，本发明将任务分为第一优先级任务和第二优先级任务，能够进一步提高任务分配时的处理速度。
步骤63，构建任务分组集。
其中，所述任务分组集包括所述众包工人集中每一个众包工人对应的第四次更新后的任务候选集中未参与构建所述众包工人路径的任务。
步骤64，判断所述任务分组集中是否存在所述第一优先级任务。
步骤65，若是，则使用所述任务分组集中所有的所述第一优先级任务构建任务分配集；若否，则使用所述任务分组集中所有的所述第二优先级任务构建所述任务分配集。
步骤66，计算所述众包工人集中所有众包工人的剩余容量的总和。
这里，本发明给出一种较优的计算方案，具体为：
步骤71，计算所述众包工人集中所有众包工人的剩余容量的总和SRC，具体计算公式为：
Figure GDA0003108529850000171
其中，m为所述众包工人集中众包工人的总数，
Figure GDA0003108529850000172
为所述众包工人集中第l个众包工人所能接收的最大任务数量，
Figure GDA0003108529850000173
为所述众包工人集中第l个众包工人已经接收的任务数量。
步骤67，根据所述任务分配集、所述任务候选集对应的所述众包工人路径和所述所有众包工人的剩余容量的总和，构建最大费用流模型。
其中，所述最大费用流模型包括源点和汇点；所述源点的流量为所述所有众包工人的剩余容量的总和；根据最小分割路径将所述众包工人路径分割为若干个任务段；所述源点分别连接所述众包工人集中每一个众包工人对应的众包工人点；所述众包工人点均连接所述汇点；所述众包工人点还分别连接所述若干个任务段中与其对应任务段；所述若干个任务段中任一任务段分别连接所述任务分配集中位于所述任一任务段对应的众包工人的任务接收范围内的任务；所述任务分配集中的每一个任务均连接所述汇点；所述任一任务段与其连接的任务之间的边权为所述与其连接的任务的单位时间收益。
为了更好地说明本步骤的建模方案，本发明以众包工人实际工作为例，详细说明本步骤的建模过程。
图2所示的众包工人工作示意图，其中的坐标轴代表将地图分割为若干个1x1的网格，此时有工人w1、w2、w3，图中从工人开始的连线，代表其当前的任务路径，此时工人周围新出现了任务t1、t6，任务目的地点分别为u1、u6，需要更新工人的路径，这里假设
Figure GDA0003108529850000174
为工人wi已接任务数量。
①计算工人wi的剩余容量为：
Figure GDA0003108529850000175
计算所有工人剩余容量总和为：
Figure GDA0003108529850000176
②建立一个超级源点S以及一个超级汇点T，将S的流量设置为SRC；
③将S与所有工人{w1,...,wn}连接，将其边权v设置为0、容量c设置为
Figure GDA0003108529850000181
④由于工人在任意两个相邻的任务之间添加一个新的任务与其他相邻任务互不影响，如果工人wi已有任务在身，那么将wi分成任务段{wi1,...,win}，并且将wi与其相连，边权v设置为 0，容量c设置为1；
⑤为了保证图3中的S到T的最大流为SRC，从S出发的所有流量都要能到达T，因此将所有工人{w1,...,wn}与T相连，边权设置为0，容量设置为
Figure GDA0003108529850000182
⑥将未分割等待任务wi以及分割后的任务段wij与其能够接收的任务相连，边权v设置为预接收该任务的单位时间收益、容量c设置为1；
⑦将所有任务与T相连，由于每个任务只能被选择一次，因此将边权v设置为0、容量c 设置为1。
此时，求当前分配的最大效益匹配就转换成了求如图3所示的最大流量为SRC的最大费用流模型。
步骤68，利用SPFA算法求解所述最大费用流模型的最大值，为所述众包工人路径增加0 或1个任务，更新所述众包工人路径，并返回步骤61。
具体的，本步骤结束后，重新返回步骤61，重新更新任务候选集，重新建模，重新更新众包工人路径。当无法求出模型的最大值，或者SRC为0时，则结束对众包工人路径的更新。
具体的，最大费用流模型的最大值的求解过程为本领域的现有技术，在此不予以赘述。
基于与方法同样的发明构思，本发明实施例还提供了一种基于路径规划策略的时空众包任务分配装置，如图4所示为该装置实施例的结构示意图，所述装置包括：
第一构建模块81，用于根据众包工人集中每一个众包工人的当前位置和任务接收范围，构建所述每一个众包工人对应的任务候选集；其中，所述众包工人集包括当前位于设定任务区域内的多个众包工人；
第一更新模块82，用于对所述任务候选集中的任务进行时间评估，剔除所述任务候选集中时效冲突的任务，第一次更新所述任务候选集；
第二更新模块83，用于剔除所述任务候选集中单位时间收益小于第一阈值的任务，第二次更新所述任务候选集；其中，所述任务候选集中各任务的单位时间收益根据所述任务候选集中各任务的收益和预计耗时计算获得；
第三更新模块84，用于剔除所述任务候选集中预完成时间大于第二阈值的任务，第三次更新所述任务候选集；其中，所述任务候选集中各任务的预完成时间通过预估所述任务候选集对应的众包工人完成任务的时间获得；
第二构建模块85，用于根据所述任务候选集中各任务的收益、预计耗时、当前位置和目标地址，从第三次更新后的任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径。
在一种可能的实施例中，所述装置还包括：
第四更新模块，用于根据当前发布的任务，第四次更新所述任务候选集；
任务划分模块，用于在所述第二构建模块85构建出所述众包工人路径之后，将第四次更新后的任务候选集中未参与构建所述众包工人路径的任务划分为第一优先级任务和第二优先级任务；其中，所述第一优先级任务为所述未参与构建所述众包工人路径的任务中除去所述第二优先级任务的任务；若某一任务的当前位置与参与构建所述众包工人路径的任务中的任意两个任务的当前位置分别位于设定路口的三个方向，则将所述某一任务认定为所述第二优先级任务；所述设定路口为所述任务候选集对应的众包工人的当前位置前往所述某一任务的当前位置的最短路径上距离所述某一任务的当前位置最近的路口；
第三构建模块，用于构建任务分组集；其中，所述任务分组集包括所述众包工人集中每一个众包工人对应的第四次更新后的任务候选集中未参与构建所述众包工人路径的任务；
第一判断模块，用于判断所述任务分组集中是否存在所述第一优先级任务；
第四构建模块，用于在所述任务分组集中存在所述第一优先级任务时，使用所述任务分组集中所有的所述第一优先级任务构建任务分配集；还用于在所述任务分组集中不存在所述第一优先级任务时，使用所述任务分组集中所有的所述第二优先级任务构建所述任务分配集；
第一计算模块，用于计算所述众包工人集中所有众包工人的剩余容量的总和；
第五构建模块，用于根据所述任务分配集、所述任务候选集对应的所述众包工人路径和所述所有众包工人的剩余容量的总和，构建最大费用流模型；其中，所述最大费用流模型包括源点和汇点；所述源点的流量为所述所有众包工人的剩余容量的总和；根据最小分割路径将所述众包工人路径分割为若干个任务段；所述源点分别连接所述众包工人集中每一个众包工人对应的众包工人点；所述众包工人点均连接所述汇点；所述众包工人点还分别连接所述若干个任务段中与其对应任务段；所述若干个任务段中任一任务段分别连接所述任务分配集中位于所述任一任务段对应的众包工人的任务接收范围内的任务；所述任务分配集中的每一个任务均连接所述汇点；所述任一任务段与其连接的任务之间的边权为所述与其连接的任务的单位时间收益；
第五更新模块，用于利用SPFA算法求解所述最大费用流模型的最大值，为所述众包工人路径增加0或1个任务，更新所述众包工人路径，并返回所述第四更新模块。
在一种可能的实施例中，所述第一计算模块，包括：
第二计算模块，用于计算所述众包工人集中所有众包工人的剩余容量的总和SRC，具体计算公式为：
Figure GDA0003108529850000201
其中，m为所述众包工人集中众包工人的总数，
Figure GDA0003108529850000202
为所述众包工人集中第l个众包工人所能接收的最大任务数量，
Figure GDA0003108529850000203
为所述众包工人集中第l个众包工人已经接收的任务数量。
在一种可能的实施例中，所述第二更新模块83，包括：
第三计算模块，用于计算所述任务候选集中的任一任务的单位时间收益g，具体的计算公式为：
Figure GDA0003108529850000204
其中，ft为所述任务候选集对应的众包工人完成所述任一任务的收益，ct为所述任务候选集对应的众包工人完成所述任一任务的预估时间。
在一种可能的实施例中，所述第二更新模块83，还包括：
第四计算模块，用于计算所述任务候选集对应的众包工人w的任务接收范围sw内的工人密度ρw1，具体的计算公式为：
Figure GDA0003108529850000205
其中，nw1为所述任务候选集对应的众包工人w的任务接收范围sw内的众包工人数量；
第五计算模块，用于计算所述众包工人w的任务接收范围sw内的任务密度ρt1，具体的计算公式为：
Figure GDA0003108529850000206
其中，nt1为所述众包工人w的任务接收范围sw内的任务数量；
第六计算模块，用于计算所述众包工人w的任务接收范围sw内的所有任务的平均单位时间收益
Figure GDA0003108529850000211
具体的计算公式为：
Figure GDA0003108529850000212
其中，gi为所述众包工人w的任务接收范围sw内的第i个任务的单位时间收益；
第七计算模块，用于计算所述第一阈值θw，具体计算公式为：
Figure GDA0003108529850000213
其中，α为第一调节参数。
在一种可能的实施例中，所述第三更新模块84，包括：
第八计算模块，用于计算所述任务候选集中选定的任务t的设定范围st内的工人密度ρw2，具体的计算公式为：
Figure GDA0003108529850000214
其中，nw2为所述任务t的设定范围st内的众包工人数量；
第九计算模块，用于计算所述任务t的设定范围st内的任务密度vt2，具体的计算公式为：
Figure GDA0003108529850000215
其中，nt2为所述任务t的设定范围st内的任务数量；
第十计算模块，用于计算所述任务t的设定范围st内的所有众包工人接收所述任务t的平均等待时间
Figure GDA0003108529850000216
具体的计算公式为：
Figure GDA0003108529850000217
其中，WTj为所述任务t的设定范围st内的第j个众包工人接收所述任务t时所述任务t的发布者需要等待的预估时间；
第十一计算模块，用于计算所述第二阈值θt，具体计算公式为：
Figure GDA0003108529850000221
其中，β为第二调节参数。
在一种可能的实施例中，所述第二构建模块85，包括：
第六构建模块，用于根据所述第四次更新后的任务候选集，构建路径集合；
第十二计算模块，用于计算所述路径集合中任一路径<u0,...,un>的单位时间收益U(＜u0,...,un＞)，具体计算公式为：
Figure GDA0003108529850000222
其中，u0为所述任一路径<u0,...,un>的第1个任务的目标位置，uk-1为所述任一路径 <u0,...,un>的第k个任务的目标位置，uk为所述任一路径<u0,...,un>的第k+1个任务的目标位置， un为所述任一路径<u0,...,un＞的第n+1个任务的目标位置，CT(u0,un)为所述任务候选集对应的众包工人以最短距离从u0到un的预估消耗时间，CT(uk-1,uk)为所述任务候选集对应的众包工人以最短距离从uk-1到uk的预估消耗时间，θ为折扣调节参数，per为所述任务候选集中任务的单位时间价格，s为所述任务候选集对应的众包工人的工作效率；
众包工人路径获取模块，用于对比所述路径集合中各路径的单位时间收益，将单位时间收益最大的路径作为所述众包工人路径。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种基于路径规划策略的时空众包任务分配设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明实施例在获得众包工人的任务候选集后，首先剔除存在时效冲突的任务，然后从众包工人的角度出发，剔除单位时间收益较小的任务，最后从任务的角度出发，剔除预完成时间较大的任务，既减少了生成众包工人路径的运算量，又兼顾了众包工人和任务发布方的效益，从而高效地实现了众包任务的处理分配工作。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (9)

1.一种基于路径规划策略的时空众包任务分配方法，其特征在于，所述方法包括：
根据众包工人集中每一个众包工人的当前位置和任务接收范围，构建所述每一个众包工人对应的任务候选集；其中，所述众包工人集包括当前位于设定任务区域内的多个众包工人；
对所述任务候选集中的任务进行时间评估，剔除所述任务候选集中时效冲突的任务，第一次更新所述任务候选集；
剔除所述任务候选集中单位时间收益小于第一阈值的任务，第二次更新所述任务候选集；其中，所述任务候选集中各任务的单位时间收益根据所述任务候选集中各任务的收益和预计耗时计算获得；
剔除所述任务候选集中预完成时间大于第二阈值的任务，第三次更新所述任务候选集；其中，所述任务候选集中各任务的预完成时间通过预估所述任务候选集对应的众包工人完成任务的时间获得；
根据所述任务候选集中各任务的收益、预计耗时、当前位置和目标地址，从第三次更新后的任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径；
构建所述任务候选集中单位时间收益最大的众包工人路径之后，所述方法还包括：
步骤1，根据当前发布的任务，第四次更新所述任务候选集；
步骤2，将第四次更新后的任务候选集中未参与构建所述众包工人路径的任务划分为第一优先级任务和第二优先级任务；其中，所述第一优先级任务为所述未参与构建所述众包工人路径的任务中除去所述第二优先级任务的任务；若某一任务的当前位置与参与构建所述众包工人路径的任务中的任意两个任务的当前位置分别位于设定路口的三个方向，则将所述某一任务认定为所述第二优先级任务；所述设定路口为所述任务候选集对应的众包工人的当前位置前往所述某一任务的当前位置的最短路径上距离所述某一任务的当前位置最近的路口；
步骤3，构建任务分组集；其中，所述任务分组集包括所述众包工人集中每一个众包工人对应的第四次更新后的任务候选集中未参与构建所述众包工人路径的任务；
步骤4，判断所述任务分组集中是否存在所述第一优先级任务；
步骤5，若是，则使用所述任务分组集中所有的所述第一优先级任务构建任务分配集；若否，则使用所述任务分组集中所有的所述第二优先级任务构建所述任务分配集；
步骤6，计算所述众包工人集中所有众包工人的剩余容量的总和；
步骤7，根据所述任务分配集、所述任务候选集对应的所述众包工人路径和所述所有众包工人的剩余容量的总和，构建最大费用流模型；其中，所述最大费用流模型包括源点和汇点；所述源点的流量为所述所有众包工人的剩余容量的总和；根据最小分割路径将所述众包工人路径分割为若干个任务段；所述源点分别连接所述众包工人集中每一个众包工人对应的众包工人点；所述众包工人点均连接所述汇点；所述众包工人点还分别连接所述若干个任务段中与其对应任务段；所述若干个任务段中任一任务段分别连接所述任务分配集中位于所述任一任务段对应的众包工人的任务接收范围内的任务；所述任务分配集中的每一个任务均连接所述汇点；所述任一任务段与其连接的任务之间的边权为所述与其连接的任务的单位时间收益；
步骤8，利用SPFA算法求解所述最大费用流模型的最大值，为所述众包工人路径增加0或1个任务，更新所述众包工人路径，并返回步骤1。
2.根据权利要求1所述的基于路径规划策略的时空众包任务分配方法，其特征在于，所述步骤6，包括：
计算所述众包工人集中所有众包工人的剩余容量的总和SRC，具体计算公式为：
Figure FDA0003108529840000021
其中，m为所述众包工人集中众包工人的总数，
Figure FDA0003108529840000025
为所述众包工人集中第l个众包工人所能接收的最大任务数量，
Figure FDA0003108529840000022
为所述众包工人集中第l个众包工人已经接收的任务数量。
3.根据权利要求1所述的基于路径规划策略的时空众包任务分配方法，其特征在于，所述任务候选集中各任务的单位时间收益的计算获取方法包括：
计算所述任务候选集中的任一任务的单位时间收益g，具体的计算公式为：
Figure FDA0003108529840000023
其中，ft为所述任务候选集对应的众包工人完成所述任一任务的收益，ct为所述任务候选集对应的众包工人完成所述任一任务的预估时间。
4.根据权利要求3所述的基于路径规划策略的时空众包任务分配方法，其特征在于，所述第一阈值的计算方法包括：
计算所述任务候选集对应的众包工人w的任务接收范围sw内的工人密度ρw1，具体的计算公式为：
Figure FDA0003108529840000024
其中，nw1为所述任务候选集对应的众包工人w的任务接收范围sw内的众包工人数量；
计算所述众包工人w的任务接收范围sw内的任务密度ρt1，具体的计算公式为：
Figure FDA0003108529840000031
其中，nt1为所述众包工人w的任务接收范围sw内的任务数量；
计算所述众包工人w的任务接收范围sw内的所有任务的平均单位时间收益
Figure FDA0003108529840000037
具体的计算公式为：
Figure FDA0003108529840000032
其中，gi为所述众包工人w的任务接收范围sw内的第i个任务的单位时间收益；
计算所述第一阈值θw，具体计算公式为：
Figure FDA0003108529840000033
其中，α为第一调节参数。
5.根据权利要求1所述的基于路径规划策略的时空众包任务分配方法，其特征在于，所述第二阈值的计算方法包括：
计算所述任务候选集中选定的任务t的设定范围st内的工人密度ρw2，具体的计算公式为：
Figure FDA0003108529840000034
其中，nw2为所述任务t的设定范围st内的众包工人数量；
计算所述任务t的设定范围st内的任务密度ρt2，具体的计算公式为：
Figure FDA0003108529840000035
其中，nt2为所述任务t的设定范围st内的任务数量；
计算所述任务t的设定范围st内的所有众包工人接收所述任务t的平均等待时间
Figure FDA0003108529840000036
具体的计算公式为：
Figure FDA0003108529840000041
其中，WTj为所述任务t的设定范围st内的第j个众包工人接收所述任务t时所述任务t的发布者需要等待的预估时间；
计算所述第二阈值θt，具体计算公式为：
Figure FDA0003108529840000042
其中，β为第二调节参数。
6.根据权利要求1所述的基于路径规划策略的时空众包任务分配方法，其特征在于，所述根据所述任务候选集中各任务的收益、预计耗时、当前位置和目标地址，从第三次更新后的任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径，包括：
根据所述第三次更新后的任务候选集，构建路径集合；
计算所述路径集合中任一路径<u0,...,un>的单位时间收益U(＜u0,...,un＞)，具体计算公式为：
Figure FDA0003108529840000043
其中，u0为所述任一路径<u0,...,un>的第1个任务的目标位置，uk-1为所述任一路径<u0,...,un>的第k个任务的目标位置，uk为所述任一路径<u0,...,un>的第k+1个任务的目标位置，un为所述任一路径<u0,...,un>的第n+1个任务的目标位置，CT(u0,un)为所述任务候选集对应的众包工人以最短距离从u0到un的预估消耗时间，CT(uk-1,uk)为所述任务候选集对应的众包工人以最短距离从uk-1到uk的预估消耗时间，θ为折扣调节参数，per为所述任务候选集中任务的单位时间价格，s为所述任务候选集对应的众包工人的工作效率；
对比所述路径集合中各路径的单位时间收益，将单位时间收益最大的路径作为所述众包工人路径。
7.一种基于路径规划策略的时空众包任务分配装置，其特征在于，包括：
第一构建模块，用于根据众包工人集中每一个众包工人的当前位置和任务接收范围，构建所述每一个众包工人对应的任务候选集；其中，所述众包工人集包括当前位于设定任务区域内的多个众包工人；
第一更新模块，用于对所述任务候选集中的任务进行时间评估，剔除所述任务候选集中时效冲突的任务，第一次更新所述任务候选集；
第二更新模块，用于剔除所述任务候选集中单位时间收益小于第一阈值的任务，第二次更新所述任务候选集；其中，所述任务候选集中各任务的单位时间收益根据所述任务候选集中各任务的收益和预计耗时计算获得；
第三更新模块，用于剔除所述任务候选集中预完成时间大于第二阈值的任务，第三次更新所述任务候选集；其中，所述任务候选集中各任务的预完成时间通过预估所述任务候选集对应的众包工人完成任务的时间获得；
第二构建模块，用于根据所述任务候选集中各任务的收益、预计耗时、当前位置和目标地址，从第三次更新后的任务候选集中筛选出若干个任务，构建所述任务候选集中单位时间收益最大的众包工人路径；
所述装置还包括：
第四更新模块，用于根据当前发布的任务，第四次更新所述任务候选集；
任务划分模块，用于在所述第二构建模块构建出所述众包工人路径之后，将第四次更新后的任务候选集中未参与构建所述众包工人路径的任务划分为第一优先级任务和第二优先级任务；其中，所述第一优先级任务为所述未参与构建所述众包工人路径的任务中除去所述第二优先级任务的任务；若某一任务的当前位置与参与构建所述众包工人路径的任务中的任意两个任务的当前位置分别位于设定路口的三个方向，则将所述某一任务认定为所述第二优先级任务；所述设定路口为所述任务候选集对应的众包工人的当前位置前往所述某一任务的当前位置的最短路径上距离所述某一任务的当前位置最近的路口；
第三构建模块，用于构建任务分组集；其中，所述任务分组集包括所述众包工人集中每一个众包工人对应的第四次更新后的任务候选集中未参与构建所述众包工人路径的任务；
第一判断模块，用于判断所述任务分组集中是否存在所述第一优先级任务；
第四构建模块，用于在所述任务分组集中存在所述第一优先级任务时，使用所述任务分组集中所有的所述第一优先级任务构建任务分配集；还用于在所述任务分组集中不存在所述第一优先级任务时，使用所述任务分组集中所有的所述第二优先级任务构建所述任务分配集；
第一计算模块，用于计算所述众包工人集中所有众包工人的剩余容量的总和；
第五构建模块，用于根据所述任务分配集、所述任务候选集对应的所述众包工人路径和所述所有众包工人的剩余容量的总和，构建最大费用流模型；其中，所述最大费用流模型包括源点和汇点；所述源点的流量为所述所有众包工人的剩余容量的总和；根据最小分割路径将所述众包工人路径分割为若干个任务段；所述源点分别连接所述众包工人集中每一个众包工人对应的众包工人点；所述众包工人点均连接所述汇点；所述众包工人点还分别连接所述若干个任务段中与其对应任务段；所述若干个任务段中任一任务段分别连接所述任务分配集中位于所述任一任务段对应的众包工人的任务接收范围内的任务；所述任务分配集中的每一个任务均连接所述汇点；所述任一任务段与其连接的任务之间的边权为所述与其连接的任务的单位时间收益；
第五更新模块，用于利用SPFA算法求解所述最大费用流模型的最大值，为所述众包工人路径增加0或1个任务，更新所述众包工人路径，并返回所述第四更新模块。
8.一种基于路径规划策略的时空众包任务分配设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现权利要求1至6任一所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时以实现权利要求1至6任一所述的方法的步骤。
CN202010755215.XA 2020-07-31 2020-07-31 一种基于路径规划策略的时空众包任务分配方法和装置 Active CN111915185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010755215.XA CN111915185B (zh) 2020-07-31 2020-07-31 一种基于路径规划策略的时空众包任务分配方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010755215.XA CN111915185B (zh) 2020-07-31 2020-07-31 一种基于路径规划策略的时空众包任务分配方法和装置

Publications (2)

Publication Number Publication Date
CN111915185A CN111915185A (zh) 2020-11-10
CN111915185B true CN111915185B (zh) 2021-11-02

Family

ID=73287460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010755215.XA Active CN111915185B (zh) 2020-07-31 2020-07-31 一种基于路径规划策略的时空众包任务分配方法和装置

Country Status (1)

Country Link
CN (1) CN111915185B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766766B (zh) * 2021-01-26 2024-04-09 华南理工大学 基于最优时停规则的高精地图众包系统及其数据收集方法
CN113298157A (zh) * 2021-05-28 2021-08-24 上海商汤智能科技有限公司 病灶匹配方法及装置、电子设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784561A (zh) * 2017-11-10 2018-03-09 东南大学 一种移动众包系统中在线激励机制的实现方法
CN110378663A (zh) * 2019-04-19 2019-10-25 西北工业大学 一种基于贪心策略的复杂移动众包任务分配方法
CN110390490A (zh) * 2019-07-29 2019-10-29 电子科技大学 基于利润的空间众包任务分配方法
CN110826968B (zh) * 2019-11-12 2022-12-06 哈尔滨工业大学（威海） 一种基于路径规划的城市众包配送任务优化调度方法

Also Published As

Publication number Publication date
CN111915185A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN113692609B (zh) 通过订单车辆分布匹配以订单派发的多代理增强学习
CN109949604B (zh) 一种大型停车场调度导航方法及系统
CN111915185B (zh) 一种基于路径规划策略的时空众包任务分配方法和装置
WO2018081634A1 (en) Price-aware real-time auction-based ride-sharing system
CN109325671B (zh) 一种时空众包在线任务分配方法及系统
CN109144697A (zh) 一种任务调度方法、装置、电子设备及存储介质
CN113516429B (zh) 一种基于网络拥堵模型的多agv全局规划方法
CN114169748A (zh) 多机器人任务分配方法、系统、设备及可读存储介质
CN113672846A (zh) 网约车调度方法、装置、电子设备及存储介质
CN108106624A (zh) 一种多人预约调度路径规划方法及相关装置
CN108415760B (zh) 一种基于移动机会网络的群智计算在线任务分配方法
CN114862209A (zh) 运力调度方法、装置、电子设备及存储介质
CN111476389A (zh) 一种预估接单等待时长的方法及装置
CN112819228B (zh) 任务处理方法、装置、存储介质和电子设备
CN113052467B (zh) 基于运维成本的共享车辆调度方法及装置
CN115640986B (zh) 基于奖励的机器人调度方法、装置、设备及介质
CN115062868B (zh) 一种预聚类的车辆配送路径规划方法和装置
CN115270377B (zh) 一种基于改进蚁群算法的多电缆最佳路径规划方法
CN112598112B (zh) 一种基于图神经网络的资源调度方法
CN108449411A (zh) 一种随机需求下面向异质费用的云资源调度方法
CN110782150B (zh) 一种基于群智感知的自然资源信息收集系统及方法
CN112416579A (zh) 一种时间敏感的多方数据融合激励方法
CN112633585A (zh) 无人设备调度方法、装置、电子设备及存储介质
US20230306334A1 (en) Task assignment in autonomous mobile devices
CN109992634B (zh) 基于雾计算的复杂环境下机器人地图构建方法

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