CN112288241B - 一种基于细粒度声誉系统的群智感知工人选择方法 - Google Patents

一种基于细粒度声誉系统的群智感知工人选择方法 Download PDF

Info

Publication number
CN112288241B
CN112288241B CN202011101477.0A CN202011101477A CN112288241B CN 112288241 B CN112288241 B CN 112288241B CN 202011101477 A CN202011101477 A CN 202011101477A CN 112288241 B CN112288241 B CN 112288241B
Authority
CN
China
Prior art keywords
worker
reputation
winner
workers
capability
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
CN202011101477.0A
Other languages
English (en)
Other versions
CN112288241A (zh
Inventor
徐佳
罗壮业
吴思徐
胡洋
周远航
李宾
蒋凌云
徐力杰
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011101477.0A priority Critical patent/CN112288241B/zh
Publication of CN112288241A publication Critical patent/CN112288241A/zh
Application granted granted Critical
Publication of CN112288241B publication Critical patent/CN112288241B/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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function

Landscapes

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

Abstract

本发明公开了一种基于细粒度声誉系统的群智感知激励方法，包括如下步骤：步骤1.1：平台发布有能力声誉要求的任务；步骤1.2：工人竞标；步骤1.3：平台进行系统初始化，并执行胜利者选择算法以及激励决定算法；步骤1.4：平台通知胜利者；步骤1.5：胜利者上传感知数据；步骤1.6：平台对能力声誉进行更新；步骤1.7：平台对胜利者发放激励。本发明在考虑任务对执行任务的工人有能力要求的情况下，通过反向拍卖和贝塔分布结合的方式，选择满足要求的工人，并节约社会成本；本发明满足真实性、个体理性、计算有效、防洗白攻击的特性，并且具有较好的近似度。

Description

一种基于细粒度声誉系统的群智感知工人选择方法
技术领域
本发明涉及群智感知和优化算法，特别涉及一种基于细粒度声誉系统的群智感知工人选择方法。
背景技术
随着智能手机的快速普及，群智感知技术已经成为了一种完成大规模感知任务的非常有效的手段，能够有效降低成本，并得到合适的数据，近年已引起了国内外科研人员的密切关注。在传统的群智感知激励机制中，往往根据工人的报价、位置等参数来选择工人以及确定激励。一个有趣且实际的问题是，在传统的群智感知激励机制中，平台对工人数据质量的评估往往只有一维，如图片清晰度、数据准确度等，而实际的情况中，工人的数据应当用多维的标准来评估质量。另一个问题是，在传统的群智感知框架中，平台只是基于工人当前提交的数据的一些基本属性来选择工人，而忽视了工人的历史数据可以反映出的工人的长期能力。如果采用基于历史数据对工人的声誉进行评估的方式，那么就可以得到具有较高长期质量的感知数据。基于实际情况，本发明同时将工人的声誉和任务对数据质量的要求结合考虑。如何通过工人声誉和任务对数据质量的要求来选择合适的工人以及确定激励是一个有趣和具有实际应用价值的问题。
发明内容
发明目的：本发明目的是提供基于细粒度声誉系统的群智感知工人选择方法，该方法的群智感知系统中选择的胜利者的能力声誉必须大于等于任务的最低能力声誉要求，并且所有胜利者的能力声誉之和要能够大于等于任务的总能力声誉要求。
技术方案：本发明提供一种基于细粒度声誉系统的群智感知工人选择方法，包括如下步骤：
步骤1.1：平台发布有能力声誉要求的任务；
步骤1.2：工人竞标；
步骤1.3：平台进行系统初始化，并执行胜利者选择算法以及激励决定算法；
步骤1.4：平台通知胜利者；
步骤1.5：胜利者上传感知数据；
步骤1.6：平台对能力声誉进行更新；
步骤1.7：平台对胜利者发放激励。
进一步地，所述步骤1.1的方法为：平台发布有能力声誉要求的任务集合T＝{t1，t2，...，tm}，其中m为任务的数量；T中任意任务tj，j＝1，2，...，m，对每个参与该任务的工人有最低能力声誉要求
Figure GDA0003750935590000021
其中
Figure GDA0003750935590000022
l表示能力的数量；用Ω＝{1，2，...，l}表示能力的集合。任意任务tj对所有参与的工人的能力之和有一个总能力声誉要求
Figure GDA0003750935590000023
即要求所有入选的参与执行任务tj的工人的第k项能力声誉之和不低于
Figure GDA0003750935590000024
进一步地，所述步骤1.2的方法为：用W＝{1，2，...，n}表示工人的集合，其中n为工人的数量；工人通过投标参与群智感知，设任意工人i∈W的投标为Bi＝(Ti，bi)，其中Ti为工人i感兴趣的任务集合，bi为工人i的报价；形式化最小化社会成本能力覆盖问题如下：
Figure GDA0003750935590000025
Figure GDA0003750935590000026
Figure GDA0003750935590000027
Figure GDA0003750935590000028
其中，xi为决策变量，如果工人i为胜利者，则xi＝1；否则xi＝0。
进一步地，所述步骤1.3的初始化方法为：平台基于工人的能力声誉，使用胜利者选择算法和激励决定算法分别来选择胜利者和确定对工人的激励；其中，任意工人i的任意能力k是服从以
Figure GDA0003750935590000029
和
Figure GDA00037509355900000210
为参数的贝塔分布的随机变量
Figure GDA00037509355900000211
其概率密度函数为：
Figure GDA00037509355900000212
其中Γ为伽马方程；工人i的能力声誉用
Figure GDA00037509355900000213
来进行表示，
Figure GDA00037509355900000214
Figure GDA00037509355900000215
指
Figure GDA00037509355900000216
的数学期望。
进一步地，所述步骤1.3的初始化方法为：
步骤1.3.1.1：如果本轮群智感知是平台的第一轮群智感知，则初始化所有工人的能力声誉的贝塔分布的参数，其中任意工人i的第k项能力声誉的贝塔分布的参数初始化为
Figure GDA00037509355900000217
其中
Figure GDA00037509355900000218
和
Figure GDA00037509355900000219
是工人i的第k项能力声誉的贝塔分布的参数；
步骤1.3.1.2：如果本轮群智感知有新加入的工人，则初始化新加入的工人的能力声誉的贝塔分布的参数，其中任意新加入的工人i的第k项能力声誉的贝塔分布的参数初始化为：
Figure GDA00037509355900000220
其中，
Figure GDA00037509355900000221
和
Figure GDA00037509355900000222
为第k项能力的数学期望最低的工人i′的贝塔分布参数，
Figure GDA0003750935590000031
表示对工人i″的第k项能力的贝塔分布的数学期望。
进一步地，所述胜利者选择算法的步骤如下：
步骤1.3.2.1：初始化胜利者集合为
Figure GDA0003750935590000032
用D′＝(D′1，D′2，...，D′m)表示尚未满足的总能力声誉要求，用D＝(D1，D2，...，Dm)表示初始的任务的总能力声誉要求，令D′＝D；
步骤1.3.2.2：对于每一个工人i∈W，令T′i为满足最低能力声誉要求的工人i的任务集合，初始化T′i＝Ti，对于每个任务tj∈Ti，如果任意能力k的能力声誉
Figure GDA0003750935590000033
则将该任务从T′i中剔除，即T′i＝T′i\{tj}；
步骤1.3.2.3：在工人集合W\S中找到
Figure GDA0003750935590000034
的值最小的那个工人i，即
Figure GDA0003750935590000035
其中
Figure GDA0003750935590000036
为任务tj能力k尚未满足的总能力声誉要求；
步骤1.3.2.4：将工人i合并到胜利者集合S中，即S＝SU{i}；
步骤1.3.2.5：对所有任务tj∈T′i和所有能力k∈Ω的尚未满足的总能力声誉要求D′进行更新，即
Figure GDA0003750935590000037
步骤1.3.2.6：重复执行步骤1.3.2.3到步骤1.3.2.5，直到每个任务的总能力声誉要求都被满足，即D′＝0；
步骤1.3.2.7：输出胜利者集合S。
进一步地，所述所述的激励决定算法步骤为：
步骤1.3.3.1：初始化每个工人i∈W的激励ri为0；
步骤1.3.3.2：对于每一个工人i∈S，令W′＝W\{i}，
Figure GDA0003750935590000038
D′＝D，其中S为胜利者集合，D′为尚未满足的总能力声誉要求，D为初始的任务的总能力声誉要求，对于每一个工人i∈S，重复执行步骤1.3.3.3；如果所有工人都已经计算完毕，则执行步骤1.3.3.6；
步骤1.3.3.3：当D′≠0时，重复执行步骤1.3.3.4到1.3.3.5；
步骤1.3.3.4：在工人集合W′/S′中找到
Figure GDA0003750935590000041
最小的那个工人ig，然后令S′＝S′U{ig}，工人i的激励为
Figure GDA0003750935590000042
步骤1.3.3.5：对所有任务
Figure GDA0003750935590000043
和所有能力k∈Ω的尚未满足的总能力声誉要求进行更新，即
Figure GDA0003750935590000044
步骤1.3.3.6：输出所有工人的激励r＝(r1，r2，...，rn)。
进一步地，所述步骤1.6中平台对能力声誉进行更新的步骤具体如下：
对于任意胜利者集合S中的工人i，按照以下公式更新任意能力k∈Ω的贝塔分布参数：
Figure GDA0003750935590000045
其中σ是遗忘因子，是一个预先确定好的常数，
Figure GDA0003750935590000046
是工人i在提交的感知数据中表现出的能力k的实际值。
有益效果：本发明形式化基于细粒度声誉系统的群智感知工人选择方法中工人的选择问题，在对工人的多项能力声誉进行建模的基础上，最小化完成任务的社会成本；提出胜利者选择算法和工人能力更新算法，解决了基于细粒度声誉系统的群智感知工人选择方法中工人的选择问题，降低了社会成本；本发明在考虑任务对执行任务的工人有能力要求的情况下，通过反向拍卖和贝塔分布结合的方式，选择满足要求的工人，并节约社会成本；本发明满足真实性、个体理性、计算有效、防洗白攻击的特性，并且具有较好的近似度。
附图说明
图1为本发明的基于细粒度声誉系统的群智感知工人选择方法场景示意图；
图2为本发明的基于细粒度声誉系统的群智感知工人选择方法总流程图；
图3为本发明的基于细粒度声誉系统的群智感知工人选择方法初始化流程图；
图4为本发明中胜利者选择算法流程图；
图5为本发明中激励决定算法流程图。
具体实施方式
首先定义一组概念：
胜利者集合：激励方法最终选取的一些执行任务的工人的集合；
计算有效：如果一种激励机制可以在多项式时间内得到胜利者集合、决定激励以及完成对工人能力声誉的更新，则称此激励机制是计算有效的；
真实性：如果一种激励机制对于所有的工人，出价为其真实的成本的策略是其弱优势策略，则称此机制为真实的；
个体理性：如果一种激励机制在工人出价为其真实成本时，可以让其得到非负的效益，则称此机制为个体理性的；
防洗白攻击：如果一种激励机制对于所有工人而言，重新以新工人的身份参加都不会获得更高的激励，则称此机制是防洗白攻击的。
本实施例的基于细粒度声誉系统的群智感知工人选择方法，包括如下步骤：
步骤1.1：平台发布有能力声誉要求的任务；平台发布有能力声誉要求的任务集合T＝{t1，t2，...，tm}，其中m为任务的数量；T中任意任务tj，j＝1，2，...，m，对每个参与该任务的工人有最低能力声誉要求
Figure GDA0003750935590000051
其中
Figure GDA0003750935590000052
l表示能力的数量；用Ω＝{1，2，...，l}表示能力的集合。任意任务tj对所有参与的工人的能力之和有一个总能力声誉要求
Figure GDA0003750935590000053
即要求所有入选的参与执行任务tj的工人的第k项能力声誉之和不低于
Figure GDA0003750935590000054
步骤1.2：工人竞标；用W＝{1，2，...，n}表示工人的集合，其中n为工人的数量；工人通过投标参与群智感知，设任意工人i∈W的投标为Bi＝(Ti，bi)，其中Ti为工人i感兴趣的任务集合，bi为工人i的报价；形式化最小化社会成本能力覆盖问题如下：
Figure GDA0003750935590000055
Figure GDA0003750935590000056
Figure GDA0003750935590000057
Figure GDA0003750935590000058
其中，xi为决策变量，如果工人i为胜利者，则xi＝1；否则xi＝0。
步骤1.3：平台进行系统初始化，并执行胜利者选择算法以及激励决定算法。平台基于工人的能力声誉，使用胜利者选择算法和激励决定算法分别来选择胜利者和确定对工人的激励；其中，任意工人i的任意能力k是服从以
Figure GDA0003750935590000059
和
Figure GDA00037509355900000510
为参数的贝塔分布的随机变量
Figure GDA00037509355900000511
其概率密度函数为：
Figure GDA0003750935590000061
其中Γ为伽马方程；工人i的能力声誉用
Figure GDA0003750935590000062
来进行表示，
Figure GDA0003750935590000063
Figure GDA0003750935590000064
指
Figure GDA0003750935590000065
的数学期望。
具体的初始化方法如下：
步骤1.3.1.1：如果本轮群智感知是平台的第一轮群智感知，则初始化所有工人的能力声誉的贝塔分布的参数，其中任意工人i的第k项能力声誉的贝塔分布的参数初始化为
Figure GDA0003750935590000066
其中
Figure GDA0003750935590000067
和
Figure GDA0003750935590000068
是工人i的第k项能力声誉的贝塔分布的参数；
步骤1.3.1.2：如果本轮群智感知有新加入的工人，则初始化新加入的工人的能力声誉的贝塔分布的参数，其中任意新加入的工人i的第k项能力声誉的贝塔分布的参数初始化为：
Figure GDA0003750935590000069
其中，
Figure GDA00037509355900000610
和
Figure GDA00037509355900000611
为第k项能力的数学期望最低的工人i′的贝塔分布参数，
Figure GDA00037509355900000612
表示对工人i″的第k项能力的贝塔分布的数学期望。
其中：
胜利者选择算法的步骤如下：
步骤1.3.2.1：初始化胜利者集合为
Figure GDA00037509355900000613
用D′＝(D′1，D′2，...，D′m)表示尚未满足的总能力声誉要求，用D＝(D1，D2，...，Dm)表示初始的任务的总能力声誉要求，令D′＝D；
步骤1.3.2.2：对于每一个工人i∈W，令T′i为满足最低能力声誉要求的工人i的任务集合，初始化T′i＝Ti，对于每个任务tj∈Ti，如果任意能力k的能力声誉
Figure GDA00037509355900000614
则将该任务从T′i中剔除，即T′i＝T′i\{tj}；
步骤1.3.2.3：在工人集合W\S中找到
Figure GDA00037509355900000615
的值最小的那个工人i，即
Figure GDA00037509355900000616
其中
Figure GDA00037509355900000617
为任务tj能力k尚未满足的总能力声誉要求；
步骤1.3.2.4：将工人i合并到胜利者集合S中，即S＝SU{i}；
步骤1.3.2.5：对所有任务tj∈T′i和所有能力k∈Ω的尚未满足的总能力声誉要求D′进行更新，即
Figure GDA0003750935590000071
步骤1.3.2.6：重复执行步骤1.3.2.3到步骤1.3.2.5，直到每个任务的总能力声誉要求都被满足，即D′＝0；
步骤1.3.2.7：输出胜利者集合S。
所述的激励决定算法步骤为：
步骤1.3.3.1：初始化每个工人i∈W的激励ri为0；
步骤1.3.3.2：对于每一个工人i∈S，令W′＝W\{i}，
Figure GDA0003750935590000072
D′＝D，其中S为胜利者集合，D′为尚未满足的总能力声誉要求，D为初始的任务的总能力声誉要求，对于每一个工人i∈S，重复执行步骤1.3.3.3；如果所有工人都已经计算完毕，则执行步骤1.3.3.6；
步骤1.3.3.3：当D′≠0时，重复执行步骤1.3.3.4到1.3.3.5；
步骤1.3.3.4：在工人集合W′/S′中找到
Figure GDA0003750935590000073
最小的那个工人ig，然后令S′＝S′U{ig}，工人i的激励为
Figure GDA0003750935590000074
步骤1.3.3.5：对所有任务
Figure GDA0003750935590000075
和所有能力k∈Ω的尚未满足的总能力声誉要求进行更新，即
Figure GDA0003750935590000076
步骤1.3.3.6：输出所有工人的激励r＝(r1，r2，...，rn)。
步骤1.4：平台通知胜利者；
步骤1.5：胜利者上传感知数据；
步骤1.6：平台对能力声誉进行更新。具体为对于任意胜利者集合S中的工人i，按照以下公式更新任意能力k∈Ω的贝塔分布参数：
Figure GDA0003750935590000077
其中σ是遗忘因子，是一个预先确定好的常数，
Figure GDA0003750935590000078
是工人i在提交的感知数据中表现出的能力k的实际值。
步骤1.7：平台对胜利者发放激励。
此外，对本发明专利的有益效果进行论证。
1、步骤1.3所述的胜利者选择算法是一个多项式时间算法。
证明：对于步骤1.3.2.3中在所有工人W/S中找到报价与当前有效能力声誉之和比值最小的那个工人i，需要O(mnl)的时间复杂度，步骤1.3.2.6中重复执行步骤1.3.2.3到步骤1.3.2.5，直到每个任务的总能力声誉要求都被满足的时间复杂度为O(n2ml)；因此，胜利者选择算法的时间复杂度为O(n2ml)，即胜利者选择算法是一个多项式时间算法；
2、步骤1.3所述的激励决定算法是一个多项式时间算法。
对于步骤1.3.3.4中在所有工人W/S中找到报价与当前有效能力声誉之和比值最小的那个工人i，并确定其激励，需要O(mn2l)的时间复杂度，因此，激励决定算法的时间复杂度为O(n3ml)，即激励决定算法是一个多项式时间算法；
3、步骤1.3所述的胜利者选择算法的近似比为2εHψ，其中
Figure GDA0003750935590000081
Figure GDA0003750935590000082
Δv代表能力声誉的最小度量值。
证明：根据步骤1.2中目标函数的定义，经过证明，胜利者选择问题可以在多项式时间内规约到集合多覆盖问题，由于带权的集合覆盖问题是NP-hard，所以胜利者选择问题也是NP-hard；另外，存在一个多项式时间内可以求解集合多覆盖的贪心算法，并且该算法的近似比为2εHΨ，所以胜利者选择算法的近似比为2εHΨ；
4、步骤1.3所述的激励决定算法是个体理性的。
令ig作为在W\{i}中代替工人i的工人，因为如果工人i成为胜利者，则ig不会成为胜利者，所以有
Figure GDA0003750935590000083
进而有
Figure GDA0003750935590000091
可得
Figure GDA0003750935590000092
所以步骤1.5所述的激励决定算法是个体理性的；
5、步骤1.3所述的胜利者选择算法和激励决定算法是真实的。
对于步骤1.3，工人降低自己的报价并不会降低自己的排名，所以胜利者选择算法是单调的；由于
Figure GDA0003750935590000093
如果bi≥ri，则由于
Figure GDA0003750935590000094
工人i将被排序到L之后，其中L为胜利者选择算法选择的胜利者的数量，则由于前L个工人已经满足了所有任务的要求，则工人i不会成为胜利者，所以步骤1.3所述的胜利者选择算法和激励决定算法是真实的；
6、步骤1.3的胜利者选择算法和激励决定算法是防洗白攻击的。
如果工人i选择在某一轮以i’的身份重新加入，则仍然有Ti′＝Ti，bi′＝bi，ci′＝ci，并且由于其重新加入后，所有的能力声誉都会被初始化为所有工人的最低值，则有
Figure GDA0003750935590000095
如果工人i没有成为胜利者，则有
Figure GDA0003750935590000096
重新加入后仍然不会成为胜利者；如果工人i本来可以成为胜利者，但i’没有成为胜利者，则由于激励决定算法是个体理性的，则有ui′＝0≤ui；如果工人i本来可以成为胜利者，i’也成为胜利者，则有
Figure GDA0003750935590000097
进而可得ui′＝ri′-ci′≤ui＝ri-ci，所以步骤1.3所述的胜利者选择算法和激励决定算法是防洗白攻击的。

Claims (4)

1.一种基于细粒度声誉系统的群智感知工人选择方法，其特征在于：包括如下步骤：
步骤1.1：平台发布有能力声誉要求的任务；
步骤1.2：工人竞标；
步骤1.3：平台进行系统初始化，并执行胜利者选择算法以及激励决定算法；
步骤1.4：平台通知胜利者；
步骤1.5：胜利者上传感知数据；
步骤1.6：平台对能力声誉进行更新；
步骤1.7：平台对胜利者发放激励，
所述步骤1.1的方法为：平台发布有能力声誉要求的任务集合T＝{t1，t2，...，tm}，其中m为任务的数量；T中任意任务tj，j＝1，2，...，m，对每个参与该任务的工人有最低能力声誉要求
Figure FDA0003750935580000011
其中
Figure FDA0003750935580000012
l表示能力的数量；用Ω＝{1，2，...，l}表示能力的集合任意任务tj对所有参与的工人的能力之和有一个总能力声誉要求
Figure FDA0003750935580000013
即要求所有入选的参与执行任务tj的工人的第k项能力声誉之和不低于
Figure FDA0003750935580000014
所述步骤1.3的初始化方法为：平台基于工人的能力声誉，使用胜利者选择算法和激励决定算法分别来选择胜利者和确定对工人的激励；其中，任意工人i的任意能力k是服从以
Figure FDA0003750935580000015
和
Figure FDA0003750935580000016
为参数的贝塔分布的随机变量
Figure FDA0003750935580000017
其概率密度函数为：
Figure FDA0003750935580000018
其中Γ为伽马方程；工人i的能力声誉用
Figure FDA0003750935580000019
来进行表示，
Figure FDA00037509355800000110
Figure FDA00037509355800000111
Figure FDA00037509355800000112
指
Figure FDA00037509355800000113
的数学期望，
所述步骤1.3的初始化方法为：
步骤1.3.1.1：如果本轮群智感知是平台的第一轮群智感知，则初始化所有工人的能力声誉的贝塔分布的参数，其中任意工人i的第k项能力声誉的贝塔分布的参数初始化为
Figure FDA00037509355800000114
其中
Figure FDA00037509355800000115
和
Figure FDA00037509355800000116
是工人i的第k项能力声誉的贝塔分布的参数；
步骤1.3.1.2：如果本轮群智感知有新加入的工人，则初始化新加入的工人的能力声誉的贝塔分布的参数，其中任意新加入的工人i的第k项能力声誉的贝塔分布的参数初始化为：
Figure FDA00037509355800000117
其中，
Figure FDA00037509355800000118
和
Figure FDA00037509355800000119
为第k项能力的数学期望最低的工人i′的贝塔分布参数，
Figure FDA0003750935580000021
表示对工人i″的第k项能力的贝塔分布的数学期望，
所述胜利者选择算法的步骤如下：
步骤1.3.2.1：初始化胜利者集合为
Figure FDA0003750935580000022
用D′＝(D′1，D′2，...，D′m)表示尚未满足的总能力声誉要求，用D＝(D1，D2，...，Dm)表示初始的任务的总能力声誉要求，令D′＝D；
步骤1.3.2.2：对于每一个工人i∈W，令T′i为满足最低能力声誉要求的工人i的任务集合，初始化T′i＝Ti，对于每个任务tj∈Ti，如果任意能力k的能力声誉
Figure FDA0003750935580000023
则将该任务从T′i中剔除，即T′i＝T′i\{tj}；
步骤1.3.2.3：在工人集合W\S中找到
Figure FDA0003750935580000024
的值最小的那个工人i，即
Figure FDA0003750935580000025
其中
Figure FDA0003750935580000026
为任务tj能力k尚未满足的总能力声誉要求；
步骤1.3.2.4：将工人i合并到胜利者集合S中，即S＝SU{i}；
步骤1.3.2.5：对所有任务tj∈T′i和所有能力k∈Ω的尚未满足的总能力声誉要求D′进行更新，即
Figure FDA0003750935580000027
步骤1.3.2.6：重复执行步骤1.3.2.3到步骤1.3.2.5，直到每个任务的总能力声誉要求都被满足，即D′＝0；
步骤1.3.2.7：输出胜利者集合S。
2.根据权利要求1所述的基于细粒度声誉系统的群智感知工人选择方法，其特征在于：所述步骤1.2的方法为：用W＝{1，2，...，n}表示工人的集合，其中n为工人的数量；工人通过投标参与群智感知，设任意工人i∈W的投标为Bi＝(Ti，bi)，其中Ti为工人i感兴趣的任务集合，bi为工人i的报价；形式化最小化社会成本能力覆盖问题如下：
Figure FDA0003750935580000028
Figure FDA0003750935580000029
Figure FDA00037509355800000210
Figure FDA0003750935580000031
其中，xi为决策变量，如果工人i为胜利者，则xi＝1；否则xi＝0。
3.根据权利要求1所述的基于细粒度声誉系统的群智感知工人选择方法，其特征在于：所述的激励决定算法步骤为：
步骤1.3.3.1：初始化每个工人i∈W的激励ri为0；
步骤1.3.3.2：对于每一个工人i∈S，令W′＝W\{i}，
Figure FDA0003750935580000032
其中S为胜利者集合，D′为尚未满足的总能力声誉要求，D为初始的任务的总能力声誉要求，对于每一个工人i∈S，重复执行步骤1.3.3.3；如果所有工人都已经计算完毕，则执行步骤1.3.3.6；
步骤1.3.3.3：当D′≠0时，重复执行步骤1.3.3.4到1.3.3.5；
步骤1.3.3.4：在工人集合W′/S′中找到
Figure FDA0003750935580000033
最小的那个工人ig，然后令S′＝S′U{ig}，工人i的激励为
Figure FDA0003750935580000034
步骤1.3.3.5：对所有任务
Figure FDA0003750935580000035
和所有能力k∈Ω的尚未满足的总能力声誉要求进行更新，即
Figure FDA0003750935580000036
步骤1.3.3.6：输出所有工人的激励r＝(r1，r2，...，rn)。
4.根据权利要求1所述的基于细粒度声誉系统的群智感知工人选择方法，其特征在于：所述步骤1.6中平台对能力声誉进行更新的步骤具体如下：
对于任意胜利者集合S中的工人i，按照以下公式更新任意能力k∈Ω的贝塔分布参数：
Figure FDA0003750935580000037
其中σ是遗忘因子，是一个预先确定好的常数，
Figure FDA0003750935580000038
是工人i在提交的感知数据中表现出的能力k的实际值。
CN202011101477.0A 2020-10-14 2020-10-14 一种基于细粒度声誉系统的群智感知工人选择方法 Active CN112288241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011101477.0A CN112288241B (zh) 2020-10-14 2020-10-14 一种基于细粒度声誉系统的群智感知工人选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011101477.0A CN112288241B (zh) 2020-10-14 2020-10-14 一种基于细粒度声誉系统的群智感知工人选择方法

Publications (2)

Publication Number Publication Date
CN112288241A CN112288241A (zh) 2021-01-29
CN112288241B true CN112288241B (zh) 2022-08-26

Family

ID=74496863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011101477.0A Active CN112288241B (zh) 2020-10-14 2020-10-14 一种基于细粒度声誉系统的群智感知工人选择方法

Country Status (1)

Country Link
CN (1) CN112288241B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364190A (zh) * 2018-01-08 2018-08-03 东南大学 结合信誉更新的移动群智感知在线激励方法
CN111626563A (zh) * 2020-04-27 2020-09-04 南京邮电大学 一种双目标鲁棒移动群智感知系统及其激励方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364190A (zh) * 2018-01-08 2018-08-03 东南大学 结合信誉更新的移动群智感知在线激励方法
CN111626563A (zh) * 2020-04-27 2020-09-04 南京邮电大学 一种双目标鲁棒移动群智感知系统及其激励方法

Also Published As

Publication number Publication date
CN112288241A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
US8195498B2 (en) Modeling a plurality of contests at a crowdsourcing node
CN108364190B (zh) 结合信誉更新的移动群智感知在线激励方法
CN110189174A (zh) 一种基于数据质量感知的移动群智感知激励方法
Feng et al. Convergence analysis of no-regret bidding algorithms in repeated auctions
CN111626563B (zh) 一种双目标鲁棒移动群智感知系统及其激励方法
CN107239983B (zh) 众包平台劳动者挑选方法
Jin et al. DPDA: A differentially private double auction scheme for mobile crowd sensing
CN112292696A (zh) 确定执行设备的动作选择方针
Liu et al. TGBA: A two-phase group buying based auction mechanism for recruiting workers in mobile crowd sensing
CN112288241B (zh) 一种基于细粒度声誉系统的群智感知工人选择方法
Kirchkamp et al. Outside options: Another reason to choose the first-price auction
Zhou et al. DPS: Dynamic pricing and scheduling for distributed machine learning jobs in edge-cloud networks
Yuan et al. Developing a cooperative bidding framework for sponsored search markets–An evolutionary perspective
Shi et al. An equilibrium analysis of market selection strategies and fee strategies in competing double auction marketplaces
Murto et al. Common value auctions with costly entry
CN115099535B (zh) 一种双目标群智感知激励机制方法
Zhang et al. Incentive mechanism with task bundling for mobile crowd sensing
CN108337263B (zh) 一种基于移动群智感知系统的防女巫攻击激励方法
Miao et al. Zero-determinant strategy for cooperation enforcement in crowdsourcing
CN113011703B (zh) 一种主题敏感众包任务扩散方法
CN112463371B (zh) 一种面向异构移动边缘云的合作任务卸载拍卖方法
Yue et al. Ai-enhanced incentive design for crowdsourcing in internet of vehicles
CN108984479B (zh) 一种用于提高众包平台运行效率的方法
Qiao et al. A Truthful Profit-Oriented Mechanism for Mobile Crowdsensing
Niemann et al. Assess your opponent: A bayesian process for preference observation in multi-attribute negotiations

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