CN112819210B - 空间众包中工人可拒绝下的在线单点任务分配方法 - Google Patents

Abstract

本发明涉及一种空间众包中工人可拒绝下的在线单点任务分配方法。本发明首先定义可拒绝的空间众包问题；其次收集工人和任务历史信息，根据原始数据计算工人和任务属性值；并利用主成分分析法全面分析工人对任务的兴趣度，成为每个工人和任务对的权值；然后最大匹配下最高兴趣度问题建模，讨论在约束条件下，用贪心策略实现任务分配算法，得到局部最优解；最后使用KM算法来解决最大匹配下最高兴趣度问题，得到最优解；最大匹配下最高兴趣度问题变形后，使用最小费用最大流相关算法求解最优解。本发明通过问题建模转化，讨论工人可拒绝问题在贪心策略下的分配方法，采用KM算法和MaxFlow算法解决了在线分配、最大化兴趣度问题。

Description

空间众包中工人可拒绝下的在线单点任务分配方法

技术领域

本发明属于计算机技术领域，公开了一种空间众包中工人可拒绝下的在线单点任务分配方法，是涉及经预测工人对任务的兴趣度后进行在线分配的方法。

背景技术

在移动网络快速发展和移动设备广泛使用的背景下，结合众包思想和时空大数据形成空间众包这一位置感知技术，实现用户将任务以及任务附带的信息提交到平台，平台将一组与位置相关的任务以众包的形式发给工人，待工人完成具体任务，这也被称为任务分配。基于空间众包机制，也产生了许多新的应用，如新闻、旅游、情报、灾害响应和城市规划等。利用互联网上的零散劳动力和群体智慧，高质量、高效率、全方面完成任务，给人们的日常工作和生活带来巨大变化。

空间众包由用户、众包平台、工人和各式空间任务组成，近年来涌现多家众包商业平台，如滴滴出行、谷歌街景地图、waze等。空间众包中有两种任务发布模式，一种以移动用户为中心的模式Worker Selected Tasks(WST)，平台发布空间感知任务，从业者可以选择附近的任何空间任务，可能会导致某些空间任务永远不会被分配，而其他任务冗余分配；另外一种是以平台为中心的模式Server Assigned Tasks(SAT)，平台为从业者分配附近的任务。

其中平台分配任务方法可分为在线任务分配和离线任务分配，目前已有的空间众包任务分配算法大都以最大化整体任务分配数量为主要优化目标，但是根据使用场景的不同，又有不同的侧重点。例如：Kazemi等将该问题归纳为任务和工人的匹配问题，采用贪心算法不断地将未分配的任务分配给尚有任务容量的工人，但是该算法忽略了空间众包中任务的时效性；Hien等人扩展了Kazemi的分配模型，为每一对任务工人二元组分配一个衡量分配重要性的权重，并以最大化总的任务分配权重为目标。在线任务分配中众包平台无法获取未来平台上工人和任务的情况，在某个时间片上可以通过贪心策略最大化当前目标，但是在整个时间线上仍然无法实现最大化任务分配数量的目标。针对该问题，Peng等人提出一种基于预测的任务分配算法，通过将整个区域划分成固定大小的网格，然后通过采样的方式预测每个网格上工人/任务的分布情况，最后采用贪心策略，最大化当前与未来所有可能的任务匹配数量之和，尽最大可能地最大化连续时间片上的任务分配数量。

现有的研究一般假设平台分配任务，工人保证执行分配的任务。现实场景下，不能忽略的是工人对于空间任务的选择具有主观性，工人都希望空间平台能分配符合他们意愿的任务，比如在自己位置附近、任务报酬高的任务，或者是与自己的知识、技能相匹配的任务。针对工人的主观性的空间众包问题，本发明基于平台为中心的模式(SAT)，讨论空间众包中工人可拒绝下的在线任务分配问题，需要考虑两个方面的约束：(1)工人对任务的主观性通过兴趣度衡量，目前互联网大环境下数据量爆发，基于原有的工人执行任务的数据计算其兴趣度值；(2)工人和任务都是动态出现，位于特定的位置，有各自的有效时间，工人需要在任务开始前抵达指定位置。Zheng Libin等首次定义有拒绝的空间众包中最大化工人接受度的问题，但是采用的是静态分配的方法得到最优分配，提出四种近似方法来提高分配的效率，并没有做动态场景下的最优分配。

发明内容

本发明的一个目的是针对现有技术的不足，提供空间众包中工人可拒绝下的在线单点任务分配方法，基于海量的工人和任务数据，使用主成分分析法(PCA)全面分析工人对任务的兴趣度，在此兴趣度的基础上，考虑动态场景下空间任务的分配问题，最后达到最大匹配下最高兴趣度匹配。

为了实现上述目的，本发明采用的技术方案如下：

步骤1：可拒绝的空间众包问题定义；

步骤2：收集工人和任务历史信息，根据原始数据计算工人和任务属性值；

步骤3：利用主成分分析法(PCA)全面分析工人对任务的兴趣度，成为每个工人和任务对的权值；

步骤4：最大匹配下最高兴趣度问题建模；

步骤5：讨论在约束条件下，用贪心策略实现任务分配算法，得到局部最优解；

步骤6：使用有效的KM算法来解决最大匹配下最高兴趣度问题，得到最优解；

步骤7：最大匹配下最高兴趣度问题变形后，使用最小费用最大流相关算法求解最优解。

实验设置：

本发明使用滴滴盖亚数据计划中2016年10月西安二环局部区域的滴滴快专车平台的订单司机轨迹数据集。在数据集中，轨迹点的采集间隔是2-4s，轨迹点经过了绑路处理，保证了数据都能够对应到实际的道路信息。该数据集共有31个文本文件，本发明采用10月1日滴滴快专车平台的订单司机轨迹数据集，有119019个订单，共涉及17856个工人。数据事件发生在东经108.921859～109.009348，北纬34.204946～34.279936间。在实验研究中，由于工人和任务是有约束属性要求，所以通过该数据集计算出任务时长(unix时间戳形式)、任务移动距离(换算成两地之间的距离)；根据滴滴快车订单计价规则，计算任务价格等完善补充数据集属性。为了能够模拟真实订单分配，本发明从数据集中分别随机抽样出10000条订单数据集和10000个工人数据集，打破原来工人与订单之间一对一的分配联系，任务有自己的开始时间和开始位置、结束位置，工人也有自己位置。工人要在任务开始前达到任务地点。考虑实际打车情况，工人可达半径分别设置为1km，2km，3km。

比较并评估以下方法的性能：

1)贪心算法：工人和任务实现“来即分配”，只贪心的选择当前时间兴趣度最高的工人任务对，没有考虑全局兴趣度最大。

2)KM算法：在时间片上进行任务分配，构建二分图用匈牙利算法寻找完备匹配的最优任务分配。

3)MaxFlow算法：在时间片上进行任务分配，构建最大流网络使用两阶段的优化算法得到最优解。

上述算法中比较了三个指标：

1)CPU时间成本：在某个时刻查找任务分配的CPU时间成本。

2)平均兴趣效用分数：表示在某个时间片上任务分配的工人兴趣度之和。

3)平均任务分配数量：表示某个时间片上平均任务分配的数量。

其中实验参数如表1所示：

表1.实验参数

参数	参数值
		时间片	120s，180s，240s
工人所在任务范围	1km，2km，3km

实验结果：

三种分配策略的性能比较：如表2所示，可以看出MaxFlow和KM得到的是最优解，贪心算法是局部最优，该实验结果验证了KM算法和MaxFlow算法的有效性。

时间片的影响：时间片切割的大小直接导致空间众包平台中工人和任务数量的不同，正如图4所示，因为时间片的增大，工人和任务数量一定程度上增多，因此对于所有算法而言这会导致更多的CPU成本。虽然CPU成本有所增加，但是分配的总任务数量也增加了。另外除了贪心算法以外，可以看到解决问题上，虽然都是得到最优解，KM算法在时间上的花销比MaxFlow算法多。

工人所在任务范围的影响：即工人可达半径的范围。显然，随着半径的增大，工人可分配的任务数量增加，分配的最优结果有所不同，并且所有方法的CPU成本都逐渐增加，如图5所示。可以直观看到三种算法分配所得的平均兴趣效用分数和平均任务分配数量。

表2.三种策略分配性能结果

算法	平均分配任务数量	平均分配兴趣度	CPU时间成本
				贪心算法	9.366666667	8.260658933	0.034766667
KM算法	11.23333333	9.998965073	0.020133333
				MaxFlow算法	11.23333333	9.998965073	0.017066667

本发明的又一个目的是提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述在线单点任务分配方法。

本发明提供的技术方案包含以下有益效果：

本发明通过滴滴快专车平台的订单司机轨迹数据集，预测工人对相关任务的兴趣度，建立工人和任务的联系，对订单数据属性进行补充。

本发明利用工人对任务的兴趣度展现工人对任务的主观性，用数据表现工人想要执行距离近、报酬高这类任务的事实；以往的研究工作中已经证明在线任务分配是NP难问题，本发明通过问题建模转化，讨论工人可拒绝问题在贪心策略下的分配方法，在此基础上提出有效的KM算法和MaxFlow算法解决在线分配、最大化兴趣度问题。如此根据工人兴趣进行的在线分配方案可达到快速、满意的分配，对提高用户(不管是工人还是请求者)的满意度有重要意义。

附图说明

图1为本发明的结构示意图；

图2为本发明的流程图；

图3为本发明工人和任务动态到达示例；

图4为本发明任务分配性能关于时间片的影响图；

图5为本发明任务分配性能关于工人可达半径的影响图；

图6为本发明两个时间片上二分图模型；

图7为本发明两个时间片上最大费用最小流模型；

图8为本发明具体运行实例图。

具体实施方式

下面结合附图和实施实例对本发明的具体实施方案作进一步详细描述，本发明的实施方式包括但不限于下列实施例。

本发明中的空间众包系统如图1所示，由用户，空间众包平台和工人组成。在可拒绝空间众包问题中，用户发布任务请求至空间众包平台，工人也会将自己的位置信息等发送至众包平台，由众包平台对任务和工人统一部署分配。可以看到，众包平台收集到信息后，根据约束条件的筛选和任务分配的算法制定任务分配方案，工人可选择执行或拒绝任务，工人对任务的执行情况作为反馈信息发送至空间平台，用户即通过这个过程可使任务得到执行并获得执行情况信息等；通过平台的协调分配，实现最大匹配下最高兴趣度分配。

其中平台任务分配流程描述如图2所示：

步骤1：问题定义。工人集W_p＝{w₁,w₂,...,w_n}，每个工人具有一定属性约束：w_i＝<l_i,p_ij>(1<i<n)，其中l_i是时间戳p时工人的位置，p_ij是工人i对任务j的感兴趣度；任务集T_P＝{t₁,t₂,...t_m}，每个任务的约束属性为t_j＝<s_j,l_j,d_j,b_j>(1<j<m)，其中s_j表示该任务开始时间，l_j是该任务的地点，d_j是任务时长，b_j表示该任务价格，是工人的报酬。

其中，任务通过空间众包平台分配，一个工人最多只能完成一个任务，一旦工人完成或拒绝了一项任务，他/她就是可用的，可以被视为一个新工人，等待新任务分配。

另外，每个任务最多被一个工人接受并执行，工人需要在任务开始前到达任务地点。工人完成任务可得到相应的报酬。任务可能因为工人对其感兴趣度低而拒绝任务，若任务被分配则表示任务被执行，从当前任务集中删除。一旦任务未分配、被拒绝或新出现，继续等待分配。

在任意时间片中有n个工人，m个空间任务，每个工人、空间任务都有特定的约束，特别是考虑工人主观性会拒绝任务这一现实，考虑对每一个工人-任务对，都用一个兴趣度p_ij来度量工人对该任务的兴趣度。本发明希望任务分配方案是让任务尽可能被执行的情况下，工人拒绝的可能性最低，即为工人可拒绝下的在线任务分配问题。

步骤2：处理工人集和任务集数据，根据原始数据计算工人和任务属性值，补充任务时长、任务移动距离、任务价格等属性。

步骤3：利用无监督学习中降维算法主成分分析(PCA)预测工人对任务的兴趣度。

首先对步骤2中的任务集做标准化处理。利用任务集中工人位置、任务位置计算得到工人和任务之间的距离，再将工人和任务之间的距离、任务移动距离、任务时长、任务价格作为主要属性值并做归一化处理。

Z_ij＝(x_ij-X_min)/(X_max-X_min)

得到标归一化矩阵Z。其中工人和任务之间的距离作为负向指标，距离越大，工人兴趣越低；任务移动距离、任务时长、任务价格作为正向指标，任务移动距离越长、任务时长越长、任务价格越高，工人越感兴趣。

得到p维的随机变量后，构造样本的协方差矩阵。

其中，

解样本协方差矩阵R的特征方程|R-λI_p|＝0得p个特征根，确定主成分。按

确定m值，使信息得利用率达85％以上，对每个λ_j,j＝1,2,...,m解方程组Rb＝λ_jb得单位特征向量

将指标变量转换为主成分

U₁称为第一主成分，U₂称为第二主成分，U_p称为第p主成分。

对m个主成分进行综合评价，加权求和后得到最终评价值，权数为每个主成分得方差贡献率，即各属性的权重大小。

利用各属性的权重计算得到工人对任务的兴趣度，并映射到(0,1)之间。

步骤4：最大匹配下最高兴趣度分配问题建模。

首先将原始工人可拒绝任务分配问题转化为二分图表示，如图6所示，图中黑色实线连接部分表示p₁时间片下的工人和任务，黑色虚线连接的表示p₂时间片下的工人和任务。具体的说，在任意时间片p上给定一个工人集W_p和空间任务集T_p，每个工人、每个任务作为二分图中的一个顶点，其中工人和任务的顶点具有不同的顶点类型。当且仅当工人顶点w_i对空间任务t_j有兴趣，且在时间、空间约束条件下到达任务位置时，认为工人顶点w_i和空间任务t_j之间存在一条边，边上有兴趣度作为权重，如此，工人-任务匹配对<w_i,t_j>是有效的。

其次，定义最大兴趣匹配问题的效用分数。工人可能因为任务的开始时间s_j、任务的地点l_j、任务时长d_j、任务移动距离m_j、任务价格b_j等因素影响对任务的感兴趣度。每一个工人-任务匹配对<w_i,t_j>都有相应兴趣度值，记为p_ij(∈[0,1])，表示工人w_i对空间任务t_j的感兴趣度。兴趣度p_ij越高，说明工人更倾向做该任务。本发明旨在最大任务分配时任务接受度最高，采用总体任务接受度P＝max∑p_ij衡量。

步骤5：对步骤3处理的工人任务对数据，采用贪心策略，实现“来即分配”。

可知，每个任务被发布到空间众包平台都是有时间顺序的，如图3所示。一维的时间线上有工人和任务陆续到达。顾名思义，即当前时间下，若有空闲的工人，任务一到达平台，就分配给对该任务感兴趣都高的工人；若当下有空闲的工人而没有任务，工人处于空闲等待执行状态；若当下有任务待分配执行而没有空闲工人，则任务进入等待状态，直到有新的空闲工人，则根据工人对每个任务的感兴趣度进行分配。

步骤6：研究任务最大化执行情况下，总兴趣度最大。提出用一个有效的KM算法来解决最大匹配下最高兴趣度问题。

(1)运用贪心思想初始化可行顶标的值。实际上，构建二分图的时候，工人与任务数不一定会一样，左右两边顶点数不一致时，首先将两个集合中点数比较少的集合补点，使得两边点数相同，再将不存在的边权重设为0。设顶点w_i的顶标为l₁[i]，顶点t_j的顶标为l₂[j]，顶点w_i与t_j之间的权为p[i][j]。

(2)用匈牙利算法寻找完备匹配。对于左边集合中的每个顶点，在相等子图中利用匈牙利算法找一条增广路径，如果没有找到，则修改顶标，扩大相等子图，继续找增广路径。当每个点都找到增广路径时，此时意味着每个点都在匹配中，即找到了二分图的完备匹配。

如果这个二分图存在另外一个完备匹配，如果它不完全属于相等子图，即存在某条边l₁[i]+l₂[j]＞p[i][j]，那么该匹配的权重和就小于所有顶标的和，即小于上述属于相等子图的完备匹配的权重和。

若未找到完备匹配则修改可行顶标的值。在相等子图中进行增广路径搜索，结果是没有找到增广路径，这时需要修改顶标值，扩大相等子图，左边的顶标减少d，右边的顶标增加d。这里涉及两个问题：1、哪些顶标的值需要修改；2、d的值是多少。

匈牙利算法增广路径搜索时，产生一棵交错树，为了保证l₁[i]+l₂[j]≥p[i][j]总是成立，交错树上所有的顶标都要参与修改。顶标需要修改的值d选择顶标和与边权重差值最小的值。比这更小就不能扩大相等子图，但是如果大了，就不能保证l₁[i]+l₂[j]≥p[i][j]总是成立。

重复本步骤直到找到相等子图的完备匹配为止。

可行顶标是满足下面不等式的顶标(即边权不能超过两端点的顶和)：

l₁[i]+l₂[j]≥p[i][j]

相等子图：图的G＝(V,E)相等子图G_l＝(V,E_l)包含图G的所有顶点，但只包含边权等于两端点顶标和的边，即：

E_l＝(w_i,t_j):l₁[i]+l₂[j]＝p[i][j]

步骤7：最大兴趣度匹配问题在经过变形之后，可以使用最小费用最大流相关算法进行求解。需要注意的是，普通的二分图匹配问题中有许多个源点和许多个汇点，一条可行流可以从其中任何一个源点出发到达任何一个汇点结束。对于这种情况，可以建立一个额外的源点Start和一个额外的汇点End，如图7所示。将额外源点与所有源点连容量c为1费用c为0的弧，额外汇点也执行类似的操作。完成这一步后，构建一个网络G＝(V,E,C)，对于每一个弧(v_i,v_j)∈E，从源点Start开始，历经某一w_i工人和某一任务t_j后到达汇点End，给定容量c都为1，因为一个任务只能被一个工人执行，一个工人也最多执行一个任务。另外还给出单位流量的费用为p[i][j]＝1-p[i][j],(0,1)，此网络记为G＝(V,E,C,p)。

设f为其中的可行流，最大兴趣度最大流问题就是要求在使f为最大流的情况下，其兴趣度差总和

最小，从而max(k-p(f))最大，其中k表示工人和任务匹配的边数。

用增广路算法来实现解决最大兴趣度最大流问题。增广路算法有一个贪心的基本思想：已知一个最小兴趣度差流f，在流网络中找出一条费用最小的增广路对其增广得到f'，那么f'也是最小兴趣度差流。这个结论是显而易见的，因为原流兴趣度差最小，增广出来的新流兴趣度差也最小，那么总兴趣度差也是最小的。

具体算法步骤：

(1)初始化零流f；

(2)不断在残留网络Gf中寻找增广路径寻找兴趣度差最小的增广路，并沿着增广路径的方向更新流的值，直到找不到增广路径为止。

步骤(2)在寻找兴趣度差最小的时候，利用队列优化的Bellman-Ford算法(以下简称SPFA)求单源最短路，进而得到两个结点之间的最短路径dis_i→j。使用类似的思想，将两点之间的距离转换为两点之间的兴趣度差，然后运行SPFA算法，同时维护可以从源点到达每个点的最大流量，得到从源点到汇点一条费用最小的增广路，使用这条路径进行增广，然后重复这个过程。直到找不到增广路，此时的总流量和总兴趣度差即为所求答案。

具体实例：

表3.实例工人与任务相关数据

图8和表3显示了可拒绝任务分配问题的实例，其中每个任务都只能被分配给一个工人，当前时间片下，存在3个工人(w₁,w₂,w₃)，4个任务(t₁,t₂,t₃,t₄)。每个工人和他当前位置及其可达距离范围相关联，每个任务都标记有被执行的位置。除此之外，在此工人可达距离范围内，都可计算预测工人对任务的兴趣度。则该问题即将任务分赔给合适的工人以最大化感兴趣度分配。工人要在任务截止时间之前到达所分配的任务，所分配的任务应位于相应工人的可大范围内，可以得到一个贪心任务分配结果：t₁发布的时候，没有空闲工人，等待直到w₁，w₂同时出现，分配<w₂,t₁>；t₂出现后分配给空闲的工人w₁；t₃发布后等待新的工人出现，w₃出现但是t₃不在其范围内，不能进行分配；最后t₄发布后，分配给工人w₃。如此得到分配结果{<w₂,t₁>,<w₁,t₂>,<w₃,t₄>}，总兴趣度为2.4。

KM算法首先贪心的找到w₁～w₃的顶标为{0.9,0.8,0.9}，t₁～t₄的顶标初始化设置为0，权重为s_ij。对于顶点w₁寻找到一条{w₁,t₂}的增广路径，匹配增广操作；对于顶点w₂找到一条{w₂,t₃}的增广路径；对顶点w₃操作，没有找到增广路径，修改w₃的顶标值减0.1为0.8，t₂的顶标值加0.1为0.1，w₁的顶标值减0.1为0.8，搜索出新的增广路径{w₃,t₄}，得到结果{<w₁,t₂>,<w₂,t₃>,<w₃,t₄>}，总兴趣度为2.5。

MaxFlow算法建立一个额外的源点Start和一个额外的汇点End，连接源点和w_i，t_j和汇点，单位流量费用为0；连接w_i和t_j，单位流量费用为1-p[i][j]。所有边给定容量c都为1。首先，枚举计算得d(w_i)＝0,d(t_j)＝∞,i＝1,2,3；j＝1,2,3,4；然后取点w₁，更改d(t₁)＝0.3,d(t₂)＝0.1,d(t₃)＝0.4,d(t₄)＝0.7，ver[t₂]＝w₁,j＝1,2,3,4；同理取点w₂更改d(t₃)＝0.2，ver[t₃]＝w₂；取点w₃得d(t₄)＝0.2，ver[t₄]＝w₃。再依次取点t₁,t₂,t₃,t₄，最后得到各个任务顶点的最短路径{start,w₁,t₂},{start,w₂,t₃},{start,w₃,t₄}。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围内的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (6)

1.空间众包中工人可拒绝下的在线单点任务分配方法，其特征在于，包括：

步骤1：定义可拒绝的空间众包问题；

步骤2：收集工人和任务历史信息，根据原始数据计算工人和任务属性值；

步骤3：利用主成分分析法全面分析工人对任务的兴趣度，将该兴趣度作为每个工人和任务对的权值；

步骤4：最大匹配下最高兴趣度问题建模；

步骤5：在约束条件下，用贪心策略实现任务分配算法，得到局部最优解；

步骤6：使用KM算法解决最大匹配下最高兴趣度问题，得到最优解；

步骤7：最大匹配下最高兴趣度问题变形后，使用最小费用最大流算法求解最优解；

其中步骤4中：

将原始工人可拒绝任务分配问题转化为二分图表示，在时间片p上给定一个工人集W_p和空间任务集T_p，每个工人、每个任务作为二分图中的一个顶点，其中工人和任务的顶点具有不同的顶点类型；当且仅当工人顶点w_i对空间任务t_j有兴趣，且在时间、空间约束条件下到达任务位置时，认为工人顶点w_i和空间任务t_j之间存在一条边，边上有兴趣度作为权重，如此，工人-任务匹配对<w_i,t_j>是有效的；

其次，定义最大兴趣匹配问题的效用分数；采用总体任务接受度P＝max∑p_ij衡量，其中p_ij表示工人w_i对空间任务t_j的感兴趣度，p_ij(∈[0,1])；

其中步骤6中：

6-1、运用贪心算法初始化可行顶标的值；

将两个集合中点数比较少的集合补点，使得两边点数相同，再将不存在的边权重设为0；设顶点w_i的顶标为l₁[i]，顶点t_j的顶标为l₂[j]，顶点w_i与t_j之间的权为p[i][j]；

6-2、用匈牙利算法寻找完备匹配；

对于左边集合中的每个顶点，在相等子图中利用匈牙利算法找一条增广路径，如果没有找到，则修改顶标，扩大相等子图，继续找增广路径；当每个点都找到增广路径时，此时意味着每个点都在匹配中，即找到了二分图的完备匹配；

如果这个二分图存在另外一个完备匹配，如果它不完全属于相等子图，即存在某条边l₁[i]+l₂[j]>p[i][j]，那么该匹配的权重和就小于所有顶标的和，即小于属于相等子图的完备匹配的权重和；

若未找到完备匹配则修改可行顶标的值；在相等子图中进行增广路径搜索，结果是没有找到增广路径，这时修改顶标值，扩大相等子图，左边的顶标减少d，右边的顶标增加d；

重复本步骤直到找到相等子图的完备匹配为止。

2.根据权利要求1所述的空间众包中工人可拒绝下的在线单点任务分配方法，其特征在于，步骤1中：

任务通过空间众包平台分配，一个工人最多只能完成一个任务，一旦工人完成或拒绝了一项任务，他/她就是可用的，从而被视为一个新工人，等待新任务分配；

每个任务最多被一个工人接受并执行，工人需要在任务开始前到达任务地点；工人完成任务得到相应的报酬；

任务可能因为工人对其感兴趣度低而拒绝任务，若任务被分配则表示任务被执行，从当前任务集中删除；一旦任务未分配、被拒绝或新出现，继续等待分配；

在任意时间片中有多个工人，多个空间任务，每个工人、空间任务都存在约束，对每一个工人-任务对，用兴趣度来度量工人对该任务的兴趣度；

由此可拒绝的空间众包问题描述为：让任务尽可能被执行的情况下，工人拒绝的可能性最低。

3.根据权利要求1所述的空间众包中工人可拒绝下的在线单点任务分配方法，其特征在于，步骤3中：

对任务集做标准化处理，利用任务集中工人位置、任务位置计算得到工人和任务之间的距离，再将工人和任务之间的距离、任务移动距离、任务时长、任务价格作为主要属性值并做归一化处理；

得到多维的随机变量后，构造样本的协方差矩阵，并通过解样本协方差矩阵的特征方程得对应的特征根，从而确定主成分；

对得到的主成分进行综合评价，加权求和后得到最终评价值，权数为每个主成分得方差贡献率，即各属性的权重大小；

利用各属性的权重计算得到工人对任务的兴趣度，并映射到(0,1)之间。

4.根据权利要求1所述的空间众包中工人可拒绝下的在线单点任务分配方法，其特征在于，步骤5中：当前时间下，若有空闲的工人，任务一到达平台，就分配给对该任务感兴趣都高的工人；若当下有空闲的工人而没有任务，工人处于空闲等待执行状态；若当下有任务待分配执行而没有空闲工人，则任务进入等待状态，直到有新的空闲工人，则根据工人对每个任务的感兴趣度进行分配。

5.根据权利要求1所述的空间众包中工人可拒绝下的在线单点任务分配方法，其特征在于，步骤6中在若未找到完备匹配则修改可行顶标的值的情况下，修改顶标值的原则：

匈牙利算法增广路径搜索时，产生一棵交错树，为了保证l₁[i]+l₂[j]≥p[i][j]总是成立，交错树上所有的顶标都要参与修改；顶标需要修改的值d选择顶标和与边权重差值最小的值。

6.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-5任一所述的在线单点任务分配方法。

Images