CN113902262A

CN113902262A - 基于粒子群算法的空气质量群智感知任务分配方法

Info

Publication number: CN113902262A
Application number: CN202111091304.XA
Authority: CN
Inventors: 申晓宁; 臧逸飞; 王毓泽; 朱均可; 李清雅; 黄泽凯
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Nanjing University of Information Science and Technology
Priority date: 2021-09-17
Filing date: 2021-09-17
Publication date: 2022-01-07
Anticipated expiration: 2041-09-17
Also published as: CN113902262B

Abstract

本发明公开了一种基于粒子群算法的移动群智感知任务分配方法，包括如下步骤：步骤1）读取当前可参与者的信息；步骤2）定义优化目标；步骤3）初始化算法参数；步骤4）设置损失函数；步骤5）初始化个体最优和全局最优；步骤6）迭代循环，获得最优解；步骤7）输出最优方案。有益效果：引入了动态惯性权重，与普通的粒子群优化算法相比可以实现更加复杂的操作，可以在满足人数和置信度的情况下尽可能实现成本的降低，更加符合实际气象数据的统计分析要求。

Description

基于粒子群算法的空气质量群智感知任务分配方法

技术领域

本发明涉及任务分配技术领域，具体而言涉及一种基于改进粒子群算法的任务分配方法。

背景技术

群智感知是结合众包思想和移动设备感知能力的一种新的数据获取模式，是指通过人们已有的移动设备形成交互式的、参与式的感知网络，并将感知任务发布给网络中的个体或群体来完成，从而帮助专业人员或公众收集数据、分析信息和共享知识。群智感知主要包含时空众包平台、任务和参与者这三个要素，其中时空众包平台指利用互联网来将工作分配出去、发现创意或解决技术问题的平台，任务指待解决的问题，参与者指参与问题解决任务分配的人员。群智感知中的任务分配指时空众包平台根据任务和参与者的时空属性和其他相关信息,为每个任务分配适当的众包参与者。随着技术的不断进步，任务分配问题越来越常见。但是在现有技术中，任务分配问题的实践通常依赖于专门的任务分配人员。任务分配人员在接受确认任务后，根据具体问题和对象手动进行任务分配。该方法不仅效率低，难以处理大量复杂的任务分配，而且精确度低，难以找到最优分配方法。

现有的通过匹配多种任务分配模式，可以将现有分配任务的人员根据不同的任务分配模式进行机械的划分群体。该方法可以实现不同任务分配模式对应不同的分配群体，效率相较于传统方法大幅提高，但是分配过程中难以精确的根据任务分配的属性进行针对的分配。因此，寻找一种能够快速准确进行任务分配的技术非常重要，且由于实际生活中任务分配问题越来越普遍，该技术具有广阔的前景和深远的意义。

发明内容

本发明目的在于提供一种基于改进粒子群算法的任务分配方法，在短时间内综合任务目标地点、投入资金、人员数量、解决时间等多种条件为使用者提出较合理的任务分配方案。

为达成上述目的，本发明提出一种基于改进粒子群的任务分配方法，包括以下步骤：

所述基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，包括以下步骤：

步骤1)读取当前可用参与者信息并输入系统，采用整数编码，随机生成number 数目的个体构成种群U；

步骤2)读取问题输入的信息，定义优化目标，所述问题的输入信息包括该任务的要求到达的坐标(x，y)、群体置信度预期ACC_LOW、该任务的花费预期 MONEY_max以及该任务的预期人数num_sum；所述优化目标为空气质量任务分配所需总花费；

步骤3)进行数据预处理与参数初始化；

步骤4)设置损失函数LOSS以衡量每个种群的优劣程度；

步骤5)计算初始化的种群的损失函数值，将种群的当前方案分别作为每个种群的个体最优pbest；将种群中损失函数值的最小的方案作为全局最优gbest；

步骤6)用粒子群算法迭代循环，设置惯性权重w，更新速度v，获取新方案，更新全局最优和个体最优，输出最优解；

步骤7)记录并保存全局最优的选人方案，以便最终任务分配。

所述基于粒子群算法的空气质量群智感知任务分配方法的进一步设计在于，所述步骤1)中每个个体为可用参与者表示为：U＝{u₁，u₂，…，u_i，…，u_n}，其中， u_i表示每个随机可参与者的标号；定义每个可用参与者的置信度为ACC_i，ACC_i为分布在[0，1]上的小数，可用参与者所处该地区的坐标(X_i，Y_i)。

所述基于粒子群算法的空气质量群智感知任务分配方法的进一步设计在于，步骤2)中，所述读取问题输入的信息，定义优化目标的过程包括以下步骤：

设当前可用参与者u_i距离任务点距离为d_i，则根据式(1)计算参与者至任务点的距离；

根据式(2)定义每个当前可用参与者完成任务获得的报酬为MONEY_i；

MONEY_i＝A*d_i+B*ACC_i (2)

式(2)中，A、B为常数，分别表示用户每公里可获得的报酬和个人置信度所对应的报酬。

设定被分配任务的可参与者构成种群Z＝{z₁，z₂，…，z_j，…，z_m}，根据式(3)定义优化目标主体为空气质量任务分配所需总花费；

所述基于粒子群算法的空气质量群智感知任务分配方法的进一步设计在于，所述步骤3)具体为：根据该任务要求的坐标，分别计算可用参与者到达该地需要的路程d_i与报酬MONEY_i，置信度ACC_i作为可用参与者的属性，设置改进粒子群算法的种群规模为N，学习因子c1、c2，迭代次数G，惯性权重w，速度上限下限v_max，v_min。

所述基于粒子群算法的空气质量群智感知任务分配方法的进一步设计在于，步骤4)中，所述设置损失函数的过程包括以下步骤：

步骤4-1)根据式(4)设定群体置信度sum_acc，

步骤4-2)设置损失函数LOSS以衡量每个种群的优劣程度，损失越小方案越好；

其中，ACC_LOw为群体置信度预期，若该方案群体置信度sum_acc超出置信度预期，置信度的损失为0，MONEY_max为金钱预期，若该方案所需花费sum_money少于金钱预期，则金钱的损失为0，num_sum为人数预期；设定若该种群人数n少于人数预期，则人数的损失为正；若该种群人数n多于人数预期，则人数的损失为负。

所述基于粒子群算法的空气质量群智感知任务分配方法的进一步设计在于，步骤6)中，所述用粒子群算法迭代循环，获得最优解的过程包括以下步骤：

步骤6-1)根据式(5)计算动态惯性权重w：

式(5)中，w为惯性权重w，w_max为权重上限，w_min为权重下限；

步骤6-2)速度更新：对于1000个种群(即方案)，分别更新其速度，公式如下：

v＝w×v_last+c1×rand()×(pbest-plan)+c2×rand()×(gbest-plan) (6)

式(6)中，v为1×mumber的矩阵，表示各人员的权重，plan为该方案的任务分配安排，个体最优、全局最优与该方案所分配人员区别越大则更新速度越快；

步骤6-3)进行速度边界条件处理：若速度矩阵v中值超过所设定的速度最大值v_max，则修改其值为v_max；若小于所设定的速度最小值v_min，则修改其值为v_min；

步骤6-4)更新当前方案：使用sigmoid函数将速度v调整至0到1区间内，若该候选参与者调整后的速度v大于0.5，则选取该参与者；若该候选参与者调整后的速度v小于0.5，则不选择该参与者，据此，更新其对应的方案plan；

步骤6-5)计算更新后方案的损失函数值，比较并更新个体最优与全局最优；

步骤6-6)若迭代计数器gen小于上限次数G，则gen＝gen+1，跳转到步骤6-1)；

若迭代计数器gen达到上限次数G，则结束程序，输出当前全局最优方案的总花费、置信度、总人数。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

(1)本发明采用一种改进型粒子群算法实现任务分配，引入了动态惯性权重，与普通的粒子群优化算法相比可以实现更加复杂的操作，可以在满足人数和置信度的情况下尽可能实现成本的降低，更加符合实际气象数据的统计分析要求。

(2)以往的移动群智感知任务分配问题往往没有考虑到面向任务需求的用户分配问题，无法满足任务需求的复杂性，本发明侧重强调在满足任务分配需求的前提下实现成本的有效降低，在实际应用场景下具有较强的适应性，能够基本满足任务发布者和感知用户的要求。

(3)本发明增加了限制条件，没有着重寻找全局最优解，而是提出可行优解想法，在满足要求的范围下尽可能降低成本，可以加速收敛过程，增加算法稳定性。

(4)传统的粒子群算法一旦产生相对较优的粒子，粒子都会朝着该粒子进化，若该粒子并非全局最优，且全局最优的方向和此粒子相反，则粒子将无法找到全局最优解，使得传统的粒子群算法局部搜索能力较强，但求解质量不高并且收敛早熟，后期效率低。除此之外，随着算法的不断更新迭代，种族多样性必然减少，容易陷入局部最优。为了避免此类现象的产生，在基础的算法上引入动态惯性权重，帮助提高后期收敛速度并增加种群多样性，促使该算法的性能优于传统的粒子群算法。动态惯性权重随迭代循环而更改，在搜索的过程中可以避免算法前期陷入局部最优解，后期收敛速度慢的现象。

(5)为了降低粒子群算法易快速陷入局部最优的可能性，用随机均分的方法确定算法的初始解，能够使初始解尽量遍布整个搜索空间，增大搜索可能性。

(6)本发明通过约束矩阵将模型表达为数学形式，不需要对约束矩阵进行迭代更新，将约束确定后可以方便地运用于后续的算法，在一定程度上可以稳定算法迭代过程。

(7)系统引入置信度作为衡量参与人员的重要指标，在每次实施方案后对人员置信度进行相应反馈，从而在后期数据量成指数上涨时更加准确确定感知用户的可信情况，从而增加整体方案的置信度。

附图说明

图1是本发明的基于改进粒子群算法的任务分配方法的流程示意图。

具体实施方式：

为了更了解本发明的技术内容，特举具体实例并配合所附图说明如下。

选取可用参与者规模为100的测试实例，可用参与者坐标(X_i，Y_i)，可用参与者置信度ACC_i，如表1所示。

表1

使用本发明提出的基于改进粒子群的任务分配方法求解该实例的规划方案，主体流程如图1所示，包括以下步骤：

步骤1)读取当前可用参与者信息并输入系统：

采用整数编码，随机生成number个个体构成种群U，每个个体为可用参与者：

U＝{u₁，u₂，…，u_i，…，u_n}

其中，u_i表示每个随机可参与者的标号；定义每个可用参与者的置信度为 ACC_i，ACC_i为分布在[0，1]上的小数，可用参与者所处该地区的坐标(X_i，Y_i)。

步骤2)读取问题输入的信息，定义优化目标：

读取的输入信息包括该任务的要求到达的坐标(x，y)、群体置信度预期 ACC_LOW、该任务的花费预期MONEY_max、该任务的预期人数num_sum；

设当前可用参与者u_i距离任务点距离为d_i，则参与者至任务点距离为欧式距离计算公式，其定义为：

设每个当前可用参与者完成任务获得的报酬为MONEY_i，其定义为：

MONEY_i＝A*d_i+B*ACC_i

其中A、B为常数，分别表示用户每公里可获得的报酬和个人置信度所对应的报酬。

设被分配任务的可参与者构成种群Z＝{z₁，z₂，…，z_j，…，z_m}，优化目标主体为空气质量任务分配所需总花费，其定义为：

步骤3)数据预处理、参数初始化：

根据该任务要求的坐标，分别计算可用参与者到达该地需要的路程d_i与报酬MONEY_i，置信度ACC_i作为可用参与者的属性。设置改进粒子群算法的种群规模为N，学习因子c1、c2，迭代次数G，惯性权重w，速度上限下限v_max，v_min。

步骤4)设置损失函数：

设置损失函数LOSS以衡量每个方案(即种群)的优劣程度，损失越小方案越好。

其中，ACC_LOW为群体置信度预期，若该方案群体置信度sum_acc超出置信度预期，置信度的损失为0。MONEY_max为金钱预期，若该方案所需花费sum_money少于金钱预期，则金钱的损失为0。num_sum为人数预期。由于在相近的代价下，人数越多可供参考的数据越多，越有助于气象数据统计分析。据此，设定如下：若该方案人数n少于人数预期，则人数的损失为正；若该方案人数n多于人数预期，则人数的损失为负。

步骤5)根据损失函数，初始化个体最优与全局最优：

计算初始化的1000个种群的损失函数值，将1000个种群的当前方案分别作为每个种群的个体最优pbest；将1000个种群中损失函数值的最小的方案作为全局最优gbest。

步骤6)用粒子群算法迭代循环，获得最优解。实现步骤为：

步骤6-1)计算动态惯性权重w：

惯性权重w从权重上限w_max递减至下限w_min，随着迭代次数的增加，目标越来越明确，更新速度逐渐加快，缩短运算时间。

v＝w×v_last+c1×rand()×(pbest-plan)+c2×rand()×(gbest-plan)

v为1×number的矩阵，表示各人员的权重。plan为该方案的任务分配安排。个体最优、全局最优与该方案所分配人员区别越大其更新速度越快。

步骤6-3)速度边界条件处理：避免速度值出现极端情况导致算法陷入局部最优无法逃离。若速度矩阵v中值超过所设定的速度最大值v_max，则修改其值为 v_max；若小于所设定的速度最小值v_min，则修改其值为v_min。

步骤6-4)更新当前方案：使用sigmoid函数将速度v调整至0到1区间内，若该候选参与者调整后的速度v大于0.5，则选取该参与者；若该候选参与者调整后的速度v小于0.5，则不选择该参与者。据此，更新其对应的方案plan。

步骤6-5)计算更新后方案的损失函数值，比较并更新个体最优与全局最优。

步骤6-6)若迭代计数器gen小于上限次数G，则gen＝gen+1，跳转到S61；

步骤7)记录并保存全局最优的选人方案，输出最终任务分配方案。

本发明的效果可以通过以下仿真实验进一步说明：

1.实验条件：

在CPU为Intel core i5-8300H 2.30GHz、内存8GB、WINDOWS 10系统上使用Matlab 2018a进行仿真。

2.实验内容：

选取参与者规模为100的测试实例，可用参与者坐标(X_i，Y_i)，可用参与者置信度ACC_i，如表1所示。预期总花费为800，预期置信度为0.8，预计人数为60，待测点坐标为(50，60)。

3.实验结果

采用本发明与现有的遗传算法分别对该问题进行求解。将两种方法在实例中分别运行10次。由表2可见，本发明所得的方案比传统的遗传算法花费值更小，置信度更高，任务分配人数更少，大幅度降低了项目的工期和成本，显著增强了项目开发的效率。

表2

综上，本算法简单容易实现，并且没有许多参数需要调整，搜索速度快、效率高，适合于实值型处理；利用全局最优粒子(gbest)和个体最优粒子(pbest) 给出信息给其他的粒子，这使得所有的粒子可能更快的收敛于最优解。因此，基于该算法的任务分配方法具有较高效率，能够进一步提高求解精度，更快找到个体最优和全局最优。

综上，本发明提出的基于粒子群算法的空气质量群智感知任务分配方法，在粒子群算法的基础上，实现空气检测的任务分配最优方法，具体的参数可以根据使用者的监测需求和现实情况进行调整。该算法具有较好的收敛速度、跳出个体最优，可以寻找到该问题的理论最优解，以获得最优的任务分配方案。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定为准。

Claims

1.一种基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，包括以下步骤：

步骤1)读取当前可用参与者信息并输入系统，采用整数编码，随机生成number数目的个体构成种群U；

步骤2)读取问题输入的信息，定义优化目标，所述问题的输入信息包括该任务的要求到达的坐标(x，y)、群体置信度预期ACC_LOW、该任务的花费预期MONEY_max以及该任务的预期人数num_sum；所述优化目标为空气质量任务分配所需总花费；

步骤3)进行数据预处理与参数初始化；

步骤4)设置损失函数LOSS以衡量每个种群的优劣程度；

2.根据权利要求1所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，所述步骤1)中每个个体为可用参与者表示为：U＝{u₁，u₂,…,u_i，…，u_n}，其中，u_i表示每个随机可参与者的标号；定义每个可用参与者的置信度为ACC_i，ACC_i为分布在[0，1]上的小数，可用参与者所处该地区的坐标(X_i,Y_i)。

3.根据权利要求1所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，步骤2)中，所述读取问题输入的信息，定义优化目标的过程包括以下步骤：

MONEY_i＝A*d_i+B*ACC_i (2)

设定被分配任务的可参与者构成种群Z＝{z₁,z₂,…,z_j,…,z_m}，根据式(3)定义优化目标主体为空气质量任务分配所需总花费；

4.根据权利要求3所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，所述步骤3)具体为：根据该任务要求的坐标，分别计算可用参与者到达该地需要的路程d_i与报酬MONEY_i，置信度ACC_i作为可用参与者的属性，设置改进粒子群算法的种群规模为N，学习因子c1、c2，迭代次数G，惯性权重w，速度上限下限v_max，v_min。

5.根据权利要求4所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，步骤4)中，所述设置损失函数的过程包括以下步骤：

步骤4-1)根据式(4)设定群体置信度sum_acc，

6.根据权利要求5所述的基于粒子群算法的空气质量群智感知任务分配方法，其特征在于，步骤6)中，所述用粒子群算法迭代循环，获得最优解的过程包括以下步骤：

步骤6-1)根据式(5)计算动态惯性权重w：

式(5)中，w为惯性权重w，w_max为权重上限，w_min为权重下限；

v＝w×v_last+c1×rand()×(pbest-plan)+c2×rand()×(gbest-plan) (6)

式(6)中，v为1×number的矩阵，表示各人员的权重，plan为该方案的任务分配安排，个体最优、全局最优与该方案所分配人员区别越大则更新速度越快；

步骤6-6)若迭代计数器gen小于上限次数G,则gen＝gen+1，跳转到步骤6-1)；若迭代计数器gen达到上限次数G，则结束程序，输出当前全局最优方案的总花费、置信度、总人数。