CN114548913A - 一种最大化任务分配数量的多阶段任务分配方法 - Google Patents
一种最大化任务分配数量的多阶段任务分配方法 Download PDFInfo
- Publication number
- CN114548913A CN114548913A CN202210088815.4A CN202210088815A CN114548913A CN 114548913 A CN114548913 A CN 114548913A CN 202210088815 A CN202210088815 A CN 202210088815A CN 114548913 A CN114548913 A CN 114548913A
- Authority
- CN
- China
- Prior art keywords
- crowdsourcing
- task
- tasks
- workers
- worker
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000008447 perception Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012358 sourcing Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种最大化任务分配数量的多阶段任务分配方法,该方法将众包区域划分相同网格,进行三阶段的任务分配过程,将离线指导与在线分配结合起来,并利用激励机制和顺路车模型优化任务分配过程,得到更具优化的分配方案。本发明提出的任务分配方法不论在分配效率和分配效用上都取得了更好的分配结果,并实现了最大化任务分配数量。
Description
技术领域
本发明属于群智感知技术和人工智能技术交叉领域,涉及一种最大化任务分配数量的多阶段任务分配方法,是一种时空众包平台的多阶段任务分配方法,尤其涉及众包系统中工人调度和任务分配问题。
背景技术
随着移动互联网技术和社交网络技术的迅猛发展,众包这种通过在线网络将任务分配给一群人的分布式模型开始广泛受到研究界和学术界的关注。目前比较流行的分布式众包平台包括实时的打车服务、外卖订餐服务、跑腿递送服务、问答服务等等。任务请求者通过众包平台与众包工人达成约定完成众包服务过程,实现交易双方的共赢。在当前云计算的基础架构背景下,不同功能的边缘互联网设备通过本身的传感器芯片与分布式大型数据中心的服务器紧密合作。边缘设备可以高速并且低延迟的产生大量数据。但是仅通过中心云中少量服务器的集中计算,存储和联网,会消减边缘设备低延迟的优点。同时,由于数以亿万计的移动传感设备逐渐加入到移动众包平台参与众包感知过程,大量的数据涌入中心云服务器。这一现象不光给中心云系统架构提出了难题,更是给移动众包平台的发展提出了不小的挑战。通过众多研究者的深入探讨,边缘云计算为解决这一问题提出了可能性。边缘云计算的灵活性和可扩展性可以帮助众包平台通过不同边缘节点协同处理不同区域的任务,缓解中心云服务器的计算压力。
在这样的背景下,随着移动设备指数级数量的不断增长,越来越多的人参与到了众包过程中来。这些众包参与者在不同的区域不同的时间参与众包过程,随着众包工人和众包任务覆盖面的不断扩大,众包服务的范围也随之扩大。因此,在此基础上要想有效提高分配的效率和效用仍然面临着以下的难题:(1)由于时空众包在当前边缘云环境下的低时延性和高效率,传统的离线任务分配方法很难在这样的基础上满足时空众包实时性的要求。(2)随着大量移动众包用户加入到众包过程中,众包的服务范围也逐渐扩大。现有的任务分配过程为了保证任务的时间约束,不能满足部分偏远任务的需求。同时不能对参与者的活动路径进行规划。(3)单一的在线任务分配虽然在实时性和速度上取得了不错的效果,但是在线任务会将任务分配局限在一个局部最优解中,不能取得最大化的分配收益。(4)在实际情况中,工人不会在原地等待接受任务,而是不断运动。工人的运动会改变任务分配的结果,而现有的任务分配没有考虑到工人的运动情况。不能针对工人的运动情况给予个性化的任务分配结果。
发明内容
针对现有技术中的缺陷和不足,本发明提供了一种最大化任务分配数量的多阶段任务分配方法,重点在将众包区域划分相同网格,将离线指导与在线分配结合起来得到更具优化的分配方案,同时结合了激励机制、多目标优化、顺路车模型等进行算法的性能提升。
为达到上述目的,本发明采取如下的技术方案:
一种最大化任务分配数量的多阶段任务分配方法,包括以下步骤:
步骤一,采集众包工人和众包任务对应的属性集合,并将众包工人和众包任务所在全局范围的位置地图划分成多个网格;
步骤二,对每个网格中的众包工人和众包任务依据约束条件和效用进行匹配形成匹配对,如果满足所有约束条件且效用最高则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第一阶段在线任务分配;并更新剩余没有分配的众包工人和众包任务集合;
步骤三,对于步骤二中没有分配的众包工人和众包任务,在全局范围内依据步骤二中的约束条件和效用匹配众包工人感知区域内的众包任务形成匹配对,如果满足所有约束条件且效用最高则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第二阶段在线任务分配;继续更新剩余没有分配的众包工人和众包任务集合;
步骤四,对于步骤三中没有分配的众包工人和众包任务,在全局范围内根据离线预分配中的预匹配对指导分配并采用激励机制激励众包工人跨网格完成任务,如果满足所有约束条件且激励机制中的额外效用最低则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第三阶段在线任务分配;
步骤五,通过上述三个阶段在线任务分配完成分配的众包工人和众包任务,建立顺路车模型即新的约束条件,通过顺路车模型进行约束判定,允许众包工人在接受众包任务或者完成众包任务过程中接受其他众包任务以实现最大化任务分配。
本发明还包括如下技术特征:
可选地,所述步骤一中,众包工人wi的属性集合为其中,为众包工人在时刻进入众包平台时的众包工人位置且随工人运动而改变;为众包工人离开众包平台的时间;每个众包工人的感知区域是以为圆心为半径的圆形区域;众包工人在规定时间范围内可以速度自由运动,且接取的任务数量不能超过
众包任务ti的属性集合为其中,为众包任务在时刻进入众包平台时的众包任务起点位置且不会发生改变;为众包任务的终点位置即众包工人的交付地点,为众包任务的截止时间;每个众包任务ti被完成都可以产生效用被接取的任务需要在规定时间内完成。
可选地,所述步骤二中,约束条件包括:
众包工人时间约束:众包工人只能在进入众包平台后接受任务;
众包任务时间约束:众包任务都只能在进入众包平台后分配或者被分配,每个众包任务都有自己的时间范围,被分配的众包任务必须在规定时间范围内被完成;
范围约束:众包工人的感知区域是有限的,众包工人只能接受自己感知区域之内的众包任务;
能力约束:众包工人接受任务的数量不能超出其能力范围;
不变约束:一旦众包任务和众包工人形成匹配对,后续不能进行改变。
可选地,所述步骤二中,完成每个众包任务的效用为:
上式中,U(w,t)为完成每个众包任务的效用,α和β分别为距离权重和时间权重,为匹配对中的众包工人接受任务时与和众包任务终点之间的欧几里德距离即众包距离,为众包任务允许的完成时间;每个众包任务的效用根据众包工人与众包任务的距离和时间决定,其中,众包距离和时间均能从步骤一的属性集合计算得到。
可选地,所述步骤四中,离线预分配是对离线数据中的所有众包工人和众包任务通过约束条件进行限制并删除不满足约束条件的二元组,最终形成的二元组匹配;步骤四中,将众包工人和众包任务放置到离线数据的临近节点中,一个临近节点可以放置多个众包工人或众包任务,根据离线预分配对中的匹配二元组进行众包工人的指导运动,并形成匹配二元组。
可选地,所述步骤四中,所述激励机制是根据离线预分配中众包工人跨网格运动中的额外距离设置的额外效用用以激励众包工人跨网格运动完成任务;额外效用的计算公式如下:
Δ=∈*disw+θ*timew (2)
上式中,Δ为额外效用即每个接受跨网格众包任务的众包工人可获得的占原始效用的百分比,∈和θ分别表示众包工人与众包任务的额外距离权重和额外时间权重,disw和timew分别表示跨网格接受众包任务过程中众包工人额外运动的距离和时间;所述额外运动距离是指:众包工人在离线指导过程中,为了使得众包任务能够进入感知区域而额外运动的距离即超过众包工人感知区域的运动距离。
可选地,所述步骤五中,顺路车模型作为新的约束条件包括:
先前的众包任务约束:如果众包工人要接受新的众包任务,则必须确保先前众包任务的时间限制;由于接受新的众包任务而导致的损失不能使先前的众包任务超过完成时间限制;
新的众包任务约束:众包工人必须满足新的众包任务的时间约束,还要满足以前的众包任务约束;先前的众包任务的限制不能影响新众包任务的完成时间;
范围限制:众包工人接受的新众包任务必须在众包工人的感知范围内;
能力限制:众包工人可以接受的众包任务的最大数量不能超过3。
本发明与现有技术相比,有益的技术效果是:
(I)本发明提出的任务分配方法不论在分配效率和分配效用上都取得了更好的分配结果;区域的划分也帮助算法在一定程度上减少了时间复杂度和空间复杂度,相比于现在算法在各个方面都有了更好的提升和进步。
(II)本发明的任务分配方法通过离线指导与在线分配结合的方式,进行三阶段的任务分配过程;利用激励机制和顺路车模型优化任务分配过程,最大化任务分配数量。
附图说明
图1为本发明步骤一中位置地图进行网格划分示意图。
图2本发明方法与现有技术方法对于不同数量的工人的匹配数量。
图3为本发明方法与现有技术方法对于不同数量的工人对应的工人效用。
图4为本发明方法与现有技术方法对于不同数量的工人对应的总效用。
具体实施方式
本发明提供一种最大化任务分配数量的多阶段任务分配方法,该方法通过离线指导与在线分配结合的方式,进行三阶段的任务分配过程;并利用激励机制和顺路车模型优化任务分配过程,实现了最大化任务分配数量。
在移动众包系统中,主要存在三种角色:众包工人、众包任务以及众包平台;例如,针对现流行的手机点餐跑腿软件,将有跑腿需求的用户提出的需求看作众包任务,接受任务获取奖励的跑腿工人看作众包工人。当需求用户将自己的需求当做任务发布在众包平台或者工人将自己的空闲状态发布在平台时,众包平台会将合适的工人与任务进行配对;众包工人需要在合适的时间内完成任务才能够拿到奖励。
遵从上述技术方案,以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。下面结合实施例对本发明做进一步详细说明。
实施例一:
本实施例提供一种最大化任务分配数量的多阶段任务分配方法,该方法包括以下步骤:
步骤一,采集众包工人和众包任务对应的属性集合,并将众包工人和众包任务所在全局范围的位置地图划分成多个网格;
众包工人wi的属性集合为其中,为众包工人在时刻进入众包平台时的众包工人位置且随工人运动而改变;为众包工人离开众包平台的时间;每个众包工人的感知区域是以为圆心为半径的圆形区域;众包工人在规定时间范围内可以速度自由运动,且接取的任务数量不能超过
众包任务ti的属性集合为其中,为众包任务在时刻进入众包平台时的众包任务起点位置且不会发生改变;为众包任务的终点位置即众包工人的交付地点,为众包任务的截止时间;每个众包任务ti被完成都可以产生效用被接取的任务需要在规定时间内完成;
具体的,众包工人和众包任务都有自己的位置和活动范围,为了方便任务分配的匹配,并且提高任务分配的速度减少过程中使用服务器的时间和空间损耗,将位置地图划分成相同大小的网格分别进行分配,将众包工人和众包任务的区域范围进行了更细致的划分;通过分布式方式进行在线的任务分配过程,最大程度满足了在线任务分配的时间敏感性问题;如图1所示,完整的感知环境被划分成了相同的网格,网格划分不会影响众包任务和众包工人的活动与属性。
步骤二,对每个网格中的众包工人和众包任务依据约束条件和效用进行匹配形成匹配对,如果满足所有约束条件且效用最高则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第一阶段在线任务分配;并更新剩余没有分配的众包工人和众包任务集合;
约束条件包括:
众包工人时间约束:众包工人只能在进入众包平台后接受任务;
众包任务时间约束:众包任务都只能在进入众包平台后分配或者被分配,每个众包任务都有自己的时间范围,被分配的众包任务必须在规定时间范围内被完成;
范围约束:众包工人的感知区域是有限的,众包工人只能接受自己感知区域之内的众包任务;
能力约束:众包工人接受任务的数量不能超出其能力范围;
不变约束:一旦众包任务和众包工人形成匹配对,后续不能进行改变。
完成每个众包任务的效用为:
上式中,U(w,t)为完成每个众包任务的效用,α和β分别为距离权重和时间权重,为匹配对中的众包工人接受任务时与和众包任务终点之间的欧几里德距离即众包距离,为众包任务允许的完成时间;每个众包任务的效用根据众包工人与众包任务的距离和时间决定,其中,众包距离和时间均能从步骤一的属性集合计算得到;并给距离和时间设置不同的权重α和β以保证完成任务时间敏感度更高或任务难度大的任务能获得更高的效用,本实施例中,α和β分别使用0.45、0.55计算。
步骤三,对于步骤二中没有分配的众包工人和众包任务,在全局范围内依据步骤二中的约束条件和效用匹配众包工人感知区域内的众包任务形成匹配对,如果满足所有约束条件且效用最高则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第二阶段在线任务分配;继续更新剩余没有分配的众包工人和众包任务集合;
步骤四,对于步骤三中没有分配的众包工人和众包任务,在全局范围内根据离线预分配中的预匹配对指导分配并采用激励机制激励众包工人跨网格完成任务,如果满足所有约束条件且激励机制中的额外效用最低则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第三阶段在线任务分配;
离线预分配是对离线数据中的所有众包工人和众包任务通过约束条件进行限制并删除不满足约束条件的二元组,最终形成的二元组匹配;离线预分配包括以下步骤:
步骤a,设离线数据中,所有众包工人集合为W={W1,W2,…Wm},其中每个众包工人包含步骤一的众包工人的属性集合;所有众包任务集合为T={T1,T2,…,Tm},其中每个众包任务包含步骤一的众包工人的属性集合;
步骤b,将所有众包工人与该网格内的众包任务进行匹配形成多个匹配二元组,根据步骤二中的约束条件,在所有满足约束条件的匹配二元组中保留效用最高的匹配二元组作为预匹配对,并添加到预匹配对集合中;
步骤c,解除网格限制,允许工人跨网格运动,将步骤b中没有完成分配的众包工人和众包任务重新匹配成新的二元组,根据步骤二中的约束条件,在所有满足约束条件的匹配二元组中保留效用最高的匹配二元组,将新的匹配二元组添加到预匹配对集合中;
步骤d,将步骤c中没有匹配完成的众包工人和众包任务再次匹配,通过步骤一中的众包工人属性集合和众包任务属性集合计算众包工人与众包任务起点的距离,并判断工人能否在任务截止时间前到达众包任务起点位置;若产生多组匹配,保留距离较短的匹配二元组;并根据步骤二中的约束条件,在满足约束条件且被保留的的匹配二元组中保留效用最高的匹配二元组;将新的匹配二元组添加到预匹配对集合中,得到最终的匹配二元组。
在线任务分配的第三阶段中,将众包工人和众包任务放置到离线数据的临近节点中,一个临近节点可以放置多个众包工人或众包任务。根据离线预分配对中的匹配二元组进行众包工人的指导运动,并形成匹配二元组。
激励机制是根据离线预分配中众包工人跨网格运动中的额外距离设置的额外效用用以激励众包工人跨网格运动完成任务;额外效用的计算公式如下:
Δ=∈*disw+θ*timew (2)
上式中,Δ为额外效用即每个接受跨网格众包任务的众包工人可获得的占原始效用的百分比,∈和θ分别表示众包工人与众包任务的额外距离权重和额外时间权重,本实施例中,∈和θ分别为0.3、0.7;disw和timew分别表示跨网格接受众包任务过程中众包工人额外运动的距离和时间;额外运动距离是指:众包工人在离线指导过程中,为了使得众包任务能够进入感知区域而额外运动的距离即超过众包工人感知区域的运动距离。
步骤五,通过上述三个阶段在线任务分配完成分配的众包工人和众包任务,建立顺路车模型即新的约束条件,通过顺路车模型进行约束判定,允许众包工人在接受众包任务或者完成众包任务过程中接受其他众包任务以实现最大化任务分配;工人在跨网格运动过程中始终开放任务感知。
顺路车模型作为新的约束条件包括:
先前的众包任务约束:如果众包工人要接受新的众包任务,则必须确保先前众包任务的时间限制;由于接受新的众包任务而导致的损失不能使先前的众包任务超过完成时间限制。
新的众包任务约束:众包工人必须满足新的众包任务的时间约束,还要满足以前的众包任务约束;先前的众包任务的限制不能影响新众包任务的完成时间;
范围限制:众包工人接受的新众包任务必须在众包工人的感知范围内;
能力限制:众包工人可以接受的众包任务的最大数量不能超过3。
不断重复步骤四和步骤五的在线任务分配过程,得到所有的任务配对结果以及任务的分配结果集合M、总效用U以及任务匹配数量N。
仿真实验如下:
通过真实数据集对跨区域在线任务分配算法进行了实验:其中OTARP代表本发明方法,Similar-greedy和Polar-op代表对比在线任务分配算法。
实验中评估了不同数量的工人和相同数量任务对算法的影响,首先保证任务数量不变,通过增加工人数量来评估算法的实用性和匹配数量。图2显示了在不同工人数量下,众包工人和任务的匹配数量的对比。图3显示了在不同任务数量下,众包工人和任务的匹配数量的对比。从图中可以看出,本发明提出的方法比其他的在线算法有更好的分配效果。
在实验中还考虑了任务分配的效用问题。通过工人效用对算法进行了分析;由图4可知,本发明提出算法明显比其他的在线算法有更高的工人效用。
Claims (7)
1.一种最大化任务分配数量的多阶段任务分配方法,其特征在于,包括以下步骤:
步骤一,采集众包工人和众包任务对应的属性集合,并将众包工人和众包任务所在全局范围的位置地图划分成多个网格;
步骤二,对每个网格中的众包工人和众包任务依据约束条件和效用进行匹配形成匹配对,如果满足所有约束条件且效用最高则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第一阶段在线任务分配;并更新剩余没有分配的众包工人和众包任务集合;
步骤三,对于步骤二中没有分配的众包工人和众包任务,在全局范围内依据步骤二中的约束条件和效用匹配众包工人感知区域内的众包任务形成匹配对,如果满足所有约束条件且效用最高则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第二阶段在线任务分配;继续更新剩余没有分配的众包工人和众包任务集合;
步骤四,对于步骤三中没有分配的众包工人和众包任务,在全局范围内根据离线预分配中的预匹配对指导分配并采用激励机制激励众包工人跨网格完成任务,如果满足所有约束条件且激励机制中的额外效用最低则将该匹配对添加到完成分配的众包工人和众包任务集合,完成第三阶段在线任务分配;
步骤五,通过上述三个阶段在线任务分配完成分配的众包工人和众包任务,建立顺路车模型即新的约束条件,通过顺路车模型进行约束判定,允许众包工人在接受众包任务或者完成众包任务过程中接受其他众包任务以实现最大化任务分配。
3.如权利要求1所述的最大化任务分配数量的多阶段任务分配方法,其特征在于,所述步骤二中,约束条件包括:
众包工人时间约束:众包工人只能在进入众包平台后接受任务;
众包任务时间约束:众包任务都只能在进入众包平台后分配或者被分配,每个众包任务都有自己的时间范围,被分配的众包任务必须在规定时间范围内被完成;
范围约束:众包工人的感知区域是有限的,众包工人只能接受自己感知区域之内的众包任务;
能力约束:众包工人接受任务的数量不能超出其能力范围;
不变约束:一旦众包任务和众包工人形成匹配对,后续不能进行改变。
5.如权利要求1所述的最大化任务分配数量的多阶段任务分配方法,其特征在于,所述步骤四中,离线预分配是对离线数据中的所有众包工人和众包任务通过约束条件进行限制并删除不满足约束条件的二元组,最终形成的二元组匹配;步骤四中,将众包工人和众包任务放置到离线数据的临近节点中,一个临近节点可以放置多个众包工人或众包任务,根据离线预分配对中的匹配二元组进行众包工人的指导运动,并形成匹配二元组。
6.如权利要求1所述的最大化任务分配数量的多阶段任务分配方法,其特征在于,所述步骤四中,所述激励机制是根据离线预分配中众包工人跨网格运动中的额外距离设置的额外效用用以激励众包工人跨网格运动完成任务;额外效用的计算公式如下:
Δ=∈*disw+θ*timew (2)
上式中,Δ为额外效用即每个接受跨网格众包任务的众包工人可获得的占原始效用的百分比,∈和θ分别表示众包工人与众包任务的额外距离权重和额外时间权重,disw和yimew分别表示跨网格接受众包任务过程中众包工人额外运动的距离和时间。
7.如权利要求1所述的最大化任务分配数量的多阶段任务分配方法,其特征在于,所述步骤五中,顺路车模型作为新的约束条件包括:
先前的众包任务约束:如果众包工人要接受新的众包任务,则必须确保先前众包任务的时间限制;由于接受新的众包任务而导致的损失不能使先前的众包任务超过完成时间限制;
新的众包任务约束:众包工人必须满足新的众包任务的时间约束,还要满足以前的众包任务约束;先前的众包任务的限制不能影响新众包任务的完成时间;
范围限制:众包工人接受的新众包任务必须在众包工人的感知范围内;
能力限制:众包工人可以接受的众包任务的最大数量不能超过3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210088815.4A CN114548913A (zh) | 2022-01-25 | 2022-01-25 | 一种最大化任务分配数量的多阶段任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210088815.4A CN114548913A (zh) | 2022-01-25 | 2022-01-25 | 一种最大化任务分配数量的多阶段任务分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548913A true CN114548913A (zh) | 2022-05-27 |
Family
ID=81673314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210088815.4A Pending CN114548913A (zh) | 2022-01-25 | 2022-01-25 | 一种最大化任务分配数量的多阶段任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548913A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455200A (zh) * | 2023-12-22 | 2024-01-26 | 烟台大学 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097288A (zh) * | 2019-05-08 | 2019-08-06 | 哈尔滨工业大学(威海) | 一种基于图搜索的城市众包配送任务分配方法及装置 |
-
2022
- 2022-01-25 CN CN202210088815.4A patent/CN114548913A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097288A (zh) * | 2019-05-08 | 2019-08-06 | 哈尔滨工业大学(威海) | 一种基于图搜索的城市众包配送任务分配方法及装置 |
Non-Patent Citations (2)
Title |
---|
PENG CHENG ETAL: ""Prediction-Based Task Assignment in Spatial Crowdsourcing"", 《2017 IEEE 33RD INTERNATIONAL CONFERENCE ON DATA ENGINEERING (ICDE)》 * |
QI ZHANG ETAL: ""Multi-stage online task assignment driven by offline data under spatio-temporal crowdsourcing"", 《DIGITAL COMMUNICATIONS AND NETWORKS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455200A (zh) * | 2023-12-22 | 2024-01-26 | 烟台大学 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
CN117455200B (zh) * | 2023-12-22 | 2024-03-29 | 烟台大学 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ning et al. | Deep reinforcement learning for intelligent internet of vehicles: An energy-efficient computational offloading scheme | |
CN112488322B (zh) | 一种基于数据特征感知聚合的联邦学习模型训练方法 | |
CN110035410A (zh) | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统 | |
CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
WO2020176381A1 (en) | Joint order dispatching and fleet management for online ride-sharing platforms | |
CN108415048B (zh) | 基于空间聚类的大规模网络rtk定位方法及系统 | |
CN111510957B (zh) | 基于多目标约束优化的移动边缘服务器坐标定位方法 | |
CN109343945A (zh) | 一种基于合同网算法的多任务动态分配方法 | |
CN103281374A (zh) | 一种云存储中数据快速调度的方法 | |
CN114548913A (zh) | 一种最大化任务分配数量的多阶段任务分配方法 | |
Starkey et al. | iPatch: A many-objective type-2 fuzzy logic system for field workforce optimization | |
CN112887943B (zh) | 一种基于中心度的缓存资源分配方法及系统 | |
CN111611069B (zh) | 多数据中心间多类型任务迁移方法 | |
CN111160654B (zh) | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 | |
CN107257356A (zh) | 一种基于超图分割的社交用户数据优化放置方法 | |
CN110262880B (zh) | 一种面向分布式数据中心能耗开销优化的作业调度方法 | |
CN117459112A (zh) | 基于图卷积网络的leo卫星网络中的移动边缘缓存方法及设备 | |
CN115062868B (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
CN102523300A (zh) | 面向智能电网的数据密集型云存储模型 | |
CN104702676B (zh) | 一种铁路分布式数据中心资源调度方法 | |
CN113157431B (zh) | 一种针对边缘网络应用环境的计算任务副本分发方法 | |
CN114118444A (zh) | 一种利用启发式算法降低联邦学习中设备空跑时间的方法 | |
CN110061863B (zh) | 一种稀疏网络中基于公平性的分布式多任务群智感知方法 | |
CN114979134A (zh) | 边缘计算环境中服务迁移的路径选择方法 | |
Starkey et al. | A genetic type-2 fuzzy logic based approach for the optimal allocation of mobile field engineers to their working areas |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220527 |
|
WD01 | Invention patent application deemed withdrawn after publication |