CN115002713B - 一种提高群智感知覆盖率的方法、系统、介质及设备 - Google Patents

一种提高群智感知覆盖率的方法、系统、介质及设备 Download PDF

Info

Publication number
CN115002713B
CN115002713B CN202210927537.7A CN202210927537A CN115002713B CN 115002713 B CN115002713 B CN 115002713B CN 202210927537 A CN202210927537 A CN 202210927537A CN 115002713 B CN115002713 B CN 115002713B
Authority
CN
China
Prior art keywords
task
selection function
sensing
perception
function value
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
CN202210927537.7A
Other languages
English (en)
Other versions
CN115002713A (zh
Inventor
刘佳琦
李颖超
李登
许虎城
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202210927537.7A priority Critical patent/CN115002713B/zh
Publication of CN115002713A publication Critical patent/CN115002713A/zh
Application granted granted Critical
Publication of CN115002713B publication Critical patent/CN115002713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种提高群智感知覆盖率的方法、系统、介质及设备，基于敏感性递减理论，包括：发布感知任务，并依据感知任务离感知节点的实际距离，将感知任务划分为流行任务和不流行任务；构建基于敏感性递减理论的选择函数，在等性价比系数下，利用选择函数计算感知节点的选择函数值，选择函数值与感知节点选择的感知任务的流行度相关，感知节点选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；依据流行任务的选择函数值和不流行任务的选择函数值筛选出目标感知任务，并提交任务意向；筛选用于完成目标感知任务的感知节点，参与完成目标感知任务；为完成目标感知任务的感知节点分配奖励，提高群智感知的覆盖率。

Description

一种提高群智感知覆盖率的方法、系统、介质及设备
技术领域
本发明涉及群智感知覆盖率增强技术领域，特别涉及一种提高群智感知覆盖率的方法、系统、介质及设备。
背景技术
移动群智感知（MCS）是利用人们移动设备中的传感器，例如，摄像头、麦克风、重力传感器和GPS等，在不部署专用传感器网络的情况下完成各种大型、复杂的传感任务，例如交通检测、社交服务、空气检测、噪音检测及医疗服务等，相较于传统物联网应用具有服务部署灵活、可维护性强、低组网成本等特点，是一种物联网应用的新范式。
由于参与群智感知的感知节点数量通常较少，感知节点执行者的活动范围有限，存在一些区域的感知数据没有任何用户采集，导致群智感知系统的空间覆盖率低。因此需要设计合适的覆盖率提高方法鼓励和刺激移动设备加入群智感知网络保障群智感知的服务质量。
现阶段，群智感知覆盖率提高方法的研究可按回报方式分为金钱式覆盖率提高方法和非金钱式覆盖率提高方法。金钱式覆盖率提高方法即通过报酬支付的方式吸引参与者节点加入群智感知系统参与任务，是目前最主要的激励方式，也是最直接的方式。非金钱式激励即通过社交关系、娱乐游戏或声誉等方式吸引参与者节点参与任务。但是无论是金钱式激励还是非金钱式激励都存在一些问题：针对空间覆盖率低的问题，这些覆盖率提高方法大多采用金钱式激励，通过提高任务报酬的方式平衡位于“感知盲区”的不流行任务的受欢迎程度，即达到较高的覆盖质量需要支付同等效果的报酬。
但是，通过调研和对行为经济学相关理论的研究发现，人们对价值不是简单的线性评估而是敏感性递减的。敏感性递减是指在参考点附近，人们对收益的边际变化比较敏感；而在远离参考点时，人们对收益边际变化的敏感程度会降低，该理论对感知节点同样适用。这就意味者感知节点对报酬的感知是敏感性递减的，提高报酬时，感知节点提高的覆盖率并不能与平台付出的成本成线性比，更高额的报酬，实际并不能带来更高的覆盖率；而非金钱式激励通过信誉、参与者节点历史信息等内容筛选参与者，以达到较高的覆盖效果，这些机制都基于平台对参与者信息的完全掌握，而实际中，平台与参与者信息的共享往往是不对等的。
综上所述，急需一种以更低的成本更有效的激励感知节点参与提高覆盖率的方法来解决现有技术存在的问题。
发明内容
本发明提供了一种提高群智感知覆盖率的方法、系统、介质及设备，基于敏感性递减理论构建选择函数，其目的是为了解决现有技术中空间覆盖率增强受限于感知节点对价值敏感性递减这一技术壁垒，更有效的提高参与者节点对不流行任务的选择率，从而更有效的提高群智感知的空间覆盖率。
为了达到上述目的，本发明提供了一种提高群智感知覆盖率的方法，基于敏感性递减理论，包括：
步骤1，发布感知任务，并依据感知任务离感知节点的实际距离，将感知任务划分为流行任务和不流行任务；
步骤2，构建基于敏感性递减理论的选择函数，在等性价比系数下，利用选择函数计算感知节点的选择函数值，选择函数值与感知节点选择的感知任务的流行度相关，感知节点选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；
步骤3，依据流行任务的选择函数值和不流行任务的选择函数值筛选出目标感知任务，并提交任务意向；
步骤4，筛选用于完成目标感知任务的感知节点，参与完成目标感知任务；
步骤5，为完成目标感知任务的感知节点分配奖励。
其中，步骤1包括：
通过公式
Figure 194637DEST_PATH_IMAGE001
将感知任务
Figure 846199DEST_PATH_IMAGE002
划分为流行任务和不流行任务；其中，e是自然常数，
Figure 94777DEST_PATH_IMAGE003
指所有感知节点距任务
Figure 958828DEST_PATH_IMAGE004
的距离和，为保证
Figure 507621DEST_PATH_IMAGE005
，则
Figure 798925DEST_PATH_IMAGE006
，p为常数，
Figure 767756DEST_PATH_IMAGE007
是第
Figure 435498DEST_PATH_IMAGE008
轮所有
Figure 42060DEST_PATH_IMAGE009
的平均值，
Figure 238686DEST_PATH_IMAGE011
，
Figure 196277DEST_PATH_IMAGE012
，其中，
Figure 402131DEST_PATH_IMAGE013
表示单个感知节点，
Figure 627314DEST_PATH_IMAGE014
为参与感知任务的感知节点集合，
Figure 791579DEST_PATH_IMAGE015
指感知任务的具体位置，
Figure 502046DEST_PATH_IMAGE016
指感知节点的具体位置，
Figure 246011DEST_PATH_IMAGE017
为感知任务的集合，
Figure 358323DEST_PATH_IMAGE018
，对应
Figure 896752DEST_PATH_IMAGE017
中每个任务
Figure 94515DEST_PATH_IMAGE019
具有任务流行度标识
Figure 158284DEST_PATH_IMAGE020
，当
Figure 125103DEST_PATH_IMAGE021
时，感知任务
Figure 100013DEST_PATH_IMAGE002
为流行任务；当
Figure 519493DEST_PATH_IMAGE022
时，感知任务
Figure 605260DEST_PATH_IMAGE002
为不流行任务，
Figure 161007DEST_PATH_IMAGE023
表示流行度阈值，
Figure 805352DEST_PATH_IMAGE024
为轮次。
其中，步骤2包括：
构建基于敏感性递减理论的选择函数，所述选择函数包括性价比系数和敏感性递减因子；在等性价比系数的情况下，当敏感性递减因子位于选择函数中的不同位置时，感知节点选择不流行任务的选择函数值大于流行任务的选择函数值；
所述选择函数
Figure 446549DEST_PATH_IMAGE025
为：
Figure 336008DEST_PATH_IMAGE026
其中，
Figure 11840DEST_PATH_IMAGE027
是敏感性递减因子，且
Figure 859710DEST_PATH_IMAGE028
，
Figure 988203DEST_PATH_IMAGE029
指任务的性价比系数，
Figure 946932DEST_PATH_IMAGE030
是移动报酬，
Figure 477270DEST_PATH_IMAGE031
是移动成本，
Figure 463419DEST_PATH_IMAGE032
是指第
Figure 610366DEST_PATH_IMAGE033
轮
Figure 107207DEST_PATH_IMAGE025
的选择函数值，当
Figure 757631DEST_PATH_IMAGE034
时
Figure 681724DEST_PATH_IMAGE035
=
Figure 50389DEST_PATH_IMAGE036
，对于每个
Figure 85341DEST_PATH_IMAGE036
，其一阶导数
Figure 855851DEST_PATH_IMAGE037
，二阶导数
Figure 183802DEST_PATH_IMAGE038
，
Figure 39762DEST_PATH_IMAGE039
表示参与者节点选择不流行任务，
Figure 143985DEST_PATH_IMAGE040
表示参与者节点选择流行任务。
其中，选择函数值有如下计算方式：
若所述感知节点每轮都选择不流行任务，在第
Figure 503422DEST_PATH_IMAGE041
轮，根据所述选择函数计算选择函数值为
Figure 769318DEST_PATH_IMAGE042
；
若所述感知节点每轮都选择流行任务，在第
Figure 112575DEST_PATH_IMAGE041
轮，根据所述选择函数计算选择函数值为
Figure 754909DEST_PATH_IMAGE043
Figure 500011DEST_PATH_IMAGE044
；
若所述参与者节点在
Figure 936808DEST_PATH_IMAGE041
轮内，有
Figure 501782DEST_PATH_IMAGE045
次选择流行任务，有
Figure 186622DEST_PATH_IMAGE046
次选择不流行任务，根据所述选择函数计算选择函数值为
Figure 255072DEST_PATH_IMAGE047
且
Figure 128350DEST_PATH_IMAGE048
；
在所述选择函数中，若性价比系数满足
Figure 180620DEST_PATH_IMAGE049
时，感知节点每轮均选择不流行任务使自身选择函数值保持最大，最大的选择函数值为
Figure 899177DEST_PATH_IMAGE050
。
本发明还提供了一种提高群智感知覆盖率的系统，基于敏感性递减理论，包括：
任务划分模块，用于依据发布后的感知任务离感知节点的实际距离，将感知任务划分为流行任务和不流行任务；
选择函数建立模块，用于构建基于敏感性递减理论的选择函数，在等性价比系数下，利用选择函数计算感知节点的选择函数值，选择函数值与感知节点选择的感知任务的流行度相关，感知节点选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；
选择模块，包括感知任务竞选模块和感知节点确定模块；
感知任务竞选模块用于感知节点根据流行任务的选择函数值和不流行任务的选择函数值筛选出目标感知任务，并提交任务意向；
感知节点确定模块筛选用于完成目标感知任务的感知节点，参与完成目标感知任务；
报酬支付模块，用于为完成目标感知任务的感知节点分配奖励。
本发明还提供了一种计算机可读存储介质，用于存储计算机程序，通过执行所述计算机程序，用于实现上述提高群智感知覆盖率的方法。
本发明最后还提供一种提高群智感知覆盖率的设备，基于敏感性递减理论，用于数据收集，包括：存储器和处理器；
存储器用于计算机程序；
处理器用于执行所述存储器存储的计算机程序；
计算机程序用于实现上述提高群智感知覆盖率的方法。
本发明的上述技术方案有如下的有益效果：
本发明通过群智感知平台发布感知任务，并构建基于敏感性递减理论的选择函数；使在等性价比系数下感知节点选择流行任务和不流行任务的选择函数值不同；感知节点根据自身选择函数值筛选出目标感知任务；群智感知平台筛选用于完成所述目标感知任务的感知节点；与现有技术相比，本发明不受限于感知节点对价值的敏感性递减，将行为经济学敏感性递减理论引入感知任务选择中，设计基于敏感性递减因子的感知节点选择函数，该选择函数作为群智感知平台选择感知节点的标准，在不依赖报酬增益的情况下提高感知节点对不流行任务的选择率，从而提高群智感知覆盖率，相较于对比机制来说，更有效的提高了空间覆盖率，同时降低了群智感知平台的成本。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例的系统环境图；
图3为本发明实施例在相同数据下与现有的具有代表性的方法的空间覆盖率比较图；
图4为本发明实施例在相同数据下与现有的具有代表性的方法的平台分配奖励的比较图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明针对现有的问题，提供了一种提高群智感知覆盖率的方法、系统、介质及设备。
下面结合具体的实施例对本发明做进一步详细说明。
如图1所示，本发明的实施例提供了一种提高群智感知覆盖率的方法，基于敏感性递减理论，包括：
步骤1，发布感知任务，并依据感知任务离感知节点的实际距离，将感知任务划分为流行任务和不流行任务；
步骤2，构建基于敏感性递减理论的选择函数，在等性价比系数下，利用选择函数计算感知节点的选择函数值，选择函数值与感知节点选择的感知任务的流行度相关，感知节点选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；
步骤3，依据流行任务的选择函数值和不流行任务的选择函数值筛选出目标感知任务，并提交任务意向；
步骤4，筛选用于完成目标感知任务的感知节点，参与完成目标感知任务；
步骤5，为完成目标感知任务的感知节点分配奖励。
具体来说，本发明实施例，构建由群智感知平台、感知任务和感知节点组成的群智感知系统环境，如图2所示，假设环境中共有
Figure 618871DEST_PATH_IMAGE051
个感知任务（
Figure 397472DEST_PATH_IMAGE052
），
Figure 937037DEST_PATH_IMAGE053
个感知节点（
Figure 724865DEST_PATH_IMAGE054
），感知任务集合
Figure 532021DEST_PATH_IMAGE055
，对应
Figure 481523DEST_PATH_IMAGE017
中每个感知任务
Figure 508385DEST_PATH_IMAGE056
具有任务流行度标识
Figure 834324DEST_PATH_IMAGE020
，性价比系数
Figure 263031DEST_PATH_IMAGE057
，位置
Figure 383434DEST_PATH_IMAGE015
和感知半径
Figure 897592DEST_PATH_IMAGE058
，
Figure 27222DEST_PATH_IMAGE059
时表示感知任务
Figure 44856DEST_PATH_IMAGE002
为流行任务，
Figure 100275DEST_PATH_IMAGE060
时表示感知任务
Figure 836150DEST_PATH_IMAGE002
为不流行任务。
对于本发明进行仿真实验。具体参数如表1所示，
Figure 769471DEST_PATH_IMAGE051
个感知任务和
Figure 641612DEST_PATH_IMAGE053
个感知节点，敏感性递减因子
Figure 369396DEST_PATH_IMAGE061
在0.1–0.6内随机取值。
表1仿真参数表
Figure 592567DEST_PATH_IMAGE063
根据参与者节点与感知任务的距离计算流行度划分度量为：
通过公式
Figure 798421DEST_PATH_IMAGE001
将感知任务
Figure 790647DEST_PATH_IMAGE002
划分为流行任务和不流行任务；其中，e是自然常数，
Figure 689333DEST_PATH_IMAGE064
指所有感知节点距任务
Figure 898336DEST_PATH_IMAGE004
的距离和，为保证
Figure 907880DEST_PATH_IMAGE005
，则
Figure 20192DEST_PATH_IMAGE006
，p为常数，
Figure 89779DEST_PATH_IMAGE007
是第
Figure 287543DEST_PATH_IMAGE065
轮所有
Figure 835199DEST_PATH_IMAGE009
的平均值，
Figure 67597DEST_PATH_IMAGE066
,
Figure 42506DEST_PATH_IMAGE067
，
Figure 993145DEST_PATH_IMAGE068
,其中，
Figure 344491DEST_PATH_IMAGE013
表示单个感知节点，
Figure 658493DEST_PATH_IMAGE014
为参与感知任务的感知节点集合，
Figure 69883DEST_PATH_IMAGE015
指感知任务的具体位置，
Figure 242238DEST_PATH_IMAGE016
指感知节点的具体位置，
Figure 131696DEST_PATH_IMAGE017
为感知任务的集合，
Figure 338687DEST_PATH_IMAGE018
，对应
Figure 655399DEST_PATH_IMAGE017
中每个任务
Figure 49471DEST_PATH_IMAGE019
具有任务流行度标识
Figure 8200DEST_PATH_IMAGE020
，当
Figure 804117DEST_PATH_IMAGE021
时，感知任务
Figure 55845DEST_PATH_IMAGE002
为流行任务；当
Figure 937213DEST_PATH_IMAGE022
时，感知任务
Figure 168474DEST_PATH_IMAGE002
为不流行任务，
Figure 818899DEST_PATH_IMAGE023
表示流行度阈值，
Figure 8572DEST_PATH_IMAGE024
为轮次，在本实施例中
Figure 377236DEST_PATH_IMAGE069
。
构建基于敏感性递减理论的选择函数，选择函数包括性价比系数和敏感性递减因子；在流行任务和不流行任务的基础上，结合性价比系数，在等性价比系数的情况下，当敏感性递减因子位于选择函数中的不同位置时，感知节点选择不流行任务的选择函数值大于选择流行任务的选择函数值；
选择函数
Figure 412188DEST_PATH_IMAGE025
如下式所示：
Figure 182698DEST_PATH_IMAGE070
其中，
Figure 277693DEST_PATH_IMAGE027
是敏感性递减因子，且
Figure 399233DEST_PATH_IMAGE028
，
Figure 470832DEST_PATH_IMAGE029
指任务的性价比系数，
Figure 95848DEST_PATH_IMAGE030
是移动报酬，
Figure 627324DEST_PATH_IMAGE031
是移动成本，
Figure 705001DEST_PATH_IMAGE032
是指第
Figure 347335DEST_PATH_IMAGE033
轮
Figure 92437DEST_PATH_IMAGE025
的选择函数值，当
Figure 529235DEST_PATH_IMAGE034
时
Figure 94208DEST_PATH_IMAGE035
=
Figure 274654DEST_PATH_IMAGE036
，对于每个
Figure 372797DEST_PATH_IMAGE036
，其一阶导数
Figure 980496DEST_PATH_IMAGE037
，二阶导数
Figure 298345DEST_PATH_IMAGE038
，
Figure 16902DEST_PATH_IMAGE039
表示参与者节点选择不流行任务，
Figure 471018DEST_PATH_IMAGE040
表示参与者节点选择流行任务。
基于敏感性递减的选择函数的特征是，当感知节点提交同一性价比的流行任务和不流行任务时，其选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；基于这一特性，感知节点每轮提交的任务流行度意向将决定其后续轮次选择函数值的大小，即其提交的任务意向决定其后续轮次被选择的概率。因此，引入敏感性递减后，本方法未提高任务原本的性价比，且能够引导感知节点为了维持获胜率而维持对不流行任务的选择率。
本发明实施例通过选择函数可以得到感知节点采用不同的选择方案得到的选择函数值分别为：
若所述感知节点每轮都选择不流行任务，在第
Figure 515197DEST_PATH_IMAGE041
轮，根据所述选择函数计算选择函数值为
Figure 54763DEST_PATH_IMAGE042
；
若所述感知节点每轮都选择流行任务，在第
Figure 577011DEST_PATH_IMAGE041
轮，根据所述选择函数计算选择函数值为
Figure 151212DEST_PATH_IMAGE071
Figure 100713DEST_PATH_IMAGE072
；
若所述参与者节点在
Figure 366390DEST_PATH_IMAGE041
轮内，有
Figure 957909DEST_PATH_IMAGE045
次选择流行任务，有
Figure 121037DEST_PATH_IMAGE046
次选择不流行任务，根据所述选择函数计算选择函数值为
Figure 507019DEST_PATH_IMAGE047
且
Figure 21177DEST_PATH_IMAGE048
；
在所述选择函数中，若性价比系数满足
Figure 885227DEST_PATH_IMAGE049
时，感知节点每轮均选择不流行任务使自身选择函数值保持最大，最大的选择函数值为
Figure 168441DEST_PATH_IMAGE073
。
若选择感知任务的感知节点至多只有一个，群智感知平台将感知任务分配给感知节点，否则依据选择函数，在选择该感知任务的感知节点集合中，筛选出选择函数值最大的感知节点来完成感知任务；对于存在多个感知节点选择一个感知任务情况，群智感知平台将该感知任务分配给选择函数值最大的感知节点来完成，并分配等性价比系数、等流行度的任务给其他的感知节点做任务调剂。
基于上述方法，本发明实施例还提供一种提高群智感知覆盖率的系统，基于敏感性递减理论，包括：
任务划分模块，用于依据发布后的感知任务离感知节点的实际距离，将感知任务划分为流行任务和不流行任务；
选择函数建立模块，用于构建基于敏感性递减理论的选择函数，在等性价比系数下，利用选择函数计算感知节点的选择函数值，选择函数值与感知节点选择的感知任务的流行度相关，感知节点选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；
选择模块，包括感知任务竞选模块和感知节点确定模块；
感知任务竞选模块用于感知节点根据流行任务的选择函数值和不流行任务的选择函数值筛选出目标感知任务，并提交任务意向；
感知节点确定模块筛选用于完成目标感知任务的感知节点，参与完成目标感知任务；
报酬支付模块，用于为完成目标感知任务的感知节点分配奖励。
应当理解，本发明实施例中上述的各个模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，通过执行所述计算机程序，用于实现上述提高群智感知覆盖率的方法。
本发明实施例最后还提供一种提高群智感知覆盖率的设备，基于敏感性递减理论，用于数据收集，包括：存储器和处理器；
存储器用于存储计算机程序；
处理器用于执行所述存储器存储的计算机程序；
计算机程序用于实现上述提高群智感知覆盖率的方法。
为了更进一步评估本发明的性能，本发明实施例与目前现有的在空间群智感知领域中有代表性的机制——面向需求驱动的动态激励机制，即On-demand机制进行比较，结果如图3和图4所示。验证结果表明，本发明的性能均优于目前现有的最先进的方法。其中图3是参与者节点数不变的情况下，随着感知轮次的增加空间覆盖率的变化图。从图中可以看出在第一传感轮到第三传感轮On-demand机制的覆盖质量与本发明实施例的覆盖质量很接近，但第三传感轮后，本发明实施例明显优于On-demand机制，在任务性价比一致的情况下，对参与者而言，参与者节点选择标准下选择函数值最大的情况是每轮均选择不流行任务，在竞争关系下，参与者只有不断的选择不流行任务才能保证更高的选择函数值，即更高的获胜率。根据流行度函数的定义，不流行任务是远距离的，所以本发明中参与者需要前往偏远地区完成任务，覆盖质量也随之增加。图4是不同参与者人数下平台向参与者支付的平均报酬，可以看出，无论人数多少，在本发明的影响下，平台向参与者支付的平均报酬总低于On-demand机制，由于移动成本是远大于感知成本的，因此，本发明主要分析报酬中的主要因素，在前述分析中已得出本发明提高覆盖质量的方法是基于敏感性递减的选择函数，机制中所有任务的性价比是无差异的，而On-demand通过提高报酬的方式，提高覆盖质量，故本发明与之相比节省了平台成本。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种提高群智感知覆盖率的方法，基于敏感性递减理论，其特征在于，所述方法包括：
步骤1，发布感知任务，并依据所述感知任务离感知节点的实际距离，将所述感知任务划分为流行任务和不流行任务；
步骤2，构建基于敏感性递减理论的选择函数，在等性价比系数下，利用所述选择函数计算所述感知节点的选择函数值，所述选择函数值与所述感知节点选择的感知任务的流行度相关，所述感知节点选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；
步骤3，依据所述流行任务的选择函数值和不流行任务的选择函数值筛选出目标感知任务，并提交任务意向；
步骤4，筛选用于完成所述目标感知任务的感知节点，参与完成所述目标感知任务；
步骤5，为完成所述目标感知任务的所述感知节点分配奖励。
2.根据权利要求1所述提高群智感知覆盖率的方法，其特征在于，所述步骤1包括：
通过公式
Figure 394665DEST_PATH_IMAGE001
将感知任务
Figure 842964DEST_PATH_IMAGE002
划分为流行任务和不流行任务；其中，e是自然常数，
Figure 153859DEST_PATH_IMAGE003
指所有感知节点距任务
Figure 345806DEST_PATH_IMAGE002
的距离和，为保证
Figure 691337DEST_PATH_IMAGE004
，则
Figure 44958DEST_PATH_IMAGE005
，p为常数，
Figure 843150DEST_PATH_IMAGE006
是第
Figure 776471DEST_PATH_IMAGE007
轮所有
Figure 477973DEST_PATH_IMAGE008
的平均值，
Figure 2495DEST_PATH_IMAGE009
，
Figure 553562DEST_PATH_IMAGE010
，
Figure 821732DEST_PATH_IMAGE011
，其中，
Figure 876276DEST_PATH_IMAGE012
表示单个感知节点，
Figure 837279DEST_PATH_IMAGE013
为参与所述感知任务的感知节点集合，
Figure 610063DEST_PATH_IMAGE014
指所述感知任务的具体位置，
Figure 619607DEST_PATH_IMAGE015
指所述感知节点的具体位置，
Figure 794236DEST_PATH_IMAGE016
为所述感知任务的集合，
Figure 153237DEST_PATH_IMAGE017
，对应
Figure 413317DEST_PATH_IMAGE016
中每个任务
Figure 288869DEST_PATH_IMAGE018
具有任务流行度标识
Figure 318005DEST_PATH_IMAGE019
，当
Figure 620810DEST_PATH_IMAGE020
时，所述感知任务
Figure 102607DEST_PATH_IMAGE002
为流行任务；当
Figure 719533DEST_PATH_IMAGE021
时，所述感知任务
Figure 603176DEST_PATH_IMAGE002
为不流行任务，
Figure 76882DEST_PATH_IMAGE022
表示流行度阈值，
Figure 547440DEST_PATH_IMAGE023
为轮次。
3.根据权利要求1所述提高群智感知覆盖率的方法，其特征在于，所述步骤2包括：
构建基于敏感性递减理论的选择函数，所述选择函数包括性价比系数和敏感性递减因子；在等性价比系数的情况下，当敏感性递减因子位于选择函数中的不同位置时，所述感知节点选择不流行任务的选择函数值大于流行任务的选择函数值；
所述选择函数
Figure 764795DEST_PATH_IMAGE024
为：
Figure 768523DEST_PATH_IMAGE025
其中，
Figure 413131DEST_PATH_IMAGE026
是敏感性递减因子，且
Figure 869520DEST_PATH_IMAGE027
，
Figure 828249DEST_PATH_IMAGE028
指任务的性价比系数，
Figure 420904DEST_PATH_IMAGE029
是移动报酬，
Figure 236414DEST_PATH_IMAGE030
是移动成本，
Figure 180099DEST_PATH_IMAGE031
是指第
Figure 503371DEST_PATH_IMAGE032
轮
Figure 216112DEST_PATH_IMAGE033
的选择函数值，当
Figure 936943DEST_PATH_IMAGE034
时
Figure 367924DEST_PATH_IMAGE035
，对于每个
Figure 465193DEST_PATH_IMAGE036
，其一阶导数
Figure 501282DEST_PATH_IMAGE037
，二阶导数
Figure 393015DEST_PATH_IMAGE038
，
Figure 311292DEST_PATH_IMAGE039
表示参与者节点选择不流行任务，
Figure 212252DEST_PATH_IMAGE040
表示参与者节点选择流行任务。
4.根据权利要求3所述提高群智感知覆盖率的方法，其特征在于，所述选择函数值有如下计算方式：
若所述感知节点每轮都选择不流行任务，在第
Figure 135471DEST_PATH_IMAGE032
轮，根据所述选择函数计算选择函数值为
Figure 729264DEST_PATH_IMAGE041
Figure 869258DEST_PATH_IMAGE042
；
若所述感知节点每轮都选择流行任务，在第
Figure 573909DEST_PATH_IMAGE032
轮，根据所述选择函数计算选择函数值为
Figure 115749DEST_PATH_IMAGE043
Figure 818125DEST_PATH_IMAGE045
Figure 445416DEST_PATH_IMAGE047
；
若所述参与者节点在
Figure 688178DEST_PATH_IMAGE032
轮内，有
Figure 84525DEST_PATH_IMAGE048
次选择流行任务，有
Figure 258935DEST_PATH_IMAGE049
次选择不流行任务，根据所述选择函数计算选择函数值为
Figure 639101DEST_PATH_IMAGE050
且
Figure 154396DEST_PATH_IMAGE051
；
在所述选择函数中，若性价比系数满足
Figure 936407DEST_PATH_IMAGE052
时，感知节点每轮均选择不流行任务使自身选择函数值保持最大，最大的选择函数值为
Figure 777324DEST_PATH_IMAGE053
。
5.一种提高群智感知覆盖率的系统，基于敏感性递减理论，其特征在于，包括：
任务划分模块，用于依据发布后的感知任务离感知节点的实际距离，将所述感知任务划分为流行任务和不流行任务；
选择函数建立模块，用于构建基于敏感性递减理论的选择函数，在等性价比系数下，利用所述选择函数计算所述感知节点的选择函数值，所述选择函数值与所述感知节点选择的感知任务的流行度相关，所述感知节点选择不流行任务累积的选择函数值大于选择流行任务累积的选择函数值；
选择模块，包括感知任务竞选模块和感知节点确定模块；
所述感知任务竞选模块用于所述感知节点根据所述流行任务的选择函数值和不流行任务的选择函数值筛选出目标感知任务，并提交任务意向；
所述感知节点确定模块筛选用于完成所述目标感知任务的感知节点，参与完成所述目标感知任务；
报酬支付模块，用于为完成所述目标感知任务的所述感知节点分配奖励。
6.一种计算机可读存储介质，用于存储计算机程序，其特征在于，通过执行所述计算机程序，用于实现上述权利要求1-4中任意一项所述提高群智感知覆盖率的方法。
7.一种提高群智感知覆盖率的设备，用于数据收集，其特征在于，基于敏感性递减，包括：存储器和处理器；
所述存储器用于储存计算机程序；
所述处理器用于执行所述存储器存储的计算机程序；
所述计算机程序用于实现上述权利要求1-4中任意一项所述提高群智感知覆盖率的方法。
CN202210927537.7A 2022-08-03 2022-08-03 一种提高群智感知覆盖率的方法、系统、介质及设备 Active CN115002713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210927537.7A CN115002713B (zh) 2022-08-03 2022-08-03 一种提高群智感知覆盖率的方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210927537.7A CN115002713B (zh) 2022-08-03 2022-08-03 一种提高群智感知覆盖率的方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN115002713A CN115002713A (zh) 2022-09-02
CN115002713B true CN115002713B (zh) 2022-10-18

Family

ID=83022188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210927537.7A Active CN115002713B (zh) 2022-08-03 2022-08-03 一种提高群智感知覆盖率的方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN115002713B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106973392A (zh) * 2017-03-23 2017-07-21 南京邮电大学 群智感知中基于区域覆盖的一种激励方法
GB201806410D0 (en) * 2018-04-19 2018-06-06 Thales Holdings Uk Plc Apparatus and method for selecting a task to be performed by a sensor
CN108269129A (zh) * 2018-01-23 2018-07-10 重庆邮电大学 一种基于逆向拍卖的移动群智感知网络中用户激励方法
CN108337656A (zh) * 2018-01-16 2018-07-27 武汉工程大学 一种移动群智感知激励方法
CN109068288A (zh) * 2018-09-06 2018-12-21 福建师范大学 一种基于多属性用户选择移动群智感知激励机制的方法及系统
CN109636484A (zh) * 2018-12-25 2019-04-16 中南大学 一种基于行为经济学偏好理论的群智感知系统的激励方法
WO2021213293A1 (zh) * 2020-04-24 2021-10-28 西北工业大学 一种面向群智感知的泛在操作系统
CN114760585A (zh) * 2022-04-18 2022-07-15 中南大学 车辆群智感知激励方法、系统及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11057831B2 (en) * 2019-05-10 2021-07-06 Cisco Technology, Inc. Compressive sensing using target wake times

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106973392A (zh) * 2017-03-23 2017-07-21 南京邮电大学 群智感知中基于区域覆盖的一种激励方法
CN108337656A (zh) * 2018-01-16 2018-07-27 武汉工程大学 一种移动群智感知激励方法
CN108269129A (zh) * 2018-01-23 2018-07-10 重庆邮电大学 一种基于逆向拍卖的移动群智感知网络中用户激励方法
GB201806410D0 (en) * 2018-04-19 2018-06-06 Thales Holdings Uk Plc Apparatus and method for selecting a task to be performed by a sensor
CN109068288A (zh) * 2018-09-06 2018-12-21 福建师范大学 一种基于多属性用户选择移动群智感知激励机制的方法及系统
CN109636484A (zh) * 2018-12-25 2019-04-16 中南大学 一种基于行为经济学偏好理论的群智感知系统的激励方法
WO2021213293A1 (zh) * 2020-04-24 2021-10-28 西北工业大学 一种面向群智感知的泛在操作系统
CN114760585A (zh) * 2022-04-18 2022-07-15 中南大学 车辆群智感知激励方法、系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
移动群智感知中基于用户偏好的参与者选择;苏华等;《哈尔滨商业大学学报(自然科学版)》;20200815(第04期);全文 *
群智感知中基于损失厌恶的激励机制;刘佳琦;《华南理工大学学报》;20190831;全文 *

Also Published As

Publication number Publication date
CN115002713A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN108269129B (zh) 一种基于逆向拍卖的移动群智感知网络中用户激励方法
US11790284B2 (en) Receiving a request to reserve a service
US20230078338A1 (en) Prediction processing system and method of use and method of doing business
US20160277895A1 (en) System for Creating Anonymous Social Gatherings
Nie et al. A multi-leader multi-follower game-based analysis for incentive mechanisms in socially-aware mobile crowdsensing
US20150330645A1 (en) Comfort estimation and incentive design for energy efficiency
CN108681921B (zh) 一种基于随机博弈获取群智感知激励策略的方法及装置
CN108171593B (zh) 一种基于地点覆盖带预算的移动群智感知激励方法
CN109389399A (zh) 基于区块链的博彩方法、装置、计算机设备及存储介质
CN110390560A (zh) 一种基于Stackelberg博弈的移动群智感知多任务定价方法
US20190034837A1 (en) Machine learning modeling for generating client reservation value
CN109147064A (zh) 停车场收费方法、装置、设备以及可读存储介质
CN111311295B (zh) 服务方式确定方法、装置、电子设备和存储介质
CN106485415A (zh) 一种基于供需关系的带预算的移动群智感知激励方法
Easterly Empirics of strategic interdependence: the case of the racial tipping point
TWI691929B (zh) 互動式服務平台及其運作方法
CN110149161B (zh) 一种基于Stackelberg博弈的多任务协作频谱感知方法
CN109636484A (zh) 一种基于行为经济学偏好理论的群智感知系统的激励方法
CN115002713B (zh) 一种提高群智感知覆盖率的方法、系统、介质及设备
US11281738B2 (en) Secure resource allocation utilizing a learning engine
JP7255671B2 (ja) 機械学習システム、情報端末、情報処理方法、プログラム
CN112995318A (zh) 基于动态权重实现针对投票网络进行控制处理的方法、装置、处理器及其存储介质
CN117035305A (zh) 一种面向众包定位场景中基于确定性轨迹的稳定任务分配方法
US11934374B2 (en) Network-based content submission and contest management
EP3042353A1 (en) Prediction processing system and method of use and method of doing business

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