CN115099535B - 一种双目标群智感知激励机制方法 - Google Patents

一种双目标群智感知激励机制方法 Download PDF

Info

Publication number
CN115099535B
CN115099535B CN202211015471.0A CN202211015471A CN115099535B CN 115099535 B CN115099535 B CN 115099535B CN 202211015471 A CN202211015471 A CN 202211015471A CN 115099535 B CN115099535 B CN 115099535B
Authority
CN
China
Prior art keywords
worker
algorithm
platform
reward
winner
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
CN202211015471.0A
Other languages
English (en)
Other versions
CN115099535A (zh
Inventor
童飞
周远航
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202211015471.0A priority Critical patent/CN115099535B/zh
Publication of CN115099535A publication Critical patent/CN115099535A/zh
Application granted granted Critical
Publication of CN115099535B publication Critical patent/CN115099535B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种双目标群智感知激励机制方法，能够在成本或预算受限的场景下，有效激励工人参与群智感知任务；本发明提出的双目标群智感知成本受限和预算受限两种场景，能够有效体现群智感知平台的真实需求，并最大化平台的收益；本发明为两种场景分别提出相应的激励机制算法，能够有效提高群智感知平台的收益，算法包含用户招募和报酬计算两个阶段，用户招募阶段会选择合适的工人参与群智感知，报酬计算阶段会决定给予工人的奖励；本发明提出的激励机制算法具有计算有效性、个体理性、真实性和近似度，且取得的平台收益高于其他同类算法能够得到的结果。

Description

一种双目标群智感知激励机制方法
技术领域
本发明涉及物联网应用和近似算法领域，特别涉及一种预算或成本受限的双目标群智感知激励机制方法。
背景技术
近年来，随着移动设备的普及和互联网的飞速发展，群智感知作为一种有效采集感知数据的方式在各个领域得到广泛应用；群智感知系统在智能城市、环境检测、医疗健康等方面存在很多应用，针对Covid-19病毒，群智感知也能够通过感知传播路径，对病毒爆发进行预防与控制；群智感知具有很强的灵活性，能够适用于各种系统，并为其提供大量感知数据；群智感知不需要数据收集者具有专业知识，只需要通过移动设备内置的传感器收集各种数据，并通过网络提交。
目前限制群智感知的主要问题是参与度不足和数据质量不稳定，因此为群智感知系统设计有效的激励机制，提高参与度，是至关重要的；激励机制的目标是选择合适的群智感知参与者，并根据他们的贡献支付一定的奖励，奖励主要是金钱的方式；目前主流的设计思路是，设定一个优化目标，例如最大化群智感知平台的收益，据此选择合适的群智感知参与者，并决定给予他们的支付报酬。
在群智感知的很多场景中，优化目标可能不止一个；例如，在基于位置的服务中，优化目标可能是覆盖率，而同时平台的收益也能够成为优化目标；在这种存在多目标的群智感知场景中，目前主流的做法是优化最重要的一个目标，并将其余目标转化为约束条件，从而转化成单目标优化问题；然而，这种做法强调了单一目标的重要性，而忽视了其余目标的优化价值。
在多目标优化问题的研究中，现有的方法并不适用于群智感知系统；群智感知系统中，多目标优化的目的在于使得多个目标之间保持平衡，而并非总体上的优秀表现；如果某一个优化目标表现很好，而其他目标表现较差，这样的结果对于群智感知系统来说是不成功的，因为在群智感知系统中设计激励机制的目的是解决参与度不足和数据质量不稳定的问题，也就是使得群智感知系统具有鲁棒性。
发明内容
针对上述问题，本发明设计了一种双目标群智感知激励机制方法，能够同时优化群智感知平台的收益以及区域覆盖两个目标，并最大化平台收益；本发明提出了预算受限和成本受限的两种场景；在预算受限场景下，本发明提出了一种激励机制算法，包含工人招募和报酬计算两个部分；在成本受限场景下，本发明提出了另一种激励机制算法；本发明提出的激励机制算法能够取得计算有效性、个体理性、真实性、近似度等一系列性质，且取得的平台收益高于其他同类算法能够得到的结果。
本发明的技术方案是：
一种双目标群智感知激励机制方法，其包括以下步骤：
步骤1：对双目标群智感知系统进行数学建模，基于反向拍卖，建立群智感知平台、工人、群智感知任务、报酬和工人收益的数学模型；
步骤2：基于双目标群智感知系统对于最大化平台收益的需求，建立两个平台优化目标，并据此构建平台收益函数；
步骤3：根据真实需求并基于双目标群智感知系统，提出预算受限和成本受限两种场景，并分别构建两种不同的优化问题，包括预算受限双目标优化问题和成本受限双目标优化问题；
步骤4：为预算受限场景设计激励机制算法，为成本受限场景设计激励机制算法，通过激励机制算法实现用户招募步骤和报酬计算步骤，从而求解对应优化问题；
步骤5：根据激励机制算法运行结果，招募工人完成群智感知任务，并根据结果支付报酬。
进一步，所述步骤1中，双目标群智感知系统数学建模过程如下：
群智感知系统包含群智感知平台、工人和激励机制算法三种实体，其中工人的集合用
Figure 541544DEST_PATH_IMAGE001
表示，工人数量为
Figure 320144DEST_PATH_IMAGE002
；群智感知平台将
Figure 610442DEST_PATH_IMAGE003
个任务分配给工人，
Figure 398269DEST_PATH_IMAGE004
表示任务的集合，每一个任务
Figure 831525DEST_PATH_IMAGE005
都有一个对应的价值
Figure 700185DEST_PATH_IMAGE006
，所有任务都发布在不同的区域里，用
Figure 789364DEST_PATH_IMAGE007
表示区域集合，对于每一个区域
Figure 115303DEST_PATH_IMAGE008
，都对应有一个权重
Figure 668644DEST_PATH_IMAGE009
表示该区域的重要性；
每个工人
Figure 789047DEST_PATH_IMAGE010
提交一个三元组竞标
Figure 427839DEST_PATH_IMAGE011
，其中
Figure 121250DEST_PATH_IMAGE012
是
Figure 138885DEST_PATH_IMAGE010
的位置，
Figure 85981DEST_PATH_IMAGE013
是该工人的任务集合，包含其愿意执行的所有任务，
Figure 821856DEST_PATH_IMAGE014
是工人
Figure 551915DEST_PATH_IMAGE010
的报价，用
Figure 814269DEST_PATH_IMAGE015
表示
Figure 807633DEST_PATH_IMAGE010
的真实成本，
Figure 391323DEST_PATH_IMAGE015
是私密的只有本人知道；
给定竞标档案
Figure 190652DEST_PATH_IMAGE016
，激励机制的目标是选择一个赢家集合
Figure 182878DEST_PATH_IMAGE017
，并决定给予每个赢家的报酬，赢家的报酬大小应取决于其对任务的贡献，用
Figure 940619DEST_PATH_IMAGE018
报酬档案，其中
Figure 916665DEST_PATH_IMAGE019
是工人
Figure 50843DEST_PATH_IMAGE010
的报酬，如果工人
Figure 726937DEST_PATH_IMAGE010
是输家，则
Figure 62104DEST_PATH_IMAGE020
；
工人
Figure 118922DEST_PATH_IMAGE010
的收益能够通过报酬减去真实成本计算，即
Figure 260053DEST_PATH_IMAGE021
（1）。
进一步，所述步骤2中，平台优化目标和平台收益函数构建如下：
平台有两个优化目标，分别是总价值和覆盖；总价值函数
Figure 226872DEST_PATH_IMAGE022
定义为所有赢家执行任务的价值之和，计算公式为
Figure 326415DEST_PATH_IMAGE023
（2）
平台希望能够最大化价值函数，此外，平台同时也希望区域覆盖能够尽可能地大，覆盖函数𝐶𝑜𝑣定义为
Figure 277053DEST_PATH_IMAGE024
（3）
其中
Figure 254499DEST_PATH_IMAGE025
是
Figure 403721DEST_PATH_IMAGE026
中赢家在区域
Figure 549531DEST_PATH_IMAGE027
执行任务的数量，参数
Figure 846520DEST_PATH_IMAGE028
用于平衡总价值函数和覆盖函数的值，
Figure 329454DEST_PATH_IMAGE029
是一个用于控制收益递减梯度的系统参数；
平台的最终目的是最大化平台收益，将平台的收益函数
Figure 5286DEST_PATH_IMAGE030
定义为总价值函数和覆盖函数中的较小值，即
Figure 213676DEST_PATH_IMAGE031
（4）。
进一步，所述步骤3中，预算受限双目标优化问题构建如下：
平台需要在给予赢家的报酬之和不超过给定预算的前提下，最大化平台的收益函数，该问题为预算受限双目标优化问题，形式化为
Figure 873327DEST_PATH_IMAGE032
（5）
其中
Figure 691111DEST_PATH_IMAGE033
为给定的预算限额。
进一步，所述步骤4中，预算受限场景的激励机制算法BBOM，包含工人招募算法和报酬计算算法；
进一步，定义如下函数
Figure 814924DEST_PATH_IMAGE034
（6）
其中
Figure 568117DEST_PATH_IMAGE035
是激励机制中的搜索值；
所述激励机制算法的目标是求解公式（5）所述的预算受限双目标优化问题，步骤如下：
S1.1：初始化搜索的下界
Figure 308540DEST_PATH_IMAGE036
，初始化搜索的下界
Figure 70959DEST_PATH_IMAGE037
，初始化赢家集合
Figure 347482DEST_PATH_IMAGE038
；
S1.2：如果
Figure 333893DEST_PATH_IMAGE039
执行S1.3，否则跳转到S1.13，其中
Figure 30453DEST_PATH_IMAGE040
是搜索精度；
S1.3：计算当前搜索值
Figure 455618DEST_PATH_IMAGE041
，并初始化临时赢家集合
Figure 960549DEST_PATH_IMAGE042
；
S1.4：如果
Figure 681643DEST_PATH_IMAGE043
执行S1.5，否则跳转到S1.8；
S1.5：找到
Figure 599920DEST_PATH_IMAGE044
最大的工人
Figure 438563DEST_PATH_IMAGE045
；
S1.6：将工人
Figure 453793DEST_PATH_IMAGE045
添加到集合
Figure 47585DEST_PATH_IMAGE046
中；
S1.7：返回S1.4；
S1.8：调用报酬计算算法
Figure 125262DEST_PATH_IMAGE047
，并将
Figure 381976DEST_PATH_IMAGE048
和当前的搜索值
Figure 189395DEST_PATH_IMAGE049
作为输入，得到报酬档案
Figure 626193DEST_PATH_IMAGE050
；
S1.9：如果
Figure 581379DEST_PATH_IMAGE051
执行步骤S1.10，否则跳转到步骤S1.11；
S1.10：更新搜索上界
Figure 761825DEST_PATH_IMAGE052
，跳转到步骤S1.12；
S1.11：更新搜索下界
Figure 689330DEST_PATH_IMAGE053
，更新赢家集合
Figure 923127DEST_PATH_IMAGE054
；
S1.12：返回步骤S1.2；
S1.13：调用报酬计算算法
Figure 975397DEST_PATH_IMAGE047
，并将
Figure 84167DEST_PATH_IMAGE055
和
Figure 866178DEST_PATH_IMAGE056
作为输入，得到最终报酬档案
Figure 644778DEST_PATH_IMAGE057
；
S1.14：输出
Figure 43399DEST_PATH_IMAGE058
。
进一步，所述激励机制算法BBOM中的报酬计算算法
Figure 831226DEST_PATH_IMAGE047
步骤如下：
S2.1：对于工人集合
Figure DEST_PATH_IMAGE059
中的每个工人
Figure 562684DEST_PATH_IMAGE060
，执行报酬初始化
Figure 512185DEST_PATH_IMAGE061
；
S2.2：对于赢家集合
Figure 929260DEST_PATH_IMAGE062
中的每个赢家
Figure 51937DEST_PATH_IMAGE060
，执行步骤S2.3-S2.8；
S2.3：初始化临时赢家集合
Figure 310005DEST_PATH_IMAGE063
；
S2.4：如果
Figure 820621DEST_PATH_IMAGE064
执行S2.5，否则跳转到S2.2；
S2.5：找到集合
Figure 724992DEST_PATH_IMAGE065
值最大的工人
Figure 418404DEST_PATH_IMAGE066
；
S2.6：更新赢家
Figure 701618DEST_PATH_IMAGE060
的报酬
Figure 383135DEST_PATH_IMAGE068
；
S2.7：将工人
Figure 119010DEST_PATH_IMAGE066
添加到集合
Figure 114647DEST_PATH_IMAGE069
中；
S2.8：返回S2.4；
S2.9：输出报酬档案
Figure 377001DEST_PATH_IMAGE070
。
所述步骤3中，成本受限双目标优化问题构建如下：
平台需要在选择赢家的成本之和不超过给定约束的前提下，最大化平台的收益函数，该问题为成本受限双目标优化问题，形式化为
Figure 104786DEST_PATH_IMAGE071
（7）
其中
Figure 954056DEST_PATH_IMAGE072
为给定的成本约束。
进一步，所述步骤4中，成本受限场景的激励机制算法CBOM，包含工人招募算法和报酬计算算法，其中报酬计算算法与预算受限场景的激励机制算法中的报酬计算算法
Figure 753384DEST_PATH_IMAGE073
一致；
所述激励机制算法的目标是求解公式（7）所述的成本受限双目标优化问题，步骤如下：
S3.1：初始化搜索的下界
Figure 745611DEST_PATH_IMAGE074
，初始化搜索的下界
Figure 768931DEST_PATH_IMAGE075
，初始化赢家集合
Figure 479398DEST_PATH_IMAGE076
；
S3.2：如果
Figure 613576DEST_PATH_IMAGE077
执行S1.3，否则跳转到S3.12，其中
Figure 289670DEST_PATH_IMAGE078
是搜索精度；
S3.3：计算当前搜索值
Figure 359257DEST_PATH_IMAGE079
，并初始化临时赢家集合
Figure 681654DEST_PATH_IMAGE080
；
S3.4：如果
Figure 494889DEST_PATH_IMAGE081
执行S3.5，否则跳转到S3.8；
S3.5：找到
Figure 524025DEST_PATH_IMAGE082
最大的工人
Figure 889148DEST_PATH_IMAGE083
；
S3.6：将工人
Figure 574207DEST_PATH_IMAGE083
添加到集合
Figure 551652DEST_PATH_IMAGE084
中；
S3.7：返回S3.4；
S3.8：如果
Figure 372978DEST_PATH_IMAGE085
执行S3.9，否则跳转到S3.10；
S3.9：更新搜索上界
Figure 112264DEST_PATH_IMAGE086
，跳转到S3.11；
S3.10：更新搜索下界
Figure 143674DEST_PATH_IMAGE087
，更新赢家集合
Figure 564291DEST_PATH_IMAGE088
；
S3.11：返回S3.2；
S3.12：调用报酬计算算法
Figure 364757DEST_PATH_IMAGE073
，并将
Figure 788127DEST_PATH_IMAGE089
和
Figure 447779DEST_PATH_IMAGE090
作为输入，得到最终报酬档案
Figure 265562DEST_PATH_IMAGE091
；
S3.13：输出
Figure 389376DEST_PATH_IMAGE092
。
进一步，所述激励机制算法CBOM中的报酬计算算法
Figure 876989DEST_PATH_IMAGE073
步骤如下：
S4.1：对于工人集合
Figure 148570DEST_PATH_IMAGE093
中的每个工人
Figure 645411DEST_PATH_IMAGE083
，执行报酬初始化
Figure 125196DEST_PATH_IMAGE094
；
S4.2：对于赢家集合
Figure 439503DEST_PATH_IMAGE095
中的每个赢家
Figure 870484DEST_PATH_IMAGE083
，执行步骤S4.3-S4.8；
S4.3：初始化临时赢家集合
Figure 905436DEST_PATH_IMAGE096
；
S4.4：如果
Figure 66159DEST_PATH_IMAGE097
执行S4.5，否则跳转到S4.2；
S4.5：找到集合
Figure 161154DEST_PATH_IMAGE098
值最大的工人
Figure 580896DEST_PATH_IMAGE099
；
S4.6：更新赢家
Figure 544173DEST_PATH_IMAGE100
的报酬
Figure 434769DEST_PATH_IMAGE102
；
S4.7：将工人
Figure 825299DEST_PATH_IMAGE099
添加到集合
Figure 230872DEST_PATH_IMAGE103
中；
S4.8：返回S4.4；
S4.9：输出报酬档案
Figure 873206DEST_PATH_IMAGE104
。
进一步，所述步骤5中，根据激励机制算法的运行结果，进行工人招募，工人完成相应的群智感知任务，并根据激励机制计算得到的报酬数值，分别给予每个工人相应的报酬，完成整个群智感知流程。
本发明的有益效果是：本发明提出的双目标群智感知激励机制方法能够同时优化价值和覆盖两个目标函数；预算受限场景与成本受限场景能够反映真实应用需求，保证群智感知系统的可实施性；本发明所提出的激励机制算法能够有效提高群智感知平台收益，同时提高群智感知中的区域覆盖，且得到的结果要优于其他同类算法所得到的结果；本发明所提出的激励机制算法满足计算有效性、个体理性、真实性和近似度等一系列性质，且取得的平台收益高于其他同类算法能够得到的结果；本发明所提出的双目标群智感知激励机制方法能够普遍适用于一般群智感知系统，并且能够扩展至多目标群智感知场景进行使用，而仍保留普适性。
附图说明
附图1是双目标群智感知激励机制方法的流程示意图；
附图2是预算受限场景的激励机制算法BBOM的流程示意图；
附图3是激励机制算法中的报酬计算算法的流程示意图；
附图4是成本受限场景的激励机制算法CBOM的流程示意图；
附图5是激励机制BBOM与其他算法在工人数量变化时的性能比较图；
附图6是激励机制CBOM与其他算法在工人数量变化时的性能比较图；
附图7是激励机制BBOM与其他算法在工人任务数量范围变化时的性能比较图；
附图8是激励机制CBOM与其他算法在工人任务数量范围变化时的性能比较图；
附图9是激励机制BBOM与其他算法在工人预算变化时的性能比较图；
附图10是激励机制CBOM与其他算法在工人成本限额变化时的性能比较图；
附图11是激励机制BBOM与其他算法运行时间结果比较图；
附图12是激励机制CBOM与其他算法运行时间结果比较图。
具体实施方式
以下结合附图，对本发明的技术方案和效果进行详细说明。还提供一个和同类激励机制算法进行比较的仿真结果作为实施例，但此实施例仅作为示例，目的在于解释本发明，不能理解为本发明的限制。
实施例1：如图1所示，一种双目标群智感知激励机制方法，其包括以下步骤：
步骤1：对双目标群智感知系统进行数学建模，基于反向拍卖，建立群智感知平台、工人、群智感知任务、报酬和工人收益的数学模型；
步骤2：基于双目标群智感知系统对于最大化平台收益的需求，建立两个平台优化目标，并据此构建平台收益函数；
步骤3：根据真实需求并基于双目标群智感知系统，提出预算受限和成本受限两种场景，并分别构建两种不同的优化问题，包括预算受限双目标优化问题和成本受限双目标优化问题；
步骤4：为预算受限场景设计激励机制算法，为成本受限场景设计激励机制算法，通过激励机制算法实现用户招募步骤和报酬计算步骤，从而求解对应优化问题；
步骤5：根据激励机制算法运行结果，招募工人完成群智感知任务，并根据结果支付报酬。
进一步，所述步骤1中，所述步骤1中，双目标群智感知系统数学建模过程如下：
群智感知系统包含群智感知平台、工人和激励机制算法三种实体，其中工人的集合用
Figure 978828DEST_PATH_IMAGE105
表示，工人数量为
Figure 415625DEST_PATH_IMAGE002
；群智感知平台将
Figure 308495DEST_PATH_IMAGE003
个任务分配给工人，
Figure 613574DEST_PATH_IMAGE106
表示任务的集合，每一个任务
Figure 213183DEST_PATH_IMAGE107
都有一个对应的价值
Figure 148778DEST_PATH_IMAGE108
，所有任务都发布在不同的区域里，用
Figure 827146DEST_PATH_IMAGE109
表示区域集合，对于每一个区域
Figure 811283DEST_PATH_IMAGE110
，都对应有一个权重
Figure 390032DEST_PATH_IMAGE111
表示该区域的重要性；
每个工人
Figure 496528DEST_PATH_IMAGE010
提交一个三元组竞标
Figure 36094DEST_PATH_IMAGE112
，其中
Figure 948555DEST_PATH_IMAGE113
是
Figure 257176DEST_PATH_IMAGE010
的位置，
Figure 832776DEST_PATH_IMAGE114
是该工人的任务集合，包含其愿意执行的所有任务，
Figure 187534DEST_PATH_IMAGE115
是工人
Figure 513474DEST_PATH_IMAGE010
的报价，用
Figure 4498DEST_PATH_IMAGE116
表示
Figure 515113DEST_PATH_IMAGE010
的真实成本，
Figure 29271DEST_PATH_IMAGE116
是私密的只有本人知道；
给定竞标档案
Figure 519421DEST_PATH_IMAGE117
，激励机制的目标是选择一个赢家集合
Figure 130531DEST_PATH_IMAGE118
，并决定给予每个赢家的报酬，赢家的报酬大小应取决于其对任务的贡献，用
Figure 421835DEST_PATH_IMAGE119
报酬档案，其中
Figure 547923DEST_PATH_IMAGE120
是工人
Figure 809140DEST_PATH_IMAGE010
的报酬，如果工人
Figure 41800DEST_PATH_IMAGE010
是输家，则
Figure 97481DEST_PATH_IMAGE121
；
工人
Figure 648548DEST_PATH_IMAGE010
的收益能够通过报酬减去真实成本计算，即
Figure 119981DEST_PATH_IMAGE122
（1）。
进一步，所述步骤2中，平台优化目标和平台收益函数构建如下：
平台有两个优化目标，分别是总价值和覆盖；总价值函数
Figure 236841DEST_PATH_IMAGE123
定义为所有赢家执行任务的价值之和，计算公式为
Figure 953169DEST_PATH_IMAGE124
（2）
平台希望能够最大化价值函数，此外，平台同时也希望区域覆盖能够尽可能地大，覆盖函数𝐶𝑜𝑣定义为
Figure 663636DEST_PATH_IMAGE125
（3）
其中
Figure 532235DEST_PATH_IMAGE126
是
Figure 910127DEST_PATH_IMAGE127
中赢家在区域
Figure 838769DEST_PATH_IMAGE027
执行任务的数量，参数
Figure 364428DEST_PATH_IMAGE028
用于平衡总价值函数和覆盖函数的值，
Figure 912084DEST_PATH_IMAGE128
是一个用于控制收益递减梯度的系统参数；
平台的最终目的是最大化平台收益，将平台的收益函数
Figure 770581DEST_PATH_IMAGE129
定义为总价值函数和覆盖函数中的较小值，即
Figure 338965DEST_PATH_IMAGE130
（4）。
进一步，所述步骤3中，预算受限双目标优化问题构建如下：
平台需要在给予赢家的报酬之和不超过给定预算的前提下，最大化平台的收益函数，该问题为预算受限双目标优化问题，形式化为
Figure 24025DEST_PATH_IMAGE131
（5）
其中
Figure 500005DEST_PATH_IMAGE132
为给定的预算限额。
进一步，如图2所示，所述步骤4中，预算受限场景的激励机制算法BBOM，包含工人招募算法和报酬计算算法；
进一步，定义如下函数
Figure 321331DEST_PATH_IMAGE133
（6）
其中
Figure DEST_PATH_IMAGE134
是激励机制中的搜索值；
所述激励机制算法的目标是求解公式（5）所述的预算受限双目标优化问题，步骤如下：
S1.1：初始化搜索的下界
Figure 421136DEST_PATH_IMAGE135
，初始化搜索的下界
Figure DEST_PATH_IMAGE136
，初始化赢家集合
Figure 452546DEST_PATH_IMAGE137
；
S1.2：如果
Figure 466638DEST_PATH_IMAGE138
执行S1.3，否则跳转到S1.13，其中
Figure 237410DEST_PATH_IMAGE139
是搜索精度；
S1.3：计算当前搜索值
Figure 413177DEST_PATH_IMAGE140
，并初始化临时赢家集合
Figure 72828DEST_PATH_IMAGE141
；
S1.4：如果
Figure 890612DEST_PATH_IMAGE142
执行S1.5，否则跳转到S1.8；
S1.5：找到
Figure 748846DEST_PATH_IMAGE143
最大的工人
Figure 502039DEST_PATH_IMAGE045
；
S1.6：将工人
Figure 275085DEST_PATH_IMAGE045
添加到集合
Figure 771925DEST_PATH_IMAGE144
中；
S1.7：返回S1.4；
S1.8：调用报酬计算算法
Figure 546983DEST_PATH_IMAGE073
，并将
Figure 205498DEST_PATH_IMAGE145
和当前的搜索值
Figure 902058DEST_PATH_IMAGE146
作为输入，得到报酬档案
Figure 61644DEST_PATH_IMAGE147
；
S1.9：如果
Figure 97733DEST_PATH_IMAGE148
执行步骤S1.10，否则跳转到步骤S1.11；
S1.10：更新搜索上界
Figure 553248DEST_PATH_IMAGE149
，跳转到步骤S1.12；
S1.11：更新搜索下界
Figure 737104DEST_PATH_IMAGE150
，更新赢家集合
Figure 575747DEST_PATH_IMAGE151
；
S1.12：返回步骤S1.2；
S1.13：调用报酬计算算法
Figure 325397DEST_PATH_IMAGE073
，并将
Figure 591294DEST_PATH_IMAGE152
和
Figure 793605DEST_PATH_IMAGE153
作为输入，得到最终报酬档案
Figure 265300DEST_PATH_IMAGE057
；
S1.14：输出
Figure 744823DEST_PATH_IMAGE154
。
进一步，如图3所示，所述激励机制算法BBOM中的报酬计算算法
Figure 571833DEST_PATH_IMAGE047
步骤如下：
S2.1：对于工人集合
Figure 136807DEST_PATH_IMAGE059
中的每个工人
Figure 645149DEST_PATH_IMAGE060
，执行报酬初始化
Figure 103812DEST_PATH_IMAGE061
；
S2.2：对于赢家集合
Figure 711511DEST_PATH_IMAGE062
中的每个赢家
Figure 655458DEST_PATH_IMAGE060
，执行步骤S2.3-S2.8；
S2.3：初始化临时赢家集合
Figure 374015DEST_PATH_IMAGE063
；
S2.4：如果
Figure 156027DEST_PATH_IMAGE064
执行S2.5，否则跳转到S2.2；
S2.5：找到集合
Figure 59260DEST_PATH_IMAGE065
值最大的工人
Figure 598826DEST_PATH_IMAGE066
；
S2.6：更新赢家
Figure 511287DEST_PATH_IMAGE060
的报酬
Figure 819909DEST_PATH_IMAGE068
；
S2.7：将工人
Figure 610490DEST_PATH_IMAGE066
添加到集合
Figure 496407DEST_PATH_IMAGE069
中；
S2.8：返回S2.4；
S2.9：输出报酬档案
Figure 822346DEST_PATH_IMAGE070
。
进一步，所述步骤3中，成本受限双目标优化问题构建如下：
平台需要在选择赢家的成本之和不超过给定约束的前提下，最大化平台的收益函数，该问题为成本受限双目标优化问题，形式化为
Figure 375687DEST_PATH_IMAGE155
（7）
其中
Figure 496090DEST_PATH_IMAGE156
为给定的成本约束。
进一步，如图4所示，所述步骤4中，成本受限场景的激励机制算法CBOM，包含工人招募算法和报酬计算算法，其中报酬计算算法与预算受限场景的激励机制算法中的报酬计算算法
Figure 338144DEST_PATH_IMAGE073
一致；
所述激励机制算法的目标是优化公式（7）所述的成本受限双目标优化问题，步骤如下：
S3.1：初始化搜索的下界
Figure 828293DEST_PATH_IMAGE157
，初始化搜索的下界
Figure 111507DEST_PATH_IMAGE075
，初始化赢家集合
Figure 793024DEST_PATH_IMAGE076
；
S3.2：如果
Figure 528899DEST_PATH_IMAGE077
执行S1.3，否则跳转到S3.12，其中
Figure 524537DEST_PATH_IMAGE078
是搜索精度；
S3.3：计算当前搜索值
Figure 521311DEST_PATH_IMAGE079
，并初始化临时赢家集合
Figure 249096DEST_PATH_IMAGE158
；
S3.4：如果
Figure 363945DEST_PATH_IMAGE159
执行S3.5，否则跳转到S3.8；
S3.5：找到
Figure 569798DEST_PATH_IMAGE082
最大的工人
Figure 889921DEST_PATH_IMAGE083
；
S3.6：将工人
Figure 913241DEST_PATH_IMAGE083
添加到集合
Figure 623708DEST_PATH_IMAGE084
中；
S3.7：返回S3.4；
S3.8：如果
Figure 757886DEST_PATH_IMAGE085
执行S3.9，否则跳转到S3.10；
S3.9：更新搜索上界
Figure 699559DEST_PATH_IMAGE086
，跳转到S3.11；
S3.10：更新搜索下界
Figure 503567DEST_PATH_IMAGE087
，更新赢家集合
Figure 825964DEST_PATH_IMAGE088
；
S3.11：返回S3.2；
S3.12：调用报酬计算算法
Figure 639199DEST_PATH_IMAGE073
，并将
Figure 933915DEST_PATH_IMAGE089
和
Figure 33458DEST_PATH_IMAGE090
作为输入，得到最终报酬档案
Figure 984096DEST_PATH_IMAGE091
；
S3.13：输出
Figure 961542DEST_PATH_IMAGE092
。
进一步，所述激励机制算法CBOM中的报酬计算算法
Figure 110763DEST_PATH_IMAGE047
步骤如下：
S4.1：对于工人集合
Figure 522153DEST_PATH_IMAGE093
中的每个工人
Figure 553563DEST_PATH_IMAGE083
，执行报酬初始化
Figure 708601DEST_PATH_IMAGE094
；
S4.2：对于赢家集合
Figure 977908DEST_PATH_IMAGE160
中的每个赢家
Figure 920719DEST_PATH_IMAGE083
，执行步骤S4.3-S4.8；
S4.3：初始化临时赢家集合
Figure 580370DEST_PATH_IMAGE096
；
S4.4：如果
Figure 398153DEST_PATH_IMAGE097
执行S4.5，否则跳转到S4.2；
S4.5：找到集合
Figure 521967DEST_PATH_IMAGE161
值最大的工人
Figure 275159DEST_PATH_IMAGE099
；
S4.6：更新赢家
Figure 546741DEST_PATH_IMAGE100
的报酬
Figure 778002DEST_PATH_IMAGE102
；
S4.7：将工人
Figure 257787DEST_PATH_IMAGE099
添加到集合
Figure 306515DEST_PATH_IMAGE103
中；
S4.8：返回S4.4；
S4.9：输出报酬档案
Figure 675179DEST_PATH_IMAGE104
。
进一步，所述步骤5中，根据激励机制算法的运行结果，进行工人招募，工人完成相应的群智感知任务，并根据激励机制计算得到的报酬数值，分别给予每个工人相应的报酬，完成整个群智感知流程。
为进一步阐明本发明所述双目标群智感知激励机制算法的性质，给出如下定义：
（1）计算有效性：如果赢家集合
Figure 897082DEST_PATH_IMAGE162
和报酬
Figure 402013DEST_PATH_IMAGE163
能够在多项式时间内计算得到，那么激励机制是计算有效的；
（2）个体理性：每个工人都能够通过真实报价得到非负的收益，即
Figure 388685DEST_PATH_IMAGE164
，
（3）预算可行性：如果总的报酬和不超过预算
Figure 572542DEST_PATH_IMAGE165
，即
Figure 411185DEST_PATH_IMAGE166
，那么激励机制是预算可行的；
（4）成本可行性：如果赢家的报价和不超过成本限制
Figure 957573DEST_PATH_IMAGE167
，即
Figure 223469DEST_PATH_IMAGE168
，那么激励机制是成本可行的；
（5）真实性：如果所有工人都不能够通过虚假报价提升自己的收益，那么激励机制是真实的；
（6）近似度：激励机制的目标是最大化平台的收益。如果满足
Figure 181106DEST_PATH_IMAGE169
，其中
Figure 151336DEST_PATH_IMAGE170
是激励机制针对问题
Figure 896438DEST_PATH_IMAGE171
的最差结果，
Figure 661132DEST_PATH_IMAGE172
是问题
Figure 616318DEST_PATH_IMAGE173
的最优结果，且问题
Figure 531184DEST_PATH_IMAGE173
与问题
Figure 960154DEST_PATH_IMAGE171
间的约束条件成
Figure 692487DEST_PATH_IMAGE174
的关系，那么激励机制针对问题
Figure 10336DEST_PATH_IMAGE173
具有近似度
Figure 853527DEST_PATH_IMAGE175
。
进一步，本发明所述的预算受限场景的激励机制算法BBOM和成本受限场景的激励机制算法CBOM具有如下性质：
1、激励机制算法BBOM是计算有效的；
证明：二分搜索
Figure 635538DEST_PATH_IMAGE176
的运行次数为
Figure 100002_DEST_PATH_IMAGE177
。赢家的数量至多为
Figure 509078DEST_PATH_IMAGE178
，因此S1.4-S1.7的循环消耗时间为
Figure 314223DEST_PATH_IMAGE179
。给定赢家集合
Figure 961105DEST_PATH_IMAGE180
和一个可行的二分搜索值
Figure 597623DEST_PATH_IMAGE181
，S1.8调用报酬计算算法
Figure 547124DEST_PATH_IMAGE073
计算报酬。在报酬计算算法中，循环S2.4-S2.8类似于循环S1.4-S1.7，其运行时间为
Figure 698620DEST_PATH_IMAGE182
。又由于赢家数量至多为
Figure 24559DEST_PATH_IMAGE178
，所以报酬计算算法的时间复杂度为
Figure 282627DEST_PATH_IMAGE183
。激励机制算法BBOM的运行时间是由S1.8决定的，因此激励机制算法BBOM的时间复杂度为
Figure 527664DEST_PATH_IMAGE184
。激励机制算法BBOM是计算有效的。
2、激励机制算法CBOM是计算有效的；
证明：二分搜索（S3.2-S1.11）的运行次数为
Figure 369718DEST_PATH_IMAGE185
。赢家的数量至多为
Figure 233769DEST_PATH_IMAGE178
，因此S3.4-S3.7的循环消耗时间为
Figure 376037DEST_PATH_IMAGE179
。所以，激励机制算法CBOM的工人招募算法时间复杂度为
Figure 198500DEST_PATH_IMAGE186
。由前文激励机制算法BBOM的时间复杂度证明，报酬计算算法
Figure 763735DEST_PATH_IMAGE047
的时间复杂度为
Figure 290532DEST_PATH_IMAGE187
。因此，激励机制算法CBOM的时间复杂度为
Figure 693831DEST_PATH_IMAGE188
。激励机制算法CBOM是计算有效的。
3、激励机制算法BBOM和激励机制算法CBOM是个体理性的；
证明：用
Figure 546250DEST_PATH_IMAGE189
表示工人
Figure 831737DEST_PATH_IMAGE190
的替代者，其在集合
Figure 303170DEST_PATH_IMAGE191
中排名第
Figure 921495DEST_PATH_IMAGE192
位。如果
Figure 554602DEST_PATH_IMAGE190
被考虑了，那么工人
Figure 655282DEST_PATH_IMAGE189
的排名也不再为
Figure 664826DEST_PATH_IMAGE192
。因此，有
Figure 839456DEST_PATH_IMAGE193
由定义，激励机制算法BBOM和激励机制算法CBOM是个体理性的。
4、激励机制算法BBOM和激励机制算法CBOM是真实的；
要证明真实性，首先介绍梅尔森定理，
一个拍卖机制是真实的，当且仅当：
选择规则是单调的：如果用户
Figure 33677DEST_PATH_IMAGE194
以报价
Figure DEST_PATH_IMAGE195
赢得了拍卖，那么用户
Figure 326380DEST_PATH_IMAGE194
以报价
Figure 139615DEST_PATH_IMAGE196
同样能够赢得拍卖；
每个赢家都得到了关键支付：如果用户
Figure 434330DEST_PATH_IMAGE194
报价高于该值，那么用户
Figure 533873DEST_PATH_IMAGE194
将不再能够赢得拍卖。
证明：根据梅尔森定理，要证明真实性，只需证明激励机制BBOM的选择规则是单调的，且
Figure 484512DEST_PATH_IMAGE197
是
Figure 960493DEST_PATH_IMAGE194
的关键支付。
首先，如果报价更小，工人的排名只会提升而不会下降，因此激励机制BBOM的选择规则是单调的。
然后证明
Figure 611179DEST_PATH_IMAGE197
是工人
Figure 756990DEST_PATH_IMAGE194
的关键支付。注意到
Figure 53979DEST_PATH_IMAGE198
。如果工人
Figure 209017DEST_PATH_IMAGE194
报价
Figure 212745DEST_PATH_IMAGE199
，那么工人
Figure 919670DEST_PATH_IMAGE194
的排名就会在
Figure 579321DEST_PATH_IMAGE200
位之后，这是因为
Figure 113550DEST_PATH_IMAGE201
能够推出
Figure 34102DEST_PATH_IMAGE202
。在这种情况下，赢家集合只会包含前
Figure 787294DEST_PATH_IMAGE200
个工人， 工人
Figure 527717DEST_PATH_IMAGE194
将会输掉拍卖。因此激励机制算法BBOM和激励机制算法CBOM是真实的。
5、激励机制算法BBOM是预算可行的；
证明：激励机制BBOM输出一个赢家集合
Figure 290137DEST_PATH_IMAGE203
，同时得到一个可行的
Figure 65195DEST_PATH_IMAGE204
，能够保证
Figure 818649DEST_PATH_IMAGE205
成立。因此激励机制算法BBOM是预算可行的。
6、激励机制算法CBOM是成本可行的；
证明：激励机制CBOM输出一个赢家集合
Figure 187314DEST_PATH_IMAGE203
，同时得到一个可行的
Figure 346900DEST_PATH_IMAGE204
，能够保证
Figure 117409DEST_PATH_IMAGE206
成立。因此激励机制算法CBOM是成本可行的。
7、激励机制算法CBOM对于如下问题
Figure 337038DEST_PATH_IMAGE207
，具有
Figure 255316DEST_PATH_IMAGE208
的近似度：
Figure 93959DEST_PATH_IMAGE209
其中
Figure 345074DEST_PATH_IMAGE210
。问题
Figure 876549DEST_PATH_IMAGE211
与公式（7）表示的问题
Figure 282123DEST_PATH_IMAGE212
的约束条件成
Figure 783511DEST_PATH_IMAGE213
关系。
证明：要证明激励机制算法CBOM的近似度，首先介绍已有工作已证明的如下定理，
贪心策略在计算子模集合覆盖问题时，能够得到
Figure 263034DEST_PATH_IMAGE214
的近似度，子模集合覆盖问题形式化为
Figure 90045DEST_PATH_IMAGE215
其中
Figure 655018DEST_PATH_IMAGE216
。
根据该定理，能够得到
Figure 664825DEST_PATH_IMAGE217
其中
Figure 389067DEST_PATH_IMAGE218
是激励机制算法CBOM中的贪心策略得到针对下面问题的解
Figure 262345DEST_PATH_IMAGE219
Figure 173669DEST_PATH_IMAGE220
Figure 157806DEST_PATH_IMAGE221
是该问题的最优解。因此，激励机制算法CBOM关于如下问题具有
Figure 939817DEST_PATH_IMAGE222
的近似度：
Figure 344516DEST_PATH_IMAGE223
；
问题
Figure 884082DEST_PATH_IMAGE224
的最优解理论上能够通过设置收敛临界值
Figure 530964DEST_PATH_IMAGE225
为0得到。类似地，通过设置
Figure 167481DEST_PATH_IMAGE225
为0，在激励机制算法CBOM中能够用二分搜索方法找到最大的
Figure 116983DEST_PATH_IMAGE226
。用
Figure 534058DEST_PATH_IMAGE227
表示问题P1’的最优解，用
Figure 594418DEST_PATH_IMAGE228
表示激励机制CBOM关于问题P1得到的解，那么可以得到如下的关系式：
Figure 649224DEST_PATH_IMAGE229
。因此，激励机制算法CBOM的近似度得到证明。
实施:2：
用一个例子模拟所述双目标群智感知预算受限场景激励机制算法BBOM和所述双目标群智感知成本受限场景激励机制算法CBOM的运行：假设工人集合
Figure 769626DEST_PATH_IMAGE230
，任务集合
Figure 346101DEST_PATH_IMAGE231
，任务
Figure 334786DEST_PATH_IMAGE232
对应的价值
Figure 883579DEST_PATH_IMAGE233
的价值分别为200,250,300,350,400,450，区域集合
Figure 299517DEST_PATH_IMAGE234
，的权重分别为400和300，任务
Figure DEST_PATH_IMAGE235
位于区域
Figure 333594DEST_PATH_IMAGE236
，任务
Figure 125969DEST_PATH_IMAGE237
位于区域
Figure 529269DEST_PATH_IMAGE238
，工人的任务集合分别为
Figure 116108DEST_PATH_IMAGE239
Figure 667175DEST_PATH_IMAGE240
工人的报价分别为
Figure 233548DEST_PATH_IMAGE241
；
参数固定如下：
Figure 491354DEST_PATH_IMAGE242
；
设置预算
Figure 249094DEST_PATH_IMAGE243
，双目标群智感知预算受限场景激励机制算法BBOM的运行步骤是：
步骤S1.1：初始化搜索的下界
Figure 287458DEST_PATH_IMAGE244
，初始化搜索的下界
Figure 297002DEST_PATH_IMAGE245
，初始化赢家集合
Figure 533948DEST_PATH_IMAGE246
；
步骤S1.2：
Figure 603535DEST_PATH_IMAGE247
，满足条件，执行S1.3；
步骤S1.3：计算当前搜索值
Figure 353361DEST_PATH_IMAGE248
，初始化临时赢家集合
Figure 291230DEST_PATH_IMAGE249
；
步骤S1.4：
Figure 992470DEST_PATH_IMAGE250
，满足条件，执行S1.5；
步骤S1.5：找到
Figure 623172DEST_PATH_IMAGE251
最大的工人
Figure 42652DEST_PATH_IMAGE252
；
步骤S1.6：
Figure 518632DEST_PATH_IMAGE253
，返回S1.4；
步骤S1.4：
Figure 169319DEST_PATH_IMAGE254
，满足条件，执行S1.5；
步骤S1.5：找到
Figure 580709DEST_PATH_IMAGE255
最大的工人
Figure 877698DEST_PATH_IMAGE256
；
步骤S1.6：
Figure 32736DEST_PATH_IMAGE257
，返回S1.4；
步骤S1.4：
Figure 36464DEST_PATH_IMAGE258
，跳转到S1.8；
步骤S1.8：调用报酬计算算法
Figure 743389DEST_PATH_IMAGE259
，得到
Figure 137461DEST_PATH_IMAGE260
；
步骤S1.9：不满足
Figure 722288DEST_PATH_IMAGE261
，跳转到步骤S1.11；
步骤S1.11：更新搜索下界
Figure 518206DEST_PATH_IMAGE262
，；
步骤S1.12：返回步骤S1.2；
步骤S1.2：
Figure 333715DEST_PATH_IMAGE263
，满足条件，执行S1.3；
步骤S1.3：当前搜索值
Figure 339717DEST_PATH_IMAGE264
，初始化临时赢家集合
Figure 836558DEST_PATH_IMAGE265
；
步骤S1.4：循环执行S1.4-S1.7，得到
Figure 877195DEST_PATH_IMAGE266
；
步骤S1.8：调用报酬计算算法
Figure 801288DEST_PATH_IMAGE267
，得到
Figure 733735DEST_PATH_IMAGE268
；
步骤S1.9：满足
Figure 893321DEST_PATH_IMAGE269
，更新搜索上界
Figure 929410DEST_PATH_IMAGE270
；
步骤S1.2：继续循环执行S1.2-S1.12，具体步骤省略，直到最终计算得到
Figure 149038DEST_PATH_IMAGE271
；
步骤S1.13：调用报酬计算算法
Figure 67316DEST_PATH_IMAGE272
，得到
Figure 905959DEST_PATH_IMAGE273
。
上述步骤中多次调用了报酬计算算法
Figure 422653DEST_PATH_IMAGE259
，下面具体叙述最后步骤S1.13调用报酬计算算法的细节步骤：
步骤S2.1：对于工人集合
Figure 688549DEST_PATH_IMAGE274
中的每个工人
Figure 94123DEST_PATH_IMAGE275
，执行报酬初始化
Figure 595511DEST_PATH_IMAGE276
；
步骤S2.2：对于赢家集合
Figure 75034DEST_PATH_IMAGE277
中的赢家
Figure 902045DEST_PATH_IMAGE278
，执行步骤S2.3-S2.8；
步骤S2.3：
Figure 467018DEST_PATH_IMAGE279
步骤S2.4：
Figure 273563DEST_PATH_IMAGE280
;
步骤S2.5：找到集合
Figure 935488DEST_PATH_IMAGE281
值最大的工人
Figure 808766DEST_PATH_IMAGE282
；
步骤S2.6：更新赢家
Figure 985670DEST_PATH_IMAGE283
的报酬
Figure 969806DEST_PATH_IMAGE284
；
步骤S2.7：
Figure 486238DEST_PATH_IMAGE285
，返回S2.4；
步骤S2.4：
Figure 890937DEST_PATH_IMAGE286
;
步骤S2.5：找到集合
Figure 696082DEST_PATH_IMAGE287
值最大的工人
Figure 342964DEST_PATH_IMAGE288
；
步骤S2.6：更新赢家
Figure 651586DEST_PATH_IMAGE289
的报酬
Figure 928983DEST_PATH_IMAGE290
；
步骤S2.7：
Figure 346058DEST_PATH_IMAGE291
，返回S2.4；
步骤S2.4：
Figure 406418DEST_PATH_IMAGE292
，对于赢家集合
Figure 195645DEST_PATH_IMAGE293
中的赢家
Figure 909523DEST_PATH_IMAGE294
，执行步骤S2.3-S2.8，具体步骤省略，最终得到
Figure 158101DEST_PATH_IMAGE295
；
步骤S2.9：返回结果
Figure 146786DEST_PATH_IMAGE296
。
设置预算
Figure 695579DEST_PATH_IMAGE297
，双目标群智感知成本受限场景激励机制算法CBOM的运行步骤是：
步骤S3.1：初始化搜索的下界
Figure 111517DEST_PATH_IMAGE298
，初始化搜索的下界
Figure 847392DEST_PATH_IMAGE299
，初始化赢家集合
Figure 356213DEST_PATH_IMAGE300
；
步骤S3.2：
Figure 618567DEST_PATH_IMAGE301
，满足条件，执行S3.3；
步骤S3.3：计算当前搜索值
Figure 346352DEST_PATH_IMAGE302
，初始化临时赢家集合
Figure 694156DEST_PATH_IMAGE303
；
步骤S3.4：
Figure 227906DEST_PATH_IMAGE304
，满足条件，执行S3.5；
步骤S3.5：找到
Figure 220133DEST_PATH_IMAGE305
最大的工人
Figure 744917DEST_PATH_IMAGE306
；
步骤S3.6：
Figure 455384DEST_PATH_IMAGE307
，返回S3.4；
步骤S3.4：
Figure 589562DEST_PATH_IMAGE308
，满足条件，执行S3.5；
步骤S3.5：找到
Figure 701875DEST_PATH_IMAGE309
最大的工人
Figure 833779DEST_PATH_IMAGE310
；
步骤S3.6：
Figure 156176DEST_PATH_IMAGE311
，返回S3.4；
步骤S3.4：
Figure 703832DEST_PATH_IMAGE312
，跳转到S3.8；
步骤S3.8：不满足
Figure 562329DEST_PATH_IMAGE313
，跳转到S3.10；
步骤S3.10：更新搜索下界
Figure 802817DEST_PATH_IMAGE314
，更新赢家集合
Figure 550193DEST_PATH_IMAGE315
；
步骤S3.2：继续循环执行S3.2-S3.11，具体步骤省略，直到最终计算得到
Figure 26174DEST_PATH_IMAGE316
；
步骤S3.12：调用报酬计算算法
Figure 847500DEST_PATH_IMAGE259
，得到
Figure 649102DEST_PATH_IMAGE317
。
以下为仿真实验结果：
本发明所述双目标群智感知预算受限场景激励机制算法BBOM和所述双目标群智感知成本受限场景激励机制算法CBOM将与Chen等人于2011年在ACM-SIAM会议上发表的“Onthe Approximability of Budget Feasible Mechanisms”中的预算可行机制（BFM）、贪心算法最大化平台收益（Greedy-u）、贪心算法最大化价值函数（Greedy-v）和贪心算法最大化覆盖（Greedy-c）方法进行性能比较。
定义如下指标：过付率。该比率的计算由总支付除以总成本得到，即
Figure 555878DEST_PATH_IMAGE318
。
所有的仿真实验是在一台Ubuntu机器上进行的，CPU为Intel Xeon Gold 6248R，内存512GB。每次测试都是对100次结果取均值，其中默认设置下是对1000次结果取均值。
对于价值函数，任务的价值从
Figure 274698DEST_PATH_IMAGE319
随机生成。对于覆盖函数，假设有40个区域，每个区域有同样数量的任务。任务数量固定为200，每个区域的权重从
Figure 340743DEST_PATH_IMAGE320
随机生成。每个工人的报价是从真实拍卖数据集中随机选择的，范围为
Figure 188613DEST_PATH_IMAGE321
。部分参数会变化，以观察其对目标函数的影响。工人数量
Figure 707319DEST_PATH_IMAGE322
变化范围为
Figure 400469DEST_PATH_IMAGE323
，工人任务数量生成区间变化范围为
Figure 258703DEST_PATH_IMAGE324
，预算
Figure 637994DEST_PATH_IMAGE325
变化范围为30,000, 40,000, 50,000, 60,000, 70,000，成本限制
Figure 784942DEST_PATH_IMAGE326
的变化范围为30,000, 40,000, 50,000, 60,000, 70,000。
Figure 406416DEST_PATH_IMAGE327
固定为0.8。默认设置如下：
Figure 384736DEST_PATH_IMAGE328
，工人任务数量取值范围为
Figure 43251DEST_PATH_IMAGE329
，
Figure 802128DEST_PATH_IMAGE330
，
Figure 837080DEST_PATH_IMAGE331
。
图5展示了预算约束下，工人数量
Figure 436951DEST_PATH_IMAGE332
变化带来的影响。图6展示了成本约束下，工人数量
Figure 391001DEST_PATH_IMAGE332
变化带来的影响。对所有算法而言，平台收益、价值函数和覆盖函数都随着工人数量的增加而增长。这是因为
Figure 512541DEST_PATH_IMAGE332
增加时，有更多可能的赢家供算法选择，而算法能够选择具有更大价值的工人，从而提升平台收益。过付率随着
Figure 475817DEST_PATH_IMAGE332
的增加略微减少。由于Greedy-u不是真实的，因此它的过付率结果被省去了。当有更多工人时，会有更多具有更高价值的工人能够选择。而支付规则是根据该赢家以及其他工人的价值计算的，所以过付率会随着
Figure 835255DEST_PATH_IMAGE332
的增加而变小一些。
在预算约束下，所有算法中，激励机制BBOM具有最好的表现。在默认设置下，BBOM与Greedy-u、Greedy-v、Greedy-c和BFM相比能够提升8.03%、 20.17%、 19.47% 和144.44%的平台收益。Greedy-v只最大化价值函数，因此它在价值函数上的表现是最好的。类似地，Greedy-c在覆盖函数上的表现是最好的。在成本约束下，结果是相似的。在默认设置下，BBOM与Greedy-u、Greedy-v和Greedy-c相比能够提升11.69%, 19.08% and 21.38%的平台收益。在考虑过付率时，BFM的过付率最高，这是因为它为了取得近似度而采取了特殊的支付策略。Greedy-c的过付率最低。
当预算和成本限制相同时，在成本约束下得到的平台收益、价值函数和覆盖函数要 一些。这是因为算法需要支付高于报价不少的报酬以保证真实性，并激励工人，而成本约束下在工人选择时只考虑工人价值。
图7展示了预算约束下，工人任务数量变化带来的影响。图8展示了成本约束下，工人任务数量变化带来的影响。平台收益、价值函数和覆盖函数随着工人任务数量的增加而减少。这是因为工人任务数量的增加提升了每个工人的价值，使得赢家数量变少。而赢家数量少且每个赢家的价值高时，算法会在函数值上损失一些，以达到约束条件要求，因而三个指标的值都减少了。随着工人任务数量的增加，过付率逐渐减少，这是因为根据算法中的支付规则，工人价值的提升使得计算的报酬值减少。在约束预算下，激励机制算法BBOM的表现最好。在成本约束下，激励机制算法CBOM的表现最好。
图9展示了预算约束下，预算变化带来的影响。图10展示了成本约束下，成本限制变化带来的影响。随着预算的增加，算法能够选择更多的赢家，从而提升了平台收益、价值函数和覆盖函数。同样地，成本限制的提升使得平台收益、价值函数和覆盖函数增加。在约束预算下，激励机制算法BBOM的表现最好。在成本约束下，激励机制算法CBOM的表现最好。
图11展示了预算约束下，算法的运行时间。图12展示了成本约束下，算法的运行时间。在默认设置下，激励机制算法BBOM的平均运行时间为3.2s，CBOM的平均运行时间为0.34s。当工人集合不是非常大时，BBOM的运行时间是可以接受的。而CBOM能够适用于大规模数据的场景。
需要说明的是，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本相同的方式或按相反的顺序，来执行功能，这应被专利的实施例所属技术领域的技术人员所理解。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包括于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种双目标群智感知激励机制方法，其特征在于，其包括以下步骤：
步骤1：对双目标群智感知系统进行数学建模，基于反向拍卖，建立群智感知平台、工人、群智感知任务、报酬和工人收益的数学模型；
步骤2：基于双目标群智感知系统对于最大化平台收益的需求，建立两个平台优化目标，并据此构建平台收益函数；
步骤3：根据真实需求并基于双目标群智感知系统，提出预算受限和成本受限两种场景，并分别构建两种不同的优化问题，包括预算受限双目标优化问题和成本受限双目标优化问题；
步骤4：为预算受限场景设计激励机制算法，为成本受限场景设计激励机制算法，通过激励机制算法实现用户招募步骤和报酬计算步骤，从而求解对应优化问题；
步骤5：根据激励机制算法运行结果，招募工人完成群智感知任务，并根据结果支付报酬，
所述步骤1中，双目标群智感知系统数学建模过程如下：
群智感知系统包含群智感知平台、工人和激励机制算法三种实体，其中工人的集合用
Figure DEST_PATH_IMAGE002
表示，工人数量为
Figure DEST_PATH_IMAGE004
；群智感知平台将
Figure DEST_PATH_IMAGE006
个任务分配给工人，
Figure DEST_PATH_IMAGE008
表示任务的集合，每一个任务
Figure DEST_PATH_IMAGE010
都有一个对应的价值
Figure DEST_PATH_IMAGE012
，所有任务都发布在不同的区域里，用
Figure DEST_PATH_IMAGE014
表示区域集合，对于每一个区域
Figure DEST_PATH_IMAGE016
，都对应有一个权重
Figure DEST_PATH_IMAGE018
表示该区域的重要性；
每个工人
Figure DEST_PATH_IMAGE020
提交一个三元组竞标
Figure DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE024
是
Figure 270794DEST_PATH_IMAGE020
的位置，
Figure DEST_PATH_IMAGE026
是该工人的任务集合，包含其愿意执行的所有任务，
Figure DEST_PATH_IMAGE028
是工人
Figure 209800DEST_PATH_IMAGE020
的报价，用
Figure DEST_PATH_IMAGE030
表示
Figure 861624DEST_PATH_IMAGE020
的真实成本，
Figure 925395DEST_PATH_IMAGE030
是私密的只有本人知道；
给定竞标档案
Figure DEST_PATH_IMAGE032
，激励机制的目标是选择一个赢家集合
Figure DEST_PATH_IMAGE034
，并决定给予每个赢家的报酬，赢家的报酬大小应取决于其对任务的贡献，用
Figure DEST_PATH_IMAGE036
报酬档案，其中
Figure DEST_PATH_IMAGE038
是工人
Figure 81219DEST_PATH_IMAGE020
的报酬，如果工人
Figure 546836DEST_PATH_IMAGE020
是输家，则
Figure DEST_PATH_IMAGE040
；
工人
Figure 868096DEST_PATH_IMAGE020
的收益能够通过报酬减去真实成本计算，即
Figure DEST_PATH_IMAGE042
（1）；
所述步骤2中，平台优化目标和平台收益函数构建如下：
平台有两个优化目标，分别是总价值和覆盖；总价值函数
Figure DEST_PATH_IMAGE044
定义为所有赢家执行任务的价值之和，计算公式为
Figure DEST_PATH_IMAGE046
（2）
平台希望能够最大化价值函数，覆盖函数𝐶𝑜𝑣定义为
Figure DEST_PATH_IMAGE048
（3）
其中
Figure DEST_PATH_IMAGE050
是
Figure DEST_PATH_IMAGE052
中赢家在区域
Figure DEST_PATH_IMAGE054
执行任务的数量，参数
Figure DEST_PATH_IMAGE056
用于平衡总价值函数和覆盖函数的值，
Figure DEST_PATH_IMAGE058
是一个用于控制收益递减梯度的系统参数；
平台的最终目的是最大化平台收益，将平台的收益函数
Figure DEST_PATH_IMAGE060
定义为总价值函数和覆盖函数中的较小值，即
Figure DEST_PATH_IMAGE062
（4）；
所述步骤3中，预算受限双目标优化问题构建如下：
平台需要在给予赢家的报酬之和不超过给定预算的前提下，最大化平台的收益函数，该问题为预算受限双目标优化问题，形式化为
Figure DEST_PATH_IMAGE064
（5）
其中
Figure DEST_PATH_IMAGE066
为给定的预算限额；
所述步骤4中，预算受限场景的激励机制算法BBOM包含工人招募算法和报酬计算算法；
定义如下函数
Figure DEST_PATH_IMAGE068
（6）
其中
Figure DEST_PATH_IMAGE070
是激励机制中的搜索值；
所述激励机制算法的目标是求解公式（5）所述的预算受限双目标优化问题，步骤如下：
S1.1：初始化搜索的下界
Figure DEST_PATH_IMAGE072
，初始化搜索的上界
Figure DEST_PATH_IMAGE074
，初始化赢家集合
Figure DEST_PATH_IMAGE076
；
S1.2：如果
Figure DEST_PATH_IMAGE078
执行S1.3，否则跳转到S1.13，其中
Figure DEST_PATH_IMAGE080
是搜索精度；
S1.3：计算当前搜索值
Figure DEST_PATH_IMAGE082
，并初始化临时赢家集合
Figure DEST_PATH_IMAGE084
；
S1.4：如果
Figure DEST_PATH_IMAGE086
执行S1.5，否则跳转到S1.8；
S1.5：找到集合
Figure DEST_PATH_IMAGE088
中能够使
Figure DEST_PATH_IMAGE090
值最大的工人
Figure DEST_PATH_IMAGE092
，
S1.6：将工人
Figure DEST_PATH_IMAGE094
添加到集合
Figure DEST_PATH_IMAGE096
中；
S1.7：返回S1.4；
S1.8：调用报酬计算算法
Figure DEST_PATH_IMAGE098
，并将
Figure DEST_PATH_IMAGE099
和当前的搜索值
Figure DEST_PATH_IMAGE101
作为输入，得到报酬档案
Figure DEST_PATH_IMAGE103
；
S1.9：如果
Figure DEST_PATH_IMAGE105
执行步骤S1.10，否则跳转到步骤S1.11；
S1.10：更新搜索上界
Figure DEST_PATH_IMAGE107
，跳转到步骤S1.12；
S1.11：更新搜索下界
Figure DEST_PATH_IMAGE109
，更新赢家集合
Figure DEST_PATH_IMAGE111
；
S1.12：返回步骤S1.2；
S1.13：调用报酬计算算法
Figure 463505DEST_PATH_IMAGE098
，并将
Figure DEST_PATH_IMAGE113
和
Figure DEST_PATH_IMAGE115
作为输入，得到最终报酬档案
Figure DEST_PATH_IMAGE117
；
S1.14：输出
Figure DEST_PATH_IMAGE119
。
2.根据权利要求1所述的一种双目标群智感知激励机制方法，其特征在于，所述步骤4中，预算受限场景的激励机制算法BBOM包含工人招募算法和报酬计算算法，所述报酬计算算法
Figure DEST_PATH_IMAGE121
的步骤如下：
S2.1：对于工人集合
Figure DEST_PATH_IMAGE123
中的每个工人
Figure DEST_PATH_IMAGE125
，执行报酬初始化
Figure DEST_PATH_IMAGE127
；
S2.2：对于赢家集合
Figure DEST_PATH_IMAGE129
中的每个赢家
Figure 111436DEST_PATH_IMAGE125
，执行步骤S2.3-S2.8；
S2.3：初始化临时赢家集合
Figure DEST_PATH_IMAGE131
；
S2.4：如果
Figure DEST_PATH_IMAGE133
执行S2.5，否则跳转到S2.2；
S2.5：找到集合
Figure DEST_PATH_IMAGE135
中能够使
Figure DEST_PATH_IMAGE137
值最大的工人
Figure DEST_PATH_IMAGE139
；
S2.6：更新赢家
Figure 651133DEST_PATH_IMAGE125
的报酬
Figure DEST_PATH_IMAGE141
；
S2.7：将工人
Figure DEST_PATH_IMAGE143
添加到集合
Figure DEST_PATH_IMAGE145
中；
S2.8：返回S2.4；
S2.9：输出报酬档案
Figure DEST_PATH_IMAGE147
。
3. 根据权利要求2所述的一种双目标群智感知激励机制方法，其特征在于，所述步骤3中，成本受限双目标优化问题构建如下：
平台需要在选择赢家的成本之和不超过给定约束的前提下，最大化平台的收益函数，该问题为成本受限双目标优化问题，形式化为
Figure DEST_PATH_IMAGE149
（7）
其中
Figure DEST_PATH_IMAGE151
为给定的成本约束。
4.根据权利要求3所述的一种双目标群智感知激励机制方法，其特征在于，所述步骤4中，成本受限场景的激励机制算法CBOM包含工人招募算法和报酬计算算法；
所述激励机制算法的目标是求解公式（7）所述的成本受限双目标优化问题，步骤如下：
S3.1：初始化搜索的下界
Figure DEST_PATH_IMAGE153
，初始化搜索的上界
Figure DEST_PATH_IMAGE155
，初始化赢家集合
Figure DEST_PATH_IMAGE157
；
S3.2：如果
Figure DEST_PATH_IMAGE159
执行S1.3，否则跳转到S3.12，其中
Figure DEST_PATH_IMAGE161
是搜索精度；
S3.3：计算当前搜索值
Figure DEST_PATH_IMAGE163
，并初始化临时赢家集合
Figure DEST_PATH_IMAGE165
；
S3.4：如果
Figure DEST_PATH_IMAGE167
执行S3.5，否则跳转到S3.8；
S3.5：找到集合
Figure DEST_PATH_IMAGE169
中能够使
Figure DEST_PATH_IMAGE171
值最大的工人
Figure DEST_PATH_IMAGE173
；
S3.6：将工人
Figure DEST_PATH_IMAGE175
添加到集合
Figure DEST_PATH_IMAGE177
中；
S3.7：返回S3.4；
S3.8：如果
Figure DEST_PATH_IMAGE179
执行S3.9，否则跳转到S3.10；
S3.9：更新搜索上界
Figure DEST_PATH_IMAGE181
，跳转到S3.11；
S3.10：更新搜索下界
Figure DEST_PATH_IMAGE183
，更新赢家集合
Figure DEST_PATH_IMAGE185
；
S3.11：返回S3.2；
S3.12：调用报酬计算算法
Figure DEST_PATH_IMAGE186
，并将
Figure DEST_PATH_IMAGE188
和
Figure DEST_PATH_IMAGE190
作为输入，得到最终报酬档案
Figure DEST_PATH_IMAGE192
；
S3.13：输出
Figure DEST_PATH_IMAGE194
。
5.根据权利要求4所述的一种双目标群智感知激励机制方法，其特征在于，所述步骤4中，成本受限场景的激励机制算法CBOM包含工人招募算法和报酬计算算法，所述报酬计算算法
Figure 180510DEST_PATH_IMAGE186
步骤如下：
S4.1：对于工人集合
Figure DEST_PATH_IMAGE196
中的每个工人
Figure 750032DEST_PATH_IMAGE175
，执行报酬初始化
Figure DEST_PATH_IMAGE198
；
S4.2：对于赢家集合
Figure DEST_PATH_IMAGE200
中的每个赢家
Figure 149789DEST_PATH_IMAGE175
，执行步骤S4.3-S4.8；
S4.3：初始化临时赢家集合
Figure DEST_PATH_IMAGE202
；
S4.4：如果
Figure DEST_PATH_IMAGE204
执行S4.5，否则跳转到S4.2；
S4.5：找到集合
Figure DEST_PATH_IMAGE206
中能够使
Figure DEST_PATH_IMAGE208
值最大的工人
Figure DEST_PATH_IMAGE210
；
S4.6：更新赢家
Figure DEST_PATH_IMAGE212
的报酬
Figure DEST_PATH_IMAGE214
；
S4.7：将工人
Figure 110704DEST_PATH_IMAGE210
添加到集合
Figure DEST_PATH_IMAGE216
中；
S4.8：返回S4.4；
S4.9：输出报酬档案
Figure DEST_PATH_IMAGE218
。
6.根据权利要求5所述的一种双目标群智感知激励机制方法，其特征在于，所述步骤5中，根据激励机制算法的运行结果，进行工人招募，工人完成相应的群智感知任务，并根据激励机制计算得到的报酬数值，分别给予每个工人相应的报酬，完成整个群智感知流程。
CN202211015471.0A 2022-08-24 2022-08-24 一种双目标群智感知激励机制方法 Active CN115099535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015471.0A CN115099535B (zh) 2022-08-24 2022-08-24 一种双目标群智感知激励机制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015471.0A CN115099535B (zh) 2022-08-24 2022-08-24 一种双目标群智感知激励机制方法

Publications (2)

Publication Number Publication Date
CN115099535A CN115099535A (zh) 2022-09-23
CN115099535B true CN115099535B (zh) 2022-12-20

Family

ID=83300993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015471.0A Active CN115099535B (zh) 2022-08-24 2022-08-24 一种双目标群智感知激励机制方法

Country Status (1)

Country Link
CN (1) CN115099535B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828311B (zh) * 2023-02-15 2023-06-06 东南大学 一种基于区块链的群智感知隐私保护激励机制方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301509A (zh) * 2017-06-23 2017-10-27 武汉大学 一种基于群智感知系统面向随机参与的群智感知激励方法
CN108269129B (zh) * 2018-01-23 2022-02-08 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
CN109242533A (zh) * 2018-08-04 2019-01-18 福州大学 基于拍卖理论的车联网群智感知用户的在线激励方法
CN111432361B (zh) * 2020-03-19 2022-09-13 长春理工大学 一种基于群智感知网络的用户激励策略确定方法及系统
CN111626563B (zh) * 2020-04-27 2022-09-23 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
CN113191023B (zh) * 2021-05-28 2022-07-05 中国人民解放军国防科技大学 群智感知的任务分配和用户招募模型交叉验证方法及系统
CN114742583A (zh) * 2022-03-30 2022-07-12 西安电子科技大学 一种质量保障型的车联网群智感知激励方法

Also Published As

Publication number Publication date
CN115099535A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
Piotrowski et al. Swarm intelligence and evolutionary algorithms: Performance versus speed
CN111626563B (zh) 一种双目标鲁棒移动群智感知系统及其激励方法
CN110417872A (zh) 一种面向移动区块链的边缘网络资源分配方法
Likhodedov et al. Methods for boosting revenue in combinatorial auctions
CN115099535B (zh) 一种双目标群智感知激励机制方法
Levina et al. Weak aggregating algorithm for the distribution-free perishable inventory problem
CN110390560A (zh) 一种基于Stackelberg博弈的移动群智感知多任务定价方法
Khaledi et al. Dynamic spectrum sharing auction with time-evolving channel qualities
Niu et al. Maximizing matching in double-sided auctions
CN114047971A (zh) 边缘计算资源分配方法及装置
Jin et al. DPDA: A differentially private double auction scheme for mobile crowd sensing
PVGDP et al. Multi objective particle swarm optimization for software cost estimation
Yue et al. Multiple‐Round English Auction Agent Based on Genetic Network Programming
Danak et al. Efficient bidding in dynamic grid markets
Saadatmand et al. MRA: A modified reverse auction based framework for incentive mechanisms in mobile crowdsensing systems
CN113011703B (zh) 一种主题敏感众包任务扩散方法
Saadatmand et al. BRRA: a bid-revisable reverse auction based framework for incentive mechanisms in mobile crowdsensing systems
CN114742583A (zh) 一种质量保障型的车联网群智感知激励方法
CN114330891A (zh) 一种面向云计算的多目标资源调度方法
Ouksel et al. Matchmaking software agents in b2b markets
Marquez et al. Selling assets: Are sellers better off with strong buyers?
Xia et al. A strategy-proof auction mechanism for service composition based on user preferences
Zhou et al. A negotiation protocol with recommendation for multilateral negotiation in trust networks
CN113099459B (zh) 一种基于差分隐私的群智频谱感知方法、系统及存储介质
Gao et al. You Can Trade Your Experience in Distributed Multi-Agent Multi-Armed Bandits

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