CN115577910A - 一种面向群智感知的多人协作任务分配方法 - Google Patents
一种面向群智感知的多人协作任务分配方法 Download PDFInfo
- Publication number
- CN115577910A CN115577910A CN202211134324.5A CN202211134324A CN115577910A CN 115577910 A CN115577910 A CN 115577910A CN 202211134324 A CN202211134324 A CN 202211134324A CN 115577910 A CN115577910 A CN 115577910A
- Authority
- CN
- China
- Prior art keywords
- task
- team
- information
- interaction
- tasks
- 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
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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及一种面向群智感知的多人协作任务分配方法,属于移动群智感知领域。涉及基于用户社交网络和图神经网络的任务分配方法,挖掘群智感知用户之间潜在的合作关系及用户和任务之间的潜在关系,提高群智感知用户协作执行任务的质量。本发明方法包括两个阶段:首先,为了获取协作偏好和能力,分别学习组和任务的嵌入;其次,为每个任务搜索最优组,使整体效用最大化。通过上述方法,有效地挖掘任务和用户之间交互的潜在信息,为后续的任务分配提供支撑,提高分配后的任务执行质量。
Description
技术领域
本发明属于移动群智感知领域,涉及一种面向群智感知的多人协作任务分配方法,具体为基于用户社交网络和图神经网络的任务分配方法。
背景技术
随着智能移动设备(如手机、平板、智能手环、智能手表等)的普及,移动群智感知近年来受到越来越多的关注。很多移动群智感知平台已被提出并应用于科学研究、工业生产以及日常生活中,这些平台招募移动员工从事各种工作,如环境感知、收集交通信息和室内定位。然而,工作人员在选择他们能够执行和偏好的任务之前,往往需要长时间的筛选,这导致他们在选择任务上浪费了大量的时间和精力。因此,任务分配是移动群智感知的一个关键的研究问题,它通过任务分配算法自动为工人分配合适的任务。近年来,关于移动群智感知任务分配的研究很多,按照任务之间的依赖性,将任务分配工作分为单任务分配和多任务分配。我们关注的是多任务分配,在多任务分配中,不同的任务相互关联,因为它们共享一个有限的资源池(例如,共享的工作池或总预算)。现有的多任务分配工作可以根据每个任务需要的工人数量和工人是否协作分为三类:独立多任务分配、非协作多任务分配和多人协作多任务分配。1)在独立多任务分配中,每个任务只需要雇佣一个工人。这些工作解决了具有不同目标和约束的独立多任务分配问题。2)在非协作多任务分配中,每个任务都需要雇佣多名工人,其中工人以非协作的方式独立完成任务。为了保证任务能够成功执行,一个任务以冗余的方式被分配给多个群智感知用户,平台最终综合多个用户的任务执行结果。3)在多人协作多任务分配中,由于任务的复杂性,每个任务都需要雇佣多个工人协作执行任务。然而,这三个工作采用了一种集中的方法(首先选择一个领导者,然后相应地选择剩余的工人)来组成一个群体,限制了可能的群体的搜索空间。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提供一种面向群智感知的多人协作任务分配方法。
技术方案
一种面向群智感知的多人协作任务分配方法,其特征在于步骤如下:
步骤1:用户团队表示
用户团队指的是协作执行某一个任务的多个群智感知用户组成的团队,用户团队表示旨在学习用户的潜在因素,将用户组合Gi学习到的潜在因素表示为hi∈Rd;
步骤2:任务表示
任务表示的目的是学习任务zi中的潜在因素,将其表示为zi∈Rd;用户任务二部图包含团队和任务的交互以及团队的任务执行质量;因此,应该共同捕获团队和任务的交互信息以及任务执行质量中的信息,以学习任务的潜在因素;
步骤3:任务执行质量预测
将团队和任务的潜在表示hj和zi连接起来,然后将它们输入一个三层的神经网络进行如下预测:
步骤4:组合优化求解
以预测的任务执行质量作为常量,可以通过寻找最优的团队组合来解决总任务执行质量最大化的任务分配问题;首先根据候选团队对每个任务的任务执行质量进行排序,然后选择任务执行质量得分最高的团队作为每个任务的候选团队。
本发明进一步的技术方案:步骤1所述的用户团队表示包括以下三部分:
第一部分:聚合团队内成员自身的信息,由于团队中的每一个群智感知用户都拥有不同的置信度、专业知识和社会关系,团队中的成员对于任务执行的贡献程序是不同的,因此我们给不同的用户分配不同的权重来准确地表示用户对于团队的贡献;
第二部分:团队和任务的交互信息,由于用户任务二部图不仅包含团队和任务的交互,还包含团队的任务执行质量;为了挖掘能够反映团队兴趣和能力的信息,考虑聚合与目标团队Gi交互的任务信息和团队的任务执行质量信息;
第三部分:团队和团队之间的信息交互;在任务用户二部图中聚合团队Gj的2阶邻居团队信息,并用C2-hop(j)表示为Gj的2阶邻居集合;邻居团队的成员通常位于与Gj交互的任务附近;直观地说,邻居团队成员和目标团队之间的对于任务选择会有相似之处;因此,学习C2-hop(j)中的团队的信息。
本发明进一步的技术方案:步骤2中任务表示具体如下:
对于每个任务ti,需要从与任务ti交互的团队的集合B(i)中聚合信息,使用fil来描述目标任务ti和集合B(i)中的团队Gl之间的交互作用,并通过将团队Gl的表示gl和该团队执行任务ti的质量的向量表示e′p进行级联并输入一个三层的神经网络得到:
为了学习zi,还提出了B(i)中团队和目标任务ti之间的交互;团队聚合函数被描述为Aggregroups,它类似于聚合任务函数Aggretasks,zi表示为:
在其中引入了注意力机制,为集合B(i)中不同的团队分配不同的权重uil,注意力网络的输入是团队交互嵌入fil和目标任务ti的嵌入,表示为qi,
一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现上述的方法。
有益效果
本发明提供的一种面向群智感知的多人协作任务分配方法,通过用户的社交网络和用户与任务的二部图挖掘群智感知用户之间潜在的合作关系及用户和任务之间的潜在关系,为新出现的任务分配合适的用户,从而提高群智感知用户协作执行任务的质量。
本发明在两个真实世界的数据集上进行了广泛的实验。结果表明,与四个基线方法相比,本发明所实现的方法的平均任务执行质量提高了155.26%。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实例中任务分配整体框架图;
图2显示了采用面向群智感知的多人协作任务分配方法以及基线方法在任务执行质量上的效果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在多人协作多任务分配中,一些任务需要雇佣一组工人,实现1)多人协作,即团队中的工人分别完成一个任务的不同部分,协作完成任务;2)个性化的团队规模,即根据任务的需求,招募固定数量的工人。基于此,本发明的目标是设计一种多人协作的任务分配方法,目的是将每一个任务分配给一个具有任务指定人数的良好协作的组合。我们面临着两个挑战,一是如何确保分布式的合作,即团队中的任何两名工人都能很好地协作;二是如何实现个性化和差异化的团队规模,即对于每个任务来说,团队规模是确定的,但不同的任务招募的团队规模不同。
为了实现上述任务,本发明采用以下技术方案:
本发明提出了一种新的多人协作任务分配(CTA)框架。该框架通过共同考虑分布式协作和个性化和差异化的团队规模来进行分配。首先,我们将历史团队组合和任务的交互信息建模为一个异构图,它不仅包含团队和任务之间的交互,还包括团队的任务执行质量,我们将团队中的用户的社交关系建模为用户社交网络图,通过图神经网络(GNN),可以从异构图以及社交图中学习到群体的协作偏好和任务执行能力。其次,为了使任务的整体执行性能最大化,我们使用了一种基于贪心的算法来解决组合优化问题。
本发明的逻辑框架图如图1所示。包括如下步骤:
步骤一:用户团队表示。我们用wt表示一个群智感知用户,用Gj表示一个用户团队,用户团队指的是协作执行某一个任务的多个群智感知用户组成的团队。用户团队表示旨在学习用户的潜在因素,我们将从用户组合Gj中学习到的潜在因素表示为hj∈Rd。用户团队的信息的获取包括以下三部分:
第一部分:聚合团队Gj内成员自身的信息,我们用gj表示聚合后的团队信息,
其中,μt表示团队Gj中的用户wt的向量表示,ojt表示用户wt对于团队Gj的向量表示gj的贡献。由于团队中的每一个群智感知用户都拥有不同的置信度、专业知识和社会关系,团队中的成员对于任务执行的贡献程序是不同的,因此我们给不同的用户分配不同的权重来准确地表示用户对于团队的贡献。我们用一个两层的网络来参数化ojt,我们将其称为注意力网络,
其中w1和w2分别表示每一层神经网络的权值,b1和b2分别表示每一层神经网络的偏差,σ表示激活函数,实验中我们采用sigmoid函数作为激活函数。
最终的注意权重是通过使用Softmax函数对上述注意分数进行归一化得到的,这可以解释为用户wt对团队Gj的表示的贡献,
第二部分:团队和任务的交互信息。由于用户-任务二部图不仅包含团队和任务的交互,还包含团队的任务执行质量。为了挖掘能够反映团队兴趣和能力的信息,我们考虑聚合与目标团队Gj交互的任务信息和团队的任务执行质量信息。在数学上,聚合函数被定义为
其中,C(j)表示团队Gj曾经完成过的任务集合,xja表示和团队Gj交互的任务ta的向量表示,Aggretasks表示聚合函数,w3和b3分别表示神经网络的权重和偏差。
我们用pja表示团队Gj执行任务ta的执行质量,其向量表示为ep∈Rd。任务ta的向量表示qa和任务执行质量ep之间的交互用xja表示,
由于一个团队在不同的任务中表现得不同,我们应该考虑不同的交互对团队表示的不同贡献。因此,我们在聚合函数中引入注意力机制,为团队和不同任务之间的交互分配不同的权重。
其中,αja表示团队Gj和任务集合C(j)中的任务的交互权重,w4和b4分别表示神经网络的权重和偏差。
数学上,任务注意力神经网络使用如下公式表示:
第三部分:团队和团队之间的信息交互。我们的目标是在任务用户二部图中聚合团队Cj的2阶邻居团队信息,并用C2-hop(j)表示为Gj的2阶邻居集合。邻居团队的成员通常位于与Gj交互的任务附近。直观地说,邻居团队成员和目标团队之间的对于任务选择会有相似之处。因此,我们学习了C2-hop(j)中的团队的信息。在数学上,我们使用来表示目标团队Gj的邻居信息的聚合:
其中Aggreneighbors表示一个聚合函数,gbk是C2-hop(j)中的团队Gk的向量表示。
其中,βbk表示不同用户组合的权重。我们通过注意力机制计算βbk,
其中,σ为聚合公式;
步骤二:任务表示。任务表示的目的是学习任务ti中的潜在因素,我们将其表示为zi∈Rd。用户任务二部图包含团队和任务的交互以及团队的任务执行质量。因此,应该共同捕获团队和任务的交互信息以及任务执行质量中的信息,以学习任务的潜在因素。
对于每个任务ti,我们需要从与任务ti交互的团队的集合B(i)中聚合信息。我们使用fil来描述目标任务ti和集合B(i)中的团队Gl之间的交互作用,并通过将团队Gl的表示gl和该团队执行任务ti的质量的向量表示e′p进行级联并输入一个三层的神经网络得到:
为了学习zi,我们还提出了B(i)中团队和目标任务ti之间的交互。团队聚合函数被描述为Aggregroups,它类似于聚合任务函数Aggretasks,zi表示为:
我们在其中引入了注意力机制,为集合B(i)中不同的团队分配不同的权重uil,注意力网络的输入是团队交互嵌入fil和目标任务ti的嵌入,我们表示为qi,
步骤三:任务执行质量预测。我们将所提出的模型应用于团队的任务执行质量预测。利用团队和任务的潜在表示(即hj和zi),我们可以首先将它们连接起来,然后将它们输入一个三层的神经网络进行如下预测:
在得到预测的任务执行质量p′ij后,我们需要通过最小化损失函数来优化模型。损失函数被定义为p′ij和真实值pij之间的均方误差(MSE):
其中,P为所有执行质量值的集合,pij为团队Gj到任务ti的执行质量的真实值。
步骤四:组合优化求解。以预测的任务执行质量作为常量,我们可以通过寻找最优的团队组合来解决总任务执行质量最大化的任务分配问题。我们采用贪心思想为每个任务分配合适的团队:首先根据候选团队对每个任务的任务执行质量进行排序,然后选择任务执行质量得分最高的团队作为每个任务的候选团队。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种面向群智感知的多人协作任务分配方法,其特征在于步骤如下:
步骤1:用户团队表示
用户团队指的是协作执行某一个任务的多个群智感知用户组成的团队,用户团队表示旨在学习用户的潜在因素,将用户组合Gi学习到的潜在因素表示为hi∈Rd;
步骤2:任务表示
任务表示的目的是学习任务zi中的潜在因素,将其表示为zi∈Rd;用户任务二部图包含团队和任务的交互以及团队的任务执行质量;因此,应该共同捕获团队和任务的交互信息以及任务执行质量中的信息,以学习任务的潜在因素;
步骤3:任务执行质量预测
将团队和任务的潜在表示hj和zi连接起来,然后将它们输入一个三层的神经网络进行如下预测:
步骤4:组合优化求解
以预测的任务执行质量作为常量,可以通过寻找最优的团队组合来解决总任务执行质量最大化的任务分配问题;首先根据候选团队对每个任务的任务执行质量进行排序,然后选择任务执行质量得分最高的团队作为每个任务的候选团队。
2.根据权利要求1所述的向群智感知的多人协作任务分配方法,其特征在于:步骤1所述的用户团队表示包括以下三部分:
第一部分:聚合团队内成员自身的信息,由于团队中的每一个群智感知用户都拥有不同的置信度、专业知识和社会关系,团队中的成员对于任务执行的贡献程序是不同的,因此我们给不同的用户分配不同的权重来准确地表示用户对于团队的贡献;
第二部分:团队和任务的交互信息,由于用户任务二部图不仅包含团队和任务的交互,还包含团队的任务执行质量;为了挖掘能够反映团队兴趣和能力的信息,考虑聚合与目标团队Gi交互的任务信息和团队的任务执行质量信息;
第三部分:团队和团队之间的信息交互;在任务用户二部图中聚合团队Gj的2阶邻居团队信息,并用C2-hop(j)表示为Gj的2阶邻居集合;邻居团队的成员通常位于与Gj交互的任务附近;直观地说,邻居团队成员和目标团队之间的对于任务选择会有相似之处;因此,学习C2-hop(j)中的团队的信息。
3.根据权利要求2所述的向群智感知的多人协作任务分配方法,其特征在于:步骤2中任务表示具体如下:
对于每个任务ti,需要从与任务ti交互的团队的集合B(i)中聚合信息,使用fil来描述目标任务ti和集合B(i)中的团队Gl之间的交互作用,并通过将团队Gl的表示gl和该团队执行任务ti的质量的向量表示ep ′进行级联并输入一个三层的神经网络得到:
为了学习zi,还提出了B(i)中团队和目标任务ti之间的交互;团队聚合函数被描述为Aggregroups,它类似于聚合任务函数Aggretasks,zi表示为:
在其中引入了注意力机制,为集合B(i)中不同的团队分配不同的权重uil,注意力网络的输入是团队交互嵌入fil和目标任务ti的嵌入,表示为qi,
4.一种计算机系统,其特征在于包括:一个或多个处理器,计算机可读存储介质,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1所述的方法。
5.一种计算机可读存储介质,其特征在于存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134324.5A CN115577910A (zh) | 2022-09-18 | 2022-09-18 | 一种面向群智感知的多人协作任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211134324.5A CN115577910A (zh) | 2022-09-18 | 2022-09-18 | 一种面向群智感知的多人协作任务分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577910A true CN115577910A (zh) | 2023-01-06 |
Family
ID=84580201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211134324.5A Pending CN115577910A (zh) | 2022-09-18 | 2022-09-18 | 一种面向群智感知的多人协作任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577910A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976600A (zh) * | 2023-07-14 | 2023-10-31 | 陕西师范大学 | 基于并发任务捆绑的群智感知环境监测任务推荐方法 |
-
2022
- 2022-09-18 CN CN202211134324.5A patent/CN115577910A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976600A (zh) * | 2023-07-14 | 2023-10-31 | 陕西师范大学 | 基于并发任务捆绑的群智感知环境监测任务推荐方法 |
CN116976600B (zh) * | 2023-07-14 | 2024-03-22 | 陕西师范大学 | 基于并发任务捆绑的群智感知环境监测任务推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Task scheduling based on deep reinforcement learning in a cloud manufacturing environment | |
Wang et al. | An improved particle swarm optimization algorithm for dynamic job shop scheduling problems with random job arrivals | |
Liu et al. | Deep reinforcement learning for dynamic scheduling of a flexible job shop | |
Gao et al. | Discrete harmony search algorithm for flexible job shop scheduling problem with multiple objectives | |
Bartholdi III et al. | A production line that balances itself | |
Park et al. | Prediction-based resource allocation using LSTM and minimum cost and maximum flow algorithm | |
Cai et al. | Real-time scheduling simulation optimisation of job shop in a production-logistics collaborative environment | |
US20210133555A1 (en) | Distributed learning of composite machine learning models | |
Wang et al. | An effective adaptive adjustment method for service composition exception handling in cloud manufacturing | |
CN112306658A (zh) | 一种多能源系统数字孪生应用管理调度方法 | |
CN115577910A (zh) | 一种面向群智感知的多人协作任务分配方法 | |
CN113344356A (zh) | 一种多目标资源分配决策方法和装置 | |
Zhang et al. | A Q-learning-based hyper-heuristic evolutionary algorithm for the distributed flexible job-shop scheduling problem with crane transportation | |
Khezri et al. | DLJSF: Data-Locality Aware Job Scheduling IoT tasks in fog-cloud computing environments | |
Azadeh et al. | Integration of genetic algorithm, analytic hierarchy process and computer simulation for optimisation of operator allocation in manufacturing systems with weighted variables | |
Davami et al. | Distributed scheduling method for multiple workflows with parallelism prediction and DAG prioritizing for time constrained cloud applications | |
CN114580678A (zh) | 一种产品维修资源调度方法和系统 | |
US20220269835A1 (en) | Resource prediction system for executing machine learning models | |
Salehnia et al. | An optimal task scheduling method in IoT-Fog-Cloud network using multi-objective moth-flame algorithm | |
CN113032367A (zh) | 面向动态负载场景的大数据系统跨层配置参数协同调优方法和系统 | |
Liu et al. | A prediction based iterative decomposition algorithm for scheduling large-scale job shops | |
Wang et al. | Enterprise human resource optimization algorithm using PSO model in big data and complex environment | |
Adhau et al. | A multi-agent based approach for dynamic multi-project scheduling | |
Wu et al. | Balance personal wishes with performance via group role assignment | |
Rawat et al. | Performance evaluation of an adopted model based on big-bang big-crunch and artificial neural network for cloud applications |
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 |