CN115983811A - 面向群智感知的海量未知工人选择与激励机制设计方法 - Google Patents

面向群智感知的海量未知工人选择与激励机制设计方法 Download PDF

Info

Publication number
CN115983811A
CN115983811A CN202211598649.9A CN202211598649A CN115983811A CN 115983811 A CN115983811 A CN 115983811A CN 202211598649 A CN202211598649 A CN 202211598649A CN 115983811 A CN115983811 A CN 115983811A
Authority
CN
China
Prior art keywords
worker
task
budget
workers
time
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
Application number
CN202211598649.9A
Other languages
English (en)
Inventor
李峰
柴钰琪
于东晓
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202211598649.9A priority Critical patent/CN115983811A/zh
Publication of CN115983811A publication Critical patent/CN115983811A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种面向群智感知的海量未知工人选择与激励机制设计方法，基于上下文信息的组合多臂老虎机和第二报价结合的方法，解决海量未知工人选择以及激励机制设计的问题，在考虑预算约束的情况下，最大化预期累计感知收益，进行严格的理论分析和大量的实验验证算法的有效性。通过该方法，可以实现在考虑预算约束和鼓励工人提交真实花费的情况下，最大化预期累计感知收益；同时与最优的累计期望质量的差值可以得到一个次线性增长的曲线。

Description

面向群智感知的海量未知工人选择与激励机制设计方法
技术领域
本发明属于群智感知领域，具体涉及一种面向群智感知的海量未知工人选择与激励机制设计方法。
背景技术
群智感知是一种新兴的众包感知模式，通过这种模式，平台通过雇佣一系列的工作人员来协同执行感知任务。目前相关的研究开展了较多，其中主要分为两个研究方向：在未知工人选择的群智感知问题以及群智感知中激励机制的研究。
在未知感知工人选择的群智感知问题中，工人的感知质量是未知的，雇佣工人执行感知任务的花费是已知的。平台需要在有限的预算下通过协调探索和利用的平衡来实现最终感知质量的最大化，已有的研究采用多臂老虎机(Multi-Armed Bandit，MAB)，组合多臂老虎机(Combinatorial Multi-Armed Bandit,CMAB)的框架进行实现并进行和最优算法之间差距的理论分析。
在群智感知中激励机制的研究中，工人的感知质量是已知的，但工人执行感知任务的花费是私人信息，工人可以进行有策略地提交从而最大化自身收益。平台需要设计一种支付机制鼓励工人提交执行任务真实的花费，同时满足个体理性，真实性，预算平衡等一些经济属性(economic properties)。已有的研究采用第二报价(second-price)，VCG机制进行支付机制的设计。
由于各种传感器以及智能设备的普及，很难对工人的感知能力进行很好的刻画。虽然传统的多臂老虎机框架可以很好的解决在学习工人感知质量时探索和利用的平衡，但由于工人的数量是海量的，所以平台无法保证足够的资金来对未知工人进行探索；同时，又因为工人执行感知任务会产生一定的费用需要平台进行支付，而这部分花费对于工人来说是私人信息，其可以进行有策略地提交从而最大化自身地收益，所以需要提出一个支付机制激励工人提交其执行感知任务真实的花费，这进一步限制了我们解决该问题以及相关的理论分析。在现实中，工人会被收集一些特征信息作为用户画像，而其中某些特征会与工人执行任务的质量存在某种关系。
发明内容
针对上述提出的技术问题，本发明提供了一种面向群智感知的海量未知工人选择与激励机制设计方法。通过该方法，可以实现在考虑预算约束和鼓励工人提交真实花费的情况下，最大化预期累计感知收益；同时与最优的累计期望质量的差值可以得到一个次线性增长的曲线。
为达上述目的，本发明的技术方案如下：
一种面向群智感知的海量未知工人选择与激励机制设计方法，包括如下步骤：
步骤一，初始化群智感知任务模型，将时间离散化为时刻t＝1,2,…，获取雇佣工人执行感知任务的总预算B、工人信息、工人执行任务所需的花费投标、上下文信息特征空间和每个感知任务所需的执行时间τ；
步骤二，对上下文信息特征空间进行超矩阵划分；
步骤三，将预算分为探索预算B′和利用预算两部分。；
步骤四，按照特定顺序选择一个超矩阵，并从中随机选择一个可用的工人执行感知任务，更新相关变量，在执行时间τ之后观察其返回的任务收益，并根据收益更新其对应超矩阵的上置信指数，在下一轮重复该步骤，直到探索预算花完且没有工人正在执行感知任务为止；
步骤五，对于每一名工人，根据其所在超矩阵的上置信指数评估其执行任务的质量，并根据工人提交的执行任务所需的花费投标计算其评估质量花费密度，根据评估的质量花费密度进行工人的雇佣以及支付，选择一名工人执行感知任务，并更新相关变量，在下一轮重复该步骤直到利用预算花完为止。
优选的，步骤一中，执行感知任务雇佣工人所支付的总预算不得超过B；
设工人集合
Figure BDA0003997819980000021
在每一时刻,
Figure BDA0003997819980000022
表示当前可选的工人集合，对于每个工人
Figure BDA0003997819980000023
包含信息如下：上下文特征信息si、执行任务的质量μi、工人执行一个任务所产生的真实花费ci以及工人向平台提交的执行任务所需的花费投标bi；其中工人执行任务的真实花费属于私人信息，为未知信息；
下文信息特征空间
Figure BDA0003997819980000024
其中，M为上下文信息的维度，对于工人i，其上下文信息
Figure BDA0003997819980000025
感知任务在分配给工人i执行后，需要执行时间τ，在此期间，工人i属于被占用的状态，无法再次被分配，直到当前感知任务执行结束。
优选的，步骤二中，将上下文信息空间划分为一个个超矩阵，将在同一个超矩阵中的工人视为一类，并且假设在同一个超矩阵中的工人具有类似的执行任务的质量，对其之间的差距进行界定。
优选的，步骤二具体方法如下：
(1)假设工人i执行任务的质量μi和上下文信息满足函数形式μi＝f(si)，且函数f(·)满足Holder Condition：对于任意两个工人i，j，其上下文信息分别为si、sj，存在常数L>0，α>0，使得
|μi-μj|＝|f(si)-f(sj)|≤L||si-sj||α
(2)将上下文信息空间的每一维平均划分成
Figure BDA0003997819980000031
份，因此，上下文信息空间被划分为了hB M个超矩阵，用
Figure BDA0003997819980000032
表示超矩阵的集合。
优选的，步骤三中，执行感知任务的总预算为B，其中探索预算为
Figure BDA0003997819980000033
Figure BDA0003997819980000034
利用预算为探索预算使用结束后剩余的部分，bmax为工人向平台提交的执行任务所需的花费最大值，μmax为工人执行任务的质量最大值。
优选的，步骤四具体方法如下：
(1)模型初始化：
Figure BDA0003997819980000035
表示在t时刻超矩阵Q中的工人处理任务的估计质量，λQ(t)表示截止到t时刻超矩阵Q中的工人一共被选择的次数，Bt表示在第t时刻所剩余的预算；在t＝0时刻：λQ(0)＝0，
Figure BDA0003997819980000036
(2)在t时刻，选择第
Figure BDA0003997819980000037
个超矩阵Q，并从中随机抽取一个可用的工人；当
Figure BDA0003997819980000038
时，其中
Figure BDA0003997819980000039
执行(5)；
(3)在t时刻，雇佣选择出的工人执行感知任务，并支付报酬bmax；在t+τ时刻，观察其返回的任务收益，并更新相关变量：Bt+1＝Bt-bmax；
(4)当t>τ时，观察t-τ时刻雇佣的工人执行感知任务所得到的质量，更新其对应超矩阵Q的相关变量：
Figure BDA00039978199800000310
λQ(t+1)＝λQ(t)+1,执行(2)；
(5)探索预算不足以进行下一次探索，进入利用阶段。
优选的，步骤五具体方法如下：
(1)利用阶段初始化：对于工人集合
Figure BDA00039978199800000311
中的每个工人
Figure BDA00039978199800000312
根据其对应超矩阵Qi的评估质量计算评估质量的上置信指数为
Figure BDA00039978199800000313
(2)计算每个工人的评估质量花费密度：
Figure BDA00039978199800000314
并按降序排序，选择前τ个工人作为
Figure BDA00039978199800000315
集合；
(3)对于
Figure BDA00039978199800000316
集合中的每个工人i，计算其被平台雇佣所应支付的报酬：
Figure BDA00039978199800000317
Figure BDA00039978199800000318
(4)计算利用预算：Bt＝B-B′+Bt-1，t时刻可选择的工人集合
Figure BDA0003997819980000041
(5)在时刻t，当
Figure BDA0003997819980000042
时，将t-τ时刻雇佣的工人i[t -τ]添加到可选择的工人集合中：
Figure BDA0003997819980000043
(6)选择
Figure BDA0003997819980000044
中具有最大估计质量花费比的工人i，雇佣工人i执行感知任务，支付报酬pi，更新相关变量：Bt+1＝Bt-pi,
Figure BDA0003997819980000045
(7)重复步骤(5)(6)，直到预算不足以选择一个工人。
有益效果
1.提出了基于上下文信息的组合多臂老虎机和第二报价结合的方法，解决海量未知工人选择以及激励机制设计的问题，在考虑预算约束的情况下，最大化预期累计感知收益，进行严格的理论分析和大量的实验验证算法的有效性。
2.通过该方法，可以实现在考虑预算约束和鼓励工人提交真实花费的情况下，最大化预期累计感知收益；同时与最优的累计期望质量的差值可以得到一个次线性增长的曲线。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种面向群智感知的海量未知工人选择与激励机制设计方法流程图；
图2为本发明的群智分配模型图；
图3为本发明所提出发明的效果图，其中CACI为本发明所提出的方法，ε-first是基于ε-greedy的算法，CMAB-based是处理场景和本发明类似的对比方法。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种面向群智感知的海量未知工人选择与激励机制设计方法，如图1所示，包括如下步骤：
步骤一，初始化群智感知任务分配模型，群智感知系统主要有两个组成部分：任务平台服务中心及若干可执行感知任务的工人。在每个时刻，平台会雇佣一名工人执行感知任务，并支付工人一定的报酬，工人执行完任务后将结果上传至平台。由于不同工人的能力不同，处理完成的任务质量是未知的，所以平台需要根据之前工人上传的任务结果进行分析，从而选择出能力更好的工人。同时，因为工人执行任务所产生的花费不同且未知，平台需要支付一定量的报酬，激励工人参加感知任务并提交其真实的花费。
具体为，执行感知任务的总预算B，即执行感知任务雇佣工人所支付的总报酬不得超过B；
设工人集合
Figure BDA0003997819980000051
共包含N个工人，在每一时刻,
Figure BDA0003997819980000052
表示当前可选的工人集合。对于每个工人
Figure BDA0003997819980000053
包含信息如下：上下文特征信息si，执行任务的质量μi(具体的值未知，假设工人执行任务的质量受上下文信息中的内容所影响，如设备传感器的数量、工人擅长的技能以及工人的背景等都会影响其执行任务的质量)，工人执行一个任务所产生的真实花费ci，以及工人向平台提交的执行任务所需的花费投标bi。其中工人执行任务的真实花费属于私人信息，也即未知信息，工人提及的花费投标和其真实花费并不总是相同的，工人可以为了获得更多的收益而提交一个更有利于自身的花费投标。
下文信息特征空间
Figure BDA0003997819980000054
其中，M为上下文信息的维度，对于工人i，上下文特征信息
Figure BDA0003997819980000055
感知任务是时间关键类型的任务，在分配给工人i执行后，需要τ时间的执行，在此期间，工人i属于被占用的状态，无法再次被分配，直到当前感知任务执行结束。
步骤二，对下文信息特征空间进行超矩阵划分；
具体为，将下文信息特征空间划分为一个个超矩阵，将在同一个超矩阵中的工人视为一类，并且假设在同一个超矩阵中的工人具有类似的执行任务的质量，其之间的差距可以使用数学公式进行界定。
划分超矩阵的具体方法如下：
(1)假设工人i处理任务的质量μi和上下文信息满足函数形式μi＝f(si)，且函数f(·)满足Holder Condition：对于任意两个工人i，j，其上下文信息分别为si，sj，存在常数L>0，α>0，使得
|μi-μj|＝|f(si)-f(sj)|≤L||si-sj||α
(2)将上下文信息空间的每一维平均划分成
Figure BDA0003997819980000056
份，因此，下文信息特征空间被划分为了hB M个超矩阵，用
Figure BDA0003997819980000058
表示超矩阵的集合。
步骤三，将预算分为探索预算和利用预算两部分；
具体计算公式：总预算为B，其中探索预算为
Figure BDA0003997819980000057
步骤四，按照特定顺序选择一个超矩阵，并从中随机选择一个可用的工人执行感知任务，更新相关变量，在时间τ之后观察其返回的任务收益，并根据收益更新其对应超矩阵的上置信指数(UCB算法)。在下一轮重复该步骤，直到探索预算花完且没有工人正在执行感知任务为止；
具体方法如下：
(1)模型初始化：
Figure BDA0003997819980000061
表示在t时刻超矩阵Q中的工人处理任务的估计质量，λQ(t)表示截止到t时刻超矩阵Q中的工人一共被选择的次数，利用预算Bt表示在第t轮所剩余的探索预算：λQ(0)＝0，
Figure BDA0003997819980000062
(2)在t时刻，选择第
Figure BDA0003997819980000063
个超矩阵Q，并从中随机抽取一个可用的工人。当
Figure BDA0003997819980000064
时
Figure BDA0003997819980000065
执行(6)；
(3)在t时刻，Q表示当前工人所在超矩阵。若Bt>bmax则执行(4)，否则执行(5)；
(4)在t时刻，雇佣选择出的工人执行感知任务，并支付报酬bmax。在t+τ时刻，观察其返回的任务收益，并更新相关变量：Bt+1＝Bt-bmax，t＝t+1；
(5)当t>τ时，观察t-τ时刻雇佣的工人执行感知任务所得到的质量，更新其对应超矩阵Q的相关变量：
Figure BDA0003997819980000066
λQ(t+1)＝λQ(t)+1,执行(2)；
(6)计算利用阶段的预算：Bt＝B-B′+Bt；
步骤五，对于每一名工人，根据其所在超矩阵的上置信指数评估其执行任务的质量，并根据工人提交的执行任务所需的花费投标计算其质量花费密度，根据评估的质量进行工人雇佣以及支付。选择一名工人执行感知任务，并更新相关变量，在下一轮重复该步骤直到利用预算花完为止。
具体方法如下：
(1)利用阶段初始化：对于工人集合
Figure BDA0003997819980000067
中的每个工人
Figure BDA0003997819980000068
根据其对应超矩阵Qi的估计质量计算估计质量的上置信指数为
Figure BDA0003997819980000069
(2)计算每个工人的评估质量花费密度：
Figure BDA00039978199800000610
并按降序排序，选择前τ个工人作为
Figure BDA00039978199800000611
集合；
(3)对于
Figure BDA00039978199800000612
集合中的每个工人i，计算其被平台雇佣所应支付的报酬：
Figure BDA00039978199800000613
Figure BDA00039978199800000614
(4)计算利用阶段可用的总预算：Bt＝B-B′+Bt，t时刻可选择的工人集合
Figure BDA0003997819980000071
Figure BDA0003997819980000072
(5)在时刻t，当
Figure BDA0003997819980000073
时
Figure BDA0003997819980000074
时，将t-τ时刻雇佣的工人i[t-τ]添加到可选择的工人集合中：
Figure BDA0003997819980000075
(6)选择
Figure BDA0003997819980000076
中具有最大估计质量花费比的工人i，雇佣工人i执行感知任务，支付报酬pi，更新相关变量：Bt+1＝Bt-pi,
Figure BDA0003997819980000077
(7)重复步骤(5)(6)，直到预算不足以选择一个工人。
为了评估本发明所提出的方法的性能，对本发明所提出的方法进行了模拟实验。对于工人i其特征信息si，其平均质量μi＝f(si)，执行一个感知任务所产生的花费为ci，向平台提交的花费投标为bi。在实验中模拟了总预算从20000到380000，间隔为20000的实验结果。实验结果如图3所示，本发明所提出方法的累计遗憾随预算的增加呈次线性增长。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，包括如下步骤：
步骤一，初始化群智感知任务模型，将时间离散化为时刻t＝1，2，…，获取雇佣工人执行感知任务的总预算B、工人信息、工人执行任务所需的花费投标、上下文信息特征空间和每个感知任务所需的执行时间τ；
步骤二，对上下文信息特征空间进行超矩阵划分；
步骤三，将预算分为探索预算B′和利用预算两部分。；
步骤四，按照特定顺序选择一个超矩阵，并从中随机选择一个可用的工人执行感知任务，更新相关变量，在执行时间τ之后观察其返回的任务收益，并根据收益更新其对应超矩阵的上置信指数，在下一轮重复该步骤，直到探索预算花完且没有工人正在执行感知任务为止；
步骤五，对于每一名工人，根据其所在超矩阵的上置信指数评估其执行任务的质量，并根据工人提交的执行任务所需的花费投标计算其评估质量花费密度，根据评估的质量花费密度进行工人的雇佣以及支付，选择一名工人执行感知任务，并更新相关变量，在下一轮重复该步骤直到利用预算花完为止。
2.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤一中，执行感知任务雇佣工人所支付的总预算不得超过B；
设工人集合
Figure FDA0003997819970000011
在每一时刻，
Figure FDA0003997819970000012
表示当前可选的工人集合，对于每个工人
Figure FDA0003997819970000013
包含信息如下：上下文特征信息si、执行任务的质量μi、工人执行一个任务所产生的真实花费ci以及工人向平台提交的执行任务所需的花费投标bi；其中工人执行任务的真实花费属于私人信息，为未知信息；
下文信息特征空间
Figure FDA0003997819970000014
其中，M为上下文信息的维度，对于工人i，其上下文信息
Figure FDA0003997819970000015
感知任务在分配给工人i执行后，需要执行时间τ，在此期间，工人i属于被占用的状态，无法再次被分配，直到当前感知任务执行结束。
3.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤二中，将上下文信息空间划分为一个个超矩阵，将在同一个超矩阵中的工人视为一类，并且假设在同一个超矩阵中的工人具有类似的执行任务的质量，对其之间的差距进行界定。
4.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤二具体方法如下：
(1)假设工人i执行任务的质量μi和上下文信息满足函数形式μi＝f(si)，且函数f(·)满足Holder Condition：对于任意两个工人i，j，其上下文信息分别为si、sj，存在常数L＞0，α＞0，使得
|μi-μj|＝|f(si)-f(sj)|≤L||si-sj||α
(2)将上下文信息空间的每一维平均划分成
Figure FDA0003997819970000021
份，因此，上下文信息空间被划分为了hB M个超矩阵，用
Figure FDA0003997819970000022
表示超矩阵的集合。
5.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤三中，执行感知任务的总预算为B，其中探索预算为
Figure FDA0003997819970000023
利用预算为探索预算使用结束后剩余的部分，bmax为工人向平台提交的执行任务所需的花费最大值，μmax为工人执行任务的质量最大值。
6.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤四具体方法如下：
(1)模型初始化：
Figure FDA0003997819970000024
表示在t时刻超矩阵Q中的工人处理任务的估计质量，λQ(t)表示截止到t时刻超矩阵Q中的工人一共被选择的次数，Bt表示在第t时刻探索预算使用结束后剩余的部分；在t＝0时刻：λQ(0)＝0，
Figure FDA0003997819970000025
Figure FDA0003997819970000026
(2)在t时刻，选择第
Figure FDA0003997819970000027
个超矩阵Q，并从中随机抽取一个可用的工人；当
Figure FDA0003997819970000028
时，其中
Figure FDA0003997819970000029
执行(5)；
(3)在t时刻，雇佣选择出的工人执行感知任务，并支付报酬bmax；在t+τ时刻，观察其返回的任务收益，并更新相关变量：Bt+1＝Bt-bmax；
(4)当t＞τ时，观察t-τ时刻雇佣的工人执行感知任务所得到的质量，更新其对应超矩阵Q的相关变量：
Figure FDA00039978199700000210
λQ(t+1)＝λQ(t)+1，执行(2)；
(5)探索预算不足以进行下一次探索，进入利用阶段。
7.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤五具体方法如下：
(1)利用阶段初始化：对于工人集合
Figure FDA0003997819970000031
中的每个工人
Figure FDA0003997819970000032
根据其对应超矩阵Qi的评估质量计算评估质量的上置信指数为
Figure FDA0003997819970000033
(2)计算每个工人的评估质量花费密度：
Figure FDA0003997819970000034
并按降序排序，选择前τ个工人作为
Figure FDA0003997819970000035
集合；
(3)对于
Figure FDA0003997819970000036
集合中的每个工人i，计算其被平台雇佣所应支付的报酬：
Figure FDA0003997819970000037
(4)计算利用预算：Bt＝B-B′+Bt-1，t时刻可选择的工人集合
Figure FDA0003997819970000038
Figure FDA0003997819970000039
(5)在时刻t，当
Figure FDA00039978199700000310
时，将t-τ时刻雇佣的工人i[t-τ]添加到可选择的工人集合中：
Figure FDA00039978199700000311
(6)选择
Figure FDA00039978199700000312
中具有最大估计质量花费比的工人i，雇佣工人i执行感知任务，支付报酬pi，更新相关变量：Bt+1＝Bt-pi，
Figure FDA00039978199700000313
(7)重复步骤(5)(6)，直到预算不足以选择一个工人。
CN202211598649.9A 2022-12-14 2022-12-14 面向群智感知的海量未知工人选择与激励机制设计方法 Pending CN115983811A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211598649.9A CN115983811A (zh) 2022-12-14 2022-12-14 面向群智感知的海量未知工人选择与激励机制设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211598649.9A CN115983811A (zh) 2022-12-14 2022-12-14 面向群智感知的海量未知工人选择与激励机制设计方法

Publications (1)

Publication Number Publication Date
CN115983811A true CN115983811A (zh) 2023-04-18

Family

ID=85958759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211598649.9A Pending CN115983811A (zh) 2022-12-14 2022-12-14 面向群智感知的海量未知工人选择与激励机制设计方法

Country Status (1)

Country Link
CN (1) CN115983811A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117521716A (zh) * 2024-01-02 2024-02-06 山东大学 面向海量未知选项与有限内存空间的协作决策方法及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117521716A (zh) * 2024-01-02 2024-02-06 山东大学 面向海量未知选项与有限内存空间的协作决策方法及介质
CN117521716B (zh) * 2024-01-02 2024-03-19 山东大学 面向海量未知选项与有限内存空间的协作决策方法及介质

Similar Documents

Publication Publication Date Title
CN109389431B (zh) 优惠券的分配方法、装置、电子设备及可读存储介质
Lei et al. Dynamic pricing and reservation for intelligent urban parking management
Cohen Exploiting response models—optimizing cross-sell and up-sell opportunities in banking
Dissanayaka et al. Comparing contributors to time and cost performance in building projects
Higgins et al. Modelling intervention options to reduce GHG emissions in housing stock—A diffusion approach
JP2003526139A (ja) 抱き合わせ販売マーケティング・キャンペーンの正味現在価値を最適化するための方法
US20040176994A1 (en) System and method for finance forecasting
Jánošíková et al. Location of emergency stations as the capacitated p-median problem
Messer et al. Applying optimization and the analytic hierarchy process to enhance agricultural preservation strategies in the state of Delaware
Malini Build operate transfer municipal bridge projects in India
Lin An efficiency-driven approach for setting revenue target
Miyamoto et al. Productivity growth, on-the-job search, and unemployment
CN112950251A (zh) 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法
Dave et al. Data monitoring for the assessment of on-street parking demand in CBD areas of developing countries
CN110516155A (zh) 营销策略生成方法及系统
CN115983811A (zh) 面向群智感知的海量未知工人选择与激励机制设计方法
Barabash et al. Target programming with multicriterial restrictions application to the defense budget optimization
Azcoitia et al. Try Before You Buy: A practical data purchasing algorithm for real-world data marketplaces
CN110599337A (zh) 一种基于群智感知技术的联盟链安全激励方法
CN113222763A (zh) 基于区块链的充电交易管理方法及系统
Islam et al. Financial Feasibility Study for New Investment in New Digital Product of PT Telkom Indonesia (Case Study: SKP Project)
Umeda et al. Pilot study-based sharing system design method
CN114548554A (zh) 差异化收费策略效果预测方法、装置、设备及存储介质
Laitinen From complexities to the rules of thumb: towards optimisation in pricing decisions
CN109285032A (zh) 一种激励机制对夜间的参与者进行额外的奖励算法

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