CN116095721B - 一种融合感知通信的移动群智网络契约激励方法及系统 - Google Patents

一种融合感知通信的移动群智网络契约激励方法及系统 Download PDF

Info

Publication number
CN116095721B
CN116095721B CN202310362403.XA CN202310362403A CN116095721B CN 116095721 B CN116095721 B CN 116095721B CN 202310362403 A CN202310362403 A CN 202310362403A CN 116095721 B CN116095721 B CN 116095721B
Authority
CN
China
Prior art keywords
mobile
mobile user
server
type
contract
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
CN202310362403.XA
Other languages
English (en)
Other versions
CN116095721A (zh
Inventor
赵楠
陈楷桥
孙奕灵
任凡
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.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202310362403.XA priority Critical patent/CN116095721B/zh
Publication of CN116095721A publication Critical patent/CN116095721A/zh
Application granted granted Critical
Publication of CN116095721B publication Critical patent/CN116095721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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)
  • Mobile Radio Communication Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种融合感知通信的移动群智网络契约激励方法及系统，所述方法包括如下步骤：根据移动用户参与群智感知与计算任务的能耗建立移动用户类型；在移动用户类型离散和连续两种场景中，分别构建移动群智网络中移动用户效用函数和服务器效用函数；针对服务器已知和未知用户类型，即在信息对称和信息非对称情况下，分别构建融合感知通信的移动群智网络契约激励优化问题；求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略。本发明针对移动用户类型离散和连续场景下将服务器的效用作为优化目标，同时考虑在信息对称和信息非对称的不同情况，引进契约理论以实现服务器与移动用户的协调工作，保证服务器效用的最大化。

Description

一种融合感知通信的移动群智网络契约激励方法及系统
技术领域
本发明属于无线协作通信技术领域，具体涉及一种融合感知通信的移动群智网络契约激励方法及系统。
背景技术
随着智能移动的设备的快速普及和嵌入式感知技术的进步，移动群智感知（MCS）成为一种新兴的感知范式，利用人类携带的设备来感知和收集数据。与依赖于静态传感器的传统传感基础设施相比，MCS由于移动用户的移动性而提供了更广泛的覆盖范围，降低了部署和维护成本，并将人类智能集成到数据传感和处理中。MCS应用范围广泛，例如环境监测、交通规划、智能交通、商业建议和信息共享等。
尽管MCS为传统的传感架构提供了宝贵的优势，但也面临着一些新的挑战。一方面，在移动群智感知网络中缺乏一种有效的机制来促使移动用户感知环境并进行本地计算，由于处理感知任务会消耗自身能量，移动用户在没有足够奖励的情况下不愿意参与计算。另一方面，MCS存在信息对称和信息非对称的不同情况下的协调问题。因此，本文考虑在信息对称和信息非对称的情况下，针对移动用户类型在离散和连续的不同场景下移动群智感知网络中存在的激励机制问题以及服务器与移动用户的协调问题进行了研究。
发明内容
为了克服上述现有技术存在的不足，本发明的目的在于提出一种融合感知通信的移动群智网络契约激励方法及系统。
根据本发明的第一方面，提供了一种融合感知通信的移动群智网络契约激励方法，所述方法包括以下步骤：
步骤1.根据移动用户参与群智感知与计算任务的能耗建立移动用户类型；
步骤2.在移动用户类型离散和连续两种场景中，分别构建移动群智网络中移动用户效用函数和服务器效用函数；
步骤3.针对服务器已知和未知用户类型，即在信息对称和信息非对称情况下，分别构建融合感知通信的移动群智网络契约激励优化问题；
步骤4.求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，在步骤1中，所述根据移动用户参与群智感知与计算任务的能耗建立移动用户类型包括：
融合感知通信的移动群智网络包括1个服务器和N个移动用户，表示为
Figure SMS_1
；其中移动用户具有感知和本地计算的能力；移动用户类型定义如下：
Figure SMS_2
；将移动用户类型/>
Figure SMS_3
按照升序分为N个类型，表示为
Figure SMS_4
；
当移动用户类型
Figure SMS_5
为离散时，服务器可以判定移动用户类型为/>
Figure SMS_6
的概率表示为
Figure SMS_7
，满足/>
Figure SMS_8
；
当移动用户类型
Figure SMS_9
为连续时，服务器可以判定移动用户类型的概率密度函数表示为/>
Figure SMS_10
，满足/>
Figure SMS_11
可选的，在步骤2中，在移动用户类型离散场景中，构建移动群智网络中移动用户效用函数和服务器效用函数包括：
所述移动用户类型在离散场景下时，服务器为N类移动用户设计N类契约，每个类型的契约对应每个类型的移动用户；移动用户在类型为
Figure SMS_12
的情况下签订契约/>
Figure SMS_13
，/>
Figure SMS_14
是服务器支付给类型为/>
Figure SMS_15
的移动用户相应的奖励，/>
Figure SMS_16
表示类型为/>
Figure SMS_17
的移动用户感知数据大小。
在契约
Figure SMS_18
下，移动用户效用可以表示为：
Figure SMS_19
，其中/>
Figure SMS_20
表示为移动用户类型；/>
Figure SMS_21
是服务器支付给类型为
Figure SMS_22
的移动用户相应的奖励，/>
Figure SMS_23
表示类型为/>
Figure SMS_24
的移动用户感知数据大小；
此时，移动用户类型在离散场景下服务器效用表示为：
当
Figure SMS_25
离散时，满足/>
Figure SMS_26
，/>
Figure SMS_27
表示服务器判定移动用户类型为/>
Figure SMS_28
的概率；服务器通过请求类型为/>
Figure SMS_29
的移动用户进行感知需要支付相应的报酬，于是，服务器效用可以表示为服务器收益与支付奖励之差，即：
Figure SMS_30
；（1）
其中，服务器收益表示为：
Figure SMS_31
（2）
式中，
Figure SMS_33
表示服务器判定移动用户类型为/>
Figure SMS_34
的概率，/>
Figure SMS_35
表示服务器支付给类型为/>
Figure SMS_36
的移动用户相应的奖励。/>
Figure SMS_37
表示类型为/>
Figure SMS_38
的移动用户感知数据大小，/>
Figure SMS_39
表示服务器分配给类型为/>
Figure SMS_32
的移动用户的带宽。
可选的，在步骤2中，在移动用户类型连续场景中，构建移动群智网络中移动用户效用函数和服务器效用函数包括包括：
在契约
Figure SMS_40
下，连续场景下的移动用户效用可以表示为：
Figure SMS_41
，其中/>
Figure SMS_42
表示移动用户类型；
当
Figure SMS_43
连续时，其分布在正区间/>
Figure SMS_44
，/>
Figure SMS_45
表示服务器判定移动用户类型的概率密度函数，服务器通过请求类型为/>
Figure SMS_46
的移动用户进行环境的感知需要支付相应的报酬，于是，服务器效用可以表示为服务器收益与支付奖励之差，即：
Figure SMS_47
（3）
其中，服务器收益表示为：
Figure SMS_48
（4）
式中，
Figure SMS_49
表示服务器支付给类型为/>
Figure SMS_50
的移动用户相应的奖励。/>
Figure SMS_51
表示移动用户类型为/>
Figure SMS_52
的移动用户感知数据大小，/>
Figure SMS_53
表示服务器分配给移动用户类型为/>
Figure SMS_54
的移动用户带宽，/>
Figure SMS_55
表示服务器判定移动用户类型的概率密度函数。
可选的，在步骤3中，针对服务器已知在信息对称情况下，构建融合感知通信的移动群智网络契约激励优化问题包括：
信息对称情况下的优化问题，即服务器已知移动用户的私有类型，此时需要满足参与约束，
Figure SMS_56
，即移动用户从接受契约中得到的期望效用不能小于不接受契约时能得到的最大期望效用，于是服务器满足最大期望效用的优化问题为：
Figure SMS_57
（5）
其中
Figure SMS_58
表示类型为/>
Figure SMS_59
的移动用户选择与之类型匹配的契约/>
Figure SMS_60
时的效用。
可选的，在步骤3中，针对服务器未知在信息非对称情况下，构建融合感知通信的移动群智网络契约激励优化问题包括：
信息非对称情况下的优化问题，即服务器未知移动用户的私有类型，此时服务器存在道德风险问题，契约需要满足参与约束，
Figure SMS_61
，即移动用户从接受契约中得到的期望效用不能小于不接受契约时能得到的最大期望效用；同时需要满足激励相容约束，/>
Figure SMS_62
，/>
Figure SMS_63
，即服务器希望的行为只能通过移动用户的收益最大化行为来实现，则融合感知通信的移动群智网络契约激励优化问题表示为：
Figure SMS_64
（6）
其中，IR约束确保移动用户获得积极的期望效用，IC约束确保移动用户获得期望效用的最大化，式中，
Figure SMS_66
表示类型为/>
Figure SMS_67
的移动用户选择与之类型匹配的契约
Figure SMS_68
时的效用，/>
Figure SMS_69
表示类型为/>
Figure SMS_70
的移动用户选择与之类型不匹配的
Figure SMS_71
时的效用，/>
Figure SMS_72
表示除了/>
Figure SMS_65
之外的所有元素。
可选的，在步骤4中，所述求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略包括：
根据拉格朗日乘子法和Kuhn-Tucker条件，通过求导进行求解。
根据本发明的第二方面，提供了一种融合感知通信的移动群智网络契约激励系统，包括：获取模块、划分模块、确定模块、和融合模块，其中，
获取模块，用于根据移动用户参与群智感知与计算任务的能耗建立移动用户类型；
划分模块，用于在移动用户类型离散和连续两种场景中，分别构建移动群智网络中移动用户效用函数和服务器效用函数；
确定模块，用于针对服务器已知和未知用户类型，即在信息对称和信息非对称情况下，分别构建融合感知通信的移动群智网络契约激励优化问题；
融合模块，用于求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略。
本发明的技术效果和优点：
本发明分别根据移动用户类型离散和连续的情况下将服务器的效用作为优化目标。同时根据在信息对称和信息非对称的场景下的约束条件，提出的一种融合感知通信的移动群智网络契约激励方法及系统，以实现服务器与移动用户的协调工作，保证服务器效用的最大化。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
图1为本发明实施例提供的一种融合感知通信的移动群智网络契约激励方法流程图。
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，显然，所描述的实施例仅仅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。
针对MCS网络中缺乏一种有效的机制来促使移动用户参与感知计算的实际问题，本发明设计了一种融合感知通信的移动群智网络契约激励方法。分别在移动用户类型离散和连续的不同场景下以服务器的效用作为优化目标。同时考虑了信息对称和信息非对称的不同情况，提出的一种融合感知通信的移动群智网络契约激励方法，以实现服务器与移动用户的协调工作，保证服务器效用的最大化。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种融合感知通信的移动群智网络契约激励方法，具体如图1所示，所述方法包括如下步骤：
步骤1，根据移动用户参与群智感知与计算任务的能耗建立移动用户类型；
在本发明实施例中，所述移动用户的能耗包括感知能耗和本地计算能耗，所述建立移动用户类型包括：建立移动用户在连续场景和离散场景下的私有类型。其具体表示为：
融合感知通信的移动群智网络包括1个服务器和N个移动用户，表示为
Figure SMS_73
；其中移动用户具有感知和本地计算的能力；移动用户类型定义如下：
Figure SMS_74
；将移动用户类型/>
Figure SMS_75
按照升序分为N个类型，表示为
Figure SMS_76
。
应当理解的是，假设融合感知通信的移动群智网络包括1个服务器和10个移动用户，表示为
Figure SMS_77
；其中移动用户具有感知和本地计算的能力；移动用户类型定义如下：/>
Figure SMS_78
；将移动用户类型/>
Figure SMS_79
按照升序分为10个类型，表示为
Figure SMS_80
。
当移动用户类型
Figure SMS_81
为离散时，服务器可以判定移动用户类型为/>
Figure SMS_82
的概率表示为
Figure SMS_83
，可选地，/>
Figure SMS_84
，满足/>
Figure SMS_85
；
当移动用户类型
Figure SMS_86
为连续时，其分布在正区间/>
Figure SMS_87
，其中，θL表示为区间低值，θH表示为区间高值。服务器判定移动用户类型的概率密度函数表示为/>
Figure SMS_88
，可选地，假设/>
Figure SMS_89
服从/>
Figure SMS_90
的均匀分布，即/>
Figure SMS_91
，满足/>
Figure SMS_92
。
步骤2.在移动用户类型离散和连续两种场景中，分别构建移动群智网络中移动用户效用函数和服务器效用函数；
在移动用户类型离散场景中，构建移动群智网络中移动用户效用函数和服务器效用函数包括：
所述移动用户类型在离散场景下时，服务器为N类移动用户设计N类契约，每个类型的契约对应每个类型的移动用户；移动用户在类型为
Figure SMS_93
的情况下签订契约/>
Figure SMS_94
，/>
Figure SMS_95
是服务器支付给移动用户类型为/>
Figure SMS_96
的移动用户相应的奖励，/>
Figure SMS_97
表示移动用户类型为/>
Figure SMS_98
的移动用户感知数据大小，可假设为，/>
Figure SMS_99
。
在契约
Figure SMS_100
下，移动用户效用函数可以表示为：
Figure SMS_101
，
其中
Figure SMS_102
表示为移动用户类型，/>
Figure SMS_103
是服务器支付给类型为/>
Figure SMS_104
的移动用户相应的奖励，/>
Figure SMS_105
表示类型为/>
Figure SMS_106
的移动用户感知数据大小。
此时，移动用户类型在离散场景下服务器效用函数表示为：
当
Figure SMS_107
离散时，满足/>
Figure SMS_108
，/>
Figure SMS_109
表示服务器判定移动用户类型为/>
Figure SMS_110
的概率。服务器通过请求类型为/>
Figure SMS_111
的移动用户进行感知需要支付相应的报酬。于是，服务器效用可以表示为服务器收益与支付奖励之差，即：
Figure SMS_112
；（1）
其中，服务器收益表示为：
Figure SMS_113
（2）
式中，
Figure SMS_114
表示服务器判定移动用户类型为/>
Figure SMS_116
的概率，/>
Figure SMS_118
表示服务器支付给类型为/>
Figure SMS_120
的移动用户相应的奖励。/>
Figure SMS_121
表示类型为/>
Figure SMS_122
的移动用户感知数据大小，/>
Figure SMS_123
表示服务器分配给类型为/>
Figure SMS_115
的移动用户的带宽。当/>
Figure SMS_117
时，可假设为/>
Figure SMS_119
。
在移动用户类型连续场景中，构建移动群智网络中移动用户效用函数和服务器效用函数包括：
移动用户类型在连续场景下服务器效用函数表示为：
在契约
Figure SMS_124
下，移动用户在连续场景中服务器效用表示为:
Figure SMS_125
，
其中
Figure SMS_126
表示移动用户类型，/>
Figure SMS_127
是服务器支付给类型为/>
Figure SMS_128
的移动用户相应的奖励，
Figure SMS_129
表示类型为/>
Figure SMS_130
的移动用户感知数据大小。
当
Figure SMS_131
连续时，其分布在正区间/>
Figure SMS_132
，此时满足/>
Figure SMS_133
，/>
Figure SMS_134
表示服务器判定移动用户类型的概率密度函数。服务器通过请求类型为/>
Figure SMS_135
的移动用户进行环境的感知需要支付相应的报酬。于是，服务器效用可以表示为服务器收益与支付奖励之差，即：
Figure SMS_136
（3）
其中，服务器收益表示为：
Figure SMS_137
（4）
式中，
Figure SMS_139
表示服务器支付给类型为/>
Figure SMS_140
的移动用户相应的奖励。/>
Figure SMS_141
表示类型为/>
Figure SMS_142
的移动用户感知数据大小，/>
Figure SMS_143
表示服务器分配给类型为/>
Figure SMS_144
的移动用户带宽，/>
Figure SMS_145
表示在移动用户类型连续场景下服务器判定移动用户类型为/>
Figure SMS_138
的概率。
步骤3，针对服务器已知和未知用户类型，即在信息对称和信息非对称情况下，分别构建融合感知通信的移动群智网络契约激励优化问题；
针对信息对称情况下和信息非对称情况下的优化问题包括以下两种情况：
在信息对称情况下的优化问题，即服务器已知移动用户的私有类型，此时需要满足参与约束，
Figure SMS_146
即移动用户从接受契约中得到的期望效用不能小于不接受契约时能得到的最大期望效用，于是服务器满足最大期望效用的优化问题为：
Figure SMS_147
（5）
其中
Figure SMS_148
表示类型为/>
Figure SMS_149
的移动用户选择与之类型匹配的契约/>
Figure SMS_150
时的效用。
在信息非对称情况下的优化问题，即服务器未知移动用户的私有类型，此时服务器存在道德风险问题。契约需要满足参与约束，
Figure SMS_151
，即移动用户从接受契约中得到的期望效用不能小于不接受契约时能得到的最大期望效用；同时需要满足激励相容约束，/>
Figure SMS_152
，其中，/>
Figure SMS_153
。即服务器希望的行为只能通过移动用户的收益最大化行为来实现。则服务器收益最大化问题可表示为：
Figure SMS_154
（6）
其中
Figure SMS_156
表示类型为/>
Figure SMS_157
的移动用户选择与之类型匹配的契约/>
Figure SMS_158
时的效用，/>
Figure SMS_159
表示类型为/>
Figure SMS_160
的移动用户选择与之类型不匹配的/>
Figure SMS_161
时的效用，/>
Figure SMS_162
表示除了/>
Figure SMS_155
之外的所有元素。
其中IR约束确保移动用户获得积极的期望效用，IC约束确保移动用户获得期望效用的最大化。
步骤4，利用数学方法求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略。
针对信息对称和信息非对称两种情况下融合感知通信的移动群智网络契约激励优化问题，可根据拉格朗日乘子法和Kuhn-Tucker条件，通过求导进行求解。
此外，本发明实施例还提出了一种融合感知通信的移动群智网络契约激励系统，所述系统包括：获取模块、划分模块、确定模块、和融合模块，其中，
获取模块，用于根据移动用户参与群智感知与计算任务的能耗建立移动用户类型；
划分模块，用于在移动用户类型离散和连续两种场景中，分别构建移动群智网络中移动用户效用函数和服务器效用函数；
确定模块，用于针对服务器已知和未知用户类型，即在信息对称和信息非对称情况下，分别构建融合感知通信的移动群智网络契约激励优化问题；
融合模块，求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略。
可以理解的是，本发明提供的一种融合感知通信的移动群智网络契约激励系统与前述实施例提供的一种融合感知通信的移动群智网络契约激励方法相对应，一种融合感知通信的移动群智网络契约激励系统的相关技术特征可参考一种融合感知通信的移动群智网络契约激励方法的相关技术特征，在此不再赘述。
本发明提出的一种融合感知通信的移动群智网络契约激励方法及系统，该方法针对移动用户类型离散和连续场景下将服务器的效用作为优化目标，同时考虑在信息对称和信息非对称的不同情况，引进契约理论以实现服务器与移动用户的协调工作，保证服务器效用的最大化。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合感知通信的移动群智网络契约激励方法，其特征在于，所述契约激励方法包括以下步骤：
步骤1.根据移动用户参与群智感知与计算任务的能耗建立移动用户类型；
步骤2.在移动用户类型离散和连续两种场景中，分别构建移动群智网络中移动用户效用函数和服务器效用函数；
步骤3.针对服务器已知和未知用户类型，即在信息对称和信息非对称情况下，分别构建融合感知通信的移动群智网络契约激励优化问题；其中，契约激励优化问题为满足约束条件的效用函数最大值；
步骤4.求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略。
2.根据权利要求1所述的一种融合感知通信的移动群智网络契约激励方法，其特征在于，在步骤1中，所述根据移动用户参与群智感知与计算任务的能耗建立移动用户类型包括：
融合感知通信的移动群智网络包括1个服务器和N个移动用户，表示为Π＝{1,...,i,...,N}；其中移动用户具有感知和本地计算的能力；移动用户类型定义如下：Γ＝{θ1,...,θi,...,θN}；将移动用户类型θi按照升序分为N个类型，表示为0<θ1<...θi<...<θN；
当移动用户类型θi为离散时，服务器判定移动用户类型为θi的概率表示为ui，满足
Figure FDA0004237164700000011
当移动用户类型θi为连续时，其分布在正区间Θ∈[θL,θH]，服务器判定移动用户类型的概率密度函数表示为f(θi)，满足
Figure FDA0004237164700000021
3.根据权利要求1所述的一种融合感知通信的移动群智网络契约激励方法，其特征在于，在步骤2中，在移动用户类型离散场景中，构建移动群智网络中移动用户效用函数和服务器效用函数包括：
所述移动用户类型在离散场景中时，服务器为N类移动用户设计N类契约，每个类型的契约对应每个类型的移动用户；移动用户在类型为θi的情况下签订契约{πi,βi}，其中πi是服务器支付给类型为θi的移动用户相应的奖励，βi表示类型为θi的移动用户感知数据大小；
在契约{πi,βi}下，移动用户效用函数表示为：
Figure FDA0004237164700000026
此时，移动用户类型在离散场景下服务器效用表示为：
当θi离散时，满足
Figure FDA0004237164700000023
ui表示服务器判定移动用户类型为θi的概率；服务器通过请求类型为θi的移动用户进行感知需要支付相应的报酬，于是，服务器效用表示为服务器收益与支付奖励之差，即：
Figure FDA0004237164700000024
式中，ui表示服务器判定移动用户类型为θi的概率，πi表示服务器支付给类型为θi的移动用户相应的奖励，βi表示类型为θi的移动用户感知数据大小，
Figure FDA0004237164700000025
表示服务器分配给类型为θi的移动用户带宽。
4.根据权利要求3所述的一种融合感知通信的移动群智网络契约激励方法，其特征在于，在步骤2中，在移动用户类型连续场景中，构建移动群智网络中移动用户效用函数和服务器效用函数包括：
在契约{πi,βi}下，移动用户在连续场景中服务器效用表示为:
Figure FDA0004237164700000031
其中θi表示移动用户类型，πi是服务器支付给类型为θi的移动用户相应的奖励，βi表示类型为θi的移动用户感知数据大小；
此时，移动用户类型在连续场景下服务器效用表示为：
当θi连续时，满足
Figure FDA0004237164700000032
f(θi)表示服务器判定移动用户类型的概率密度函数；服务器通过请求类型为θi的移动用户进行环境的感知需要支付相应的报酬，于是，服务器效用表示为服务器收益与支付奖励之差，即：
Figure FDA0004237164700000033
式中，πi表示服务器支付给类型为θi的移动用户相应的奖励，βi表示类型为θi的移动用户感知数据大小，
Figure FDA0004237164700000035
表示服务器分配给类型为θi的移动用户带宽，f(θi)表示在移动用户类型连续场景下服务器判定移动用户类型的概率密度函数。
5.根据权利要求1所述的一种融合感知通信的移动群智网络契约激励方法，其特征在于，在步骤3中，针对服务器已知在信息对称情况下，构建融合感知通信的移动群智网络契约激励优化问题包括：
信息对称情况下的优化问题，即服务器已知移动用户的私有类型，契约需要满足参与约束，(IR)
Figure FDA0004237164700000034
即移动用户从接受契约中得到的期望效用不能小于不接受契约时能得到的最大期望效用，则融合感知通信的移动群智网络契约激励优化问题表示为：
Figure FDA0004237164700000041
Figure FDA00042371647000000410
其中，
Figure FDA0004237164700000042
表示类型为θi的移动用户选择与之类型匹配的契约{πi,βi}时的效用。
6.根据权利要求1所述的一种融合感知通信的移动群智网络契约激励方法，其特征在于，在步骤3中，针对服务器未知在信息非对称情况下，构建融合感知通信的移动群智网络契约激励优化问题包括：
信息非对称情况下的优化问题，即服务器未知移动用户的私有类型，此时服务器存在道德风险问题，契约需要满足参与约束，(IR)
Figure FDA0004237164700000043
即移动用户从接受契约中得到的期望效用不能小于不接受契约时能得到的最大期望效用；同时需要满足激励相容约束，(IC)/>
Figure FDA0004237164700000044
即服务器希望的行为只能通过移动用户的收益最大化行为来实现，则融合感知通信的移动群智网络契约激励优化问题表示为：
Figure FDA0004237164700000045
(IR)
Figure FDA0004237164700000046
Figure FDA0004237164700000047
其中，IR约束确保移动用户获得积极的期望效用，IC约束确保移动用户获得期望效用的最大化，式中，
Figure FDA0004237164700000048
表示类型为θi的移动用户选择与之类型匹配的契约{πi,βi}时的效用，/>
Figure FDA0004237164700000049
表示类型为θi的移动用户选择与之类型不匹配的契约{πj,βj}时的效用，j表示除了i之外的所有元素。
7.根据权利要求1所述的一种融合感知通信的移动群智网络契约激励方法，其特征在于，在步骤4中，所述求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略包括：
根据拉格朗日乘子法和Kuhn-Tucker条件，通过求导进行求解。
8.一种融合感知通信的移动群智网络契约激励系统，其特征在于，包括：获取模块、划分模块、确定模块、和融合模块，其中，
获取模块，用于根据移动用户参与群智感知与计算任务的能耗建立移动用户类型；
划分模块，用于在移动用户类型离散和连续两种场景中，分别构建移动群智网络中移动用户效用函数和服务器效用函数；
确定模块，用于针对服务器已知和未知用户类型，即在信息对称和信息非对称情况下，分别构建融合感知通信的移动群智网络契约激励优化问题；其中，契约激励优化问题为满足约束条件的效用函数最大值；
融合模块，用于求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略。
9.根据权利要求8所述的一种融合感知通信的移动群智网络契约激励系统，其特征在于，所述根据移动用户参与群智感知与计算任务的能耗建立移动用户类型包括：
融合感知通信的移动群智网络包括1个服务器和N个移动用户，表示为Π＝{1,...,i,...,N}；其中移动用户具有感知和本地计算的能力；移动用户类型定义如下：Γ＝{θ1,...,θi,...,θN}；将移动用户类型θi按照升序分为N个类型，表示为0<θ1<...θi<...<θN；
当移动用户类型θi为离散时，服务器判定移动用户类型为θi的概率表示为ui，满足
Figure FDA0004237164700000061
当移动用户类型θi为连续时，其分布在正区间Θ∈[θL,θH]，服务器判定移动用户类型的概率密度函数表示为f(θi)，满足
Figure FDA0004237164700000062
10.根据权利要求8所述的一种融合感知通信的移动群智网络契约激励系统，其特征在于，所述求解上述两种情况下契约激励优化问题，以获得融合感知通信的最优契约设计策略包括：
根据拉格朗日乘子法和Kuhn-Tucker条件，通过求导进行求解。
CN202310362403.XA 2023-04-07 2023-04-07 一种融合感知通信的移动群智网络契约激励方法及系统 Active CN116095721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310362403.XA CN116095721B (zh) 2023-04-07 2023-04-07 一种融合感知通信的移动群智网络契约激励方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310362403.XA CN116095721B (zh) 2023-04-07 2023-04-07 一种融合感知通信的移动群智网络契约激励方法及系统

Publications (2)

Publication Number Publication Date
CN116095721A CN116095721A (zh) 2023-05-09
CN116095721B true CN116095721B (zh) 2023-06-27

Family

ID=86204785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310362403.XA Active CN116095721B (zh) 2023-04-07 2023-04-07 一种融合感知通信的移动群智网络契约激励方法及系统

Country Status (1)

Country Link
CN (1) CN116095721B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116233869B (zh) * 2023-05-10 2023-07-18 湖北工业大学 计算激励、任务分配及无人机位置联合优化方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115334551A (zh) * 2022-10-17 2022-11-11 湖北工业大学 基于契约理论的任务卸载与资源分配优化方法及系统
CN115392337A (zh) * 2022-07-06 2022-11-25 广西师范大学 基于用户声誉的强化学习移动众包激励方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105682176B (zh) * 2016-01-19 2019-03-05 南京邮电大学 基于买卖模型及两层优化的节点激励方法
US20210204147A1 (en) * 2018-06-01 2021-07-01 Telefonaktiebolaget Lm Ericsson (Publ) Directing devices for coverage measurement purposes
CN109982328B (zh) * 2019-01-31 2022-09-13 湖北工业大学 一种基于深度神经网络的协作频谱共享智能契约设计方法
US10931540B2 (en) * 2019-05-15 2021-02-23 Khoros, Llc Continuous data sensing of functional states of networked computing devices to determine efficiency metrics for servicing electronic messages asynchronously
CN111562972A (zh) * 2020-04-24 2020-08-21 西北工业大学 一种面向群智感知的泛在操作系统
KR102564106B1 (ko) * 2020-10-16 2023-08-07 중앙대학교 산학협력단 개인정보 보호를 위해 개선된 스마트 컨트랙트 기반의 지능형 중개를 위한 장치 및 방법
WO2022167998A1 (en) * 2021-02-05 2022-08-11 Warshne Nittn Method and system for wireless tag user configuration for collaborative content generation management and analytics

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392337A (zh) * 2022-07-06 2022-11-25 广西师范大学 基于用户声誉的强化学习移动众包激励方法
CN115334551A (zh) * 2022-10-17 2022-11-11 湖北工业大学 基于契约理论的任务卸载与资源分配优化方法及系统

Also Published As

Publication number Publication date
CN116095721A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
Li et al. Deep reinforcement scheduling for mobile crowdsensing in fog computing
Huang et al. Efficient workload allocation and user-centric utility maximization for task scheduling in collaborative vehicular edge computing
Liwang et al. Game theory based opportunistic computation offloading in cloud-enabled IoV
US7792040B2 (en) Bandwidth and cost management for ad hoc networks
Ma et al. A time and location correlation incentive scheme for deep data gathering in crowdsourcing networks
Liao et al. Fog-enabled vehicle as a service for computing geographical migration in smart cities
CN116095721B (zh) 一种融合感知通信的移动群智网络契约激励方法及系统
CN109377218B (zh) 一种遏制虚假感知攻击的方法、服务器及移动终端
Huang et al. A game-based economic model for price decision making in cyber-physical-social systems
Cao et al. Cognitive radio networks with heterogeneous users: How to procure and price the spectrum?
Mekala et al. Deep learning‐influenced joint vehicle‐to‐infrastructure and vehicle‐to‐vehicle communication approach for internet of vehicles
Kim et al. User incentive model and its optimization scheme in user-participatory fog computing environment
Li et al. Distributed perception and model inference with intelligent connected vehicles in smart cities
Wu et al. Bilateral satisfaction aware participant selection with MEC for mobile crowd sensing
Wang et al. A collective filtering based content transmission scheme in edge of vehicles
Ren et al. Quality utilization aware based data gathering for vehicular communication networks
Zhang et al. Resource scheduling of time-sensitive services for B5G/6G connected automated vehicles
Lee et al. A novel joint dataset and incentive management mechanism for federated learning over MEC
Liu et al. FedSSC: Joint client selection and resource management for communication-efficient federated vehicular networks
Knari et al. Multi-Agent Deep Reinforcement Learning for content caching within the Internet of Vehicles
Wu et al. Hybrid sensor network with edge computing for AI applications of connected vehicles
Yuan et al. Retracted: Multi‐vehicle group‐aware data protection model based on differential privacy for autonomous sensor networks
Li et al. A two-tiered incentive mechanism design for federated crowd sensing
Liu et al. Incentives in cooperative networks: A contract-theoretic perspective
Zhu et al. A Privacy‐Preserving Incentive Mechanism for Data Offloading in Satellite‐Terrestrial Crowdsensing

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