基于树增益朴素贝叶斯网络的服务定价策略

移动劳务众包是一种新型商业模式.服务定价问题是劳务众包平台的核心问题,它与任务完成度和企业利润密切相关.针对移动互联网中劳务众包平台的定价问题,对历史数据进行建模,探究定价和影响因素.采用多元线性回归对价格的主要影响因素进行拟合,研究了用户拍照任务执行情况、任务地理位置与拍照任务定价之间的函数关系.基于分治思想,使用树增益朴素贝叶斯网络(TAN)将地理信息划分为5个区域,将每个任务执行点用元组{任务完成度,任务标价,经度、纬度,信誉度}表示,对散点进行聚类分析,分析了任务未完成原因以及任务位置对任务完成情况的影响.提出区域会员信誉度计算方法,分别计算每个区域的信誉度,由信誉度和地理位置导出不同区域的价格,并评价该方案的实施效果.     

基于0-1型整数规划的任务打包方案研究

"拍照赚钱"是移动互联网下的一种自助式服务模式。用户下载APP,注册成为APP的会员,然后从APP上领取需要拍照的任务(比如上超市去检查某种商品的上架情况),赚取APP对任务所标定的酬金。这是一种基于移动互联网的自助式劳务众包平台,APP即为该平台运行的核心,而实际情况下,多个任务可能因为位置比较集中,导致用户会争相选择,一种考虑是将这些任务联合在一起打包发布,在这种考虑下,就需要修改原本的定价模型来匹配这种打包方案。针对这个问题,我们使用0-1规划、聚类分析等数学方法,运用了Lingo和XGeocoding软件,并结合实际情况,确定了定价模型。     

基于博弈和网络流的任务打包定价模型

“拍照赚钱”是移动互联网下的一种自助式服务模式。用户下载APP,注册成为APP的会员,然后从APP上领取需要拍照的任务,赚取APP对任务所标定的酬金。它为企业提供各种商品检查的信息,能够大大节省调查成本,保证调查数据真实性,缩短调查的周期。该模式的核心要素是任务的定价。然而,如果定价不够合理,将会造成有的任务无人问津,从而导致商品检查的失败。为此,该文提出了一种基于博弈和网络流的任务打包定价模型。首先引入贝叶斯-纳什均衡理论初步建立任务定价方案,然后在此基础上基于最小费用最大流思想建立网络流模型,将任务联合打包发布,进一步增加任务的完成率。通过建立此模型,能够在保障任务的完成率的前提下使企业付出酬金最小。     

基于多元回归的众包平台定价规律研究

"拍照赚钱"是移动互联网下的一种自助式服务模式。用户下载APP,注册成为APP的会员,然后从APP上领取需要拍照的任务(比如上超市去检查某种商品的上架情况),赚取APP对任务所标定的酬金。这种基于移动互联网的自助式劳务众包平台,为企业提供各种商业检查和信息搜集,相比传统的市场调查方式可以大大节省调查成本,而且有效地保证了调查数据真实性,缩短了调查的周期。因此APP成为该平台运行的核心,而APP中的任务定价又是其核心要素。如果定价不合理,有的任务就会无人问津,而导致商品检查的失败。针对这个问题,我们使用多元回归、聚类分析等数学方法,运用了Excel和SPSS软件,并结合实际情况,确定了定价模型。该模型能够根据外界因素改变任务定价,更加具有弹性,激发会员完成任务的积极性。     

“拍照赚钱”定价优化问题

随着互联网的兴起,基于自助式互联网服务平台的"拍照赚钱"APP逐渐受到欢迎。为了解决众包任务定价问题,笔者依据2017年全国大学生数学建模B题提供的数据,通过系统聚类、逐步回归和二值响应回归等方法,对众包任务的价格建立了定价模型,并利用非线性规划建立了定价的优化模型。研究得出:周围人数越多或距离高信誉值会员越远,任务定价会越高;任务未完成是由任务过于分散、距离会员过远或价格过低等因素导致的。     

基于多Agent的众包任务推荐系统建模与仿真

为了让众包平台用户更方便准确地搜寻到合适任务,促进其能力水平提升,解决众包任务推荐动态性等问题,提出了一种基于多Agent的众包任务推荐系统。首先,基于众包平台建立多Agent任务推荐模型,提出了模型设计思路与模型框架,并进一步阐述了各Agent功能、相互作用关系与相关算法;其次,提出众包用户能力水平提升相关算法;最后,利用NetLogo仿真软件进行验证。结果表明,众包任务推荐系统可对用户能力水平的提升起到促进作用,证明了在众包平台引入推荐系统的必要性。并且分析了多Agent技术可提升推荐系统的动态性、智能性与灵活性等整体性能,促进了众包平台数据的管理与维护。     

基于纳什竞价的空间众包任务定价算法

任务定价是众包平台解决利润驱动的任务分配、最大化利润的重要步骤。然而关于工人期望的任务定价研究相对较少，现有大多数研究并不考虑工人与任务的动态需求。此外，出于工人隐私和传感器限制，获取完整的工人信息是困难的。为解决上述难题，提出了基于纳什竞价的空间众包任务定价算法。首先通过机器学习算法获取任务的价格范围，然后在价格区间上进行纳什竞价。为了解决动态供需造成的价格大幅波动问题，设计调整机制来稳定任务均价。最后为模拟纳什均衡点，采用了两种不同的梯度递减函数，来搜索匹配数最大的任务定价。分别在gMission数据集和合成数据集进行了实验，结果表明所提算法的匹配数量和任务均价分别是MCMF算法的60%和1.57倍，时间花费是MCMF算法的9.6%,验证了所提算法的有效性。     

基于改进狮群进化算法的面向空间众包平台的多工作者多任务路径规划方法

针对面向空间众包平台的多工作者多任务路径规划问题,以求解时间成本和路程成本最小的全局最优路径规划方案为目标,提出了基于改进狮群进化算法的路径规划方法.首先,结合现实问题场景,提出带有任务开始点和结束点的路径规划模型;其次,借鉴狮群进化算法的思想,改进狮群智能行为,引入驱逐行为,针对求解问题设计染色体编码方式、交叉、变异操作等,提出了面向空间众包平台的多工作者多任务路径规划的改进狮群进化算法;最后,运用改进狮群进化算法求解面向空间众包平台的多工作者多任务路径规划模型,并根据真实数据集制作问题算例进行测试.实验结果表明了算法的可用性和有效性.     

团购模式下云制造服务资源组合优化模型与算法

在云制造服务环境中,为了进一步降低需求者的服务成本,提出了一种团购模式下云制造服务资源组合优化模型与算法。在云制造平台发展的初期阶段,以服务需求者的视角分析云制造服务资源组合优化管理问题,通过团购模式研究了资源组合优化模型与算法,模型中考虑团购定价、团购信任度等关键影响因素,对云制造资源组合优化进行综合决策;设计改进的遗传算法进行模型求解,进一步对团购模式下云制造服务资源组合模型进行仿真分析。通过不同规模问题的仿真实验验证了模型与算法的有效性和可行性,仿真结果表明,在团购规模逐渐增大的情况下,团购模式比个体模式更具有成本优势。     

第四方物流多到多弹复性网络设计

为了使第四方物流(4PL)能够提供安全、有效的物流服务,提出多个供需点对之间物流配送任务下的4PL弹复性网络设计模型。建立以总物流成本最小化为目标的优化模型,考虑物流服务节点和运输线路的中断,通过构建备用路径实现弹复性,以主路径和备用路径共用的服务节点和运输线路的数量作为弹复性指标,设计人工蜂群算法对模型进行求解,并对问题模型中的重要参数进行分析。仿真结果表明,人工蜂群算法能够对问题进行有效求解。     

众包系统中基于双向拍卖的诚实多任务分配机制

现有的众包任务分配模型大都假设仅存在一个任务请求者,难以满足存在多个任务请求者的应用场景.因此,该文假设众包系统中存在多个任务请求者,且每个任务请求者或工人在每轮任务分配中可以请求或完成多个任务,并在此基础上设计了适用于众包系统的双向拍卖机制,以激励众包任务被高效地完成.首先,将对多个任务感兴趣的工人抽象为多个虚拟工人,以低报价优先匹配原则,设计了一个高效任务分配机制;根据统一定价原则,为其设计了诚实的定价机制.然后,通过理论分析,证明了所设计的机制可以满足诚实性、个体理性以及收支平衡这3项经济学特性.最后,通过仿真实验结果验证了所设计机制的有效性.     

考虑工人路径的多智能体强化学习空间众包任务分配方法

针对工人和任务进行匹配是空间众包研究的核心问题之一,但已有的方法通常会忽略工人路径对任务分配结果产生的影响.传统的任务分配方法存在计算速度慢、适用范围小和协作效果不突出等问题.对此,从空间众包平台的角度出发研究面向路网的空间众包任务分配问题,以任务完成时间最短为目标,提出考虑工人路径规划的基于多智能体强化学习的QMIX-A*算法,缩短任务的平均完成时间,进而提高用户的满意度.大量的数值仿真研究验证了QMIX-A*的有效性和稳定性,为空间众包服务平台的任务分配与路径优化策略的选择提供决策支持.     

Task assignment for social-oriented crowdsourcing

Crowdsourcing has become an efficient measure to solve machine-hard problems by embracing group wisdom, in which tasks are disseminated and assigned to a group of workers in the way of open competition. The social relationships formed during this process may in turn contribute to the completion of future tasks. In this sense, it is necessary to take social factors into consideration in the research of crowdsourcing. However, there is little work on the interactions between social relationships and crowdsourcing currently. In this paper, we propose to study such interactions in those social-oriented crowdsourcing systems from the perspective of task assignment. A prototype system is built to help users publish, assign, accept, and accomplish location-based crowdsourcing tasks as well as promoting the development and utilization of social relationships during the crowdsourcing. Especially, in order to exploit the potential relationships between crowdsourcing workers and tasks, we propose a “worker-task” accuracy estimation algorithm based on a graph model that joints the factorized matrixes of both the user social networks and the history “worker-task” matrix. With the worker-task accuracy estimation matrix, a group of optimal worker candidates is efficiently chosen for a task, and a greedy task assignment algorithm is proposed to further the matching of worker-task pairs among multiple crowdsourcing tasks so as to maximize the overall accuracy. Compared with the similarity based task assignment algorithm, experimental results show that the average recommendation success rate increased by 3.67%; the average task completion rate increased by 6.17%; the number of new friends added per week increased from 7.4 to 10.5; and the average task acceptance time decreased by 8.5 seconds.     

面向工作者能力评估的众包任务分配方法的研究进展综述

随着互联网技术和共享经济模式的快速发展,作为一种新型的群体计算模式,近年来众包（Crowdsourcing）已经得到了广泛的应用并成为研究热点。针对众包应用的特点,为确保众包任务的完成质量,现有研究从工作者能力评估的角度出发已提出了各种不同的众包任务分配方法。首先介绍了众包的概念和分类,阐述了众包平台的工作流程及其任务特点,并在此基础上总结了现有的工作者能力评估的相关研究工作;然后从基于匹配、基于规划和基于角色协同等三个方面综述了众包任务分配方法及其遇到的挑战;最后提出了未来工作的研究方向。     

基于用户可靠性的众包系统任务分配机制

针对现有研究对众包系统中用户可靠性考虑不足的问题,假设每个用户针对不同类型任务具有不同的可靠性,并在此基础上设计了一种基于用户可靠性的众包系统任务分配机制。首先,以任务发布者的收益最大化为优化目标,利用贪心技术,设计了一种高效的任务分配机制,即每次选择一个能带来最大收益的任务分配方案;其次,设计了一种基于历史信息的用户可靠性更新机制,用户可靠性的更新由用户历史可靠性和当前完成任务的质量两部分决定,并将支付给用户的最终报酬与用户的可靠性挂钩,以激励用户持续高质量地完成任务;最后,从任务发布者的总效益、任务完成率和用户可靠性三个方面分析设计机制的有效性。实验结果显示,与ProMoT方法相比,所提出的方法在有效性和可行性方面均有较好的表现,并能够提升任务发布者的总效益约16%,同时可以解决现有方法中的用户不可靠问题,提高了众包系统的可靠性和任务发布者的总收益。     

考虑用户时空行为的众包任务推荐方法

当前的时空众包任务推荐方法大都是针对有奖励约束、全职做众包任务的众包工人,忽略了有兴趣偏好、不受奖励约束完成任务的兴趣型众包工人,如何将众包任务推荐给这些兴趣型工人,是亟待解决的问题。针对此情况,提出考虑兴趣型时空众包工人的时空行为规律和兴趣偏好的推荐方法。引入基尼系数,在数据中筛选出兴趣型时空众包工人的数据,利用地理-社会关系模型的聚类方法对众包任务进行聚类,用高斯分析的马尔可夫模型预测众包工人在下一转移时间点可能到达各个地点的概率,把位于众包工人可能到达地点的任务按概率降序推荐给兴趣型工人。实验结果表明,所提方法有效提高了兴趣型时空众包任务的完成率。     

空间众包中多类型任务的分配与调度方法

针对空间众包多类型任务完成的质量与数量问题,提出多类型任务的分配与调度方法。首先,在任务分配过程中,结合空间众包中多类型任务和用户的特点,对贪婪分配算法改进,提出基于距离ε值分配（ε-DA）算法;然后,将任务分配给附近的用户,以提高任务完成质量;其次,利用分支定界思想（BBS）,根据专业匹配分数的大小,对任务序列进行调度;最后,找到最佳的任务序列。针对分支定界思想的调度算法运行速度较慢的问题,提出最有前途分支启发式（MPBH）算法。通过MPBH算法,使得在每次任务分配过程中实现局部最优化,与分支定界思想的调度算法相比,在运行速度上提高了30%。实验结果表明,所提方法能够提高任务完成的质量以及数量,有效地提高了运行速度与精确性。     

基于改进粒子群算法的空间众包任务分配模型

如何进行高效合理的任务分配是当前空间众包（SC）研究中的关键问题之一。针对SC分配效能低的问题,建立了最佳质量任务分配模型（maximum quality task assignment model,MQTAM）,并提出了基于改进粒子群算法的空间众包任务分配算法（SCTAM_PSO）。该模型充分考虑了工作者到达工作地点后完成任务的时间延迟、完成任务的可信度等因素,通过SCTAM_PSO算法智能搜索最佳分配方案以最大化提高任务完成质量。实验结果及分析表明MQTAM和SCTAM_PSO具有一定的有效性与可行性。     

Efficient task assignment for spatial crowdsourcing: A combinatorial fractional optimization approach with semi-bandit learning

Spatial crowdsourcing has emerged as a new paradigm for solving problems in the physical world with the help of human workers. A major challenge in spatial crowdsourcing is to assign reliable workers to nearby tasks. The goal of such task assignment process is to maximize the task completion in the face of uncertainty. This process is further complicated when tasks arrivals are dynamic and worker reliability is unknown. Recent research proposals have tried to address the challenge of dynamic task assignment. Yet the majority of the proposals do not consider the dynamism of tasks and workers. They also make the unrealistic assumptions of known deterministic or probabilistic workers’ reliabilities. In this paper, we propose a novel approach for dynamic task assignment in spatial crowdsourcing. The proposed approach combines bi-objective optimization with combinatorial multi-armed bandits. We formulate an online optimization problem to maximize task reliability and minimize travel costs in spatial crowdsourcing. We propose the distance-reliability ratio (DRR) algorithm based on a combinatorial fractional programming approach. The DRR algorithm reduces travel costs by 80% while maximizing reliability when compared to existing algorithms. We extend the DRR algorithm for the scenario when worker reliabilities are unknown. We propose a novel algorithm (DRR-UCB) that uses an interval estimation heuristic to approximate worker reliabilities. Experimental results demonstrate that the DRR-UCB achieves high reliability in the face of uncertainty. The proposed approach is particularly suited for real-life dynamic spatial crowdsourcing scenarios. This approach is generalizable to the similar problems in other areas in expert systems. First, it encompasses online assignment problems when the objective function is a ratio of two linear functions. Second, it considers situations when intelligent and repeated assignment decisions are needed under uncertainty.     

软件众包工人能力动态度量算法

针对现有软件众包平台对工人能力考虑不足，导致分配给工人的任务完成质量低下的问题，提出了一种软件众包工人能力动态度量算法（ADM），实现工人能力的动态度量。首先，基于静态技能覆盖率，实现工人初始能力的计算；其次，对于工人历史完成的单个任务，综合任务复杂度、任务完成质量及任务开发时效，实现开发能力的计算，并根据时间因子计算随时间衰减的开发能力；然后，根据所有历史完成任务的时间先后顺序，实现能力度量值的动态更新；最后，基于历史任务技能覆盖率，计算工人对于待分配任务的开发能力。实验结果表明，与用户可靠性度量算法相比，所提出的能力动态度量算法具有较好的合理性与有效性，使能力度量吻合度平均值最高达到90.5%，能有效指导任务分配。