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。     

空间众包任务的路径动态调度方法

空间众包用于解决带时空约束的线下众包任务,近几年得到了快速发展。任务调度是空间众包的重要研究方向,难点在于调度过程中任务和工作者的动态不确定性。为了高效地进行任务路径动态调度,提出了同时考虑任务和工作者的不确定性的空间众包任务路径动态调度方法,该方法进行了3方面的改进。首先,扩展了调度需要考虑的因素,除了考虑新增任务的时空属性不确定性之外,还考虑了新增工作者的交通方式和时空属性的不确定性。其次,对调度策略进行改进,通过使用聚合调度策略,对动态新增任务先进行聚合处理,随后再进行任务分配和路径优化,相比传统非聚合调度计算时间显著减少。最后,对调度算法进行改进,基于传统遗传算法,将任务分配和路径优化操作迭代进行,相比先进行任务分配再进行路径优化的调度算法,提高了获取最优结果的准确性。此外,文中设计并实现了基于真实地图导航的空间众包任务路径动态调度模拟平台,并基于该平台验证了所提方法的有效性。     

群智协同任务分配研究综述

任务分配是群智协同计算和众包中的核心问题之一,即通过设计合理的任务分配策略,在满足任务约束条件下,将群智任务分配给合适的工作者,以提高群智任务的完成效率和结果质量。分析了目前任务分配方法存在的问题,总结并提出了一个通用的任务分配框架,并分别从工作者模型、任务模型、任务分配算法三个方面对国内外相关研究工作进行了分析、归纳和总结。提出了群智协同任务分配研究中的关键问题与今后的研究趋势。     

基于活跃度的众包工作者信誉模型

针对现有众包系统不能有效地控制众包交互过程中工作者的活跃积极性和任务完成质量的问题,提出了一种基于活跃度的工作者信誉模型来实现众包平台的质量控制。该模型改进了平均信誉模型,从工作者活跃度和历史信誉值的角度提出了活跃因子和历史因子的概念。首先根据众包工作者最近30 d内参与众包活动的天数计算工作者的活跃因子;然后根据历史因子计算众包工作者的历史信誉值;最后根据计算出来的活跃因子和历史信誉值计算基于活跃度的工作者信誉值,以衡量众包工作者的工作能力。理论分析和测试实验结果表明：与平均信誉模型相比,根据基于活跃度的工作者信誉模型选取的众包工作者在任务完成质量上提高了4.95%,在任务完成时间上减少了25.33%;与基于证据理论信任模型相比,在任务完成质量上提高了6.63%,在任务完成时间上减少了25.11%。实验结果表明,基于活跃度的工作者信誉模型在实际众包项目中能够有效提高众包任务的完成质量,减少众包任务的完成时间。     

偏好匹配满意度最大化的众包任务分配

众包任务分配机制对众包任务完成质量起着至关重要的作用,然而现有的分配方法未在稳定性条件下考虑众包用户双边偏好,分配结果的准确性有待提高,并且存在众包用户因不满意当前分配对象而导致众包任务完成质量较低的问题.为此提出一种基于偏好匹配的众包任务分配方法,该方法首先考虑众包任务与工人的双边偏好,根据偏好序计算任务与工人的满意...     

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。     

移动应用众包测试人员评价模型

移动应用众包测试人员具有匿名、非契约的特性,这使得任务发布者难以准确评估众包测试人员的能力与测试质量。针对该问题,提出了一种移动应用众包测试人员层次分析法（AHP）评价模型。该模型从活跃度、测试能力、诚信度等多指标分层综合评估众包测试人员能力,通过构造判断矩阵、一致性检验计算各层次指标的组合权重向量,并引入需求列表与描述列表改进本模型,使测试人员与众包任务更加匹配。实验结果表明,所提模型能够实现对测试人员能力的准确评估,支持基于评估结果的众包测试人员选择与推荐,提高了移动应用众包测试效率与质量。     

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.     

区块链环境下基于细粒度授权隐私保护的空间众包任务分配模型

物联网蓬勃发展促使空间众包广泛应用,其任务分配主要依赖中心化平台,而中心化服务器一旦受到分布式拒绝服务攻击,众包系统将完全瘫痪.此外,在众包应用中,任务分配的合理性,高昂的平台服务费,隐私保护策略也需要同时考虑.本文提出了一种区块链环境下的空间众包任务分配模型.利用去中心化的区块链取代原有的中心化平台,构建了投标分数阈值动态变化的拍卖模型进行任务分配,同时基于密文策略的属性加密实现细粒度授权,加强任务内容的隐私保护.本文在私有链下使用真实数据集进行试验,并与现存的空间众包模型做了对比分析,实验结果表明,本文提出的模型在任务分配时总路径更短,花费成本更低,更具有合理性.     

精英蜂群算法及考虑利益相关者的众包定价模型

任务分配是众包流程的关键所在,也是众包价值的重要体现。从众包活动参与者即主体企业、众包平台、平台会员的视角出发,研究服务众包定价问题。在考虑会员信誉度和任务聚集度的基础上,针对含有地理因素的众包任务设计打包分配定价方案。以服务成本、任务价值、会员收益等为导向,对不同任务进行组合配置,从而设计多目标规划任务配置及定价模型,并针对该模型构建了精英蜂群算法。在精英蜂群算法中,充分利用蜜源信息并着重考虑成长性较好的蜜蜂,进而避免了局部最优问题,提高了搜索效率。通过对众包服务企业运营数据分析,获取到众包服务会员特征及任务完成相关基础信息,以此进行仿真实验。仿真结果表明通过众包任务打包定价机制,任务完成率、企业总成本、三方总收益等方面均有显著优化。综合模型及数据实验可知,众包任务在定价与发布过程中根据自身特征差异,在无差异服务中只需要考虑会员信誉度,对于具有服务差异性的任务则需要考虑打包发布。     

基于动态阈值的时空众包在线分配算法

为提升时空众包动态现实场景中任务分配总效用,提出一种基于在线随机森林的动态阈值算法（DTRF）。首先,根据众包平台中工人和任务的历史匹配数据初始化在线随机森林;然后,通过在线随机森林预测每位工人期望的任务回报率作为阈值,按阈值为每个工人选取候选匹配集;最后,从候选匹配集中选取当前效用总和最高的匹配,同时用分配结果更新在线随机森林。实验结果表明,所提算法在提升总效用的同时有效地提高了工人的平均收益。与贪心算法相比,所提算法的任务分配率提升了4.1%,总效用提升了18.2%,工人平均收益提升了11.2%。与随机阈值算法相比,所提算法在任务分配率、总效用、工人平均收益等方面都有较好的提升,且稳定性更好。     

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.     

社会网络下分配众包任务的真实机制

众包平台上出现了越来越多的宏任务,而这些宏任务需要工人的专业技能和团队的集体贡献。社会网络为社会工作者之间的合作提供了一个可用的平台。事实上,很少有研究关注众包工人之间的社会网络。在社会网络下的众包任务分配问题是NP难问题,并且社会网络中会存在参与者为了提高自己的效用而谎报要价的情况,因此提出一种社会网络下分配众包任务的真实机制（TMC-SN）。在社会网络下的众包任务分配问题被模拟成一个拍卖,其中任务请求者是买家,工人是卖家,众包平台充当拍卖者。为了找出最合适的团队,TMC-SN从边际贡献和团队凝聚力两个方面来衡量工人对团队的适应性。理论分析证明,TMC-SN具有真实性、个体理性、预算平衡等经济属性。实验结果表明,TMC-SN在社会福利方面具有一定的优势,并且能够提升工人的效用。     

社会网络下分配众包任务的真实机制

众包平台上出现了越来越多的宏任务，而这些宏任务需要工人的专业技能和团队的集体贡献。社会网络为社会工作者之间的合作提供了一个可用的平台。事实上，很少有研究关注众包工人之间的社会网络。在社会网络下的众包任务分配问题是NP难问题，并且社会网络中会存在参与者为了提高自己的效用而谎报要价的情况，因此提出一种社会网络下分配众包任务的真实机制（TMC-SN）。在社会网络下的众包任务分配问题被模拟成一个拍卖，其中任务请求者是买家，工人是卖家，众包平台充当拍卖者。为了找出最合适的团队，TMC-SN从边际贡献和团队凝聚力两个方面来衡量工人对团队的适应性。理论分析证明，TMC-SN具有真实性、个体理性、预算平衡等经济属性。实验结果表明，TMC-SN在社会福利方面具有一定的优势，并且能够提升工人的效用。     

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.     

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.     

时空众包环境下基于统计预测的自适应阈值算法

针对时空众包环境下任务分配随机性过高且效用值不理想的问题,提出一种基于统计预测的自适应阈值算法。首先,实时统计众包平台中空闲的任务、工人及工作地点的数量以设置阈值;其次,通过历史数据分析将任务与工人的分布分为均衡的两个部分,并用Min-max normalization方法为每个任务匹配一个确定的工人;最后,计算匹配到的工人出现的概率,以验证任务分配的有效性。使用相同真实数据的实验结果证实,与随机阈值算法相比,基于统计预测的自适应阈值算法的效用值提升了7%;与贪心算法相比,其效用值提升了10%。实验结果表明,基于统计预测的自适应阈值算法能够减少任务分配过程中的随机性并提高效用值。     

基于活跃时间分组的软件众包工人选择机制

针对现有的软件众包工人选择机制对工人间协同开发考虑不足的问题，在竞标模式的基础上提出一种基于活跃时间分组的软件众包工人选择机制。首先，基于活跃时间将众包工人划分为多个协同开发组；然后，根据组内工人开发能力和协同因子计算协同工作组权重；最后，选定权重最大的协同工作组为最优工作组，并根据模块复杂度为每个任务模块从该组内选择最适合的工人。实验结果表明，该机制相比能力优先选择方法在工人平均能力上仅有0.57%的差距，同时因为保证了工人间的协同而使项目风险平均降低了32%，能有效指导需多人协同进行的众包软件任务的工人选择。     

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。     

基于深度强化学习的空间众包任务分配策略

针对动态在线任务分配策略难以有效利用历史数据进行学习、同时未考虑当前决策对未来收益的影响的问题,提出基于深度强化学习的空间众包任务分配策略.首先,以最大化长期累积收益为优化目标,基于马尔科夫决策过程从单个众包工作者的角度建模,将任务分配问题转化为对状态动作价值Q的求解及工作者与任务的一对一分配.然后采用改进的深度强化学习算法对历史任务数据进行离线学习,构建关于Q值的预测模型.最后,动态在线分配过程中实时预测Q值,作为KM(Kuhn-Munkres)算法的边权,实现全局累积收益的最优分配.在出租车真实出行数据集上的实验表明,当工作者数量在一定规模内时,文中策略可提高长期累积收益.