移动群智感知中任务分配的研究

随着内置高性能传感器的移动智能终端的广泛应用,新兴的移动群智感知技术逐渐成为实时感知与收集环境信息的有效方式。为协调与鼓励用户参与感知任务,并最大限度地保证感知数据的有效性与可靠性,针对移动群智感知相关研究中的关键问题—任务分配进行了研究。首先,介绍移动群智感知的相关背景;其次,根据感知任务的要求对任务分配的约束条件进行分类;然后,讨论与分析了任务分配的研究现状,包括平台为中心的优化算法设计以及用户为中心的激励机制设计;最后,指出现有研究工作中的不足,展望了未来的研究方向。     

面向依赖关系约束的移动群智感知任务协作

现有移动群智感知中,大多研究将每个任务作为独立个体进行处理,对任务间约束关系缺乏研究,为此,提出了基于感知质量优先级的在线任务协作方法（online task collaboration method based on sensing quality priority,TCSP）。该方法首先使用贪婪算法计算感知质量优先级,对全部任务进行筛选以保证任务完成率;然后将选出任务中存在时间先后或执行逻辑前后关系的多个子任务构建为任务协作图,并将其协作过程建模为有约束的马尔可夫决策过程,通过强化学习算法求出最优协作策略。实验结果表明,与现有基线方法相比,所提出的任务协作方法能够减少依赖任务的平均完成时间,有效降低平台的平均感知成本。     

一种面向任务需求的群智感知任务分配模型

针对群智感知平台中的任务分配问题,提出了一种任务需求特征提取算法和用户标签分类方法相结合的T REA U LCM任务分配模型.首先,通过任务需求特征提取算法提取感知任务的类别关键词;然后,通过多线性神经网络和多核学习对数据集进行训练得到分类器,通过分类器对用户的类型标签进行预测;最后,根据任务的类别关键词结合空间位置信息和用户参与度筛选有该任务类别标签且最大化满足任务需求的用户分发任务.仿真结果表明,T REA U LCM任务分配模型在任务匹配度和任务分配效率方面有较好的可行性.     

异构群智感知PPO多目标任务指派方法

现有移动群智感知系统的任务指派主要面向单一类型移动用户展开,对于存在多种类型移动用户的异构群智感知任务指派研究相对缺乏.为此,针对异质移动用户,定义其区域可达性,并给出感知子区域类型划分.进而,兼顾感知任务数量和移动用户规模的时变性,构建了动态异构群智感知系统任务指派的多目标约束优化模型.模型以最大化感知质量和最小化感知成本为目标,综合考虑用户的最大任务执行数量、无人机的受限工作时间等约束.为解决该优化问题,提出一种基于近端策略优化的多目标进化优化算法.采用近端策略优化,根据种群的当前进化状态,选取具有最高奖励值的进化算子,生成子代种群.面向不同异构群智感知实例,与多种算法的对比实验结果表明,所提算法获得的Pareto最优解集具有最佳的收敛性和分布性,进化算子选择策略可以有效提升对时变因素的适应能力,改善算法性能.     

基于GACO的群智感知参与者选择方法研究

参与者选择方法作为群智感知研究的重要内容之一,现有研究还存在不足,只单一考虑任务发布时间或任务区域覆盖等属性,导致选择的参与者执行任务效率较差。因此针对这一问题综合考虑任务时间和任务区域覆盖等约束条件下,为实现任务执行效率最高和群智感知平台激励成本最少的优化目标,提出一种基于贪婪蚁群算法的群智感知参与者选择方法（PS-GACO）。该方法主要通过候选参与者聚集蚂蚁信息素浓度的多少准确选出适合执行发布任务的参与者,大大提高了任务执行效率。最后通过仿真实验将提出的PS-GACO方法与普通参与者选择方法进行比较,实验结果表明PS-GACO在算法运行时间、任务执行效率以及激励成本等方面都优于其他两种方法,对于群智感知参与者选择有很好的应用前景。     

基于时空信息和任务流行度分析的移动群智感知任务推荐

现有移动群智感知任务推荐的共同缺点是：一方面,未充分考虑时空信息对工人偏好的影响,导致推荐准确性低;另一方面,忽略了任务流行度对推荐的影响,导致推荐覆盖率差。为解决这些问题,提出一种基于时空信息和任务流行度分析的移动群智感知任务推荐方法。充分利用工人执行记录中的相关信息（如工人执行任务的时间、位置）,准确预测工人对任务的偏好;基于工人声誉和任务执行情况分析任务流行度并设计任务流行度惩罚因子,提升推荐效果的覆盖率;结合工人偏好和流行度惩罚因子生成任务推荐列表。实验结果表明,与现有基线方法相比,所提出方法在推荐准确率上平均提升了3.5%,推荐覆盖率上平均提高了25%。     

移动群智感知中基于联邦学习的参与者选择机制

移动群智感知的发展使得一些任务收集的数据量过大,需要在不接收参与者原始数据的情况下评估数据质量并进行参与者选择。针对这一问题,提出一种基于联邦学习的移动群智感知参与者选择机制。考虑参与者智能终端资源水平、所处交互状态构建参与者智能终端资源评价机制,提出基于线性回归和长短期记忆网络的智能终端资源预测模型。通过预训练测试模型,评估参与者提供的数据质量,结合历史任务完成情况建立参与者信誉评价模型,实现对参与者的动态评价选择。仿真实验结果表明,所提的参与者选择机制在任务完成质量、能量消耗、通信轮数及任务完成时间等多方面体现出较好的性能。     

基于数据冗余控制的移动群智感知任务分配方法

移动群智感知系统中任务之间存在时空覆盖重叠性,这可能导致重复数据收集从而引发数据冗余问题,为此,提出了一种可同时控制任务内以及任务间数据冗余的任务分配方法。该方法首先提出基于长短期记忆（LSTM）神经网络的轨迹序列预测模型,对任务参与者进行细分时空单元的轨迹序列预测,然后根据轨迹预测结果提出最小化数据冗余的优化模型。通过最小化时空单元的数据冗余度来控制单个任务内的数据冗余问题,并通过让单个任务参与者在时空单元中的感知数据被最大化重复利用来控制多个任务之间时空覆盖重叠性带来的数据冗余。实验结果表明,提出的任务分配方法可以有效地减少任务内及任务间的数据冗余。     

Participant selection for <Emphasis Type="Italic">t</Emphasis>-sweep <Emphasis Type="Italic">k</Emphasis>-coverage crowd sensing tasks

With the popularization of wireless networks and mobile intelligent terminals, mobile crowd sensing is becoming a promising sensing paradigm. Tasks are assigned to users with mobile devices, which then collect and submit ambient information to the server. The composition of participants greatly determines the quality and cost of the collected information. This paper aims to select fewest participants to achieve the quality required by a sensing task. The requirement namely “t-sweep k-coverage” means for a target location, every t time interval should at least k participants sense. The participant selection problem for “t-sweep k-coverage” crowd sensing tasks is NP-hard. Through delicate matrix stacking, linear programming can be adopted to solve the problem when it is in small size. We further propose a participant selection method based on greedy strategy. The two methods are evaluated through simulated experiments using users’ call detail records. The results show that for small problems, both the two methods can find a participant set meeting the requirement. The number of participants picked by the greedy based method is roughly twice of the linear programming based method. However, when problems become larger, the linear programming based method performs unstably, while the greedy based method can still output a reasonable solution.     

面向延迟接受的移动群智感知多任务分配

针对现有任务分配策略的不足,提出了一种面向延迟接受的移动群智感知多任务分配策略.首先,基于平台和工人的不同需求,提出了一种方法实现任务和工人的双向匹配.其次,考虑到任务的紧急性,设计了一种混合延迟接受算法.最后,为了验证所提策略的性能,将其与两种基准的任务分配方法进行了比较.实验结果表明,所提任务分配策略在提高平台效用和工人满意度方面是有效的.     

An incentive game based evolutionary model for crowd sensing networks

Crowd sensing networks can be used for large scale sensing of the physical world or other information service by leveraging the available sensors on the phones. The collector hopes to collect as much as sensed data at relatively low cost. However, the sensing participants want to earn much money at low cost. This paper examines the evolutionary process among participants sensing networks and proposes an evolutionary game model to depict collaborative game phenomenon in the crowd sensing networks based on the principles of game theory in economics. A effectively incentive mechanism is established through corrected the penalty function of the game model accordance with the cooperation rates of the participant, and corrected the game times in accordance with it’s payoff. The collector controls the process of game by adjusting the price function. We find that the proposed incentive game based evolutionary model can help decision makers simulate evolutionary process under various scenarios. The crowd sensing networks structure significantly influence cooperation ratio and the total number of participant involved in the game, and the distribution of population with different game strategy. Through evolutionary game model, the manager can select an optimal price to facilitate the system reach equilibrium state quickly, and get the number of participants involved in the game. The incentive game based evolutionary model in crowd sensing networks provides valuable decision-making support to managers.     

群智感知激励机制研究综述

近年来,作为一种新的感知环境、收集数据和提供信息服务的模式,群智感知逐渐成为当前的研究热点之一.激励机制是群智感知研究中的一个重要问题,即通过设计合理的激励方式来激励足够多的参与者参与感知任务,并提供高质可靠的感知数据.对近年来在群智感知激励机制方面的研究工作进行综述,首先概述群智感知和群智感知激励机制;然后从关键技术入手,介绍4类主要激励方式和6类核心研究问题;最后,对现有工作进行对比分析,总结研究挑战,并指出未来发展方向,为相关研究人员提供有价值的参考.     

数据驱动下交互网络群智感知任务分配仿真

采用当前方法在交互网络中分配群智感知任务时,分配任务所用的时间较长,存在用户完成任务的概率较低,分配效率低的问题,提出一种数据驱动下交互网络群智感知任务分配方法.分析群智感知环境,将能耗最小化和时间最小化作为感知任务分配的约束条件,通过信誉模型计算用户在交互网络中的信誉值,将感知任务优先分配给信誉值高的用户,在交互网络...     

移动群智感知中的空间任务分配机制

在移动群智感知的空间任务分配问题中用户与任务的空间距离直接影响完成任务所需的成本,而现有的研究在这方面却考虑不足,因此以最小化感知成本为目标设计了移动群智感知中的空间任务分配机制。首先,以感知成本最小为目标,基于遗传算法和贪心算法设计了一种高效的任务分配方法;其次,针对用户感知质量的随机性,基于用户的历史感知情况和当前任务的执行情况设计了用户感知质量的更新机制。为验证所提机制的效果,通过仿真实验与两种基准的任务分配方法作比较。实验结果表明,所提机制在感知总成本和用户执行任务所移动的总距离等方面均有更好的效果,因此该空间任务分配机制具有很好的应用前景。     

基于蒙特卡罗贝叶斯推理的移动群智感知可靠任务分配机制

针对现有任务分配策略的不足,研究了在工人数量有限的移动群智感知系统中任务分配策略,借助社交网络来分配任务并获得高收益。首先,建立了社交网络的动态不确定环境,利用社交网络完成任务,传播任务。然后考虑到不同社交网络对任务的偏好不同,设置任务偏好度这一不确定指标,借助经济学风险价值的理论描述任务分配的可靠性。最后利用蒙特卡罗贝叶斯推理方法研究任务动态传播模型的复杂参数的高斯过程,设计基于知识梯度的采样算法选择蒙特卡罗采样点,从而实现高收益的任务分配方案。为了验证所提策略的性能,将其与四种基准的采样算法进行比较。实验结果表明,所提任务分配策略在提高收益方面是有效的。     

考虑信誉更新的移动群智感知在线激励机制研究

激励更多用户参与感知任务并提供高质量数据是移动群智感知研究的热点问题之一。针对在线到达的激励机制场景中,参与用户提供数据的质量以及其信誉值没有得到足够重视等问题,本文提出用户在线参与感知任务的信誉评价方法并构建其信誉评价模型。综合考虑用户历史和现实的信誉记录,建立信誉更新算法模型,设计基于信誉更新的多阶段在线激励机制(Reputation-updated online mechanism,ROM)。仿真结果表明,该算法能够帮助平台获得更好的效用,提高收集数据的质量从而提高雇佣效率。     

移动群智感知中时间窗口相关的参与者选择机制

目前许多移动群智感知应用要求参与者收集一段时间内连续的感知数据,而现有研究在这方面却考虑不足。针对上述应用场景提出了时间窗口相关的参与者选择机制,主要包括基于动态规划算法设计了一种时间窗口相关的参与者选择方法,目标为覆盖任务时间段的同时最大化数据效益;参与者信誉值更新机制,根据参与者参与任务的意愿程度和数据质量更新参与者的信誉值。最后通过仿真实验与两种普遍应用的参与者选择方法作比较,实验证明所提出的参与者选择机制在数据可靠性、数据效益和感知成本等方面具有更好的效果,因此所提出的参与者选择机制在时间窗口相关的任务中有更好的应用前景。     

基于马尔科夫决策过程的高能效任务调度算法

在移动群智感知系统中,智能手机承担着许多不同的感知任务,这些任务需要来自不同传感器的数据。从传感器收集数据是非常耗能的,智能手机的电池限制了这些感知设备的可用性。如何在完成群智感知任务时降低设备能量消耗是参与者迫切需要的。针对以上问题,提出基于马尔可夫决策过程(MDP)的高能效任务调度算法。根据设备的电流负载、剩余能量和充电概率,马尔科夫决策过程迭代计算出最佳任务调度序列,并保证能耗最小化和感知精度最大化获得平衡。大量的仿真结果表明,该算法在任务调度过程中具有显著的节能效果,与广泛使用的现有算法相比,平均节省能量75%以上。     

An energy-efficient data transmission protocol for mobile crowd sensing

Mobile crowd sensing, as a new paradigm, means that mobile users equipped with smart devices to solve large-scale mobile sensing tasks through wireless communication. Data transmission schemes with opportunistic network in mobile crowd sensing have attracted widespread attention recently, which attempt to reach high delivery and low consumption. However, most transmission schemes resort to users’ trajectory and connection history that are dynamic and difficult to calculate, causing it so hard to establish stable connection channel. For achieving energy-efficient transmission, an energy-efficient data transmission protocol is proposed in this paper, which deploys static nodes to assist in information transmission based on Archimedes curve. Meanwhile, the significant performance of the proposed protocol is demonstrated through extensive simulations based on the ONE platform.     

Friendship-aware task planning in mobile crowdsourcing

Recently, crowdsourcing platforms have attracted a number of citizens to perform a variety of location-specific tasks. However, most existing approaches consider the arrangement of a set of tasks for a set of crowd workers, while few consider crowd workers arriving in a dynamic manner. Therefore, how to arrange suitable location-specific tasks to a set of crowd workers such that the crowd workers obtain maximum satisfaction when arriving sequentially represents a challenge. To address the limitation of existing approaches, we first identify a more general and useful model that considers not only the arrangement of a set of tasks to a set of crowd workers, but also all the dynamic arrivals of all crowd workers. Then, we present an effective crowd-task model which is applied to offline and online settings, respectively. To solve the problem in an offline setting, we first observe the characteristics of task planning (CTP) and devise a CTP algorithm to solve the problem. We also propose an effective greedy method and integrated simulated annealing (ISA) techniques to improve the algorithm performance. To solve the problem in an online setting, we develop a greedy algorithm for task planning. Finally, we verify the effectiveness and efficiency of the proposed solutions through extensive experiments using real and synthetic datasets.