移动众包中基于多约束工人择优的激励机制研究

随着移动众包的快速发展,市面上的众包平台如雨后春笋般出现,它们发布任务并利用人群的力量来执行任务、收集数据。此时,移动众包中有效的激励机制变得十分重要。然而现有的激励机制只片面地考虑工人的信誉度、所在位置和执行时间等,这使得众包平台在有限的预算或其他约束的情况下选定优质工人并分配多个任务变得困难。针对以上问题,文中提出了一种基于多约束工人择优的激励机制(Multi-constrained Worker Selection Incentive Mechanism, MSIM),该模型依赖于两个相关算法：一是基于改进逆向拍卖的工人择优算法,该算法综合考虑工人信誉度、地理位置、任务完成度、结果质量等多个重要约束来选择最优的工人执行任务;二是评估和奖惩算法,该算法对任务执行结果和工人信誉度进行评估,从而制定对工人的奖励与惩罚规则。实验结果表明,MSIM可以选出优秀的工人,并提高任务执行结果的可信度和工人信誉度,是一种良好的激励机制。     

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。     

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。     

移动应用众包测试质量影响因素分析

针对移动应用众包测试质量影响因素复杂多样致使测试质量难以评估的问题，提出一种基于皮斯尔曼相关系数分析的质量影响因素分析方法。首先，通过对测试平台、任务、人员三方面的分析获取潜在质量影响因素；然后，利用斯皮尔曼相关系数分析法计算潜在因素与测试质量的关联程度并筛选出强关联因素；最后，通过多元逐步回归法建立强关联因素与测试质量间的线性评价关系。实验结果表明，与传统专家人工评价方式相比，所提方法在面向大量测试任务质量评价时，能够保持更小的评价误差波动，可以准确地筛选出移动应用众包测试质量关键影响因素。     

软件众包参与度影响因素分析及预测模型

随着"众包"这种商业模式的快速发展, 越来越多的互联网公司选择以"众包"的形式发布软件任务. 然而, 软件任务因其高门槛、高复杂度、长周期等特性, 面临着严重的低参与度问题. 本文结合全球最大的软件众包平台TopCoder的数据, 对软件众包任务的参与度进行研究. 首先, 使用多元回归分析了影响软件众包参与度的因素; 接着, 综合数据挖掘领域的多种分类预测算法, 探讨软件众包参与度的预测模型. 希望通过本实证研究, 为发包方、众包平台降低软件众包的低参与风险提供参考.     

基于K-Means聚类的双目标优化定价模型

“拍照赚钱”这种自助式服务模式,为企业提供各种商业检查和信息搜集,大大节省调查成本,同时有效的保证了调查数据的真实性。本文通过对比研究,制定了解决了“拍照赚钱”模式中存在的各项问题的方案。针对问题,首先处理数据,将任务定价分为65-70、70-75、75-85三个区间,通过观察任务定价分布地图,发现任务主要被发布在广州、深圳、佛山和东莞,定价低的集中分布于靠近市中心地区,定价高的分散分布在远离市中心地区。然后对已发布的任务分别绘制任务完成和未完成的热力图,发现东莞的任务完成度较高,深圳完成度最低。     

面向不可信服务器的空间众包隐私保护研究

随着互联网技术的迅速发展以及智能移动设备的普遍使用,空间众包的使用愈加广泛.用户发布空间任务,空间众包平台将会雇佣工作者为其分配任务并执行.该类方法需要通过智能设备获取用户位置数据和工作者位置数据,容易泄露位置隐私,严重威胁了用户和工作者的隐私安全.针对个人位置隐私泄露的问题,本文提出了一种采用地理不可区分性对不可信服...     

三层架构的空间众包服务网点选址遗传算法

空间众包泛指将一个或多个与地点相关的子任务,分配给大量携带有智能终端的移动用户,通过他们共同完成而形成的一种新型协作计算模式.如何分配执行的移动用户并覆盖所有空间众包任务,对于企业的发展有决定性作用.本文综合考虑了空间众包系统在现实中的不同应用场景(如移动数据收集、快递、共享汽车等),引入了一种三层空间众包架构,包括系...