群智感知中基于反拍卖模型的众包激励方法

激励是实现群智感知（CS）众包服务的主要方法,针对现有方法在服务过程中没有充分考虑节点参与数量和恶意竞争对群智感知带来的影响,提出一种基于反拍卖模型的激励（RVA-IM）方法。首先,研究众包的激励机制,结合反拍卖与Vickrey拍卖思想,构建面向任务覆盖的反拍卖模型;其次,对模型中涉及的任务覆盖、反拍卖选择和奖励实施等关键技术问题进行深入分析与研究;最后,从计算有效、个人理性、预算平衡、真实性和诚实性五个方面分析RVA-IM激励方法的有效性。实验结果表明,与IMC-SS和MSensing激励方法相比,RVA-IM在有效性和可行性方面均有较好的表现,能够解决现有方法中的恶意竞争问题,并能够平均提升众包服务完成率约21%。     

基于区块链的众包物流分级多层智能服务交易监管架构

针对现代服务业的支柱产业众包物流缺乏交易监管致使存在的伪造、欺骗、隐私泄露和不可追溯等安全威胁,提出了基于区块链的众包物流分级多层智能服务交易监管架构。首先,该架构采用了国家授权认证中心对物流服务平台监管与物流服务平台对物流参与主体监管的二级监管体系。之后,在该监管体系架构下,实现了群智合约、合法匿名的身份认证、智能交易匹配、异常数据分析与检测、隐私保护及可追溯等功能。然后,通过安全性分析与交易监管构件软件验证交易监管架构的安全可控及运行效率。最后,在真实的众包物流企业平台上运行该软件构件进行实际测量,测量结果显示,所提出的众包物流分级多层智能服务交易监管架构是安全可控的,能够保障用户和数据的隐私,防范伪造和欺骗,实现用户行为和用户数据的可审计和可追溯。     

软件众包开发者的能力价值率模型研究

为了更好地评价众包软件开发者的能力,分析了众包模式下软件众包开发的三个基本要素,即大众开发者、任务发布者、众包平台,提出了一种软件众包开发者能力价值率模型。该模型将软件众包任务从子任务、时间阶段、质量特性三个维度进行细分,首先评价众包原子单元,进而综合评估整个众包软件的质量。模型在评价过程中充分考虑了开发者的价值贡献因素,推演了开发者能力价值率的计算方法。验证实验表明软件众包开发者的综合能力价值率随着任务量的增加,其变化和能力大小关系趋于一致,所设计模型具有更好的稳定性,能够有效地评估软件众包开发者能力。     

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.     

一种新型群智感知系统架构模型和实现方法

物联网移动群智感知模式本质是汇聚大规模普通移动个体的智能感知能力,对开放、动态、复杂物理环境进行感知,通过感知大数据的智能分析,对感知群体引导和反馈,使其持续涌现群体智能并辅助综合决策.目前的群智感知系统仍然存在个体感知欠智能、群体目标少引导、群智过程弱调控三方面的局限性.本文首先讨论了群智感知研究现状和面临的挑战;结合人机物融合、云边端协同、感算控闭环3个核心发展趋势,提出一种智能演进与反馈引导结合的新型群智感知系统架构模型Evo-CPS,并研究了该模型的实现方法;然后结合智慧出行应用场景,将所提出的理论方法进行应用验证;最后,总结全文并展望新一代群智感知研究领域的发展方向.     

移动众包环境下一种多阶段质量感知的在线激励机制

随着移动人群感知成为收集数据的一种新范式,越来越多的移动众包应用应运而生.如何有效地激励工人参与任务并提供高质量的传感数据一直是该领域的关键问题,然而在线场景下的移动众包平台往往缺乏真实数据和未来信息,导致工人提交的数据质量参差不齐.所以本文考虑了在线场景下工人选择问题,提出一种多阶段质量感知的在线激励机制(SQOI)...     

面向众包数据清洗的主动学习技术

传统方法多数采用机器学习算法对数据进行清洗.这些方法虽然能够解决部分问题,但存在计算难度大、缺乏充足的知识等局限性.近年来,随着众包平台的兴起,越来越多的研究将众包引入数据清洗过程,通过众包来提供机器学习所需要的知识.由于众包的有偿性,研究如何将机器学习算法与众包有效且低成本结合在一起是必要的.提出了两种支持基于众包的数据清洗的主动学习模型,通过主动学习技术来减少众包开销,实现了对给定的数据集基于真实众包平台的数据清洗,最大程度减少成本的同时提高了数据的质量.在真实数据集上的实验结果验证了所提模型的有效性.     

一种结合众包的排序学习算法

针对有监督排序学习所需带标记训练数据集不易获得的情况,引入众包这种新型大众网络聚集模式来完成标注工作,为解决排序学习所需大量训练数据集标注工作耗时耗力的难题提供了新的思路。首先介绍了众包标注方法,着重提出两种个人分类器模型来解决众包结果质量控制问题,同时考虑标注者能力和众包任务的难度这两个影响众包质量的因素。再基于得到的训练集使用RankingSVM进行排序学习并在微软OHSUMED数据集上衡量了该方法在NDCG@n评价准则下的性能。实验结果表明该众包标注方法能够达到95%以上的正确率,所得排序模型的性能基本和RankingSVM算法持平,从而验证了众包应用于排序学习的可行性和优越性。     

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。     

众包软件测试技术研究进展

众包测试是一种新兴的软件测试方式,得到了学术界和工业界的广泛关注。本文系统地总结了近年来众包软件测试研究的学术文献以及工业界实践进展：首先从学术文献涉及的研究主题演变,涵盖的软件测试问题和众包测试流程,采用的实验对象及测试人员规模等多个角度对相关文献中提出的技术和方法进行了汇总。然后从测试领域、测试对象、工人召集方式、绩效考核方式等方面分析对比了当前应用最广泛的20个众包测试商业平台。最后,探讨了众包软件测试的未来发展趋势,机遇和挑战。