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度,生成满意度矩阵;其次,该方法借鉴稳定匹配思想在考虑分配主体偏好的基础上,使分配主体对当前分配对象尽可能满意,以保障分配结果的稳定性;然后,将众包任务分配问题建模为稳定匹配规则下寻找任务最大满意度的优化问题;最后,使用贪心算法对该问题进行求解,得到众包任务分配方案。通过实验验证了该方法的有效性,实验结果表明,该方法提高了分配方案的准确性,并有效减少了无效分配的数量,从而提高了众包任务完成质量。     

软件众包任务发布优先级计算方法

针对现有软件众包平台对任务发布次序考虑不足的问题,提出一种基于任务发布者权重与任务权重的软件众包任务发布优先级（TRP）计算方法。首先,基于半正弦曲线的时间权重函数度量任务发布者的活跃度及其任务累积成交额,以此计算任务发布者权重;然后,根据系统架构图和数据流图度量模块复杂度、设计复杂度和数据复杂度,得到任务复杂度,并结合任务报价及任务期限,计算任务效益因子和任务紧急程度因子,计算任务权重;最后,根据任务发布者权重和任务权重计算任务发布优先级。实验结果表明,该算法不仅具有较高的有效性和合理性,而且任务成功分配率最高可达98%。     

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。     

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.     

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。     

基于位置隐私保护的空间众包任务分配方法

针对当前空间众包任务分配中存在用户等待时间长和工人位置隐私保护度低的问题，提出一种面向位置隐私保护的空间众包任务分配方法。利用虚拟生成算法为众包工人提供一个虚拟位置，并发送到空间众包服务器中；为了提高任务分配效率，设计一种基于ε-贪婪算法的自适应批处理机制；根据动态批量大小，采用最大分数分配策略来解决众包平台中动态任务分配问题。该方法不仅减少了工人行进距离和保护了工人的隐私信息，还最大程度地降低了任务等待时间，提升了用户体验。     

一种移动众包系统在线激励机制优化算法

为提高移动众包系统的有效性和可靠性,设计了一套完整的在线激励机制优化算法,针对用户到达和参与任务的异步行为,提出一种改进的多阶段反向拍卖算法,通过在线学习自适应确定密度阈值,动态选择最优用户集,并在每次交易后对用户的信誉进行更新,以指导下次任务分配。仿真结果表明,该优化算法满足计算有效性、利益双方正收益性和真实性,能在一定预算和时间约束下获得更好的性能。     

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.     

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。     

基于工作者多属性特征模型的任务分配方法

针对众包任务分配中工作者个性特征和任务需求描述难以有效匹配的问题,提出通过建立工作者的分层属性特征模型,完成任务分配的方法。以众包协同翻译为例,根据具体任务需求特征分解工作者属性需求,设计出分层属性指标用于精确描述众包工作者能力,计算出多层次指标组合权重向量个性特征模型,据此完成工作者筛选和任务分配。经实验验证,该方法提高了众包工作者和任务特征的匹配度,提高了任务完成效率和结果质量。     

面向全局优化的时空众包任务分配算法

针对时空众包任务分配研究中未考虑多方参与对象的效益和连续任务分配的全局优化,导致分配效果不佳的问题,提出一种面向三方综合效益全局优化的在线任务分配算法。首先,基于在线随机森林和门控循环单元网络预测出下一时间戳内众包对象（众包任务和工人）的分布情况,进而结合当前时间戳内众包对象的情况构造二分图模型,最后采用带权二分图最优匹配算法完成任务分配。实验结果证明了所提算法在连续任务分配过程中实现了综合效益的全局优化。与贪心算法对比,该算法在任务分配成功率方面提升25.7%,在平均综合效益方面提升32.2%,在工人平均机会成本方面提升37.8%;与随机阈值算法对比,该算法在任务分配成功率方面提升27.4%,在平均综合效益方面提升34.7%,在工人平均机会成本方面40.2%。     

群智感知任务分配中的用户类型转换问题研究

群智感知系统中用户所提交的感知数据并不一定是可靠的.因此,设计合理的激励机制以保证用户高质量地完成群智感知任务是群智感知研究中所面临的最主要挑战.然而,大多数现有研究并未充分考虑系统无法吸引足够高质量用户参与的情形.针对这一问题,文章研究如何通过设置额外的奖励机制,激励完成任务质量较低的用户更好地参与任务,从而转换为高质量用户.所设计的用户类型转换方法首先根据用户的历史记录,将用户分为高质量用户和低质量用户两类.然后,通过随机试探的方式构建低质量用户完成质量提升与奖励金额之间的关系曲线.最后,以最大化任务的最低完成质量为优化目标,设计了一种总奖励金额受限情况下的最优任务及奖励分配机制,进而保证所有任务间完成质量的最大最小公平.仿真实验结果验证了所设计机制的有效性和可行性.     

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。     

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。     

Improving the Quality of Crowdsourced Image Labeling via Label Similarity

Crowdsourcing is an effective method to obtain large databases of manually-labeled images, which is especially important for image understanding with supervised machine learning algorithms. However, for several kinds of tasks regarding image labeling, e.g., dog breed recognition, it is hard to achieve high-quality results. Therefore, further optimizing crowdsourcing workflow mainly involves task allocation and result inference. For task allocation, we design a two-round crowdsourcing framework, which contains a smart decision mechanism based on information entropy to determine whether to perform the second round task allocation. Regarding result inference, after quantifying the similarity of all labels, two graphical models are proposed to describe the labeling process and corresponding inference algorithms are designed to further improve the result quality of image labeling. Extensive experiments on real-world tasks in Crowdflower and synthesis datasets were conducted. The experimental results demonstrate the superiority of these methods in comparison with state-of-the-art methods.     

考虑空间众包工作者服务质量的任务分配策略及其萤火虫群优化算法求解

针对空间众包中的任务分配问题,考虑空间众包工作者的服务质量对分配结果的影响,从而提出了一种加入了工作者服务质量评价的任务分配策略。首先,在每个时空环境下,加入工作者的评价要素以建立充分考虑工作者服务质量和距离成本的多目标模型;其次,通过改进离散型萤火虫群优化算法的初始化及编码策略、位置移动策略、邻域搜索策略使算法收敛速度加快、全局寻优能力提高;最后,利用改进后的算法来求解模型。在模拟和真实数据集上的实验结果表明,该算法在不同规模数据集上较其他群智能算法可提高2%~25%的任务分配总得分。该算法考虑了工作者的服务质量后,可有效提高任务分配效率和最终总得分。