移动群智感知中任务分配与参与者招募策略研究

摘要

移动群智感知已成为一种新型的分布式计算感知模式，将移动用户携带的智能终端设备作为感知载体并借助其强大的感知、存储、计算和通信能力，组建感知网络协作完成复杂的大规模感知任务。移动群智感知网较传统传感器网优势明显应用更广泛，但也会面临一些挑战如参与者选择、激励机制、任务分配、隐私保护等，本文主要研究了两种不同应用场景下的任务分配和参与者招募问题，分别对问题进行了建模并在离线/在线场景下提出任务分配和参与者招募算法，最后基于真实和模拟数据集对新算法性能进行仿真验证，本文主要工作和创新如下：　　①基于移动社交网络感知场景下的任务分配问题，提出一种基于任务优先级的多副本协作分配算法。该场景下，任务分配和数据回传通过用户间社交关系和相遇规律来实现。本方法加入了用户信誉能力评估和基于用户贡献值的逆向激励，任务分配过程中结合用户历史信誉能力和贡献值对相遇用户进行实时评估，优先选取高贡献值信誉能力强的参与者，任务完成后信誉能力值会随返回结果更新。任务按优先级等级划分并依次分配给预分配指数最小的用户，其中高优先级任务会产生多副本被协作完成多次，对返回结果进行数据质量评估，通过多数表决选取最终结果。分别在离线/在线场景提出对应分配算法并进行了仿真验证，实验表明本文算法在数据质量保障前提下，减少了任务平均完成时间，提高任务完成效率。　　②基于用户大规模参与式感知场景下的参与者招募问题，提出一种基于时空多任务的动态参与者招募算法。该场景下存在大量移动用户池，感知多任务是异构的且在不同时空下动态达到。本文算法提出了用户和任务覆盖率评估方法，分别在离线/在线两种场景设计了招募策略，离线招募算法假设已知任务分布位置和相遇用户信息，根据用户历史覆盖率和已知的任务覆盖率，计算用户整体覆盖率。在线招募算法中任务到达时间、完成情况和相遇用户状态都是未知的，根据当前时刻用户到达时间、任务的开始结束及剩余时间，动态计算任务覆盖率及用户整体覆盖率，在线通过缓存数据预算还未到达任务的覆盖率提前预分配参与者组。离线/在线算法均是优先选择整体覆盖率最大的用户作为参与者，最后通过实验验证本文算法能够最小化参与者数量和平台成本，最大化任务覆盖率水平，提高任务完成效率。

目录

1 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 论文研究内容和组织结构

1.4 本章小结

2 相关理论基础

2.1 引言

2.2.1 众包

2.2.2 群智系统框架及特点

2.2.3 群智感知网与无线传感网

2.3 群智系统任务感知形式

2.3.1 机会式感知

2.3.2 参与式感知

2.4 群智感知核心问题

2.4.1 任务分配

2.4.2 激励机制

2.4.3 实践应用

2.5 本章小结

3 基于任务优先级的多副本协作分配算法

3.1 引言

3.2 应用场景描述

3.3.1 系统模型

3.3.2 问题定义

3.4 TMCA算法模型架构

3.4.1 信誉能力评估

3.4.2 数据质量评估

3.4.3 逆向激励描述

3.4.4 离线任务分配

3.4.5 在线任务分配

3.5 TMCA算法分析

3.6.1 对比算法

3.6.2 仿真数据集

3.6.3 参数设置

3.6.4 评价指标

3.7 实验结果与分析

3.7.1真实社交网络数据仿真

3.7.2模拟人工网络数据仿真

3.8 本章小结

4 基于时空多任务的动态参与者招募算法

4.1 引言

4.2.1 系统模型

4.2.2 问题定义

4.3.1 招募策略设计

4.3.2 覆盖率评估

4.3.3 覆盖率预算

4.3.4 离线招募算法

4.3.5 在线招募算法

4.4 实验仿真

4.4.1 仿真设置

4.4.2 对比算法

4.4.3 评价指标

4.5 实验结果与分析

4.5.1真实数据集仿真分析

4.5.2人工数据集仿真分析

4.6本章小结

5 总结和展望

5.1 论文工作总结

5.2 研究工作展望

参考文献

附录

A 作者在攻读学位期间获得的荣誉奖励

B 作者在攻读学位期间申请的专利目录

C 学位论文数据集

致谢