一种群智感知系统中任务接入和分配的在线控制方法

摘要

本发明提供一种群智感知系统中任务接入和分配的在线控制方法，其特征在于，将时间分为若干个时槽，在每一个时槽内执行如下步骤：步骤一：在任务接入控制层将用户实时的请求形成一个虚拟队列；步骤二：服务平台根据所述虚拟队列的长度是否超过系统预设的参数来决定虚拟队列的到达率；步骤三：服务平台根据虚拟队列的长度与同类型对应的最短实际队列的长度接入用户实时的请求，并将该用户实时的请求分配给当前未完成任务最少的智能手机；步骤四：每部智能手机各自对被分配到的用户实时的请求进行调度；步骤五：更新虚拟队列和实际队列的长度。本发明能适应用户请求随机的实时的到达系统，并在保证系统稳定性的前提下，使系统的整体收益接近最优。

说明书

技术领域

本发明涉及通讯技术领域，特别涉及一种群智感知系统中任务接入和分配 的在线控制方法。

背景技术

在过去的几年中，群智感知技术得到了快速的发展，为大范围的感知服务 提供了新的思路和发展前景。群智感知是指许多分散在不同地理位置的传感器 共享它们的感知数据，从这些数据中人们可以实时地观测到在大范围地域上存 在的某些现象。随着无线网络的发展，智能手机在我们的生活中变得越来越普 遍，这些智能手机通常都安装多种传感器，如重力感应器、三轴陀螺仪和电子 罗盘等，这为群智感知的发展提供了一个良好的基石。目前已经有一些基于群 智感知技术的应用，如城市中道路拥塞情况的监测。一个典型的群智感知系统 通常包含两个部分：位于云端11的服务平台12和大量移动的携带多种传感器 13的智能手机14。智能手机14通过在平台上注册成为该系统的一员，智能手 机14通常可以通过蜂窝移动网络或无线局域网和云端11的服务平台12通信， 如图1所示。群智感知系统的用户可以随时向服务平台提交自己的请求。当服 务平台接入一些请求后，它会将这些任务分配给智能手机去做。智能手机根据 分配到的任务开启相应的传感器，得到感知数据后，将其上传到平台上。平台 收集到这些感知数据，从而完成任务。完成任务后，群智感知系统可以从用户 处得到一定的回报，相应地，智能手机进行感知时也消耗了一定的花费，比如 能量消耗、占用时间等。我们知道，智能手机的能量资源和计算资源都是有限 的，所以，当一个智能手机同时承担多个任务时，它对于手机的使用体验是急 剧下降的。

对群智感知系统的研究可以根据系统中的智能手机是否是志愿参与分为两 大类。一类是认为智能手机是自私的理性的，只有当平台提供的激励多于自己 的花费时，才会完成任务。这类研究通常致力于设计激励方案，并假设用户提 出的所有任务请求都是已知的。另一类则假设智能手机是系统的一部分，志愿 完成平台交给他的任务。本发明中，我们考虑的后者。正如前面提到的，一个 群智感知系统每完成一个任务就会产生一定的回报和花费，同时，它完成任务 的能力也受到手机资源的限制。所以，我们的目标是最大化一个群智感知系统 的整体收益，综合考虑了任务处理的吞吐量、系统的稳定性、公平性等因素。 目前较少的研究致力于解决最大化一个群智感知系统的整体收益的问题。

为了最大化一个群智感知系统的收益，需要进行三层重要的控制：（1）任 务接入控制。群智感知系统面临的一个严峻的问题是供需不平衡，即用户日益 增长的请求超出了系统的处理能力。一旦系统接入的任务过多，将会导致极差 的用户体验，所以需要对是否接受用户的请求进行控制。（2）任务分配控制。 服务平台需要将接入进来的任务均衡地分配给每个注册的智能手机，以保证每 个智能手机的负载不会过大，影响其性能。（3）智能手机上任务的调度。由于 一部智能手机不能同时处理过多的任务，因此需要对被分配到的任务进行调 度，以保证手机用户的用户体验。目前大部分研究群智感知技术的工作都假设 用户对系统的需求低于系统的处理能力，也就是说用户提出的所有请求都能被 系统接入并完成。然而，因为群智感知技术在现实生活中有着大量的应用，所 以这个假设是不合理的。

发明内容

本发明的目的在于提供一种群智感知系统中任务接入和分配的在线控制方 法，能适应用户请求实时的、随机的到达系统。我们考虑有m种不同的用户请 求，每种请求需要不同的传感器或消耗不同的资源（如CPU）。该控制方法包 含三个重要的控制层，每个控制层可以根据用户请求到达情况和系统内任务的 拥塞情况，动态地进行控制，在保证系统的稳定性的前提下，达到优化系统的 整体收益的目的。

为解决上述技术问题，本发明提供一种群智感知系统中任务接入和分配的 在线控制方法，将时间分为若干个时槽，在每一个时槽内执行如下步骤：

步骤一：在任务接入控制层将用户实时的请求形成一个虚拟队列；

步骤二：服务平台根据所述虚拟队列的长度是否超过系统预设的参数来决 定虚拟队列的到达率；

步骤三：服务平台根据虚拟队列的长度与同类型对应的最短实际队列的长 度接入用户实时的请求，并将该用户实时的请求分配给当前未完成任务最少的 智能手机；

步骤四：每部智能手机各自对被分配到的用户实时的请求进行调度；

步骤五：更新虚拟队列和实际队列的长度。

进一步的，在所述的群智感知系统中任务接入和分配的在线控制方法中， 所述虚拟队列和实际队列的长度初始化为零。

进一步的，在所述的群智感知系统中任务接入和分配的在线控制方法中， 在步骤二中，当虚拟队列的长度大于系统预设的参数时，虚拟队列的到达率为 零；否则，虚拟队列的到达率为单个时槽内用户实时的请求到达的最大值。

进一步的，在所述的群智感知系统中任务接入和分配的在线控制方法中， 在步骤三中，当虚拟队列的长度大于同类型对应的最短实际队列的长度时，服 务平台接入的用户实时的请求数为单个时槽内用户实时的请求到达的最大值； 否则，服务平台接入的用户实时的请求数为零。

进一步的，在所述的群智感知系统中任务接入和分配的在线控制方法中， 在步骤四中，采用解0-1整数规划来实现每部智能手机各自对被分配到的用户实 时的请求进行调度。

进一步的，在所述的群智感知系统中任务接入和分配的在线控制方法中， 所述解0-1整数规划采用分支限界法。

本发明提供的群智感知系统中任务接入和分配的在线控制方法，具有以下 有益效果：本发明能适应用户请求随机的实时的到达系统，并在保证系统稳定 性的前提下，使系统的整体收益接近最优。

附图说明

图1是现有技术的群智感知系统的结构示意图；

图2是本发明实施例的群智感知系统中任务接入和分配的在线控制方法的 示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的群智感知系统中任务接入和分 配的在线控制方法作进一步详细说明。根据下面说明和权利要求书，本发明的 优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精 准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

首先，为群智感知系统的收益建模。考虑一个有n个智能手机的群智感知系 统，它获得的回报与每个时槽内完成的用户请求的数目成正比，完成的任务越 多，得到的回报越多，表示为其中，A_i(t)表示在第t个时槽内完成的 第i种任务的数目。智能手机的花费考虑为手机使用者的用户体验， 表示了第j个智能手机在第t个时槽内的花费，我们假 设在一个时槽内每种任务只能被执行一个，其中

综上，系统的优化目标是收益最大化。

然后，我们基于Lyapunov优化技术，优化上述目标。我们在任务接入控制 层为每种类型的任务分别设置了一个虚拟队列如附图2所 示。到达的任务首先进入对应的虚拟队列，如果被系统接收，则从虚拟队列中 移出。进一步引入额外变量a_i(t)，表示虚拟队列的到达率。每个智能手机为每 种类型的任务维护一个队列Q_ij，保存被分配的未执行的任务。我们设计了在线 的控制方法，这个控制方法提供了在每个时槽内决策任务的接入、分配及智能 手机上任务调度的策略。

将时间分为若干个时槽，在每一个时槽内执行如下步骤：

步骤一：在任务接入控制层将用户实时的请求形成一个虚拟队列H_i(t)；其中， 所述虚拟队列的长度初始化为零。

步骤二：服务平台根据所述虚拟队列H_i(t)的长度是否超过系统预设的参数 μV来决定虚拟队列的到达率a_i(t)；

具体的，当虚拟队列的长度大于系统预设的参数时，虚拟队列的到达率为零； 否则，虚拟队列的到达率为单个时槽内用户实时的请求到达的最大值即

$a_i\left(t\right)=\left(\begin{array}{cc}0,& H_i\left(t\right)>\mathrm{\mu V}\\ R_i^{\max },& \mathrm{else}\end{array}\right),\forall i\in \{1,......,m\}$

步骤三：服务平台根据虚拟队列H_i(t)的长度与同类型对应的最短实际队列 Q_ij(t)的长度接入用户实时的请求A_i(t)，并将该用户实时的请求分配A_ij(t)给当前 未完成任务最少的智能手机；其中，所述实际队列的长度初始化为零。

具体的，当虚拟队列的长度大于同类型对应的最短实际队列的长度时，服 务平台接入的用户实时的请求数为单个时槽内用户实时的请求到达的最大值； 否则，服务平台接入的用户实时的请求数为零。即

$A_i\left(t\right)=\left(\begin{array}{cc}{R}_i\left(t\right),& H_i\left(t\right)>Q_{\mathrm{ij}}\left(t\right)\\ 0,& \mathrm{else}\end{array}\right),\forall i\in \{1,......,m\}$

其中，R_i(t)表示时槽t到达系统的请求数

步骤四：每部智能手机各自对被分配到的用户实时的请求进行调度；

具体的，该步骤采用解0-1整数规划来实现每部智能手机各自对被分配到的 用户实时的请求进行调度。

进一步的，所述解0-1整数规划采用分支限界法。

即$\left(\begin{array}{cc}\left(\begin{array}{c}\max \\ s_{\mathrm{ij}}\left(t\right)\end{array}\right)& {\Sigma }_{i=1}^m{Q}_{\mathrm{ij}}\left(t\right)s_{\mathrm{ij}}\left(t\right)-{\mathrm{VD}}_j\left(t\right)\\ s.t.& s_{\mathrm{ij}}\left(t\right)\in \left\{\mathrm{0,1}\right\}\end{array}\right)$

步骤五：更新虚拟队列和实际队列的长度。

通过如下公式进行更新：

$H_i(t+1)=\max [H_i\left(t\right)-A_i\left(t\right),0]+a_i\left(t\right),\forall i\{1,......,m\}$

综合上述的结合，可以适应用户请求到达数目的变化，实时地对任务的接 入、分配和手机上任务的调度进行决策，是一种在线的自适应的控制方法。本 发明中任务的接入和分配由位于云端的服务平台执行，平台只需要保存每个队 列的长度值即可。手机上任务的调度可以分布式地实现，每个手机只需根据自 己任务队列的长度进行决策。当系统运行的时间足够长时，系统的收益在时间 上的平均可以无限接近最优值。同时，本控制方法可以保证系统一直保持稳定， 即队列的长度不会无限增加。

【实施例1】

本发明是一种群智感知系统中任务接入和分配的在线控制方法，用以控制： 任务的接入、分配和手机上任务的调度。本发明通过将时间分时槽，在每个时 槽内按照本发明的控制方法中提供的策略进行决策，实现在线的控制，可以适 应任务请求随机的实时的到达。

首先，讲解一下我们是如何基于Lyapunov优化技术得到发明中的控制方法的。 （1）如附图2所示，在任务接入控制层的前端构建虚拟队列。每种类型的任 务分别构建一个虚拟队列，用H_i表示，H_i(t)表示在t时刻队列的长度。虚拟队 列的到达率和离开率分别是a_i(t)和A_i(t)。将原问题进行等价转化，如下所示，

（2）根据Lyapunov优化，我们定义以下几个变量：

Lyapunov函数：$L\left(\Theta \left(t\right)\right)=\frac{1}{2}[{\Sigma }_{i=1}^m{H}_1^2\left(t\right)+{\Sigma }_{i=1}^m{\Sigma }_{j=1}^n{Q}_{\mathrm{ij}}^2\left(t\right)],$其中$\Theta \left(t\right)=[Q\left(t\right);H\left(t\right)]$

Lyapunov流动：$\Delta \left(\Theta \left(t\right)\right)=E\{L\left(\Theta (t+1)\right)-L\left(\Theta \left(t\right)\right)|\Theta \left(t\right)\},$越小，系统稳定性 越好，综合考虑系统稳定性和收益，通过引入可调系统参数V，我们定义“流动 -收益”如下：

$\Delta \left(\Theta \left(t\right)\right)-\mathrm{VE}\{\mu {\Sigma }_{i=1}^m{\alpha }_i\left(t\right)-{\Sigma }_{j=1}^n{D}_j\left(t\right)|\Theta \left(t\right)\},$

V代表了系统稳定性和收益之间的权衡，且有不等关系：

$\Delta \left(\Theta \left(t\right)\right)-\mathrm{VE}\{\mu {\Sigma }_{i=1}^m{\alpha }_i\left(t\right)-{\Sigma }_{j=1}^n{D}_j\left(t\right)|\Theta \left(t\right)\}\le B$

$-{\Sigma }_{i=1}^{m}E\{\mathrm{V\mu }{\alpha }_i\left(t\right)-H_i\left(t\right){\alpha }_i\left(t\right)|\Theta \left(t\right)\}---\left(1\right)$$-{\Sigma }_{i=1}^{m}E\{H_i\left(t\right)A_i\left(t\right)-{\Sigma }_{j=1}^n{Q}_{\mathrm{ij}}\left(t\right)A_{\mathrm{ij}}\left(t\right)|\Theta \left(t\right)\}---\left(2\right)$

$-{\Sigma }_{j=1}^{n}E\{{\Sigma }_{i=1}^m{Q}_{\mathrm{ij}}\left(t\right)s_{\mathrm{ij}}\left(t\right)-{\mathrm{VD}}_j\left(t\right)|\Theta \left(t\right)\}---\left(3\right),$

其中B是常数，所以新的优化目标转变为分别最大化减号后面的三个式子（1） （2）（3）。

下面结合附图对本发明各个步骤做进一步的详细说明。

如附图2所示，本发明所述的群智感知系统中任务接入和分配的在线控制 方法包括以下步骤，每一时槽内依次执行：

（1）决策由虚拟队列引入的额外变量。先将队列的长度看做已知，注意式子（1） 中只包含变量a_i(t)。对每种类型的任务，由式（1）有

$\left(\begin{array}{cc}\max & V{\mathrm{\mu \alpha }}_i\left(t\right)-H_i\left(t\right){\alpha }_i\left(t\right)\\ s.t.& 0\le {\alpha }_i\left(t\right)\le R_i^{\max }.\end{array}\right)$可解得如下结果：

$a_i\left(t\right)=\left(\begin{array}{cc}0,& H_i\left(t\right)>\mathrm{\mu V}\\ R_i^{\max },& \mathrm{else}\end{array}\right),\forall i\in \{1,......,m\}$

其中，是单个时槽内到达系统的请求数目的最大值。

（2）服务平台决策任务的接入和分配。对由式（2）有

$\left(\begin{array}{cc}\max & H_i\left(t\right)A_i\left(t\right)-{\Sigma }_{j=1}^n{A}_{\mathrm{ij}}\left(t\right)Q_{\mathrm{ij}}\left(t\right)\\ s.t.& 0\le A_i\left(t\right)\le R_i\left(t\right),\\ & A\left(t\right)={\Sigma }_{j=1}^n{A}_{\mathrm{ij}}\left(t\right).\end{array}\right),$解得如下结果：

任务的接入量为

任务的分配策略为$A_{\mathrm{ij}}\left(t\right)=\left(\begin{array}{cc}{A}_i\left(t\right),& \mathrm{ifj}=\underset{j\in \{1,...,n\}}{\arg \min }\left(Q_{\mathrm{ij}}\left(t\right)\right),\\ 0,& \mathrm{otherwise}\end{array}\right)\forall i\in \{1,...,m\}.$

（3）手机上任务的调度，可以分布式地实现，即每部手机根据本地维护的任务 队列的长度决策当前时槽内执行哪些任务。决策的策略可由优化式（3）得到， 即对解优化：

$\left(\begin{array}{cc}\left(\begin{array}{c}\max \\ s_{\mathrm{ij}}\left(t\right)\end{array}\right)& {\Sigma }_{i=1}^m{Q}_{\mathrm{ij}}\left(t\right)s_{\mathrm{ij}}\left(t\right)-{\mathrm{VD}}_j\left(t\right)\\ s.t.& s_{\mathrm{ij}}\left(t\right)\in \left\{\mathrm{0,1}\right\}\end{array}\right)$

该优化问题是0-1整数优化，可以由分支限界算法进行求解。

（4）服务平台和手机分别更新队列长度。虚拟队列的长度更新规则为

$H_i(t+1)=\max [H_i\left(t\right)-A_i\left(t\right),0]+a_i\left(t\right),\forall i\in \{1,......,m\}$

实际队列的长度更新规则为

综合上述的结构，本发明能适应用户请求随机的实时的到达系统，并在保 证系统稳定性的前提下，使系统的整体收益接近最优。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定， 本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权 利要求书的保护范围。