论文部分内容阅读
近年来，随着移动互联网和智能传感器技术的发展，移动群智感知计算模式在学术界、工业界和企业界得到广泛的关注。移动群智感知系统利用工人携带的智能设备的感知与计算能力，通过移动互联网进行协作来完成复杂的感知任务。在移动群智感知系统中，工人招募是一个核心共性的研究问题，是一种考虑任务和工人等因素的满足多种优化目标和约束条件的组合优化问题。
移动群智感知中的工人招募问题的研究主要面临参与感知任务的工人数量不足而导致的冷启动问题、单一工人招募机制而导致无法在感知质量和感知成本之间达到平衡的问题以及无法适应实时且大规模的移动群智感知任务的问题等。
针对上述问题，本文主要从以下三个方面进行研究:
1)异构网络中的工人招募。本文借鉴了社交网络影响力传播的思想，并且提出了一种基于社交网络和通信网络混合的异构网络工人招募算法，可以在一定程度上解决冷启动问题。核心思想是首先利用通信网络根据招募概率选取种子工人，然后从种子工人出发，以贪心的方式同时在社交网络和通信网络中进行任务的传播，实现任务空间覆盖最大化的工人招募。在计算招募概率时，本文考虑了工人能力、逗留时间和工人移动等多种影响因素，提高了招募概率的准确性。实验结果表明，对比现有的算法，本文提出的算法可以确保任务的时间约束，并且在空间覆盖率和运行时间方面取得很好的性能。
2)带预算约束的工人招募。本文提出了一个两阶段的工人招募框架，在两个阶段招募工人，可以在任务质量和任务成本之间取得很好的平衡。首先，在离线阶段，借鉴在通信网络和社交网络中影响力传播的思想，本文提出一种离线机会式工人招募算法来招募工人在其日常轨迹中完成任务，这可以解决传统MCS系统的冷启动问题。然后，在在线阶段，为了降低计算复杂度，本文设计一种在线参与式工人招募算法来激励工人前往特定的区域完成任务，这些区域由子区域聚类获得。在这两个阶段，本文都考虑了激励成本和时间的约束。实验结果表明，对比其他方法，在预算约束下，本文提出的框架在空间覆盖率和运行时间方面取得很好的性能。
3)基于边云协同的工人招募。本文提出了一个分层的基于边云协同的工人招募框架，可以适用于大规模且实时的感知任务。在云计算层根据感知任务范围对问题空间进行分区，在边缘计算层进行实时数据处理和聚合。另外，在招募工人时从工人角度考虑工人携带感知设备的传感器配置、工人对感知任务的报价、工人被分配任务的最大数量、工人的可用性等因素，然后构建数学模型判断工人是否能被招募。实验结果表明，对比现有的方法，本文提出的工人招募框架在确保任务总成本和时间的约束的同时可以在空间覆盖率和运行时间方面取得很好的性能。
移动群智感知中的工人招募问题的研究主要面临参与感知任务的工人数量不足而导致的冷启动问题、单一工人招募机制而导致无法在感知质量和感知成本之间达到平衡的问题以及无法适应实时且大规模的移动群智感知任务的问题等。
针对上述问题，本文主要从以下三个方面进行研究:
1)异构网络中的工人招募。本文借鉴了社交网络影响力传播的思想，并且提出了一种基于社交网络和通信网络混合的异构网络工人招募算法，可以在一定程度上解决冷启动问题。核心思想是首先利用通信网络根据招募概率选取种子工人，然后从种子工人出发，以贪心的方式同时在社交网络和通信网络中进行任务的传播，实现任务空间覆盖最大化的工人招募。在计算招募概率时，本文考虑了工人能力、逗留时间和工人移动等多种影响因素，提高了招募概率的准确性。实验结果表明，对比现有的算法，本文提出的算法可以确保任务的时间约束，并且在空间覆盖率和运行时间方面取得很好的性能。
2)带预算约束的工人招募。本文提出了一个两阶段的工人招募框架，在两个阶段招募工人，可以在任务质量和任务成本之间取得很好的平衡。首先，在离线阶段，借鉴在通信网络和社交网络中影响力传播的思想，本文提出一种离线机会式工人招募算法来招募工人在其日常轨迹中完成任务，这可以解决传统MCS系统的冷启动问题。然后，在在线阶段，为了降低计算复杂度，本文设计一种在线参与式工人招募算法来激励工人前往特定的区域完成任务，这些区域由子区域聚类获得。在这两个阶段，本文都考虑了激励成本和时间的约束。实验结果表明，对比其他方法，在预算约束下，本文提出的框架在空间覆盖率和运行时间方面取得很好的性能。
3)基于边云协同的工人招募。本文提出了一个分层的基于边云协同的工人招募框架，可以适用于大规模且实时的感知任务。在云计算层根据感知任务范围对问题空间进行分区，在边缘计算层进行实时数据处理和聚合。另外，在招募工人时从工人角度考虑工人携带感知设备的传感器配置、工人对感知任务的报价、工人被分配任务的最大数量、工人的可用性等因素，然后构建数学模型判断工人是否能被招募。实验结果表明，对比现有的方法，本文提出的工人招募框架在确保任务总成本和时间的约束的同时可以在空间覆盖率和运行时间方面取得很好的性能。