群智感知需求不确定任务的资源分配方法

对群智感知任务类型中的突发任务资源分配问题进行研究。首先分析突发任务的特点,建立突发任务需求不确定的多阶段随机规划模型,并使用三个指标:效率、效力和公平来衡量资源的分配,提出以最小化成本为目标的非线性优化问题。然后,针对优化问题,提出基于Q学习算法的资源分配方法,并与动态规划算法和启发式算法作对比。实验结果表明,Q学习算法在精度上优于启发式算法,在计算速度上优于动态规划算法。

基于蒙特卡罗贝叶斯推理的移动群智感知可靠任务分配机制

针对现有任务分配策略的不足,研究了在工人数量有限的移动群智感知系统中任务分配策略,借助社交网络来分配任务并获得高收益。首先,建立了社交网络的动态不确定环境,利用社交网络完成任务,传播任务。然后考虑到不同社交网络对任务的偏好不同,设置任务偏好度这一不确定指标,借助经济学风险价值的理论描述任务分配的可靠性。最后利用蒙特卡罗贝叶斯推理方法研究任务动态传播模型的复杂参数的高斯过程,设计基于知识梯度的采样算法选择蒙特卡罗采样点,从而实现高收益的任务分配方案。为了验证所提策略的性能,将其与四种基准的采样算法进行比较。实验结果表明,所提任务分配策略在提高收益方面是有效的。

基于多臂赌博机算法的异构群智感知任务分配

为了在有限的预算内尽可能提高标签任务的可靠性,考虑异构群智感知中的任务分配问题。使用多臂赌博机算法,通过加权投票机制得到任务的信誉得分,对模型使用UCI真实数据集进行验证。实验结果表明,多臂赌博机算法在动态学习工人能力、提高标签任务可靠性方面表现较好。随着预算的增加,准确性趋于最优任务分配策略。因此,该算法不仅能够动态学习工人能力,而且能进行有效任务分配,解决群智感知异构性问题。