基于禁忌搜索的时空众包任务分配算法

为了在时空众包任务分配过程中减少移动成本、缩短任务完成时间,本文将时空众包和路径规划问题结合起来,提出了一种基于自适应阈值的禁忌搜索算法,该算法通过在线学习的方式,进行路径规划设计,计算出每个任务合理的预估等待时间,匹配区域内的众包任务,并在最短的时间内完成任务。通过实验对比,本文所提算法在任务耗费时间上平均比Adaptive RT算法降低13%,比ASPT算法降低23.3%。在移动成本上比Adaptive RT算法降低了6.99%,比ASPT算法降低了25.9%。

基于Pareto分布的众包工人欺骗行为处理方法

由于众包的组织模式自由松散,致使众包工人在完成任务的过程中存在欺骗行为。如何识别工人的欺骗行为并降低其影响,从而保障众包任务的完成质量,已经成为众包领域的研究热点之一。通过对任务结果的评估与分析,针对众包工人统一型欺骗行为,提出了一种基于广义Pareto分布(GPD)的权重设置算法(WSABG)。该算法对GPD进行极大似然估计,并用二分法逼近似然函数的零点以计算出尺度参数σ和形状参数ε。算法中定义了新的权重公式,并利用众包工人完成当前任务的反馈数据赋予每位工人一个绝对影响权重,最终设计出了基于GPD的众包工人权重设置框架。所提算法可以解决任务结果数据之间差异性小且容易集中在两极的问题。以烟台大学学生评教数据为实验数据集,提出了区间转移矩阵的概念,证明了WSABG算法的有效性和优势。