摘要：本文针对参与者优选方法提出基于多任务分发的研究算法,目的在于实现参与者优选过程中的最小化参与者人数的基础上最小化用户移动的总距离.在规定的时间内通过完成多个任务以实现参与者最大化奖励值.而平台需要根据候选者完成任务个数以及移动总距离来选择参与者,在平台信息最小化的情况子下实现成本最小化.本文设计了VT-MOST、VPT-MOST算法,分别以任务、参与者为中心的参与者优选方法.不同于T-MOST、PT-MOST的情况,这里我们考虑速度对于参与者选择的影响.选用参与者近期速度的平均值来估算该用户的速度值,通过对三种算法进行实验对比,分析各种因素对参与者的选择产生的影响,如任务个数、时间、候选者人数等.

摘要：为了提高移动群智感知(mobile crowd sensing,MCS)中的数据质量,设计了一种混合模型(hybrid model,HM)与列表级排序(list-wise ranking,LWR)相结合的推荐方法HM-LWR。研究结果表明:采用HM-LWR算法模型能够较精确地预测参与者的任务偏好情况,分配MCS任务时可以有效提升准确性与运算效率。得到最优参数指标:学习速率μ=0.01,正则化参数λ=0.01,迭代100次,相似度模型调控指标α=0.5。HM-LWR算法相较于MSC与LWR算法有明显提高,相较于高斯尺度混合(Gaussian scale mixtures,GSMs)算法则有小幅提升,达到了近96%的平均准确率。该研究有助于提高物联网移动群智感知能力,提高用户使用亲和度体验感。

摘要：为了解决移动群智感知(mobile crowd sensing,MCS)中候选者积极性不高导致数据质量低的问题,根据列表级排序(list-wise ranking,LWR)学习机制设计了一种基于混合模型(hybrid model,HM)与列表级排序算法相结合的排序任务推荐方法 HM-LWR,并在MATLAB平台上测试各项参数变化。研究结果表明:候选者人数的增加引起运行时间明显延长,HM-LWR与MSC都呈现相近的较小增幅;HM-LWR算法在分配期间的候选者达到了最高的积极性,获得了近97%的参与率。由此得出HM-LWR算法能够达到更高分配准确性、缩短分配时间、提升整体处理效率,在智慧城市领域具有很好的推广价值。

摘要：针对现有任务分配策略的不足,提出了一种面向延迟接受的移动群智感知多任务分配策略。首先,基于平台和工人的不同需求,提出了一种方法实现任务和工人的双向匹配。其次,考虑到任务的紧急性,设计了一种混合延迟接受算法。最后,为了验证所提策略的性能,将其与两种基准的任务分配方法进行了比较。实验结果表明,所提任务分配策略在提高平台效用和工人满意度方面是有效的。

摘要：移动群智感知是一种新兴的感知范例,它采用参与者携带的移动设备感知实时信息.目前有关任务分配的大多数研究都缺乏计算实际参与者密度并对其进行详细分析的方法.在本文中,首先,基于参与者的出行时间和空间,采用模糊逻辑控制方法得到不同时空的参与者密度.另外,根据参与者密度,我们可以计算在特定时空下的任务所需要的有效样本数量.然后,本文通过考虑任务的属性和参与者方因素,可以获得所有任务的效用.最后,本文提出了一种全局贪婪算法来分配任务,以确保最大化所有任务的效用.仿真结果表明,在不同时空的任务数量、参与者数量以及参与者承载的最大工作负载的情况下,本文提出的全局贪婪算法在最大化所有任务的效用方面均优于其他基准算法.

摘要：激励更多用户参与感知任务并提供高质量数据是移动群智感知研究的热点问题之一。针对在线到达的激励机制场景中,参与用户提供数据的质量以及其信誉值没有得到足够重视等问题,本文提出用户在线参与感知任务的信誉评价方法并构建其信誉评价模型。综合考虑用户历史和现实的信誉记录,建立信誉更新算法模型,设计基于信誉更新的多阶段在线激励机制(Reputation-updated online mechanism,ROM)。仿真结果表明,该算法能够帮助平台获得更好的效用,提高收集数据的质量从而提高雇佣效率。

摘要：在集中性较高的感知区域中,移动群智感知网络节点在无控制的模式下,容易产生感知数据冗余度大幅升高的问题,降低了网络感知质量。针对这种情况,首先对感知区域进行时空域划分,并对感知过程进行建模;然后引入单元格充足感知覆盖概念,设计了一种基于覆盖表信息融合的移动节点协作感知数据收集算法。实验仿真表明,相较于原始感知模式和本地控制模式,该算法能大幅消除感知冗余数据,从而提高感知网络的数据质量,同时节约移动节点代价。

摘要：移动群智感知任务中的数据类型多以图片和长视频为主,因而在其任务执行过程中容易造成大量能耗。以提高群智感知框架下的能源有效性为研究目标,以手机电量消耗为能耗指标,提出面向单体节能技术与面向全局节能技术相结合的方法,实现手机能源最大化利用。结合Android开发过程中的部分算法优化与移动群智感知任务执行中的节能模块(文本转换模块、图片压缩模块、视频压缩模块等),实现单体能耗更低。在此基础上,结合面向全局的参与者优选模型,选择合适的执行团队用更少电量完成一定量任务,实现能耗最小化。通过实验设计和验证,使用单体节能与整体节能相结合的节能方法,在降低整体能耗时能够将手机能耗降低至少20%。

摘要：使用移动设备摄像头进行感知是移动群智感知主要形式之一,预先利用照片的情境信息聚类可以减少图片特征相似计算,提高照片冗余判断效率。为了提高情境信息聚类精度,本文提出一种聚类动态查找算法,解决动态聚类近边缘相似的问题。首先,根据PTree聚类算法是否聚类到已有区间分为实枝叶和虚枝叶,实枝叶的数据直接上传,虚枝叶进一步动态查找最佳相似匹配区间;然后,基于使用局部扩大再动态缩小的思想,减少动态聚类数据点之间平均距离;最后,聚类到同一区间的图片集进行相似过滤。通过设计的APP收集带有情境信息的照片数据,结果表明,与现有方案相比,在保证覆盖度的前提下有效减少所需上传照片数量,提高去冗余效果。

摘要：现有的感知信息质量研究主要集中在节点的招募、选择和感知任务的分配阶段,缺少对感知任务执行过程的优化。为此,借鉴移动设备云中的感知任务迁移理念,设计基于效用的感知任务迁移算法,提出一种移动群体内节点间直接协作的感知方法。对感知任务的执行阶段进行优化,以解决移动设备的异构性与感知信息质量需求之间的矛盾。实验结果表明,与随机选择算法和基于多任务的参与者选择算法相比,该算法可有效提高感知数据覆盖率和感知任务完成率。