导读:本文包含了感知任务分配论文开题报告文献综述及选题提纲参考文献，主要关键词:移动群智感知,数据质量,在线多任务分配,位置相关
感知任务分配论文文献综述
李卓,徐哲,陈昕,李淑琴[1]（2019）在《面向移动群智感知的位置相关在线多任务分配算法》一文中研究指出越高的数据质量要求对应越高的感知成本,如何权衡质量与成本是当前移动群智感知任务分配问题的研究热点之一。研究了保证最低数据质量要求的位置相关在线多任务分配问题,以最小化总体感知成本为优化目标,将数据质量要求量化为不同执行节点的个数;提出了一种基于划分的贪心算法,其主要思想是以执行节点的初始位置为圆心、以节点最远移动意愿为半径生成圆盘,然后从圆盘覆盖到的任务集合中选出合适的任务子集作为相应执行节点的待执行任务集。根据实验仿真,与GGA-I算法相比,所提算法在相同运行时间下,总体感知成本降低12.7%;在相近计算性能下,所需的计算时间平均缩短51.6%。(本文来源于《计算机科学》期刊2019年06期）
曹振,孙玉娥,黄河,陆乐,杜扬[2]（2019）在《带隐私保护的群智感知任务分配机制》一文中研究指出存在多任务发布者的公共群智感知平台存在不可信问题,但现有机制均无法在任务分配过程中保护任务发布者的隐私信息,影响了群智感知系统的应用和发展.针对该问题,文章研究了如何在保证分配机制正常运行的前提下,同时保护任务发布者的预算、收益函数以及用户的敏感信息不泄露.所设计的机制引入了半可信第叁方,通过动态IP交互、同态加密扰乱、置换以及数字签名等技术,保证了平台和半可信第叁方均无法获得相关价格隐私,且无法将用户与其所提交数据相关联,从而进一步预防泄露用户数据的潜在隐私.所设计的机制可以在任务匹配和支付过程中保护隐私,且能实现所有任务发布者收益最大化.通过仿真实验结果验证了机制的有效性和可行性.(本文来源于《小型微型计算机系统》期刊2019年06期）
杨正清,周朝荣,袁姝[3]（2019）在《移动群智感知系统中基于离散布谷鸟搜索算法的任务分配》一文中研究指出针对移动群智感知系统中工人积极性低以及任务过期的问题,提出了基于初始成本和软时间窗的任务分配算法。对应的任务分配问题为NP-hard问题,不存在计算有效的最优算法,因此,基于离散布谷鸟搜索算法(DCSA)进行求解。首先,根据问题特征,分别设计了对应的全局搜索过程以及局部搜索过程。其次,根据任务与工人起始位置的距离以及时间窗大小,分析其优先级以便得到更好的解。最后,执行可行化操作,使各次任务分配均满足相关约束。仿真结果表明,与遗传算法和贪婪算法相比,基于DCSA的任务分配算法能够提升工人的参与积极性,解决任务过期的问题,并最终降低系统的总成本。(本文来源于《计算机应用》期刊2019年09期）
徐浩田[4]（2019）在《双视角下移动群智感知中依赖位置的任务分配机制》一文中研究指出移动群智感知作为近些年来的研究热点之一,在此背景下的任务分配与用户调度问题也相对应地受到了越来越多的关注。任务分配的主要目的是将感知任务合适地匹配给对应的参与者,参与者再以协作的方式共同完成较大且复杂的感知任务。因此,提供一项高效的任务分配机制十分重要。目前,对于任务分配和用户调度问题的研究工作主要分为参与者和感知平台两种角度。在感知平台角度下,现有的任务分配机制通常只考虑参与者当前时刻所处的位置,忽略了参与者在未来时刻的位置以及随机移动的问题。而在参与者的角度下,已有相关工作多从感知任务的位置、时间等因素进行研究,未考虑到完成任务的次序也间接影响了参与者的效率。针对以上问题,本文分别在感知平台和参与者两种不同的角度下提出一种新兴的任务分配机制。在平台角度下:本文利用马尔可夫模型来分析并预测参与者未来时刻所处位置,提出平台效率最大化任务分配算法来解决任务分配问题。在参与者角度下:本文对蚁群算法进行改进并提出参与者效益最大化算法,面对多任务的情况下,结合路程、时间、报酬叁个因素为参与者规划出一条效益最大的任务完成次序路径。最后,我们设计并实现了一个任务分配系统,将两种任务分配机制运用其中,使得用户与读者能够更加深刻理解所提出算法的意义。(本文来源于《内蒙古大学》期刊2019-05-27）
王永芳[5]（2019）在《移动群智感知中基于数据质量的任务分配与激励机制研究》一文中研究指出物联网是指在互联网的边缘集成连接传感器和常见的嵌入式计算设备,从而达到更全面、更大规模地感知和连接各种物理对象及其周边物体的目的。物联网中连接的设备多样,通信技术各异,并且我们可以利用数据挖掘等智能计算技术分析传感网络收集的大量感知数据,从而获取对人类决策及行为指导有益的信息。随着智能手机、智能手环等移动设备的普及,以消费者为中心的移动感知网络正在为物联网带来变革。群智感知结合了众包与移动感知网络的优点,利用大量普通用户持有的移动感知设备及已有的数据传输设施(如4/5G,WIFI基站等),组成大规模、细粒度、提供复杂感知服务的移动传感网络。它不仅扩展了已有传感网络的覆盖范围,而且减少了基础设施的维护成本,在提供如环境监测,公共服务,交通预测等大规模、复杂的感知服务中得到了广泛的应用。随着群智感知应用和理论的深入研究,其在质量控制、资源优化、用户激励及隐私保护等方面的问题也日益突出。制定合理的数据收集与质量保证机制,平衡高效地分配移动用户的感知资源,适合的激励机制和隐私保护策略保证用户积极、有效地参与感知任务等几个核心问题亟待解决。针对上述问题,本文充分研究了现有群智感知系统,提出了通用的参与者可靠性及数据质量衡量模型,并利用该模型进一步提出质量覆盖的概念,针对单任务分配和多任务分配的不同场景,分别提出了成本与覆盖质量相权衡的优化问题,且用仿真数据及真实数据集对提出的近似算法的性能进行验证。在单任务分配中,我们考虑感知区域规模的不同,分别提出了保证激励成本约束下最大化最小源空间质量覆盖和最大化总空间质量覆盖的优化问题。考虑这两个优化问题的NP难解性,我们分别给出了启发式算法和近似贪心算法来近似地解决该问题。通过仿真数据和真实数据集模拟不同的感知场景,我们将该算法在质量保证,成本控制、用户激励等方面与现有算法进行了比较,证明了在适中的预算控制下我们的算法相比k覆盖算法可以实现约15%~35%平均质量覆盖程度的提升,相比现有的统一奖励单价的激励策略提高了0.1左右的任务完成覆盖比。在多任务分配中,我们考虑不同数据请求者提交的任务在感知数据类型、时空区域等方面的交叉重迭,给出了多任务场景中任务质量衡量模型,并提出了在保证任务完成质量的同时最小化激励成本的优化问题。为了保证计算效率,我们提出了优先匹配单位成本最大质量贡献的参与者和任务的贪心策略。最后,通过真实数据集仿真实验,证明了在保证各任务质量覆盖水平满足阈值的情况下,我们的算法相比最大质量覆盖优先算法和最小开销优先算法可以分别节约5%~15%和25%~45%的激励成本。(本文来源于《吉林大学》期刊2019-05-01）
邢倩[6]（2019）在《移动群智感知网络中的任务分配问题研究》一文中研究指出随着移动智能设备的普及,移动群智感知作为一种新兴的感知网络应运而生。在有关移动群智感知的研究中,任务分配一直是研究的重点内容之一。移动群智感知中的任务类型多种多样,存在事先已知的离线任务,也存在发布时间不定的在线任务,还存在具有特定位置要求的空间任务。目前有关混合空间任务分配的研究不多,本课题对此进行研究,具体内容如下:针对离线空间任务与在线空间任务混合的分配问题,本课题设计了叁种任务分配机制,分别为 CostFirst&&AM-ONLT、RatioFirst&&AM-ONLT 和GGA-TA&&AM-ONLT。这叁种任务分配机制采用了叁种不同的离线空间任务分配算法和相同的在线空间任务分配算法。针对事先己知的离线空间任务,本文设计了叁种不同的任务分配算法,分别为:基于贪心策略的CostFirst算法,该算法优先为成本低的用户分配任务;基于贪心策略的RatioFirst算法,该算法优先为感知质量与成本比值高的用户分配任务;基于遗传算法和贪心策略混合的GGA-TA算法,该算法综合考虑了用户的感知质量、感知成本和执行能力。仿真实验验证了,在离线空间任务的分配问题中,GGA-TA算法所得分配方案在感知成本与用户移动的距离方面低于CostFirst和RatioFirst算法的结果,执行时间方面远远高于CostFirst和RatioFirst算法的执行时间。针对平台中发布时间不定的在线空间任务,本文设计了AM-ONLT算法。该算法基于贪心策略,在满足任务感知时间要求的情况下,将在线任务分配给距离其最近任务的感知用户。此外,针对用户感知数据质量的不确定性,根据用户的历史感知情况和当前任务的执行情况,对用户的感知质量进行更新。仿真实验验证了,GGA-TA&&AM-ONLT所得分配方案在感知成本方面和用户移动的距离方面,低于CostFirst&&AM-ON LT和RatioFirst&&AM-ONLT的分配结果,而执行时间远远高于 CostFirst&&AM-ONLT 和 RatioFirst&&AM-ONLT 的执行时间。RatioFirst&&AM-ONLT所得分配方案在感知成本方面与用户移动的距离方面,低于CostFirst&&AM-ONLT的分配结果,高于GGA-TA&&AM-ONLT的分配结果,且执行时间远远低于GGA-TA&&AM-ONLT的执行时间。(本文来源于《天津工业大学》期刊2019-01-16）
李卓,徐哲,陈昕,李淑琴[7]（2018）在《OTAP:基于预测的机会群智感知多任务在线分配算法》一文中研究指出机会群智感知网络中,不同节点间的相遇间隔各异,任务由不同节点执行时的时间成本有较大差异性。为最小化任务平均完成时间,设计并实现了一种基于预测的多任务在线分配算法(online multi-task assignment based on prediction,OTAP)。基于真实移动轨迹数据集,分析了节点间相遇间隔分布,设计了节点相遇规律发现子算法;利用对节点间的相遇间隔的预测,每次给执行节点分配在与任务分发者下次相遇间隔内能完成的最大任务量。针对4个不同的真实移动轨迹数据集,利用ONE模拟器,对OTAP算法性能进行了验证与分析。结果显示,相比于已有的NTA算法,OTAP在4个不同数据集中平均任务完成时间分别缩短了50.49%、45.34%、32.71%、32.23%,任务完成率在其中两个移动轨迹数据集中也有所提高。(本文来源于《工程科学与技术》期刊2018年05期）
胡华,张强,胡海洋,陈洁,李忠金[8]（2018）在《基于Q-learning的移动群智感知任务分配算法》一文中研究指出移动群智感知环境中的任务分配是工作流研究领域中一个新方向,为解决应用任务在移动智能用户间的合理调度与分配,本文将机器学习中的Q-learning方法引入到工作流任务分配问题中,提出一种针对多目标的强化贪婪迭代方法。该算法从宏观层面上通过强化学习的每一次探索进行学习优化,微观层面上通过贪心算法为每一次迭代选择局部最优解,增强了算法的性能。对比其他3种算法,所提算法不但能降低时间和能耗开销,而且收敛速度较快,能够提高感知效率,可作为移动群体感知的工作流调度问题走向智能化的一种尝试。(本文来源于《计算机集成制造系统》期刊2018年07期）
方文凤[9]（2018）在《群智感知系统中任务分配算法与激励机制的研究》一文中研究指出随着内置高性能传感器的移动设备的广泛应用,新兴的群智感知技术逐渐成为实时感知、收集与共享信息的有效方式。不同于传统的静态传感器网络,群智感知无需部署大量传感器节点,它将普通用户随身携带的移动设备作为基本的感知单元,随时随地感知周围环境信息,实现感知任务的分发与感知数据的收集,是众包思想在移动数据感知领域的体现。任务分配与激励机制是群智感知研究中的关键问题,其中,任务分配是在一定约束条件下,选择合适的感知用户执行任务,以实现某种优化目标;激励机制则是借助合理的激励措施激励用户积极参与感知任务,以解决感知用户参与量不足等问题。本文针对最小化感知成本的任务分配问题以及基于拍卖的报酬激励机制设计问题展开研究,同时,结合研究成果,开发一套基于群智感知的校园信息共享平台。相应地,本文的主要研究工作如下:(1)在用户信息对称的情况下,研究最小化感知成本的任务分配问题。该问题针对现有研究的不足,增加考虑任务执行顺序与任务执行成本以计算感知成本,在用户可被分配多个任务的条件下,实现最小化感知成本的优化目标。通过复杂性分析可知,该问题属于NP-hard问题,在多项式时间内无法求得最优解,为此,分别采用贪婪算法、简单遗传算法、单亲遗传算法以及改进蚁群算法求取次优解。仿真结果表明,上述四种算法在感知成本与运行时间的表现上各具特点,可在实际应用中根据具体需求进行合理选择。(2)在用户信息非对称的情况下,结合拍卖理论设计报酬激励机制,以解决现有研究中单任务拍卖成本高、用户虚假报价以及平台预算有限等问题。该激励机制借助反向组合拍卖,首先,基于用户感知范围与预处理机制得到有效竞拍任务组与竞拍价;其次,采用决策方案中的次价拍卖机制以及相应约束条件确定获胜用户及其报酬;最后,理论与仿真结果表明,该机制激励相容、个体理性、预算可行以及计算有效,且具有较优的性能。(3)为实现校园信息的实时共享,结合前述任务分配算法与激励机制的研究成果,开发一套基于Android系统的群智感知校园信息共享平台。该平台的核心模块为算法实现模块,一方面,平台可通过任务分配模块选择合适的用户完成相应的信息任务;另一方面,可通过激励机制模块在竞拍用户中确定获胜用户及其奖励积分。本文的理论研究成果可以为群智感知相关研究工作提供参考价值,同时,结合理论成果开发的校园应用也具有一定的现实意义。(本文来源于《四川师范大学》期刊2018-06-30）
方文凤,周朝荣,孙叁山[10]（2018）在《移动群智感知中任务分配的研究》一文中研究指出随着内置高性能传感器的移动智能终端的广泛应用,新兴的移动群智感知技术逐渐成为实时感知与收集环境信息的有效方式。为协调与鼓励用户参与感知任务,并最大限度地保证感知数据的有效性与可靠性,针对移动群智感知相关研究中的关键问题——任务分配进行了研究。首先介绍移动群智感知的相关背景;其次,根据感知任务的要求对任务分配的约束条件进行分类;然后讨论与分析了任务分配的研究现状,包括平台为中心的优化算法设计以及用户为中心的激励机制设计;最后指出现有研究工作中的不足,展望了未来的研究方向。(本文来源于《计算机应用研究》期刊2018年11期）
感知任务分配论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
存在多任务发布者的公共群智感知平台存在不可信问题,但现有机制均无法在任务分配过程中保护任务发布者的隐私信息,影响了群智感知系统的应用和发展.针对该问题,文章研究了如何在保证分配机制正常运行的前提下,同时保护任务发布者的预算、收益函数以及用户的敏感信息不泄露.所设计的机制引入了半可信第叁方,通过动态IP交互、同态加密扰乱、置换以及数字签名等技术,保证了平台和半可信第叁方均无法获得相关价格隐私,且无法将用户与其所提交数据相关联,从而进一步预防泄露用户数据的潜在隐私.所设计的机制可以在任务匹配和支付过程中保护隐私,且能实现所有任务发布者收益最大化.通过仿真实验结果验证了机制的有效性和可行性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
感知任务分配论文参考文献
[1].李卓,徐哲,陈昕,李淑琴.面向移动群智感知的位置相关在线多任务分配算法[J].计算机科学.2019
[2].曹振,孙玉娥,黄河,陆乐,杜扬.带隐私保护的群智感知任务分配机制[J].小型微型计算机系统.2019
[3].杨正清,周朝荣,袁姝.移动群智感知系统中基于离散布谷鸟搜索算法的任务分配[J].计算机应用.2019
[4].徐浩田.双视角下移动群智感知中依赖位置的任务分配机制[D].内蒙古大学.2019
[5].王永芳.移动群智感知中基于数据质量的任务分配与激励机制研究[D].吉林大学.2019
[6].邢倩.移动群智感知网络中的任务分配问题研究[D].天津工业大学.2019
[7].李卓,徐哲,陈昕,李淑琴.OTAP:基于预测的机会群智感知多任务在线分配算法[J].工程科学与技术.2018
[8].胡华,张强,胡海洋,陈洁,李忠金.基于Q-learning的移动群智感知任务分配算法[J].计算机集成制造系统.2018
[9].方文凤.群智感知系统中任务分配算法与激励机制的研究[D].四川师范大学.2018
[10].方文凤,周朝荣,孙叁山.移动群智感知中任务分配的研究[J].计算机应用研究.2018