面向大规模数据决策的在线随机任务分配算法

第３１卷第６期２０２０年１２月
中原工学院学报
ＪＯＵＲＮＡＬＯＦＺＨＯＮＧＹＵＡＮＵＮＩＶＥＲＳＩＴＹＯＦＴＥＣＨＮＯＬＯＧＹ
Ｖｏｌ．３１　Ｎｏ．６
Ｄｅｃ．２０２０
　收稿日期：
２０２０－０７－２７　引文格式：
黄素叶．面向大规模数据决策的在线随机任务分配算法［Ｊ］．中原工学院学报，２０２０，３１（６）：５２－５６．ＨＵＡＮＧＳｕｙｅ．Ｏｎｌｉｎｅｒａｎｄｏｍｔａｓｋａｓｓｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍｆｏｒｌａｒｇｅ ｓｃａｌｅｄａｔａｄｅｃｉｓｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＺｈｏｎｇｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ
，２０２０，３１（６）：５２－５６（ｉｎＣｈｉｎｅｓｅ）．
文章编号：
１６７１－６９０６（２０２０）０６－００５２－０５面向大规模数据决策的在线随机任务分配算法
黄素叶
（闽西职业技术学院信息与制造学院，福建龙岩３６４０２１
）摘　要：　针对在可信度阈值０．５２～０．８２范围内在线随机任务分配的任务答案平均可信度较低的问题，提出了一种面向大规模数据决策的在线随机任务分配算法。

首先基于大规模数据决策对每个用户及任务进行描述，以实现整体任务的描述；
然后以质量控制、成本控制和时间控制为任务控制内容实现在线随机任务控制；最后根据任务控制结果设计一种在线随机任务分配算法，并将本文算法与基于Ｃａｒｒｅｌ平台的在线随机任务分配算法、面向移动群智感知的位置相关在线多任务分配算法进行了比较。

结果表明：在随机任务分配条件下，本文算法在２００个任务时的任务答案平均可信度为９８％，
且比上述两种算法均有显著提高，本文算法在任务分配应用方面具有更好的应用性能。

关　键　词：　大规模数据决策；
在线随机任务；分配算法；移动资源；用户相遇指数中图分类号：　ＴＰ３９３ 文献标志码：　Ａ ＤＯＩ：１０．３９６９／ｊ
．ｉｓｓｎ．１６７１－６９０６．２０２０．０６．０１１ 在线随机任务分配算法是群智感知领域中的核
心方法。

该算法具有任务收益大、完成任务数量多、完成任务所需时间少等优点，因此被广泛应用在大规模数据决策领域。

目前，
解决分布式问题较为普遍的方法是群智感知系统和众包系统，而这两类系统都是通过在线随机任务分配算法进行随机任务分配的。

当前国内外对在线随机任务分配算法进行了较多研究，如文献［１］提出了基于Ｃａｒｒｅｌ平台的在线随机任务分配算法，文献［２］提出了面向移动群智感知的位置相关在线多任务分配算法，文献［３］提出了基于分布式拍卖算法的多无人机分组任务分配算法，文献［４］提出了基于Ｑ ｌｅａｒｎｉｎｇ的移动群智感知任务分配算法，文献［５］提出了基于改进ＰＳＯ算法的机动通信保障任务分配方法。

上述算法虽然在随机任务分配上取得了一定进展，但在进行在线随机任务分配时仍存在因任务指标兼顾不周而导致的任务控制不正常的问题，且在可信度阈值０．５２～０．８２范围内其任务答案平均可信度较低。

为此，本文提出一种面向大规模数据决策的在线随机任务分配算法，并通过实验验证了本文算法的有效性。

１　算法设计
１．１　任务描述
研究表明，基于大规模数据决策对用户及每个任
务进行描述可实现整体任务的描述［
６
］。

设用户数量为狀，
用户大规模数据集合犝可表示为：犝＝｛狌１，狌２，…，狌犻，…，狌狀｝（１
）式中，狌犻代表第
犻个用户。

将狌狀指定为任务发布者，将珡犝（集合中的剩余用户的集合）
指定为任务的潜在执行者，则珡犝可表示为：珡犝＝犝－｛狌狀｝
（２）由于各用户的效率、速度以及移动资源都不同，因此需要设定一个参数对用户任务的完成情况进行反
应［７］。

假设各任务的潜在执行者都具备对应的用户信
誉值，并能向任务发布者返回任务的有效结果，则该任务的有效结果和任务潜在执行者均与用户信誉值相
关［８］。

设任务潜在执行者的对应用户信誉值的集合为
ε，
则ε可表示为：ε＝｛ε１，ε２，…，ε犻，…，ε狀－１｝
（３
）式中：ε犻代表第
犻个任务潜在执行者的对应用户信誉值。

　第６期
黄素叶：面向大规模数据决策的在线随机任务分配算法
在任务发布者与执行任务的用户之间，存在一个名为用户相遇指数的指标，它能够映射任务潜在执行
者与任务发布者的未来相遇情况［９］。

用户相遇指数集
合λ可表示为：
λ＝｛λ１，λ２，…，λ犻，…，λ狀－１｝
（４）式中：λ犻代表第犻个用户相遇指数，即用户狌狀和用户狌犻的对应相遇指数。

由于用户相遇指数符合指数分布规律，因此两个用户的相遇时间符合相遇分布规律表达式：
∫
∞
０
狋λ犻
ｅ－λ犻狋ｄ狋＝１
λ犻
（５
）式中，狋代表执行任务时间。

当用户狌狀与其他用户狌犻相遇时，狌狀向狌犻发送任
务列表。

狌犻在狌狀发送的任务列表中选择其感兴趣且能够完成群智计算的任务，并将挑选的任务列表回发至狌狀。

狌狀收到任务列表后则会挑选出相应的任务并根据一定的策略向狌犻发送任务。

在该动态决策过程中，狌犻在任务列表中挑选感兴趣的任务时需进行决
策［１０］。

设狌犻接收到的任务共有犿个，
用犔表示其感兴趣任务的集合，则
犔＝｛犾１，犾２，…，犾犿｝
（６）为了完成随机分配的任务，需给定一个成功率最低阈值狏，其集合犞可表示为：
犞＝｛狏１，狏２，…，狏犿｝
（７
）各任务的对应有效期限集合可表示为：
犜＝｛狋１，狋２，…，狋犿｝
（８）在各任务对应的有效期限内，分配的用户可以组成一个用户组，并通过用户相互协作来完成。

假设该用户组为犛犿，则可通过下式对用户的在线随机任务问题整体进行定义：
犕犻狀犻犿犻狕犲　狘犛犿狘；狋犺犲狀犕犪狓犻犿犻狕犲　１－∏狌犻
∈犛犿
（１－ 犻）
狊．狋．　１－∏狌犻∈犛犿（１－ 犻）≥狏犻 犻＝ε犻·犘犻；
犛犿∈珡烅烄
烆
犝（９
）式中：｜犛犿｜代表协作完成任务的用户组集合的实际大小，即该用户组中的实际用户数量，由于犛犿是由狌狀的
任务潜在执行者构成，因此犛犿是珚犝的子集；ε犻代表用户
狌犻完成历史任务获得的信誉值；犘犻代表向用户狌犻分配
的某一任务完成后，在该任务失效之前遇到用户狌狀的具体概率值； 犻代表用户狌犻独自完成该任务后，成功将有效结果返回的具体概率值（ＲＵＤ值）；１－∏狌
犻∈犛犿（１－ 犻）
代表用户组中所有用户协作共同完成任务时，在任务失效之前，组员成功返回任务有效结果的概率值，其中（１－ 犻）代表用户狌犻在任务失效之前未能对任务结果进行传达的概率，
或尽管传回该任务结果，但对于任务发布者而言该任务结果为无效的概率，∏狌犻∈犛犿
（１－ 犻）代表用户组中没有成员能够返回任务有效结果的概率［
１１
］。

因此，按照上述算法进行用户在线随机任务分配，能够满足任务执行者的用户集合最小，且任务完成概率大于任务成功率最低阈值。

１．２　任务控制
任务控制包括质量控制、成本控制和时间控制。

质量控制负责将最有益于任务答案质量内容的部分分配给用户，
可信度增益和信息增益可作为衡量用户对任务有效分配的重要指标［１２］。

分配任务时，利用信息
熵对任务答案在分布上的不确定性进行描述，任务答案的对应信息熵可以用下式表示：
犎（狋′）＝－∑犪∈犔狋′
犘（犪）ｌｇ
犘（犪）（１０
）式中：犎（狋′）为任务答案的对应信息熵；犘（犪）为任务选项犪是正确答案的概率；犔狋′为任务狋′感兴趣的任务集合。

根据式（１０），可获取任务答案的可信度犎′（狋′）。

犎′（狋′）＝ｍａｘ犪∈犔狋′
犘（犪）犎（狋′）
（１１
）根据式（１１），可计算出可信度增益犆犎′（狉狌）。

犆犎′（狉狌）＝犎′（狉０）－犎′（狉狌）
（１２）式中：犎′（狉０）为用户狌未回答狋′任务时任务答案的可信度；犎′（狉狌）
为用户狌回答狋′任务时任务答案的可信度［
１３］。

信息增益犐犌（狉狌）
的计算公式为：犐犌（狉狌）＝犎（狉０）－犎（狉狌）
（１３）式中：犎（狉０）为用户狌未回答狋′任务时对应任务答案的信息熵；犎（狉狌）
为用户狌回答狋′任务时对应任务答案的信息熵。

成本控制采取任务剪枝方式，具体操作为：预处理任务，剪枝解决效果较好的任务，留下需要用户回答的
任务［１４］。

时间控制采用的方式为：提高任务报酬，吸引用户
做任务［１５］。

１．３　在线随机任务分配的实现
本文根据任务控制结果设计在线随机任务分配算法。

设计的在线随机任务分配算法可分为随机任务分配计划、随机任务分配实行、随机任务分配完成和随机
任务分配反思四部分［
１６］。

·
３５·
中原工学院学报
２０２０年　第３１卷
（１
）随机任务分配计划：在线随机任务分配前，在未知环境下需做好前期准备工作，指定任务数量、分配到任务的人员等信息。

请求者将任务传送给用户，保障任务的传送时间。

（２
）随机任务分配实行：当用户接受任务时，将根据自己空闲的资源数量来处理任务。

当每个移动用户接受任务时，将判断其资源是否能够处理任务，从而确定任务的处理时间，并按照随机任务分配计划，实行具体措施。

（３
）随机任务分配完成：在随机任务分配完成阶段，以较低的成本或者代价在移动设备上执行任务，且通过无线网络传回执行后的任务结果，完成随机任务分配。

（４
）随机任务分配反思：随机任务分配完成后，对任务分配结果可信度较高的情况，及时总结优势，对任务分配结果可信度不高的情况及时反思。

２　实验结果及分析
２．１　参数设置
为验证本文提出的面向大规模数据决策的在线随机任务分配算法的性能，对该算法进行了实验。

实验中涉及的相关参数设置如表１所示。

为避免出现实验结果过于单一的问题，本文配置了两组数据进行了对比实验，
具体配置如表２所示。

表１　算法中涉及的参数设置
序号参数参数表示
数值范围１用户数量狀１００～２００２总任务／个｜犠｜０～２００３用户相遇指数λ０．１～１４各任务的对应有效期限／ｈ
狋５～２６５用户信誉值ε０．１～１６
成功率最低阈值
狏
０．５～１
表２　两组实验的具体配置
组别用户数量总任务／个成功返回平均阈值
任务最低有效时间／ｈ
任务最高有效时间／ｈ
第１组１００２０００．８５２５第２组
２００
２００
０．９
６
２６
为验证本文算法的可信度，
对比了本文算法、基于Ｃａｒｒｅｌ平台的在线随机任务分配算法［１］
、
面向移动群智感知的位置相关在线多任务分配算法［２］
在可信度阈
值０．５２～０．８２范围内的两组任务答案的平均可信度。

任务答案平均可信度的计算公式为：
犆狅狀＝
∑
狌∈犝
犆狌
狘犠狘
（１４
）式中：犆狅狀为任务答案的平均可信度；犆狌为任务狌答案的实际可信度；｜
犠｜为总任务数。

２．２　结果分析
本文算法、基于Ｃａｒｒｅｌ平台的在线随机任务分配算法、面向移动群智感知的位置相关在线多任务分配算法的２组对比实验的结果如图１、图２所示。

由图１可知，在初始时，各算法任务答案的平均可信度均为７０％，当任务数达到２００个时，第１组实验中各算法任务答案的平均可信度分别为９８％、７８％和８０％，比初始时分别提高了２８％、８％和
１０％。

由图２可知，
在初始时，各算法任务答案的平均可信度均为７０％，当任务数达到２００个时，第２组实验中各算法任务答案的平均可信度分别为９８％、
７８％和７８％，比初始时分别提高了２８％、８％和８％。

２组实验结果表明，
本文算法的任务答案平均可信度均显著高于基于Ｃａｒｒｅｌ平台的在线随机任务分配算法和面向移动群智感知的位置相关在线多任务分配算法。

图１　第１组实验结果对比
·
４５·
　第６期
黄素叶：
面向大规模数据决策的在线随机任务分配算法
图２　第２组实验结果对比
３　结论
本文提出的面向大规模数据决策的在线随机任务分配算法的可信度达到９８％，且显著高于基于Ｃａｒｒｅｌ平台的在线随机任务分配算法和面向移动群智感知的位置相关在线多任务分配算法，
本文算法在在线随机任务分配方面具有良好的应用价值。

本文研究中，仅对大规模数据决策的任务随机分配问题进行了研究，而未考虑小规模数据决策的任务随机分配方面的问题。

今后我们将利用小规模数据决策方法对任务进行随机分配，以此完善本文算法的适用性。

参考文献：
［１］　ＳＨＡＲＭＡＤ，ＫＵＭＡＲＳ．Ｎｅｔｗｏｒｋｂｌｏｃｋｉｎｇｐｒｏｂａｂｉｌｉｔｙ
ｂａｓｅｄｅｖａｌｕａｔｉｏｎｏｆｐｒｏｐｏｓｅｄｓｐｅｃｔｒｕｍａｓｓｉｇｎｍｅｎｔｓｔｒａｔｅｇｙｆｏｒａｄｅｓｉｇｎｅｄｅｌａｓｔｉｃｏｐｔｉｃａｌｎｅｔｗｏｒｋｌｉｎｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＯｐ
ｔｉｃｓ，２０１８，４７（４）：４９６－５０３．［２］　李卓，
徐哲，陈昕，等．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，２０１９，４６（６）：１０２－１０６．
［３］　许可，
宫华，秦新立，等．基于分布式拍卖算法的多无人机分组任务分配［Ｊ］．信息与控制，２０１８，４７（３）：３４１－３４６．［４］　胡华，张强，胡海洋，等．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，２０１８，２４（７）：１７７４－１７８３．
［５］　滑楠，
赵延龙，于振华．基于改进ＰＳＯ算法的机动通信保障任务分配方法［Ｊ］．控制与决策，２０１８，３３（９）：１５７５－１５８３．
［６］　付彦卓，
张树东，李辉．异构环境下自适应ｒｅｄｕｃｅ任务调度算法的研究［Ｊ］．计算机应用研究，２０１８，３（７）：１９８９－１９９１．
［７］　王国豪，
李庆华，刘安丰．一种云工作流任务调度能效优化算法［Ｊ］．计算机工程与应用，２０１８，５４（１０）：９５－９８．［８］　伏明兰，王浩，方宝富，等．分布式自利ａｇ
ｅｎｔ任务分配算法［Ｊ］．模式识别与人工智能，２０１８，３１（１２）：１０６１－１０７３．［９］　柏茂羽，
丁勇，胡忠旺．基于Ｑ学习的多目标耦合协同任务分配算法［Ｊ］．电光与控制，２０１８，２５（４）：１６－２２．［１０］　曹鹏飞，郝矿荣，丁永生．
面向多机器人动态任务分配的事件驱动免疫网络算法［Ｊ］．智能系统学报，２０１８，１３（６）：９５２－９５８．
［１１］　余敦辉，
张灵莉，付聪．基于动态效用的时空众包在线任务分配［Ｊ］．电子与信息学报，２０１８，４０（７）：１６９９－１７０６．
［１２］　刘瑞轩，
张永林．基于改进蚁群算法的多自主式水下机器人任务分配［Ｊ］．中国舰船研究，２０１８，１３（６）：１０９－１１４．
［１３］　刘鹏飞，
毛莺池，王龙宝．基于云雾协作模型的任务分配方法［Ｊ］．计算机应用，２０１９，３９（１）：１４－２０．
［１４］　梁国强，
康宇航，邢志川，等．于离散粒子群优化的无人机协同多任务分配［Ｊ］．计算机仿真，２０１８，３５（２）：２２－２８．
［１５］　秦新立，
宗群，李晓瑜，等．基于改进蚁群算法的多机器人任务分配［Ｊ］．空间控制技术与应用，２０１８，４４（５）：５８－６２．
［１６］　王坚浩，
张亮，史超，等．装备保障任务分配建模与ＤＬＳ ＢＣＩＷＢＡ算法求解［Ｊ］．
系统工程与电子技术，２０１８，４０（９）：８８－９４．
作者简介：黄素叶（１９７４－），男，讲师，硕士，主要研究方向为计算机算法分析与设计。

Ｅ ｍａｉｌ：２４０９７３６９＠ｑｑ
．ｃｏｍ（责任编辑：苏安婕）
·
５５·
中原工学院学报
２０２０年　第３１卷
犗狀犾犻狀犲狉犪狀犱狅犿狋犪狊犽犪狊狊犻犵狀犿犲狀狋犪犾犵狅狉犻狋犺犿犳狅狉犾犪狉犵
犲 狊犮犪犾犲犱犪狋犪犱犲犮犻狊犻狅狀ＨＵＡＮＧＳｕｙ
ｅ（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＭａｎｕｆａｃｔｕｒｉｎｇ，ＭｉｎＸｉＶｏｃａｔｉｏｎａｌ＆ＴｅｃｈｎｉｃａｌＣｏｌｌｅｇｅ，Ｌｏｎｇｙ
ａｎ３６４０２１，Ｃｈｉｎａ）犃犫狊狉狋犪犮狋：　Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅａｖｅｒａｇｅｒｅｌｉａｂｉｌｉｔｙｏｆｏｎｌｉｎｅｒａｎｄｏｍｔａｓｋａｓｓｉｇ
ｎｍｅｎｔｉｓｌｏｗｉｎｔｈｅｒａｎｇ
ｅｏｆ０．５２～０．８２，ａｎｏｎｌｉｎｅｒａｎｄｏｍｔａｓｋａｓｓｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍｆｏｒｌａｒｇｅ ｓｃａｌｅｄａｔａｄｅｃｉｓｉｏｎ ｍａｋｉｎｇｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｅａｃｈｕｓｅｒａｎｄｔａｓｋｉｓｄｅｓｃｒｉｂｅｄｂａｓｅｄｏｎｌａｒｇｅ ｓｃａｌｅｄａｔａｄｅｃｉｓｉｏｎ ｍａｋｉｎｇｔｏｒｅａｌｉｚｅｔｈｅｏｖｅｒａｌｌｔａｓｋｄｅｓｃｒｉｐ
ｔｉｏｎ．Ｔｈｅｎ，ｉｔｔａｋｅｓｑｕａｌｉｔｙｃｏｎｔｒｏｌ，ｃｏｓｔｃｏｎｔｒｏｌａｎｄｔｉｍｅｃｏｎｔｒｏｌａｓｔａｓｋｃｏｎｔｒｏｌｃｏｎｔｅｎｔｔｏｒｅａｌｉｚｅｏｎｌｉｎｅｒａｎｄｏｍｔａｓｋｃｏｎｔｒｏｌ．Ｆｉｎａｌｌｙ，ａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｅｓｕｌｔｓｏｆｔａｓｋｃｏｎｔｒｏｌ，ａｎｏｎｌｉｎｅｒａｎｄｏｍｔａｓｋａｌｌｏｃａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｄｅｓｉｇｎｅｄ，ａｎｄｔｈｅａｌｇｏｒｉｔｈｍｉｓｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｏｎｌｉｎｅｒａｎｄｏｍｔａｓｋａｌｌｏｃａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＣａｒｒｅｌｐｌａｔｆｏｒｍａｎｄｔｈｅｌｏｃａｔｉｏｎｄｅｐｅｎｄｅｎｔｏｎｌｉｎｅｍｕｌｔｉ ｔａｓｋａｌｌｏｃａｔｉｏｎａｌｇ
ｏｒｉｔｈｍｆｏｒｍｏｂｉｌｅｓｗａｒｍｉｎｔｅｌｌｉｇｅｎｃｅｐｅｒｃｅｐｔｉｏｎ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ：ｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｏｆｒａｎｄｏｍｔａｓｋａｌｌｏｃａｔｉｏｎ，ｔｈｅａｖｅｒａｇｅｒｅｌｉａｂｉｌｉｔｙｏ
ｆｔｈｅｔａｓｋａｎｓｗｅｒｉｓ９８％ｗｈｅｎｔｈｅｎｕｍｂｅｒｏｆｔａｓｋｓｉｓ２００，ａｎｄｉｔｉｓｓｉｇｎｉｆｉｃａｎｔｌｙｈｉｇｈｅｒｔｈａｎｔｈｅａｂｏｖｅｔｗｏａｌｇｏｒｉｔｈｍｓ，ｓｏｔｈｅａｌｇｏｒｉｔｈｍｈａｓｂｅｔｔｅｒａｐｐｌｉｃａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｉｎｔａｓｋａｌｌｏｃａｔｉｏｎａｐｐ
ｌｉｃａｔｉｏｎ．犓犲狔狑狅狉犱狊：　ｌａｒｇｅ ｓｃａｌｅｄａｔａｄｅｃｉｓｉｏｎ；ｏｎｌｉｎｅｒａｎｄｏｍｔａｓｋ；ａｓｓｉｇｎｍｅｎｔａｌｇｏｒｉｔｈｍ；ｍｏｂｉｌｅｒｅｓｏｕｒｃｅｓ；ｕｓｅｒｅｎｃｏｕｎｔｅｒｉｎｄｅｘ
（上接第１０页）
犈狓狆犾狅狉犪狋犻狅狀犪狀犱狆狉犪犮狋犻犮犲狅犳狋犺犲犮狅狀狊狋狉狌犮狋犻狅狀狅犳狋犲犪犮犺犻狀犵狇狌犪犾犻狋狔
犪狊狊狌狉犪狀犮犲狊狔狊狋犲犿犻狀狌狀犻狏犲狉狊犻狋犻犲狊犫犪狊犲犱狅狀犗犅犈犮狅狀犮犲狆
狋ＬＩＣｈｕｎｇｕａｎｇ１，ＺＨＡＮＧＭｉｎｇ２，ＬＩＺｏｎｇ
ｍｉｎ１
（１．ＥｄｕｃａｔｉｏｎａｎｄＴｅａｃｈｉｎｇＱｕａｌｉｔｙＥｖａｌｕａｔｉｏｎＣｅｎｔｅｒ，ＺｈｏｎｇｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｇ
ｚｈｏｕ４５０００７，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＳｃｉｅｎｃｅ，ＺｈｏｎｇｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｇ
ｚｈｏｕ４５０００７，Ｃｈｉｎａ）犃犫狊狋狉犪犮狋：　Ｉｎｖｉｅｗｏｆｔｈｅｐｒｏｂｌｅｍｓｅｘｉｓｔｉｎｇｉｎｔｈｅｔｅａｃｈｉｎｇｑｕａｌｉｔｙａｓｓｕｒａｎｃｅｓｙｓｔｅｍｏｆｄｏｍｅｓｔｉｃｃｏｌｌｅｇ
ｅｓａｎｄｕｎｉｖｅｒｓｉｔｉｅｓ，ｇｕｉｄｅｄｂｙｔｈｅｉｄｅａｏｆＯｕｔｃｏｍｅＢａｓｅｄＥｄｕｃａｔｉｏｎ（ＯＢＥ），ｔｈｉｓｐａｐｅｒｄｅｓｉｇｎｓｔｈｅｔｅａｃｈｉｎｇｑｕａｌｉｔｙ
ａｓｓｕｒａｎｃｅｓｙｓｔｅｍｏｆｃｏｌｌｅｇｅｓａｎｄｕｎｉｖｅｒｓｉｔｉｅｓｆｒｏｍｔｈｅａｓｐｅｃｔｓｏｆｔｅａｃｈｉｎｇｑｕａｌｉｔｙｓｔａｎｄａｒｄｓｅｔｔｉｎｇ，ｏｒｇａｎｉｚａｔｉｏｎ ａｌｆｒａｍｅｗｏｒｋｃｏｎｓｔｒｕｃｔｉｏｎ，ｍｅｃｈａｎｉｓｍｇｕａｒａｎｔｅｅｏｐｅｒａｔｉｏｎ，ｅｔｃ．，ａｎｄｃａｒｒｉｅｓｏｕｔｔｈｅｐｒａｃｔｉｃｅｔｈｒｏｕｇ
ｈｔｈｅｍｅｔｈｏｄｓｏｆ“ｍａｎａｇｅｍｅｎｔ”，“ｅｖａｌｕａｔｉｏｎ”，“ｓｕｐｅｒｖｉｓｉｏｎ”ａｎｄ“ｉｎｓｐｅｃｔｉｏｎ”．Ａｆｔｅｒｙｅａｒｓｏｆｐｒａｃｔｉｃｅ，ｔｈｅｔｅａｃｈｉｎｇｑｕａｌｉｔｙａｓｓｕｒａｎｃｅｓｙｓｔｅｍｒｕｎｓｗｅｌｌ，ｗｈｉｃｈｐｒｏｍｏｔｅｓｔｈｅｉｍｐｒｏｖｅｍｅｎｔｏｆｔｅａｃｈｉｎｇｑｕａｌｉｔｙａｎｄｓｃｈｏｏｌｒｕｎｎｉｎｇ
ｌｅｖｅｌ，ａｎｄｐｒｏｖｉｄｅｓｅｘｐｅｒｉｅｎｃｅｆｏｒｔｈｅｅｘｐｌｏｒａｔｉｏｎｏｆｔｅａｃｈｉｎｇｑｕａｌｉｔｙａｓｓｕｒａｎｃｅｓｙｓｔｅｍｃｏｎｓｔｒｕｃｔｉｏｎｉｎｌｏｃａｌｃｏｌｌｅｇ
ｅｓａｎｄｕｎｉｖｅｒｓｉｔｉｅｓ．犓犲狔狑
狅狉犱狊：　ｈｉｇｈｅｒｅｄｕｃａｔｉｏｎ；ｑｕａｌｉｔｙａｓｓｕｒａｎｃｅ；ｏｕｔｃｏｍｅ ｂａｓｅｄ；ｏｕｔｃｏｍｅ ｂａｓｅｄｅｄｕｃａｔｉｏｎ·
６５·。