群智感知中基于社交属性及有效用户计算的任务分发机制
《双视角下移动群智感知中依赖位置的任务分配机制》范文
《双视角下移动群智感知中依赖位置的任务分配机制》篇一一、引言移动群智感知（Mobile Crowd Sensing，MCS）作为一种新兴的感知技术，通过利用大量移动设备进行协同感知和数据处理，实现了对复杂环境的实时监控和感知。
在双视角下，即用户视角和系统视角，移动群智感知的任务分配机制对系统性能的优化起着至关重要的作用。
特别是当任务依赖位置信息时，如何合理分配任务成为了一个关键问题。
本文旨在探讨双视角下移动群智感知中依赖位置的任务分配机制，以提高系统效率和用户满意度。
二、用户视角下的任务分配机制从用户视角来看，任务分配机制应充分考虑用户的地理位置、设备能力、个人偏好等因素。
首先，系统需要收集用户的地理位置信息，以便根据任务的地理位置要求进行匹配。
其次，系统应评估用户的设备能力，如计算能力、电池寿命、存储空间等，以确保用户能够完成分配的任务。
此外，个人偏好也是任务分配的重要参考因素，如用户可能更愿意参与某些类型的任务或对某些地点感兴趣。
在双视角下，用户和系统之间需要进行有效的交互和沟通。
系统可以通过激励机制，如任务报酬、奖励机制等，激发用户的参与意愿。
同时，系统需要为用户提供清晰的任务描述和期望结果，以便用户了解任务的难度、要求和可能的回报。
这样有助于用户在众多任务中选择最符合自己需求和能力的任务。
三、系统视角下的任务分配策略从系统视角来看，任务分配策略需关注整体任务完成效率和资源优化。
首先，系统应根据任务的类型、要求和紧急性对任务进行分类。
其次，根据移动设备的地理位置、设备能力和剩余资源等动态信息进行实时匹配。
这样可以通过动态调度和资源优化来确保任务能够及时完成并最大化利用系统资源。
此外，系统应考虑任务的地理分布性。
对于某些需要大规模地理覆盖的任务，系统可以通过多路径路由和分布式计算来提高任务的完成效率。
同时，为了降低通信开销和提高数据传输效率，系统可以设计高效的数据传输协议和压缩算法。
四、位置信息的利用与隐私保护在双视角下移动群智感知中依赖位置的任务分配机制中，位置信息的利用至关重要。
基于多智能体系统的移动群智感知协同优化策略
基于多智能体系统的移动群智感知协同优化策略移动群智感知是一种利用移动设备（如智能手机、平板电脑）和感知技术，通过众包的方式进行数据收集和处理的方法。
在移动群智感知中，多智能体系统扮演着关键的角色，通过相互协作和信息交流，提高了移动群智感知的效率和准确性。
为了进一步优化移动群智感知的性能，基于多智能体系统的移动群智感知协同优化策略应运而生。
基于多智能体系统的移动群智感知协同优化策略的核心目标是提高系统的能源效率、数据质量和任务完成率。
为了实现这些目标，可以采用以下几种策略。
首先，对于能源效率的优化，可以通过多智能体系统中的协作机制降低单个智能体的能量消耗。
在移动群智感知中，感知任务的数量庞大，而设备的能量有限。
因此，合理地分配任务可以均衡智能体之间的能量消耗，延长移动设备的使用寿命。
例如，可以采用任务分片机制，将感知任务拆分成多个子任务，并由不同的智能体完成。
通过合理分配子任务，可以减少感知任务对单个智能体的能耗。
其次，为了提高数据质量，可以采用多智能体系统中的协作和信息交流机制。
在移动群智感知中，利用不同智能体的多样性和互补性来提高数据的精确性和准确性。
智能体之间可以共享各自收集到的数据，并通过信息交流来校正和补充数据。
此外，可以使用一致性算法和数据融合技术，将多个智能体的数据进行整合和分析，提供更为准确的感知结果。
最后，为了提高任务完成率，可以采用多智能体系统中的任务调度和资源分配策略。
在移动群智感知过程中，智能体之间的任务分配和资源利用对任务完成率起着至关重要的作用。
可以根据智能体的能力、资源和位置等因素，制定合理的任务调度和资源分配策略。
例如，可以采用分布式的任务分发算法，将感知任务分配给离任务区域最近的可用智能体，减少任务完成的时间和能量消耗。
综上所述，基于多智能体系统的移动群智感知协同优化策略可以有效提高移动群智感知系统的能源效率、数据质量和任务完成率。
通过合理利用多智能体之间的协作和信息交流机制，可以充分发挥感知设备的潜力，提供更为准确高效的感知结果，为智能交通、环境监测等领域的应用提供强有力的支持。
移动群智感知中基于社区的任务分发算法
Abstract: A community-based task distribution algorithm was proposed to solve the problem of the validity of mobile crowd sensing (MCS) task distribution. By calculating the minimum spanning tree (MST), the connection parameter (CP) and the community convergence degree (CI) between the mobile nodes, the behavior patterns of the users were abstracted and identified to rationally divide the nodes into different communities. Then, the eigenvalue matching degree of the community behavior patterns with the sensing task was calculated. According to the matching degree, the distribution of the corresponding tasks was completed by the central node of the community. The simulation results show that the proposed method can effectively improve the accuracy of the task distribution and the task completion rate, and save the time cost of the task completion. Key words: mobile crowd sensing, community, behavior pattern, task distribution, matching degree
一种基于群智感知网络的任务安全分发技术
一种基于群智感知网络的任务安全分发技术
唐艳;刘瑞琪;杨盘隆;范晓宸;李晴瑜
【期刊名称】《计算机工程》
【年(卷),期】2016(042)006
【摘要】群智感知网络利用广大用户现有的感知设备和已部署的通信网络可实现大规模的感知,能够解决当前大规模感知网络成本较高的问题.然而移动用户在任务传输和分配过程中,群体合谋以及任务拷贝转发都会对特定用户任务的安全造成威胁.针对这一问题,基于群智感知网络,提出一种任务安全分发技术,通过将球箱理论中的d-choice方法应用到任务分配过程中,在实现全体用户负载均衡的同时,根据制定的阈值策略,保证用户任务的安全性.仿真结果表明,相比随机任务分配技术,所提出的技术能够更有效地均衡任务负载,从而保证任务安全.
【总页数】6页(P161-166)
【作者】唐艳;刘瑞琪;杨盘隆;范晓宸;李晴瑜
【作者单位】海军驻上海地区电子设备军事代表室,上海200233;解放军理工大学,南京210007;解放军理工大学,南京210007;解放军理工大学,南京210007;中国卫星海上测控部,江苏江阴214431
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于移动社交网络的群智感知社群化任务分发 [J], 王亮;於志文;郭斌;熊菲
2.群智感知中基于公交系统的任务分发机制研究 [J], 安健;彭振龙;桂小林;向乐乐;梁丹薇
3.基于压缩感知的移动群智感知任务分发机制 [J], 宋子晖;李卓;陈昕
4.基于社会关系的群智感知任务分发机制 [J], 张文东;石刚;田生伟;钱育蓉
5.基于城市轨道交通的群智感知任务分发方法 [J], 蒋伟进;吕斯健;刘跃华;陈君鹏;张婉清
因版权原因，仅展示原文概要，查看原文内容请购买。
移动群智感知中的资源管理与任务分配优化
移动群智感知中的资源管理与任务分配优化移动群智感知（Mobile Crowd Sensing，MCS）是指通过将移动终端用户的感知行为进行整合，从而实现全球感知系统。
这一技术可以有效地满足大规模实时数据收集的需求，但是由于参与感知的终端数量庞大，资源分配和任务调度变得愈发复杂，因此需要对其进行优化。
本文将从资源管理和任务分配两个方面阐述MCS中的优化技术。
一、资源管理移动终端用户可以通过智能手机等移动设备参与感知，因此资源管理是MCS中不可或缺的重要环节。
具体地，资源管理包括了终端设备、网络、能量等方面的优化管理。
（一）终端设备管理MCS中，移动设备的资源是有限的，而且各个设备性能差异巨大，因此需要对参与感知的设备进行优化管理。
具体来说，可以通过以下措施来实现：1. 设备选择：选择具有较高性能的设备来参与感知，避免对具有低性能的设备造成过多的负担。
2. 自适应感知：调整设备感知的频率或感知的内容，避免对设备造成过多的负担，同时尽可能地提高感知数据的准确性。
（二）网络管理MCS需要联合众多移动设备，因此网络管理是非常关键的一环。
具体而言，需要采用以下策略：1. 距离优化：选择距离用户最近的移动设备进行感知，避免感知过程中数据传输带来的延迟问题。
2. 传输优化：采用数据压缩算法、数据分块传输等技术减少数据传输的时间和数据量。
（三）能量管理MCS需要长时间的运行，因此设备的能量管理也非常重要。
具体而言，可以考虑以下策略：1. 降低设备能量消耗：通过调整设备的运行频率或关闭一些不必要的功能来降低设备能量消耗。
2. 增强能量供应：为移动设备提供增强的电能供应，如外置电池等。
二、任务分配MCS涉及众多移动设备的参与，其感知负载会随着感知任务的变化而变化。
因此，合理的任务分配可以减轻设备的负担，提高感知效率。
具体而言，任务分配技术分为静态分配和动态分配两类。
（一）静态分配静态分配是指系统事先将感知任务分配给所有参与感知的移动设备，并在感知过程中不再进行变更。
群组协作的移动群智感知任务分配方法
群组协作的移动群智感知任务分配方法随着移动设备的普及和通信技术的快速发展，移动群智感知成为了一种新型的数据收集方式。
其通过利用大量智能移动设备的感知能力，收集和处理各种能够感知的数据，如环境温度、交通状况、空气质量等。
然而，如何高效合理地分配感知任务是移动群智感知中的重要问题，因为不同的移动设备在感知任务方面具有不同的能力和资源，如处理能力、电量和网络带宽等。
因此，群组协作的移动群智感知任务分配方法应运而生。
该方法通过将感知任务分解为多个子任务，然后将其分配给不同的设备，从而实现任务的高效完成。
下面将介绍几种常见的群组协作的移动群智感知任务分配方法。
1. 基于任务分解的分配方法该方法将整个感知任务分解为多个子任务，然后将其分配给不同的设备。
在分配时，应考虑不同设备的感知能力和资源情况，使分配的子任务能够在设备间平衡地分配。
此外，还应考虑设备间的协作关系，以提高任务完成的效率。
2. 基于设备协作的分配方法该方法通过将感知任务分配给相互协作的设备，以提高任务完成的效率。
在这种情况下，设备之间需要进行通信和协调，以确保任务的高效完成。
例如，当一个设备完成了一个子任务时，它可以将结果发送给其他设备，以便其他设备能够更好地完成其他子任务。
3. 基于负载均衡的分配方法该方法通过将感知任务分配给感知能力相似的设备，以实现负载均衡。
在这种情况下，任务分配的目标是使每个设备的负载尽可能均衡，从而提高任务完成的效率。
例如，当一个设备完成了一个子任务时，它可以将任务分配给另一个设备，以便该设备也能参与感知任务。
群组协作的移动群智感知任务分配方法可以提高感知任务的完成效率和质量。
在实际应用中，应根据感知任务的特点和设备的感知能力和资源情况，选择适合的任务分配方法，以实现任务高效完成。
联合区域热度和社交属性感知的移动群智感知参与者选择机制
联合区域热度和社交属性感知的移动群智感知参与者选择机制向罗勇，陈文，张陆洋(重庆信息通信研究院，重庆401336)摘要：针对群智感知中的平台在用户稀疏区域获取的任务数据可靠性低且任务难以按时完成的问题，提出 一种联合区域热度和社交属性感知的参与者选择机制。
首先，考虑不同区域热度对任务完成程度的影响，根 据区域活跃用户数、用户平均停留时间及区域历史感知任务完成情况评估区域热度。
其次，为了分析用户社 交属性对任务完成程度的影响，结合用户的状态信息和用户历史感知任务记录计算用户意愿度、信誉度以及 活跃度；综合考虑上述因素，分别为高热度和低热度区域设计了以最大化任务完成质量和最大化任务完成数量两种不同的社交属性感知的参与者选择机制。
结果表明，所提机制能够显著提升总体数据质量，在低热度 区域也可以及时可靠地完成感知任务。
相比于S U R和G G A-r两种算法，失败率分别降低了66.7%和50.6%。
关键词：移动群智感知：参与者选择：区域热度；用户特征中图分类号：TP393文献标识码：Adoi: 10.11959/j.issn. 1000-0801.2020050Regional heat and social attribute aware participantselection mechanis in mobile crowd sensingXIANG Luoyong, CHEN Wen, ZHANG LuyangChongqing Academy of Information and Communications Technology, Chongqing 401336, ChinaAbstract: Aiming at the problem of tasks that are low reliability acquired by platform and difficult to accomplish on time in user sparse area. A participant selection mechanism that combines regional heat and social attribute aware was proposed. Firstly, considering the influence of different regional heat on task completion, the regional heat was evaluated according to the number of active users, the average residence time of users and the completion of historical task. Secondly, in order to analyze the impact of user social attributes on task completion, the user willingness, reputation and activity were calculated by combining the status information of users and the historical task record of users.Finally, by taking the above factors into account, two different mechanisms of participant selection for social attribute perception were designed for high and low heat areas to maximize quality and number oftask completionrespectively.The results show that the proposed mechanism can significantly improve the overall data quality, and can also perform sensing tasks in sparse areas on time. Meanwhile, compared with SUR and GGA-I, the failure rate is reduced by66.7% and 50.6% respectively.Key words: mobile crowd sensing, participant selection, regional heat, social attribute收稿日期：2019-10-18;修回日期：2020-02-10• 25 •电信科学2020年第2期1引言随着无线通信的快速发展以及无线移动终端 设备的爆炸式普及，移动感知和众包思想的结合 产生了移动群智感知（mobile crowd sensing, MCS)范例m。
多样性约束的群智感知任务分配方法
多样性约束的群智感知任务分配方法
近年来，联合智能系统在智能体、机器人和其他工程学领域得到迅猛发展，然而，这些系统的效果受到一系列外部因素的影响，比如任务分配方法。
群智感知任务分配方法有助于更有效地立即分配任务，以最大化整个系统的性能，完成更快更好的任务。
在这种分配方法中，多样性约束（Diversity Constraints）是一个重要的因素，其主要是指多个智能体在分配任务时，不仅要考虑到任务及其具体要求，还要考虑智能体之间的多样性，各自使用不同的策略，以期能够达到最大化系统性能的目的。
多样性约束的群智感知任务分配方法主要包括以下三个步骤：
1.智能体状态估计：群体智能体作为一组分布式系统在多次交互中，首先建立智能体之间的联系，预测他们的状态。
2.领导者选择：在给定的架构中，通过多样性任务寻找一个最优领导者，以协调各个智能体之间的协作，完成任务。
3.任务分配：采用多样性任务分配算法，检查具有多样化特征的任务，将其分配给智能体组，以最大化系统性能。
该方法不仅能够更有效地分配任务，也能够使智能体组中的智能体相互协作，更好地完成整体任务，有助于提高系统的性能。
但是，在实现过程中，由于多样性任务的复杂性，可能会存在一些问题，比如任务的准确性和分配的准确性等。
针对这些问题，需要利用相应的机器学习技术进行优化，以保证多样性约束的群智感知任务分配方法能够良好地运行。
总之，多样性约束的群智感知任务分配方法是一种用于合作式分布式系统中的优化分配任务的理论方法，该方法的优势在于，能够更加有效地将任务分配给智能体组，减少不必要的冗余任务，使智能体组能够更快更好地完成整体任务，从而提高系统的性能。
移动群智感知中的任务分配算法研究
移动群智感知中的任务分配算法研究随着移动互联网、物联网技术的快速发展，移动群智感知逐渐成为数据采集的一种新兴方式。
移动群智感知是利用手机、智能设备等移动终端设备集成的各类传感器（如相机、麦克风、GPS、陀螺仪等）共同完成数据采集、处理和分析的一种技术。
在移动群智感知中，任务分配算法是关键之一，它负责将任务分配给合适的感知设备或志愿者，以实现数据的高效采集。
任务分配算法需要考虑多个因素，包括感知设备或志愿者的空闲时间、位置信息、数据处理能力和网络带宽等。
在实际应用场景中，任务分配算法需要根据具体情况做出优化和调整，以保证整个系统的效率、可靠性和可扩展性。
针对任务分配算法的研究，需要进行对感知设备或志愿者的特征、约束条件的分析，了解任务的类型、紧急程度等因素，研究最优的任务分配策略。
下面将从几个方面介绍移动群智感知中的任务分配算法研究。
一、任务分配算法的基本原理任务分配算法是一种优化问题，它需要在多个约束条件下，寻找到满足任务需求的最优解。
在移动群智感知中，任务分配算法面临着多维约束条件，例如任务之间的优先级关系、感知设备或志愿者之间的空闲时间和位置信息等。
基于这些约束条件，任务分配算法需要将整个系统分为多个区域，利用贪心、动态规划、遗传算法等方法求解最优解。
贪心算法是一种常见的任务分配算法，它的核心思想是每次在可行解的区域选择当前最优的任务分配，从而逐渐求解整个优化问题。
贪心算法的优点在于简单、高效，但是可能会存在局部最优解问题。
动态规划算法是一种效率更高的任务分配算法，在搜索策略上更加灵活。
动态规划算法能够在多个状态之间转移，并利用分治的思想最终求解得到最优解。
但是动态规划算法的实现过程相对较为复杂。
遗传算法是一种生物进化算法，它能够模拟生物进化的过程，通过种群遗传的方式逐渐求解最优解。
遗传算法有很好的全局搜索性能，但是也需要高效的编码、交叉、变异等操作，需要针对具体问题做出调整和优化。
二、任务分配算法的应用场景任务分配算法的应用广泛，特别是在社交网络、物联网、移动互联网等领域都有着广泛的应用。
群智感知系统中的用户识别与打分技术研究
群智感知系统中的用户识别与打分技术研究群智感知系统是一种利用人类集体智慧和网络技术的数据收集和分析系统。
在群智感知系统中，用户识别与打分技术起着至关重要的作用。
用户识别是指通过分析感知数据中的用户信息，如位置、信号强度、设备类型等，来确定该数据来自于哪个具体的用户。
用户打分是指根据用户的信誉和可信度，为其提供的感知数据进行评分，以便系统能够更好地利用用户提供的数据。
用户识别技术是群智感知系统的基础，对于提高系统的可信度和数据准确性至关重要。
一种常用的用户识别技术是基于设备识别，通过识别用户设备的唯一标识符（如IMEI或MAC地址）来进行用户身份的确定。
当然，这种技术也会受到用户隐私保护的限制，因此在实际应用中需要遵守相关的隐私保护法律和规定。
除了设备识别，还可以通过利用用户的位置信息来进行用户识别。
例如，利用GPS或基站定位技术，可以获取用户的位置信息，并根据位置信息推断出用户的身份。
当然，这种识别方法可能会存在一定的误差和隐私问题，需要在实际应用中进行权衡和调整。
用户打分技术是群智感知系统中的另一项重要技术，它可以用于评估用户提供的感知数据的可信度和质量。
用户打分的依据可以包括用户的历史数据质量、用户信誉度、用户参与度等。
一种常用的用户打分方法是基于协作过滤的推荐算法，通过利用用户的行为和偏好来预测用户对感知数据的评分。
此外，还可以结合机器学习和数据挖掘技术，通过分析用户的行为模式和数据特征，来预测用户对感知数据的评分。
例如，可以提取感知数据中的一些特征，如数据的准确性、可用性等。
然后，利用这些特征训练机器学习模型，以预测用户对感知数据的打分。
用户识别与打分技术的研究旨在提高群智感知系统的可信度和数据质量。
通过准确识别用户身份和评估用户提供的感知数据的可靠性，可以帮助系统更好地利用用户参与的数据，并为用户提供更好的服务。
然而，识别和打分技术仍然存在一些技术挑战和潜在问题，需要进一步的研究和探索。
《2024年群智感知中面向响应时间优化的任务分配机制研究》范文
《群智感知中面向响应时间优化的任务分配机制研究》篇一一、引言随着物联网（IoT）技术的飞速发展，群智感知作为一种新型的智能计算模式，在众多领域中得到了广泛的应用。
群智感知通过利用大量分散的、低成本的设备进行协同感知和计算，从而实现对复杂环境的感知和智能处理。
然而，由于设备的异构性、网络的动态性和数据量的不断增长，如何高效地进行任务分配以优化响应时间成为了群智感知系统面临的重要问题。
本文将重点研究群智感知中面向响应时间优化的任务分配机制，旨在提高系统的整体性能和响应速度。
二、群智感知系统概述群智感知系统是一种基于分布式计算和协同感知的智能系统，它利用大量分散的、低成本的设备进行协同工作，实现对复杂环境的感知和智能处理。
这些设备可以是智能手机、传感器节点、移动终端等，它们通过无线通信网络进行信息交互和协同计算。
群智感知系统具有低成本、高效率、高灵活性等优点，在智能交通、智慧城市、环境监测等领域具有广泛的应用前景。
三、任务分配机制研究在群智感知系统中，任务分配是影响系统性能和响应时间的关键因素。
传统的任务分配机制往往忽视了设备的异构性和网络的动态性，导致任务分配不均，从而影响系统的整体性能。
因此，面向响应时间优化的任务分配机制研究具有重要的实际意义。
首先，需要建立一个任务分配模型，该模型应充分考虑设备的计算能力、通信能力、能源消耗等异构性因素以及网络的动态性变化。
其次，根据模型的特性，设计一种有效的任务分配算法，该算法应能够根据任务的特性和设备的状态动态地进行任务分配，以达到优化响应时间的目的。
此外，还需要考虑如何评估任务分配机制的性能，包括响应时间、系统吞吐量、能源消耗等指标。
针对。
《双视角下移动群智感知中依赖位置的任务分配机制》范文
《双视角下移动群智感知中依赖位置的任务分配机制》篇一一、引言随着移动互联网的飞速发展，移动群智感知已成为智能城市和物联网领域中不可或缺的组成部分。
在这个系统中，依赖位置的任务分配机制尤为重要，它决定了感知任务如何被高效、准确地分配给移动设备，从而确保数据的实时性和准确性。
本文将探讨双视角下移动群智感知中依赖位置的任务分配机制，分析其重要性、应用场景及面临的挑战，并提出一种新型的分配策略。
二、背景与重要性移动群智感知系统是指通过利用大量的移动设备（如手机、传感器等）组成网络来获取周围环境的感知信息。
而任务分配机制是确保整个系统运行的关键。
特别是在依赖位置的任务中，如何准确地将任务分配给最近的设备是保证数据实时性和准确性的关键。
双视角下则意味着我们不仅要考虑任务与设备之间的空间关系，还要考虑设备之间的协作关系以及任务本身的复杂度。
三、应用场景与挑战在智能城市中，移动群智感知的应用场景广泛，如环境监测、交通管理、灾害预警等。
在这些场景中，依赖位置的任务分配机制尤为重要。
然而，在实际应用中，我们面临着诸多挑战。
首先，设备的异构性导致不同设备在处理同一任务时可能存在差异。
其次，任务与设备之间的空间关系复杂，需要综合考虑设备的位置、可用性以及剩余资源等因素。
此外，任务分配的实时性也是一大挑战，特别是在高并发的情况下。
四、新型任务分配策略针对上述挑战，本文提出一种新型的依赖位置的任务分配机制。
该机制从双视角出发，即考虑任务与设备之间的空间关系以及设备之间的协作关系。
具体而言，我们首先利用地理信息系统（GIS）和空间聚类算法来分析任务与设备之间的空间关系，确保任务被分配给最近的可用设备。
其次，我们考虑设备之间的协作关系，通过建立设备间的通信网络和协作模型来提高任务的执行效率。
最后，我们根据任务的复杂度和设备的剩余资源来动态调整任务的优先级和分配策略。
五、实验与分析为了验证所提策略的有效性，我们在模拟环境中进行了大量实验。
移动群智感知中基于社区的任务分发算法
移动群智感知中基于社区的任务分发算法龙浩; 张书奎; 张洋; 张力【期刊名称】《《通信学报》》【年(卷),期】2019(040)010【总页数】13页(P42-54)【关键词】移动群智感知; 社区; 行为模式; 任务分发; 匹配度【作者】龙浩; 张书奎; 张洋; 张力【作者单位】苏州大学计算机科学与技术学院江苏苏州 215006; 徐州工业职业技术学院信息与电气工程学院江苏徐州 221002【正文语种】中文【中图分类】TP3931 引言移动群智感知（MCS,mobile crowd sensing）通过移动终端携带者实现对现实世界的实时感知，利用用户的移动性和社会性等特性完成感知任务，并保证了感知服务的实时性和可靠性[1]。
在目前的应用中，MCS 管理系统通过分析用户之间的移动性、社会性和信任关系，按照一定的约束机制将感知任务进行合理分发，以此实现感知任务的有效分发，并最终提高感知数据质量和服务效率。
MCS 系统结构如图1 所示。
图1 MCS 系统结构目前，人们已经开发了许多群智感知技术的应用，成为实时监测城市环境（如空气质量[2]、噪声水平[3]、交通状况[4]等）的有效手段。
在这些应用中，感知任务分配方法主要是基于基础网络的集中式分发，系统中的移动终端大多是通过蜂窝网络连接到互联网，将感知任务分发到参与者的手机中。
该方式一方面将耗费用户较多的网络流量，导致收集成本高，降低用户参与热情，影响系统可用性；另一方面也给蜂窝网络带来较大的负载压力[5]。
当前的移动终端基本都具备短距离无线通信技术如BlueTooth 或Wi-Fi，当设备进入彼此通信范围时，可以利用短距离无线技术交换数据，即支持机会计算模式。
将机会网络的特性应用到群智感知中，形成机会群智感知网络，该方式实现的核心是众包数据，任务的分发和数据的收集通过众包来实现，目前的众包技术通过激励机制进行任务分发，一般包括集中式或分布式2 种模式，主要的焦点集中在任务自身，而任务自身融合多维环境信息和社会属性，却很少考虑到用户的社会化信息，忽略了任务与节点的匹配度。
感知质量优化的移动群智感知任务在线分发算法
2 相关工作
移动群智感知是一种新的感知范式，它利用人 们在移动设备中产生的感知数据，通过云中的数据
聚集和融合，凝聚人类的智慧，用于提供以人为中心 的服务[5]。已有的工作研究主要应用于智能交通[6]、 环境监测[7]、城市管理[8]和公共安全[9]等领域，随着 各类应用的开展，有效的质量控制对提升数据的可 用性具有重要作用。
如何量化用户数据层面的感知质量，是解决任务 分发问题的难点之一。本文利用聚类算法的性质来评 估任务真值和用户数据质量，将簇心数据判定为真 值，利用真值与感知数据的差异来量化用户数据质 量。用户数据质量随着不同群体数据的变化而变化， 不同群体表现出不同的数据质量水平。为了进一步提 高感知质量，引入贪婪策略保障覆盖率层面的感知质 量，实时控制区域的感知覆盖情况，减少了不必要的 重复感知和数据冗余。在此基础上，采用汤普森抽样 算法招募具有高数据质量的用户，汤普森抽样算法平 衡了任务分发问题的两个阶段，即利用现有信息最大 化用户数据质量阶段和通过探索用户未知信息获取未 来收益阶段，也就是在最短的时间内充分探索用户感 知数据质量规律，从而实现群体数据质量的最大化。
移动群智感知中任务分配的研究
移动群智感知中任务分配的研究
方文凤;周朝荣;孙三山
【期刊名称】《计算机应用研究》
【年(卷),期】2018(035)011
【摘要】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.
【总页数】7页(P3206-3212)
【作者】方文凤;周朝荣;孙三山
【作者单位】四川师范大学物理与电子工程学院,成都610101;四川师范大学物理与电子工程学院,成都610101;成都信息工程大学气象信息与信号处理四川省高校重点实验室,成都610225;四川师范大学物理与电子工程学院,成都610101;电子科技大学通信抗干扰技术国家级重点实验室,成都611731
【正文语种】中文
【中图分类】TP393.07
【相关文献】
1.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], 杨正清; 周朝荣; 袁姝
2.移动群智感知中的空间任务分配机制 [J], 邢倩; 孙学梅; 苑春苗
3.基于CQPSO移动群智感知紧急任务分配方法研究 [J], 李建军;汪校铃;杨玉;付佳
4.面向延迟接受的移动群智感知多任务分配 [J], 杨桂松;王不野;何杏宇
5.移动群智感知中基于用户意愿的多任务分配模型 [J], 吴佳莹;张晓瑜;苗星星因版权原因，仅展示原文概要，查看原文内容请购买。
群智感知信息采集计算优化方案
群智感知信息采集计算优化方案随着移动互联网和智能终端的快速发展，群智感知已经成为一种强大而有效的信息采集方式。
群智感知通过利用众多用户的智能终端，收集和传输大量的感知数据，为我们提供了海量的实时信息。
然而，如何优化群智感知的信息采集计算过程，以提高效率和准确性，仍然是一个值得研究的问题。
首先，为了提高信息采集的效率，可以采用多种策略。
一种常用的策略是任务分解和资源调度。
将大型任务分解成多个小任务，并将小任务分配给不同的感知节点，可以充分利用各个终端的计算资源，实现并行计算，从而加快数据采集的速度。
此外，可以根据每个感知节点的位置和资源情况，动态调整任务分配策略，以确保任务能够高效完成。
其次，为了提高信息采集的准确性，可以采用多种策略。
一种常用的策略是数据融合和质量评估。
在群智感知中，每个感知节点收集的数据可能存在误差和噪声，因此需要对数据进行融合和质量评估。
数据融合可以通过对收集到的数据进行分析和整合，得到更准确和可靠的结果。
质量评估可以根据感知节点的历史数据和可信度进行判断，将高质量的数据优先考虑，从而提高采集结果的准确性。
另外，为了更好地满足用户需求，可以利用机器学习和数据挖掘等技术进行适应性优化。
通过分析用户的历史数据和行为模式，可以预测用户的需求，并根据需求进行感知任务的调整和优化。
例如，可以根据用户的位置和兴趣点，智能地选择感知节点和感知任务，提供更个性化和精确的信息服务。
此外，为了保护用户隐私和信息安全，在信息采集过程中需要采取一系列的安全策略。
一方面，可以通过数据加密和身份验证等技术，确保采集和传输的数据不被篡改和窃取。
另一方面，可以通过隐私保护和访问控制等措施，保护用户的个人隐私，合法使用采集到的数据。
在实际应用中，群智感知信息采集计算优化方案还需要考虑网络环境和用户行为的变化。
例如，在网络质量较差的环境中，可以采用自适应算法，调整感知任务的数量和频率，以适应不同的网络状况。
同时，需要分析用户行为的变化和趋势，及时调整感知策略和任务分配，以满足用户需求。
《双视角下移动群智感知中依赖位置的任务分配机制》范文
《双视角下移动群智感知中依赖位置的任务分配机制》篇一一、引言移动群智感知（Mobile Crowd Sensing，MCS）是一种利用大量移动设备组成的分布式网络来收集环境感知数据的技术。
在双视角下，即从宏观和微观两个角度出发，研究移动群智感知中依赖位置的任务分配机制，有助于实现资源的高效利用和任务的精确执行。
本文旨在探讨双视角下如何有效地进行任务分配，提高系统整体性能和任务完成度。
二、相关研究及现状分析近年来，随着物联网（IoT）技术的飞速发展，移动群智感知已经成为众多研究领域关注的热点。
然而，在任务分配方面仍存在诸多挑战，如位置信息的重要性、设备异构性、网络动态性等。
目前已有研究从单一视角出发，如基于设备性能或基于地理位置的任务分配机制，但这些方法在处理复杂场景时仍存在局限性。
因此，本文提出从双视角出发，综合考虑位置信息和任务需求，以实现更高效的任务分配。
三、双视角下任务分配机制设计（一）宏观视角下的任务分配在宏观视角下，我们关注的是整个移动群智感知系统的全局布局和资源分布。
首先，通过分析地理位置信息，将任务按照其需求与设备分布进行匹配。
例如，对于需要大面积区域监测的任务，可将其分配给分布广泛的设备；对于特定区域的细粒度任务，则需选择位置接近的设备和设备组成的虚拟小组进行执行。
此外，根据设备性能和可用资源，动态调整任务分配策略，确保任务的及时完成和系统资源的合理利用。
（二）微观视角下的任务分配在微观视角下，我们关注的是单个设备或设备组与具体任务之间的匹配程度。
首先，根据设备的地理位置、移动轨迹和历史数据收集能力等信息，评估其执行特定任务的能力。
然后，结合任务的紧急程度、重要性和数据需求等要求，为每个设备或设备组分配最合适的任务。
此外，考虑设备的能源、计算能力和存储空间等限制因素，优化任务分配策略，以降低系统运行成本并提高任务完成度。
四、算法设计与实现为了实现双视角下的任务分配机制，本文设计了一种基于多目标优化的算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
——————————
Hale Waihona Puke 基金项目：国家自然科学基金资助项目（61201212） ；江苏省自然科学基金资助项目（BK2011376） ；江苏省“六大人才高峰”资助项目（2014-WLW-010） ； 苏州市融合通信重点实验室资助项目（SKLCC2013XX） ；江苏省产学研前瞻性项目（BY2012114） ；软件新技术与产业化协同创新中心资助项目 作者简介：杨玉仁（1993-） ，男（通信作者） ，安徽人，硕士研究生，主要研究方向为无线传感器网络（aeyanr0718@） ；张书奎（1966-） ，男，内 蒙古人，教授，博导，博士，主要研究方向为无线传感器网络、分布式计算、智能信息处理、并行和分布式系统等；龙浩（1984-） ，男，湖南人，讲师，硕 士，主要研究方向为移动群体计算、分布式计算等；张力（1980-） ，男，安徽人，讲师，硕士，主要研究方向为群智计算、物联网、无线网络等．
Task distribution mechanism based on social attribute and effective user calculation in crowd sensing
Yang Yuren1, Zhang Shukui1, 2, Long Hao1, Zhang Li1
群智感知中基于社交属性及有效用户计算的任务分发机制 ———————————————————————————————————————————————— 访问地址 投稿日期 修回日期 发布日期 引用格式 /article/02-2019-05-049.html 2018 年 1 月 7 日 2018 年 2 月 28 日 2018 年 4 月 18 日 杨玉仁 , 张书奎 , 龙浩 , 张力 . 群智感知中基于社交属性及有效用户计算的任务分发机制 [J/OL]. 2019, 36(5). [2018-04-18]. /article/02-2019-05-049.html.
第 36 卷第 5 期 优先出版
计算机应用研究 Application Research of Computers
Vol. 36 No. 5 Online Publication
群智感知中基于社交属性及有效用户计算的任务分发机制
杨玉仁 1，张书奎 1, 2，龙 浩 1，张 力1
*
(1. 苏州大学 计算机科学与技术学院, 江苏 苏州 215006; 2. 江苏省无线传感网高技术研究重点实验室, 南京 210003) 摘 要：随着无线传感器网络的高速发展和多种移动智能设备的普及，移动群智感知(mobile crowd sensing，MCS)成为
0
引言
随着移动通信和感知技术的迅速发展，涌现出大量创新性的应 用和服务，特别是智能手机的普及，将本文迅速带入物联网时 代（Internet of things，IoT)，使得对现实世界更全面、更大规模 地感知各种物理对象和环境状况成为可能[1,2]。移动感知和移 动互联网技术的进步触发了人们对日常携带设备 (如智能手机、
优先出版
杨玉仁，等：群智感知中基于社交属性及有效用户计算的任务分发机制
第 36 卷第 5 期
身及其所处环境的状况，如城市环境监测[3]、智能电网[4]、交 通状况[5]、医疗保健[6]等，它们大大扩展了人类感知世界的维 度，改变了人们感知世界的方式，开启了移动互联的新领域 -移 动群智感知和计算大门。 由于群智计算中的节点是用户个人拥有，会跟随人们的日 常生活经常移动，具有动态的、缺乏稳定的网络拓扑结构的特 点。目前，许多研究关注节点的移动，试图根据某种特征建立 相应的移动模型， 从而可以采用一些规则预测节点所在的位置。 可是，用户的移动是社会性的，预测节点的移动轨迹是一件非 常困难和复杂的事情，在这种环境下很难将传感任务分发到指 定的节点。同时，这种网络以数据为中心，并不关心数据是来 自哪些节点，但是在目前的研究中，用户须提供相应的个人信 息才能获得感知任务，例如：位置、时间、活动轨迹等一些列 敏感信息，这些信息综合起来可以准确标志某个用户，这使得 用户的相关隐私被暴露[7]，因此，为了大规模使用群智感知应 用，用户的隐私保护是至关重要的。 群智感知的任务分发，具有代表性的是 Bubble-sensing 模 式 ，该模式将任务信息登记在相关服务器上，移动到该区域 的用户广播任务信息，接收任务后进行数据采集，为了保持存 在任务传播者，该机制设置了一些静态性质的用户，持续传播 任务信息。但该模式主要存在以下几个问题：(1)过分依赖用户 间的相遇机会进行任务分发，由于用户的社会特征及其移动轨 迹的不确定，用户不能及时获取任务信息，降低了任务分发速 (2)用户间转发任务具有盲目性， 度； 导致任务的拒绝率比较高， 而且也需要尊重用户的意愿，是否要接受任务推送；(3)分发任 务时没有进行用户的区分，造成恶意用户提交低质量数据，导 致污染最终的分析结果；(4)没有完善的奖励机制来促进用户的 参与。 为了解决上述问题，本文提出了一种基于有效用户计算的 任务分发机制。重点在于提高任务分发过程的效率，主要贡献 如下： a)加入了用户社交元素，使得用户接收到任务后通过社交 网络通知满足条件的朋友加入系统，扩展了任务分发的方式， 减少了系统开销，提高了系统的参与人数。 b)使用差分隐私机制使用户相关信息的泛化，确保用户隐 私安全。 c)提出一种反映有效用户状态的积分机制，根据用户的完 成任务情况， 自动更新用户的有效积分， 作为执行下次任务时， 筛选用户的依据，同时也可以屏蔽一些恶意用户的污染行为。 d)提出一种有效的激励机制，促进用户的参与。
————————————————————————————————————————————————
群智感知中基于社交属性及有效用户计算的任务分发机制
作者 机构 DOI 基金项目 杨玉仁，张书奎，龙浩，张力 苏州大学 计算机科学与技术学院；江苏省无线传感网高技术研究重点实验室 10.3969/j.issn.1001-3695.2018.01.0002 国家自然科学基金资助项目（61201212） ；江苏省自然科学基金资助项目（BK2011376） ；江 苏省“六大人才高峰”资助项目（ 2014-WLW-010 ） ；苏州市融合通信重点实验室资助项目 （SKLCC2013XX） ；江苏省产学研前瞻性项目（BY2012114） ；软件新技术与产业化协同创新 中心资助项目 预排期卷 摘要 《计算机应用研究》 2019 年第 36 卷第 5 期 随着无线传感器网络的高速发展和多种移动智能设备的普及，移动群智感知 (mobile crowd sensing，MCS)成为移动计算的核心。利用群智感知可完成大规模、复杂环境及社会感知任 务，其中任务分发是这种应用中的一个重要环节。针对任务分发过程中存在感知环境复杂、 用户数量达不到要求、收集数据质量低等问题，提出一种基于社交属性及有效用户计算的任 务分发机制(effective user calculation，EUC)，该机制具有根据任务来筛选用户的特点，从用 户角度看，EUC 考虑了用户的社会性，由用户的社交网络传递相关信息来增加平台的有效用 户数；从平台的角度看，EUC 可根据任务的接收和提交情况，动态调整有效用户的积分，从 而保障整个系统的有效用户数。理论分析和实验结果表明，所提出的机制可提高系统的任务 分发效率，并改善了收集数据的质量。 关键词 作者简介 群智感知；任务分发；有效用户；社交属性 杨玉仁（1993-） ，男（通信作者） ，安徽人，硕士研究生，主要研究方向为无线传感器网络 （aeyanr0718@） ；张书奎（1966-） ，男，内蒙古人，教授，博导，博士，主要研究 方向为无线传感器网络、分布式计算、智能信息处理、并行和分布式系统等；龙浩（1984-） ， 男，湖南人，讲师，硕士，主要研究方向为移动群体计算、分布式计算等；张力（1980-） ， 男，安徽人，讲师，硕士，主要研究方向为群智计算、物联网、无线网络等． 中图分类号 TP393.07