基于信誉度的众包任务分配方法的研究

针对现有众包系统在质量控制方面存在的诸多问题,尤其是现有研究方法主要把精力集中在如何筛选精确的结果上而忽略了如何从任务分配上提高众包质量,提出了一种基于信誉度的众包任务分配方法。通过构建任务分配模型,基于时间窗口获得工作者的可信度证据序列求得可信度,利用信誉度将可用工作者和未分配的任务进行动态匹配,实验结果表明,利用此方法可以在合理的时间内高质量的完成众包任务。     

空间众包中基于位置预测的任务分配

随着移动设备的普及和O2O(Online-To-Offline)商业模式的快速发展,越来越多的空间众包平台融入人们的日常生活中,例如滴滴出行、饿了么等等.空间众包中的一个核心问题是任务分配,主要研究如何将空间任务分配给合适的众包工人.任务分配方式主要分为服务器分配模式(Server Assigned Task,SAT)和用户选择模式(Worker Selected Task,WST)两种模式,目前多数统一规范化的众包服务采用SAT模式,即系统主动将任务分配给任务请求位置附近的众包工人.在此任务分配模式下,众包工人和任务之间的旅行成本变得至关重要,较少的旅行成本意味着较少的响应时间和较高的任务接受率.因此提出了基于位置预测的任务分配方式,该方式不仅考虑任务和众包工人的当前位置,还考虑未来任务可能出现的位置,从而降低旅行成本和相应时间.首先设计了贪婪方法(Greedy Approach),然后在贪婪方法的基础上通过贝叶斯、支持向量机、决策树等方法预测未来任务的分布来辅助分配任务,最后在真实数据上进行的实验表明,该方法减小了在长时间内的总旅行成本,具有较好的性能.     

基于多智能体深度强化学习的空间众包任务分配

针对现有空间众包中的任务分配大多只考虑单边、 短期利益和单一场景的问题, 提出一种基于多智能体深度强化学习的空间众包任务分配算法. 首先定义一种新的空间众包场景, 其中工人可以自由选择是否与他人合作； 然后设计基于注意力机制和A2C(advantage actor-critic)方法的多智能体深度强化学习模型进行新场景下的任务分配； 最后进行仿真实验, 并将该算法与其他最新的任务分配算法进行性能对比. 仿真实验结果表明, 该算法能同时实现最高的任务完成率和工人收益率, 证明了该算法的有效性和鲁棒性.     

空间众包中可拒绝情况下的在线任务分配

现实中空间众包任务可能会遭到任务执行者的拒绝,为解决该问题提出动态可拒绝的空间众包处理方法。首先,为降低被拒绝的概率,运用主成分分析法(principal components analysis, PCA)计算任务执行者对任务的兴趣度;然后针对任务动态分配问题采用批处理模式解决,提出基于MaxFlow的排序算法(sequence algorithm base on MaxFlow, SMF)和基于KM算法(Kuhn-Munkres, KM)的不重复构造交替树算法(non-repetitive construction of alternating tree algorithm based on KM,NR-KM)寻找全局最大匹配下最高兴趣度分配方案;最后将贪心算法(greedy algroithm)、KM算法和SMF算法作为对照算法,与NR-KM算法在CPU时间成本、任务分配数量和任务分配兴趣度3个方面进行比较。结果表明NR-KM算法相对于KM算法、SMF算法在分配效率上分别提高11%和9%。可见,NR-KM算法能高效解决可拒绝情况下空间众包任务的分配,对解决空间众包任务涉及执行者意愿的分配问题具有参考价值。     

用户偏好模型在众包中应用的研究

越来越多的公司或企业借助众包来完成工作,导致众包任务数量急剧增长,而当前众包平台的任务搜索功能还不能满足工人的个性化需求,这使工人难以从海量任务中选择感兴趣且擅长的任务。针对众包工作模式的特点,提出了一种基于工人—任务关系评价兴趣度值的方法,并结合工人的浏览内容和历史完成记录提出了用户偏好模型的表示和更新机制,从而建立用户兴趣模型。选取在众包平台上的真实数据集进行实验分析,验证了该模型的性能,证明该模型能较为准确的反映工人的兴趣偏好。     

APP平台中的任务定价模型构建与分析

研究移动互联网下的APP众包平台任务定价问题,以"拍照赚钱"APP自助式劳务众包平台任务定价为具体研究对象,构建了基于中心理论的定价模型,求解模型得出任务的地理位置离中心点越远其标价越高的定价规律,并分析了未能完成任务的原因;针对未完成任务的定价问题,考虑会员地理位置聚集因素,构建了基于模糊数学的多因子定价模型,模型求解结果表明任务完成率得到了提高;针对相对集中的任务可能存在联合打包发布的问题,分别构建了整点区域规划模型和基于响应比的打包任务接取最优化模型,得出任务联合打包发布的定价方案。     

基于移动平台的异构并行字符串匹配算法

针对信息处理中常见的字符串匹配问题,通过对经典的Brute Force算法和KnuthMorris-Pratt算法进行分析,根据GPU异构并行计算任务的分配特性,设计一种针对Knuth-Morris-Pratt算法的数据重叠划分并行方案,并提出一种基于移动平台的异构并行字符串匹配算法KMP_MOP.在PowerVR移动平台环境下使用千万级长度的字符串数据对算法的性能进行测试,同时对算法在其他平台的执行情况进行比较,验证了并行算法的性能可移植性.实验结果表明,KMP_MOP算法能充分利用移动平台中的GPU性能,有效提高具有GPU的移动平台设备的字符串匹配效率.     

基于扩展能力评价值的多机器人系统任务分配

在分析了基于行为主义和基于协商主义的任务分配方法的适用性后,提出一种基于扩展能力评价值的多机器人系统任务分配算法,定义了扩展能力评价值的概念.首先对机器人能力、任务需求能力、历史经验、信用度进行数值化描述,在此基础上定义了扩展能力评价值的概念,并建立了扩展能力评价值的数学模型,包含能力匹配函数、历史经验、信用度3个因素.最后在足球多机器人系统仿真平台上进行实验仿真,结果表明了算法的有效性,实现了任务到机器人的最佳映射.     

感知公平对外卖平台众包骑手偏差行为的影响机制研究

针对即时配送平台管理机制不健全问题，以外卖平台为背景，基于认知行为理论和社会交换理论，构建包含感知公平、任务复杂度、平台信任和偏差行为的结构方程模型。通过问卷调查收集平台骑手数据，使用SmartPLS软件检验假设，探究众包骑手的感知公平、平台信任和任务复杂度对其消极偏差行为的影响。研究结果表明，众包骑手的感知公平正向影响平台信任，同时负向影响偏差行为；平台任务复杂度在众包骑手的感知公平和平台信任之间发挥负向调节作用。建议平台优化考核制度和管理机制，提高众包骑手公平感知，提升其服务水平。     

基于多目标整数规划模型的拍照任务定价

拍照赚钱任务合理的定价是促进劳务众包平台发展的重要课题.为了同时兼顾劳务众包平台与会员的利益,建立了基于任务打包的混合多目标整数规划模型,并采用线性加权评价函数法,利用SPSS、MATLAB、LINGO软件求解.研究发现,所建模型给出的任务定价较高,进而在一定程度上提高了任务的完成率.     

众包平台的商业模式探究——以一品威客平台为例

随着互联网的飞速发展,众包商业模式正在改变着传统商业模式,并逐渐在业内发展出一种新颖的商业形态。在众包模式下,涉及的角色除了发包方和接包方外,通常还涉及一个十分重要的参与角色,即众包平台。我国众包平台在短期内便取得了极大成功,被业界誉为威客模式。然而,在实际运行过程中,众包平台仍然存在产品质量难以控制、知识产权保护亟待推进、平台存在作弊现象、定价机制不完善及盈利能力一般等问题。基于此,本文以一品威客平台为例,指出众包平台可以通过明确平台价值、调整战略决策、拓宽收入来源、优化定价策略和提升运营能力等措施去升级其众包商业模式,从而在竞争激烈的市场环境中开疆辟土。     

校园网环境下基于众包的噪声数据收集

基于众包原理,研究校园噪声数据收集问题,提出了一种噪声收集激励机制.该机制从数据量、时间间隔和监测点位置等3个方面以计算奖励积分的方式来评估校园中各监测任务点的优先度.优先度越高的监测点,用户完成任务时获得的奖励积分越高,从而激励众包用户完成噪声收集任务.设计了一个C/S和B/S模式相结合的噪声收集原型系统,基于无线校园网传输噪声数据,支持IPv6/IPv4双栈协议.实验结果表明,系统收集的噪声数据与真实情况有较好的吻合.     

基于演化博弈视角的企业自建平台众包策略分析

文章以基于企业自建平台的众包项目为对象,从演化博弈视角分析了发包企业的任务群体和接包参与者群体之间众包行为的动态演化和相互作用过程,构建了发包企业的任务群体和接包参与者群体的演化博弈模型,分析了演化稳定策略及系统演化均衡问题,在此基础上分析众包策略的选择问题。结果表明:参与者的准备成本越低、专业程度越高、相关经验越丰富、付出程度越高,越利于众包成功;合理的任务难易度、相对宽松的期限、越低的企业众包成本、预期收益越高,越利于众包成功。最后给出若干举措以促进参与者和企业的良好合作。     

劳务众包任务定价模型研究

以拍照赚钱APP的平台数据为例,建立Logit模型提升众包平台任务完成率,使用PageRank排序算法建立多任务打包定价模型,解决众包平台的多任务打包问题,并用Logistic回归模型进行检验.     

基于用户分类可靠性的群智感知任务分配机制研究

群智感知系统利用智能移动终端上的传感器,可以快速、便捷、低成本地收集到大量的数据.任务分配是群智感知中的关键技术,然而现有研究对用户的可靠性问题考虑不足,所设计出的分配机制难以满足实际系统的需求.针对该问题,文章假设用户所提交的数据可能是不可靠的,且同一个用户完成不同类型任务的可靠性也有差异.所设计的机制迭代进行,每次迭代以实现数据消费者的最大最小公平作为优化目标,贪心地选择一个任务与用户完成匹配,直到所有数据消费者的收益均无法提高为止.在每次任务完成后,所设计机制还会根据用户所提交的数据质量不断更新用户的分类可靠性.最后,通过仿真实验验证了所设计机制的有效性.     

一种多无人机层次化任务分配方法

针对大规模任务分配问题,为了提高任务分配的效率和合理性,提出了基于任务依赖关系和ISODATA算法相结合的任务分组方法。在任务分组基础上,从无人机负载均衡的角度出发,提出了基于资源福利的任务组级粗粒度任务分配方法,结合粒子群算法提出了任务组内的细粒度任务分配算法。通过实验仿真验证所提方法有效,且性能和灵活性较普通任务分配算法有较大的优势。     

基于单目标优化的众包任务定价模型

该文针对"拍照赚钱"APP的众包任务定价问题,考虑区域定价的差异下,基于曲线拟合工具和K-Means聚类分析算法,通过SPSS软件综合分析得出众包任务价格与区域生活水平、时间成本、人均任务数和任务难度系数等因素之间的定价规律,建立了以任务价格为决策变量、以众包平台利润限度为约束条件、以区域任务完成率最大化为目标的单目标优化模型,并建立了新的任务定价方案。在考虑将任务打包发布情况下,对定价模型进行修正,通过蒙特卡洛模拟法,给出模拟的实施效果。     

面向移动群智感知的两阶段位置隐私保护方法

针对传统移动群智感知中工人的位置隐私泄露问题,提出一种两阶段位置隐私保护方法.首先,设计一种结合区块链和边缘计算的系统模型代替第三方平台;其次,在任务分配阶段基于同态加密提出了密文时间工人选择算法,通过边缘节点的协作高效完成任务分配;最后,在数据上传阶段给出双扰动本地差分隐私算法,工人在本地扰动位置数据,并加入干扰因子ω平衡保护强度和质量损失.仿真实验结果表明,该方法与现有算法相比提高了任务完成率,降低了服务质量损失,并能有效保护工人的位置隐私.     

基于市场机制的多机器人救火任务分配策略

为解决多机器人系统领域中动态分布式任务分配的问题,对多机器人合作救火任务进行研究。建立了多机器人动态环境下合作救火任务的模型,并针对任务特点提出了一种基于市场机制的任务分配策略。在出价公式的构造上同时考虑了距离、火势、时间等因素,符合救火任务动态任务分配的要求。并在自主开发的仿真试验平台上进行了仿真验证,对试验结果进行了分析。实验结果表明,该分配策略在不同工况下均能高效地实现多机器人救火任务中的动态分布式任务分配问题。     

属性感知的MCS任务分配与隐私保护协同机制

针对移动群智感知网络中感知的任务分配以及保护感知用户的隐私信息问题,提出了一种基于用户属性感知的任务分配与隐私保护协同机制。首先,根据感知用户固有属性以及历史任务参与记录,挖掘用户对任务的不同倾向、意愿和访问等来量化出用户的静态属性和社会属性;然后,将用户属性作为输入,使用BP神经网络对用户服务能力进行分析,实现任务与用户的优化分配;最后,感知用户生成假名参与感知任务,结合环签名对用户属性生成随机数进行属性加密,确保感知用户在隐私安全的前提下,提升平台感知数据的准确程度。仿真实验结果表明,文中所提出的策略能够有效地选择出感知用户,验证了用户上传数据的可用性,保护了用户的身份安全。