CN103647671B - 一种基于Gur Game的群智感知网络管理方法及其*** - Google Patents

Abstract

本发明提出了一种基于Gur Game的群智感知网络管理方法及其***，该方法包括如下步骤：向各用户智能设备发送感知任务的信息质量需求；对信息贡献量初始值进行信息融合处理后，通过Gur Game迭代过程，计算出分配给每个用户的信息贡献量；进行参与者选择并将选择结果反馈给各用户智能设备；当被选中的用户完成本次任务后，获得报酬。该***包括群智感知服务器、网络平台信息中心和用户智能终端，所述群智感知服务器和用户智能终端之间通过网络平台信息中心进行信息交互。本发明的方法和***将自动机理论和迭代计算应用到感知任务分配计算中，降低了实施中的复杂度；还通过提出反向竞拍的奖励机制，在促进用户参与的同时，降低了运营商的奖励支出，实现双赢。

Description

一种基于Gur Game的群智感知网络管理方法及其***

技术领域

本发明属于无线传感网络技术领域，具体涉及一种基于Gur Game的群智感知网络管理方法及其***。

背景技术

近几年来出现的便宜、无线和易于编程的移动设备，例如智能手机和平板电脑，与嵌入式传感器像加速度计、陀螺仪、GPS、摄像头和麦克风。这些集成的多媒体和位置跟踪功能是启用多种新的应用程序和创新的“参与性遥感”模型。它的任务已部署的智能设备，形成互动式和参与式的传感器网络，使公众和专业用户，收集、分析和共享本地知识。

众包指的是一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的(而且通常是大型的)大众网络的做法。众包的任务通常是由个人来承担，但如果涉及到需要多人协作完成的任务，也有可能以依靠开源的个体生产的形式出现。今天的智能手机从根本上改变了传统的“众包”的理解,一个新兴类型的参与性、面向任务的应用程序。它旨在支持所谓的“公民科学努力”为知识发现、理解人类行为和措施/评估他们的意见。

传统的方法之一为CenceMe项目，其通过手机传感器对人的生活状态进行感知，并自动向社交网络发布信息；传统的另一方法为EmotionSense项目，其通过手机的使用情况以及心理学知识，分析人的社交状况、心情状态的信息；传统的再一方法为Citizen noisepollution monitoring，该方法通过手机麦克和GPS***，自动统计城市各处的噪声污染状况，并为用户提供“噪声地图”。但由于上述传统方法具有缺乏对感知任务合理分派模式的设计和缺乏用户招募措施的局限性，因此如何解决众包过程中的大数据分析与处理、信息质量保证、隐私保护、分布式与能量高效的用户管理以及激励用户参与机制成为迫切需要解决的难题。

发明内容

为了克服现有技术的上述缺陷，本发明的目的之一在于提出一种简单易行、鲁棒性高、实现感知任务合理分配的基于Gur Game的群智感知网络管理方法。为此，本发明是通过如下技术方案实现的：

一种基于Gur Game的群智感知网络管理方法，包括如下步骤：

群智感知服务器通过网络平台信息中心向各用户智能设备发送感知任务的信息质量需求；

各用户智能设备分别将信息贡献量初始值发送至网络平台信息中心，所述网络平台信息中心对信息贡献量初始值进行信息融合处理后，综合考虑用户智能设备能耗状况及用户感知能力大小，通过Gur Game迭代过程，计算出分配给每个用户的信息贡献量；

各用户智能设备根据分配的信息贡献量将所需报酬发送至网络平台信息中心，由所述网络平台信息中心进行参与者选择并将选择结果反馈给各用户智能设备；

当被选中的用户完成本次任务后，所述网络平台信息中心向用户支付报酬。

进一步地，所述网络平台信息中心对信息贡献量初始值进行信息融合处理的方法为：

对信息贡献量进行级别划分，每个级别中均包括一稳定状态和至少一个中间状态；

建立带有自动机链的Gur Game结构，通过Gur Game结构确定出每个状态分别与奖惩函数的关系，所述奖惩函数包括下式的奖励函数和惩罚函数

式中，I(k-1)为信息质量因子，

u^a(k-1)为所有用户信息贡献量初始值之和，

其中，p_i为信息有效概率，u_i为每个用户的信息贡献量初始值，N为用户总数，i∈N，j为信息质量贡献水平，u^r为感知任务的信息质量需求。

进一步地，所述建立带有自动机链的Gur Game结构的方法为：

确定信息贡献量的稳定状态；

确定各级别中与稳定状态相对应的中间状态个数；

所有状态通过自动机链依次进行连接；

设置稳定状态和中间状态的奖惩函数迁移方向：

若是稳定状态的奖励函数，则迁移回该稳定状态；若是稳定状态的惩罚函数，则分别迁移至与该稳定状态相邻的所有中间状态；

若是中间状态的奖励函数，则跳转至该中间状态所对应的稳定状态；若是中间状态的惩罚函数，则朝与该中间状态所对应稳定状态的相反方向迁移至下一相邻的稳定状态或中间状态；

进一步地，通过Gur Game迭代过程，计算出分配给每个用户的信息贡献量的方法为：

首先，设置M＝N，M为最终选择出执行本次任务的参与值个数；令所有用户的信息贡献量超过感知任务信息质量需求，即用参数替换Gur Game结构中的参数u^r；

然后，通过Gur Game算法计算替换参数u^r后分配给每个用户的信息贡献量

进一步地，所述Gur Game算法包括如下步骤：

A1)设置当前迭代次数k的初始值为0，设置总迭代次数为K；

A2)初始化用户智能设备；

A3)计算所有用户信息贡献量初始值之和若或执行步骤A4)，否则跳转至步骤A6)；其中

A4)通过下述各式分别计算信息质量因子奖励函数和惩罚函数P_i ^j(k)：

A5)Gur Game结构产生随机数seed∈[0,1]，通过判断该随机数与奖励函数的大小，进一步确定状态迁移方向：

如果按照奖励函数指向迁移至下一状态；否则，按惩罚函数指向迁移至下一状态，跳转至步骤A7)；

A6)计算当前所有用户能量消耗的平均值并进一步判断状态迁移方向；式中，每个用户i的能量消耗为式中，为剩余能量，E_i为初始能量，γ为由感知信息到能量消耗的转化因子，为每个用户的信息贡献量初始值；

A7)设置k＝k+1，若k>K，退出本次迭代计算；否则，进入下一次迭代，跳转至步骤A3)；

A8)选择第k^*步的结果作为分配给每个用户的信息贡献量，即

若迭代过程中存在则

否则其中，

进一步地，所述步骤A6中判断状态迁移方向的方法为：

若向左迁移；若向右迁移；否则，保持当前状态不变。

进一步地，所述网络平台信息中心进行参与者选择的方法为：

B1)根据用户向网络平台信息中心发送的报酬b_i对N个用户进行排序，使得b₁≤b₂≤…≤b_N，另i＝N；

B2)如果则令M＝M-{i}，i＝i-1，重新执行该步骤B2；否则，转向步骤B3；

B3)最终选择出执行本次任务的参与者为M个用户，

本发明的另一目的在于提出一种基于Gur Game的群智感知网络管理***，该***包括群智感知服务器、网络平台信息中心和用户智能终端，所述群智感知服务器和用户智能终端之间通过网络平台信息中心进行信息交互，其中：

所述群智感知服务器，用于采集和存储用户周围的感知信息，还用于向用户智能终端发送感知任务的信息质量需求以及接收用户智能终端反馈的最终感知信息；

所述网络平台信息中心，用于对接收到的信息贡献量初始值进行信息融合处理；

所述用户智能终端，用于计算分配给每个用户的信息贡献量，还用于向网络平台信息中心发出用户所需报酬。

进一步地，所述网络平台信息中心包括：

感知任务分派模块，用于通过无线传感器将感知任务的信息质量需求分发至各用户智能终端；

数据融合分析平台，用于对接收到的感知信息进行信息融合处理；

所述用户激励平台，用于选择出执行本次任务的参与者。

进一步地，所述用户智能终端包括：

电量监控模块，用于监控用户智能终端的剩余电量；

Gur Game感知动作推荐引擎，用于向网络平台信息中心发送信息贡献量初始值并通过与网络平台信息中心的互动确定出分配给每个用户的信息贡献量；

竞价模块，用于根据Gur Game感知动作推荐引擎发来的初步感知行动推荐，向网络平台信息中心发送奖励金额，还用于当用户完成本次任务后，接收网络平台信息返回的奖励金额；

感知动作决定模块，用于接收网络平台信息中发来的参与者选择信息，如果被选中，则告知用户执行本次任务，同时将最终感知信息通过网络平台信息中心返回给群智感知服务器。

与现有技术相比，本发明达到的有益效果是：

1)本发明的方法和***将自动机理论应用到感知任务分配计算中，对传统GurGame理论在自动机结构和状态迭代划分上进行了改进，实现分布式和高鲁棒性的同时，降低了实施中的复杂度；

2)本发明的方法和***能够根据用户的剩余能量状态与感知能力大小，实现感知任务的合理分配；

3)本发明的方法和***通过有限次迭代完成感知任务的分配计算，大大降低了实施的复杂度；

4)本发明的方法和***中通过提出反向竞拍的奖励机制，在促进用户参与的同时，降低了运营商的奖励支出，实现双赢。

附图说明

图1是本发明基于Gur Game的群智感知网络管理***的架构图；

图2是本发明中的Gur Game结构示意图，图中u_max＝2,β＝2，每个稳定状态下具有最多2个中间状态，图中箭头显示各状态在奖励或惩罚函数下的迁移方向；

图3是具有不同j和α的奖励函数的实例；

图4是本发明中基于反向竞拍的奖励机制图；

图5是奖励概率随迭代次数的变化趋势图；

图6是得到的信息质量随迭代次数的变化趋势图；

图7是不同竞价模式下奖励总支出随仿真时间范围的变化趋势图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

本例中提出了一种基于Gur Game的群智感知网络管理***，该***由两个阶段组成。第一阶段涉及到网络平台信息中心和用户智能设备内置的Gur Game引擎之间的互动。Gur Game引擎的输入是用户的智能设备剩余能量水平和感知任务的QoI需求。在Gur Game的每一次迭代步骤中，智能设备将Gur Game迭代的输出，即预备的信息质量贡献水平，返回所述到网络平台信息中心。然后后者根据收到的所有参与者的预备信息质量贡献水平，计算奖励-惩罚概率，并将其返回到每一用户的Gur Game引擎。基于此反馈，每一用户的GurGame自动机改变其当前状态，并产生新的感知行动，即新的信息贡献水平。Gur Game引擎使用反复迭代的方法来产生最好的结果，既能满足QoI要求，又能平衡不同用户的能量消耗。

第二步涉及到网络平台信息中心和用户的智能设备的竞价模块之间的交互。在第一步后，网络平台得到每个用户的初步信息。然后，用户把他们的竞价信息发送到平台，这就代表他们对单位数量的信息贡献的预期支付报酬。用户激励平台选择既能满足感知任务信息质量需求，又能降低奖励总支出的用户群体作为最终贡献用户，这些最终用户根据第一步中Gur Game引擎所确定的最终信息质量贡献水平，将感知数据发往数据融合分析平台。用户激励平台根据用户的竞价信息向其支付报酬。

如图1所示，该***包括群智感知服务器、网络平台信息中心和用户智能终端，群智感知服务器和用户智能终端之间通过网络平台信息中心进行信息交互，其中：

1)群智感知服务器，用于采集和存储用户周围的感知信息，还用于向用户智能终端发送感知任务的信息质量需求以及接收用户智能终端反馈的最终感知信息；

2)网络平台信息中心，用于对接收到的信息贡献量初始值进行信息融合处理；该中心的详细结构如下：

感知任务分派模块，用于通过无线传感器将感知任务的信息质量需求分发至各用户智能终端；

数据融合分析平台，用于对接收到的感知信息进行信息融合处理；

所述用户激励平台，用于选择出执行本次任务的参与者。

3)用户智能终端，用于计算分配给每个用户的信息贡献量，还用于向网络平台信息中心发出用户所需报酬，该终端的详细结构如下：

电量监控模块，用于监控用户智能终端的剩余电量；

Gur Game感知动作推荐引擎，用于向网络平台信息中心发送信息贡献量初始值并通过与网络平台信息中心的互动确定出分配给每个用户的信息贡献量；

竞价模块，用于根据Gur Game感知动作推荐引擎发来的初步感知行动推荐，向网络平台信息中心发送奖励金额，还用于当用户完成本次任务后，接收网络平台信息返回的奖励金额；

感知动作决定模块，用于接收网络平台信息中发来的参与者选择信息，如果被选中，则告知用户执行本次任务，同时将最终感知信息通过网络平台信息中心返回给群智感知服务器。

本例中还介绍一种基于Gur Game的群智感知网络管理方法，实现该方法的详细过程如下：

步骤A、群智感知服务器通过网络平台信息中心向各用户智能设备发送感知任务的信息质量需求；

信息质量需求，指信息准确性、信息完整性、信息的时效性等，是对应用所需信息特质的抽象，其定义独立于应用使用信息的方式和过程。群智感知任务的信息质量需求，往往需要参与者提供基于上下文环境的多媒体信息，且信息的时效性和完整性有较高要求。

步骤B、各用户智能设备分别将信息贡献量初始值发送至网络平台信息中心，所述网络平台信息中心对信息贡献量初始值进行信息融合处理后，综合考虑用户智能设备能耗状况及用户感知能力大小，通过Gur Game迭代过程，计算出分配给每个用户的信息贡献量；

该步骤B中，网络平台信息中心对信息贡献量进行信息融合处理以及Gur Game迭代过程的详细方法为：

B1、对信息贡献量进行级别划分，建立带有自动机链的Gur Game结构。

Gur Game是一种基于有限状态自动机(Finite State Automaton)的分布式算法，每个个体的自动机包含相同数目的状态，其中一半为“参与”状态，一半为“空闲”状态。每个自动机的初始状态为随机指定，根据定义的“奖励—惩罚”概率函数独立地在相邻状态之间进行转换。每一次迭代均会更新Gur Game的“奖励—惩罚”概率，从而影响下一次迭代的状态迁移。通过这样一次次的状态迁移，最终所有自动机达到收敛的最优状态。这种算法是完全分布式的，即用户既不用预测其他用户的能量消耗状态，也不用和其他用户进行任何形式的信息交互，完全通过独立的迭代调整自动机状态，通过反复试验的方法达到***的全局最优。发明人对传统的Gur Game进行极大扩展，使之具有做出多类感知动作推荐的能力，每一种推荐(即感知动作)对应于某种程度的信息贡献。传统的Gur Game算法为每个自动机只提供了两种候选决定，即“参与”和“空闲”。发明人对其进行扩展，把用户所需贡献的信息质量分为若干级别，如文字、语音、图像、视频和相应的特性(如分辨率等)。每一种级别均和自动机的状态一一绑定，进而把多个传统Gur Game的自动机合并成一个带有多个稳定状态的自动机。这样，所定义的新的Gur Game自动机模型就会具有做出多种推送决定的能力。

将Gur Game自动机结构中的状态分为两种，一种为稳定状态，一种为中间状态。图2所示的例子中，有0、1、2三个稳定状态，依次表示由低到高的三个信息质量贡献水平，即完成对信息贡献量的级别划分。同时每个稳定状态又有左右两个附属的中间状态(两段的稳定状态仅有一个附属的中间状态)。中间状态的个数越多，Gur Game迭代过程达到收敛的速度越慢；若中间状态个数过少，也可能因为状态跳转过剧烈而无法达到迭代收敛。因此，中间状态的个数应根据实际情况进行调整。

B2、确定“奖励-惩罚”概率函数

状态与状态之间通过“奖励-惩罚”概率函数进行迁移，其分布如图2所示。迁移时，若是稳定状态的奖励函数，则迁移回该稳定状态；若是稳定状态的惩罚函数，则分别迁移至与该稳定状态相邻的所有中间状态；若是中间状态的奖励函数，则跳转至该中间状态所对应的稳定状态；若是中间状态的惩罚函数，则朝与该中间状态所对应稳定状态的相反方向迁移至下一相邻的稳定状态或中间状态。奖惩函数包括下式的奖励函数和惩罚函数

式中，I(k-1)为信息质量因子，u^a(k-1)为所有用户信息贡献量初始值之和，其中，p_i为信息有效概率，u_i为每个用户的信息贡献量初始值，N为用户总数，i∈N，j为信息质量贡献水平，u^r为感知任务的信息质量需求。通过这种设计，达到的效果如图3所示，横轴为信息质量因子，纵轴为奖励概率，其值不仅仅取决于当前能够达到的信息质量，还和当前所处的自动机状态有关：若当前总信息质量贡献低于信息质量需求，则贡献值较小的用户具有较高的向高贡献级别状态进行迁移的概率；若当前总信息质量贡献高于信息质量需求，则贡献值较大的用户具有较高的向低贡献级别状态进行迁移的概率。因此，状态迁移得以合理引导，加快了***收敛速度。

B3、Gur Game迭代过程

首先，每个用户向网络平台信息中心发送一个随机值，代表其预备的信息质量贡献水平，其Gur Game自动机的初始状态就是该随机值对应的某稳定状态。网络平台信息中心在收集到所有用户的信息质量贡献水平后，通过信息融合，计算信息质量因子，然后根据每个用户所处的状态位置，计算“奖励-惩罚”概率，并反馈给所有用户。用户接受到“奖励-惩罚”概率后，进行状态迁移，进而产生新的预备信息质量贡献水平，并将该值再次发往网络平台信息中心，从而进入下一轮迭代过程。如果所有用户的信息质量贡献总和与感知任务的信息质量需求相差较大，则会一直通过“奖励-惩罚”概率进行状态迁移；若所有用户的信息质量贡献总和与感知任务的信息质量需求的差距达到一定范围内，则通过“左移”和“右移”的方式，对每个用户的信息质量贡献水平进行微调，使其总和缓慢变化的同时，逐步减小各用户之间的能量消耗差异水平，达到一定的用户信息贡献公平性。当迭代超过预设的最大次数后，选取历史迭代信息中既能满足信息质量需求，又能降低用户能量消耗差异水平的一组信息贡献水平分配，作为最终的结果反馈至每一用户。

步骤C、各用户智能设备根据分配的信息贡献量将所需报酬发送至网络平台信息中心，由所述网络平台信息中心进行参与者选择并将选择结果反馈给各用户智能设备。当被选中的用户完成本次任务后，所述网络平台信息中心向用户支付报酬，过程如图4所示。

所述网络平台信息中心进行参与者选择的方法，实质上是一种基于反向竞拍的奖励机制。

C1)根据用户向网络平台信息中心发送的报酬b_i对N个用户进行排序，使得b₁≤b₂≤…≤b_N，另i＝N；

C2)如果则令M＝M-{i}，i＝i-1，重新执行该步骤B2；否则，转向步骤B3；

C3)最终选择出执行本次任务的参与者为M个用户，

由于在Gur Game迭代过程之前，令所有用户的信息贡献量超过感知任务信息质量需求，即因此上述用户选择方法并不会导致感知任务得不到满足。经过证明，该方法既能去除报价较高的用户，又能使总的信息质量满足感知任务的需求。

发明人通过如下试验数据进一步验证了本发明具有显著的效果：

图5是奖励概率随迭代次数的变化趋势图。可以看出，随着迭代次数的增加，奖励概率逐渐接近最大值1。结合图2可以看出，这表示这各个用户的Gur Game自动机都将稳定地保持在某个稳定状态，从而整个***的迭代过程达到收敛。

图6是得到的信息质量随迭代次数的变化趋势图。可以看出，随着迭代次数的增加，所有用户的信息质量贡献之和，逐渐接近感知任务的信息质量需求，并最总达到收敛。结合图5和图6，可以观察出，奖励概率曲线的波谷与信息质量贡献之和的波峰具有一一对应的关系。

图7是不同竞价模式下奖励总支出随仿真时间范围的变化趋势图。在所对比的基准方法中，所有用户的信息贡献量之和等于感知任务信息质量需求，而且所有用户均是最终被选择的用户，即不存在用户选择过程，网络平台根据用户申请的报酬值向其发放最终奖励。此外，考虑到用户在是否被选为最终贡献用户的前后，可能会改变其竞价价格，对不同的用户竞价行为做出两种建模：

1)按比例变化的自适应竞价：

其中κ>0表示竞价变化比例。

2)固定变化的自适应竞价：其中χ是出价的变化量，χ>0

观察图7可以看出，固定变化的自适应竞价中，由于每个用户之间的竞价水平差异较小，用户选择的优势并未得到明显的体现；而在固定竞价和按比例变化的自适应竞价中，由于每个用户之间的竞价水平差异较大，通过实施用户选择算法，可有效降低奖励总支出。

最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。

Claims (9)

1.一种基于Gur Game的群智感知网络管理方法，其特征在于，包括如下步骤：

群智感知服务器通过网络平台信息中心向各用户智能设备发送感知任务的信息质量需求；

各用户智能设备分别将信息贡献量初始值发送至网络平台信息中心，所述网络平台信息中心对信息贡献量初始值进行信息融合处理后，通过Gur Game迭代过程，计算出分配给每个用户的信息贡献量；

各用户智能设备根据分配的信息贡献量将所需报酬发送至网络平台信息中心，由所述网络平台信息中心进行参与者选择并将选择结果反馈给各用户智能设备；

当被选中的用户完成本次任务后，所述网络平台信息中心向用户支付报酬；

所述网络平台信息中心对信息贡献量进行信息融合处理的方法为：

对信息贡献量进行级别划分，每个级别中均包括一稳定状态和至少一个中间状态；

建立带有自动机链的Gur Game结构；

通过Gur Game结构确定出每个状态分别与奖惩函数的关系，所述奖惩函数包括下式的奖励函数和惩罚函数

式中，I(k-1)为信息质量因子，u^a(k-1)为所有用户信息贡献量初始值之和，其中，p_i为信息有效概率，u_i为每个用户的信息贡献量初始值，N为用户总数，i∈N，j为信息质量贡献水平，u^r为感知任务的信息质量需求。

2.如权利要求1所述的方法，其特征在于，所述建立带有自动机链的Gur Game结构的方法为：

确定信息贡献量的稳定状态；

确定各级别中与稳定状态相对应的中间状态个数；

所有状态通过自动机链依次进行连接；

设置稳定状态和中间状态的奖惩函数迁移方向：

若是稳定状态的奖励函数，则迁移回该稳定状态；若是稳定状态的惩罚函数，则分别迁移至与该稳定状态相邻的所有中间状态；

若是中间状态的奖励函数，则跳转至该中间状态所对应的稳定状态；若是中间状态的惩罚函数，则朝与该中间状态所对应稳定状态的相反方向迁移至下一相邻的稳定状态或中间状态。

3.如权利要求1或2所述的方法，其特征在于，通过Gur Game迭代过程，计算分配给每个用户的信息贡献量的方法为：

首先，设置M＝N，M为最终选择出执行本次任务的参与值个数；令所有用户的信息贡献量超过感知任务信息质量需求，即用参数替换Gur Game结构中的参数u^r；

然后，通过Gur Game算法计算替换参数u^r后分配给每个用户的信息贡献量

4.如权利要求3所述的方法，其特征在于，所述Gur Game算法包括如下步骤：

A1)设置当前迭代次数k的初始值为0，设置总迭代次数为K；

A2)初始化用户智能设备；

A3)计算所有用户信息贡献量初始值之和若或执行步骤A4)，否则跳转至步骤A6)；其中

A4)通过下述各式分别计算信息质量因子奖励函数和惩罚函数P_i ^j(k)：

A5)Gur Game结构产生随机数seed∈[0,1]，通过判断该随机数与奖励函数的大小，进一步确定状态迁移方向：

如果按照奖励函数指向迁移至下一状态；否则，按惩罚函数指向迁移至下一状态，跳转至步骤A7)；

A6)计算当前所有用户能量消耗的平均值并进一步判断状态迁移方向；式中，每个用户i的能量消耗为式中，为剩余能量，E_i为初始能量，γ为由感知信息到能量消耗的转化因子，为每个用户的信息贡献量初始值；

A7)设置k＝k+1，若k>K，退出本次迭代计算；否则，进入下一次迭代，跳转至步骤A3)；

A8)选择第k^*步的结果作为分配给每个用户的信息贡献量，即

若迭代过程中存在则

否则其中，

5.如权利要求4所述的方法，其特征在于，所述步骤A6中判断状态迁移方向的方法为：

若向左迁移；若向右迁移；否则，保持当前状态不变。

6.如权利要求3所述的方法，其特征在于，所述网络平台信息中心进行参与者选择的方法为：

B1)根据用户向网络平台信息中心发送的报酬b_i对N个用户进行排序，使得b₁≤b₂≤…≤b_N，另i＝N；

B2)如果则令M＝M-{i}，i＝i-1，重新执行该步骤B2；否则，转向步骤B3；

B3)最终选择出执行本次任务的参与者为M个用户，

7.一种采用如权利要求1所述基于Gur Game的群智感知网络管理方法的***，该***包括群智感知服务器、网络平台信息中心和用户智能终端，所述群智感知服务器和用户智能终端之间通过网络平台信息中心进行信息交互，其特征在于：

所述群智感知服务器，用于采集和存储用户周围的感知信息，还用于向用户智能终端发送感知任务的信息质量需求以及接收用户智能终端反馈的最终感知信息；

所述网络平台信息中心，用于对接收到的信息贡献量初始值进行信息融合处理；

所述用户智能终端，用于计算分配给每个用户的信息贡献量，还用于向网络平台信息中心发出用户所需报酬。

8.如权利要求7所述的***，其特征在于，所述网络平台信息中心包括：

感知任务分派模块，用于通过无线传感器将感知任务的信息质量需求分发至各用户智能终端；

数据融合分析平台，用于对接收到的感知信息进行信息融合处理；

所述用户激励平台，用于选择出执行本次任务的参与者。

9.如权利要求7所述的***，其特征在于，所述用户智能终端包括：

电量监控模块，用于监控用户智能终端的剩余电量；

Gur Game感知动作推荐引擎，用于向网络平台信息中心发送信息贡献量初始值并通过与网络平台信息中心的互动确定出分配给每个用户的信息贡献量；

竞价模块，用于根据Gur Game感知动作推荐引擎发来的初步感知行动推荐，向网络平台信息中心发送奖励金额，还用于当用户完成本次任务后，接收网络平台信息返回的奖励金额；

感知动作决定模块，用于接收网络平台信息中发来的参与者选择信息，如果被选中，则告知用户执行本次任务，同时将最终感知信息通过网络平台信息中心返回给群智感知服务器。