CN114925941A - 群智感知任务分配方法、装置、设备及存储介质 - Google Patents
群智感知任务分配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114925941A CN114925941A CN202210856390.7A CN202210856390A CN114925941A CN 114925941 A CN114925941 A CN 114925941A CN 202210856390 A CN202210856390 A CN 202210856390A CN 114925941 A CN114925941 A CN 114925941A
- Authority
- CN
- China
- Prior art keywords
- task
- user
- crowd
- task allocation
- crowd sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000000349 chromosome Anatomy 0.000 claims abstract description 171
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 40
- 230000035772 mutation Effects 0.000 claims description 18
- 230000008447 perception Effects 0.000 claims description 18
- 238000012358 sourcing Methods 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 abstract description 11
- 238000007796 conventional method Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据处理技术领域,公开了一种群智感知任务分配方法、装置、设备及存储介质。本发明通过获取待分配用户和待分配群智感知任务,然后将待分配用户和待分配群智感知任务作为染色体构建初始种群,再通过预设遗传算法对初始种群进行求解,获得任务分配方案。本发明通过预设遗传算法对初始种群进行求解,对于求解较为复杂的组合优化问题,相对一些常规的优化算法,上述预设遗传算法能够较快地获得较好的优化结果,并且相较于现有的以任务分配距离最短进行群智感知任务的分配,本发明上述方式能够以群智感知任务分配平台利益最大化为预设遗传算法的目的,对群智感知任务进行分配,使群智感知任务分配平台付出的成本最小。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种群智感知任务分配方法、装置、设备及存储介质。
背景技术
群智感知是指通过人们已有的移动设备形成交互式的、参与式的感知网络,并将群智感知任务发布给网络中的个体或群体来完成,从而帮助专业人员或公众收集数据、分析信息和共享知识。现有的群智感知任务分配平台大多以任务分配距离最短进行感知任务的分配,并且使用的算法不一,且往往不能算出任务分配总距离最短的最优分配方法,并且不是以平台利润最大化进行任务分配,实用性较低。因此,如何对群智感知任务进行合理分配,以使群智感知任务分配平台利益最大化,成为一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种群智感知任务分配方法、装置、设备及存储介质,旨在解决如何对群智感知任务进行合理分配,以使群智感知任务分配平台利益最大化的技术问题。
为实现上述目的,本发明提供了一种群智感知任务分配方法,所述群智感知任务分配方法包括以下步骤:
获取待分配用户和待分配群智感知任务;
将所述待分配用户和所述待分配群智感知任务作为染色体构建初始种群;
通过预设遗传算法对所述初始种群进行求解,获得任务分配方案。
可选地,所述将所述待分配用户和所述待分配群智感知任务作为染色体构建初始种群的步骤,具体包括:
根据所述待分配用户和所述待分配群智感知任务确定任务感知质量集合和用户感知质量集合;
根据所述任务感知质量集合和所述用户感知质量从所述待分配用户中查找目标用户;
将所述目标用户作为染色体构建初始种群。
可选地,所述通过预设遗传算法对所述初始种群进行求解,获得任务分配方案的步骤,具体包括:
获取所述初始种群中所有染色体对应的评价值集合;
根据所述评价值集合确定目标染色体,并根据所述目标染色体确定任务分配方案。
可选地,所述获取所述初始种群中所有染色体对应的评价值集合的步骤,具体包括:
根据所述待分配用户和所述待分配群智感知任务确定用户固定激励集合、用户动态激励集合、用户最大执行能力集合以及用户执行任务后的返回地点集合;
根据所述任务感知质量集合、所述用户感知质量集合用户固定激励集合、所述用户动态激励集合、所述用户最大执行能力集合以及所述返回地点集合确定所述初始种群中所有染色体对应的评价值集合。
可选地,所述根据所述评价值集合确定目标染色体,并根据所述目标染色体确定任务分配方案的步骤,具体包括:
根据所述评价值集合确定所述初始种群中所有染色体对应的适应度集合;
根据所述适应度集合确定目标染色体;
根据所述目标染色体确定任务分配方案。
可选地,所述根据所述适应度集合确定目标染色体的步骤,具体包括:
根据所述适应度集合对所述初始种群中所有染色体进行降序排列,获得目标染色体集合;
对所述目标染色体集合中的所有染色体进行匹配交叉,获得交叉后的染色体集合;
对所述交叉后的染色体集合中的所有染色体进行变异处理,获得目标染色体。
可选地,所述对所述交叉后的染色体集合中的所有染色体进行变异处理,获得目标染色体的步骤,具体包括:
对所述交叉后的染色体集合中的所有染色体进行变异处理,并获取当前迭代次数;
在所述当前迭代次数大于或等于预设迭代次数时,获得目标染色体;
在所述当前迭代次数小于预设迭代次数时,返回所述根据所述适应度集合对所述初始种群中所有染色体进行降序排列,获得目标染色体集合的步骤,直至所述当前迭代次数大于或等于预设迭代次数。
此外,为实现上述目的,本发明还提供一种群智感知任务分配装置,所述群智感知任务分配装置包括:
任务获取模块,用于获取待分配用户和待分配群智感知任务;
种群构建模块,用于将所述待分配用户和所述待分配群智感知任务作为染色体构建初始种群;
任务分配模块,用于通过预设遗传算法对所述初始种群进行求解,获得任务分配方案。
此外,为实现上述目的,本发明还提出一种群智感知任务分配设备,所述群智感知任务分配设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的群智感知任务分配程序,所述群智感知任务分配程序配置为实现如上文所述的群智感知任务分配方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有群智感知任务分配程序,所述群智感知任务分配程序被处理器执行时实现如上文所述的群智感知任务分配方法的步骤。
本发明通过获取待分配用户和待分配群智感知任务,然后将待分配用户和待分配群智感知任务作为染色体构建初始种群,再通过预设遗传算法对初始种群进行求解,获得任务分配方案。本发明通过预设遗传算法对初始种群进行求解,对于求解较为复杂的组合优化问题,相对一些常规的优化算法,上述预设遗传算法能够较快地获得较好的优化结果,并且相较于现有的以任务分配距离最短进行群智感知任务的分配,本发明上述方式能够以群智感知任务分配平台利益最大化为预设遗传算法的目的,对群智感知任务进行分配,使群智感知任务分配平台付出的成本最小。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的群智感知任务分配设备的结构示意图;
图2为本发明群智感知任务分配方法第一实施例的流程示意图;
图3为本发明群智感知任务分配方法第二实施例的流程示意图;
图4为本发明染色体编码示意图;
图5为本发明群智感知任务分配方法第三实施例的流程示意图;
图6为本发明群智感知任务分配装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的群智感知任务分配设备结构示意图。
如图1所示,该群智感知任务分配设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对群智感知任务分配设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及群智感知任务分配程序。
在图1所示的群智感知任务分配设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明群智感知任务分配设备中的处理器1001、存储器1005可以设置在群智感知任务分配设备中,所述群智感知任务分配设备通过处理器1001调用存储器1005中存储的群智感知任务分配程序,并执行本发明实施例提供的群智感知任务分配方法。
基于上述群智感知任务分配设备,本发明实施例提供了一种群智感知任务分配方法,参照图2,图2为本发明群智感知任务分配方法第一实施例的流程示意图。
本实施例中,所述群智感知任务分配方法包括以下步骤:
步骤S10:获取待分配用户和待分配群智感知任务;
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如手机、平板电脑、个人电脑等,或者是一种能够实现上述功能的电子设备或群智感知任务分配设备。以下以所述群智感知任务分配设备为例,对本实施例及下述各实施例进行说明。
需要说明的是,待分配用户是指用户在群智感知任务分配平台上的注册用户,待分配群智感知任务是指群智感知任务分配平台上需要分配给待分配用户的任务。例如:群智感知任务分配平台为打车APP,待分配用户则是指打车APP上的注册司机,待分配群智感知任务则是指在打车APP上发布的打车订单,对于其他类型的群智感知任务分配平台对应的待分配用户和待分配群智感知任务本实施例不过多赘述。
步骤S20:将所述待分配用户和所述待分配群智感知任务作为染色体构建初始种群;
进一步地,为了精确构建初始种群,在本实施例中,所述步骤S20包括:根据所述待分配用户和所述待分配群智感知任务确定任务感知质量集合和用户感知质量集合;根据所述任务感知质量集合和所述用户感知质量从所述待分配用户中查找目标用户;将所述目标用户作为染色体构建初始种群。
需要说明的是,任务感知质量集合是指所有待分配群智感知任务对应的质量构成的集合,用户感知质量集合是指所有待分配用户对应的质量构成的集合。
可理解的是,在本实施例中,群智感知任务除了具有感知地点的单一限制以外,对感知数据的质量也有一定的要求,任务发布者通常要求用户采集到的感知数据质量不低于某临界值,该临界值可根据实际情况进行设置,本实施例对此不做具体限制。本实施例中将感知数据质量定义为合格数据的总量,同时还得满足清晰度要求、感知时间要求和感知地点要求的数据为合格数据。待分配群智感知任务对应的质量为该任务被执行所采集的合格数据的总量,待分配用户对应的质量为执行一次任务所采集的合格数据的总量,合格数据为满足上面三个条件的数据。
应理解的是,为降低感知成本,每个任务由一个感知用户执行,但用户感知质量必须大于或等于任务感知质量,以保证任务被成功执行,并且每个用户执行的任务数不得超过该用户的最大执行能力。
具体地,构建初始种群的具体步骤可以是:Step1:令k = 1;Step2:如果k>Size,输出IN;否则令i =1。Step3:如果i>N,令k=k+1,跳转到Step1。Step4:确定任务i的质量要求,从用户集中查找所有感知质量大于或等于的用户子集,用户集为所有待分配用户,用户子集即目标用户,从用户子集中随机选择一个用户标志赋值给,令i=i+1,跳转到Step3。在完成上述步骤后,最终输出地IN即为初始种群。
步骤S30:通过预设遗传算法对所述初始种群进行求解,获得任务分配方案。
可理解的是,预设遗传算法是指预先设置的遗传算法,遗传算法是根据自然界中生物进化规律衍化而来的一种搜索启发式算法,可以用来解决复杂的优化问题,因此本实施例通过预设遗传算法解决上述群智感知任务分配问题。
在具体实现中,通过预设遗传算法对所述初始种群进行求解,求到的解即为任务分配方案。
具体地,在本实施例中,希望群智感知任务分配平台利益最大化,而每个群智感知任务的报酬是固定的,故群智感知任务分配平台的收入是固定的,此时只需要感知成本最低就行。这里所说的感知成本主要包括支付给被选用户的固定激励和动态激励(移动单位距离的动态成本与移动总距离的乘积)。本实施例的目标是站在群智感知任务分配平台的角度设计一种空间任务的分配机制,同时考虑任务的质量要求、用户的感知质量、最大执行能力和用户与任务的空间距离等因素,力求在满足任务质量要求的同时最小化感知所需的成本。本文目标函数如式(1)所示:
式(1)中,为二进制变量,表示用户k是否执行空间任务i后前往执行任务j,如果是,的值为1,反之为0。为表述方便,本实施例假设用户从同一地点出发,完成所分配的任务后返回出发点。加入虚拟任务点0作为用户的出发点,式(1)中第一部分,即加号前一部分表示支付给被选用户的动态激励,表示任务i和j之间的欧几里德距离。式(1)第二部分,即加号后一部分表示平台支付给用户的固定激励。
目标式(1)需要遵循以下几个限制条件:
其中:为二进制变量,表示用户k是否执行了任务i,如果是,的值为1,反之为0。式(2)确保执行每个任务的用户的感知质量都满足该任务的质量要求。式(3)确保每个用户执行的任务数不超过用户的最大执行能力。式(4)表示每个任务i被执行一次。
本实施例通过获取待分配用户和待分配群智感知任务,然后将待分配用户和待分配群智感知任务作为染色体构建初始种群,再通过预设遗传算法对初始种群进行求解,获得任务分配方案。本发明通过预设遗传算法对初始种群进行求解,对于求解较为复杂的组合优化问题,相对一些常规的优化算法,上述预设遗传算法能够较快地获得较好的优化结果,并且相较于现有的以任务分配距离最短进行群智感知任务的分配,本发明上述方式能够以群智感知任务分配平台利益最大化为预设遗传算法的目的,对群智感知任务进行分配,使群智感知任务分配平台付出的成本最小。
参考图3,图3为本发明群智感知任务分配方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S30包括:
步骤S301:获取所述初始种群中所有染色体对应的评价值集合;
进一步地,为了精确确定评价值集合,在本实施例中,所述步骤S301包括:根据所述待分配用户和所述待分配群智感知任务确定用户固定激励集合、用户动态激励集合、用户最大执行能力集合以及用户执行任务后的返回地点集合;根据所述任务感知质量集合、所述用户感知质量集合用户固定激励集合、所述用户动态激励集合、所述用户最大执行能力集合以及所述返回地点集合确定所述初始种群中所有染色体对应的评价值集合。
可理解的是,本实施例可首先对染色体进行编码,染色体编码采用自然数编码方式0,1,2,…,M表示M个用户,用户所在的位置下标对应任务。参考图4,图4为本发明染色体编码示意图,如图4所示,假设平台中有8个待分配群智感知任务,3个待分配用户,图4中的染色体编码方式表示待分配用户1执行待分配群智感知任务1、4、6;待分配用户2执行待分配群智感知任务3、5、8;待分配用户3执行待分配群智感知任务2、7。
应理解的是,上述编码方式产生的分配方案能够保证每个待分配群智感知任务被执行一次,但不能保证分配给每个待分配群智感知任务的待分配用户感知质量符合待分配群智感知任务的质量要求,也不能保证分配给用户的任务数量在其最大执行能力的范围内,因此,需要计算染色体评价值,以确定合适的染色体,也就是待分配用户。
在具体实现中,计算染色体的评价值的方法可以是:输入:染色体C,,,,,,。 Step1:确定染色体C中被选用户的集合S={1,2,…,s},令k=1、E=0。Step2:如果k>s跳转到Step5;否则根据染色体C确定用户k要执行的任务集合={1,2,…,r},令,如果中元素的个数大于用户k的执行能力,令。 Step3:如果为空,令,k=k+1,重复步骤Step2;选择中距离用户k当前位置最近的任务j,令,并将任务j的位置作为用户k的当前位置。如果任务j的质量要求大于用户k的感知能力,令。Step4:从集合中移除任务j,跳转到步骤Step3。Step5:输出染色体C的评价值E。其中,表示用户固定激励集合,表示用户动态激励集合,表示用户最大执行能力集合,表示用户执行任务后的返回地点集合。Step5输出的E即为初始种群中所有染色体对应的评价值集合。
步骤S302:根据所述评价值集合确定目标染色体,并根据所述目标染色体确定任务分配方案。
可理解的是,本实施例可根据评价值集合中的各染色体对应的评价值选择目标染色体,具体选择方法可以是选择选择评价值较大的染色体作为目标染色体,还可以是其他选择方式,本实施例对此不做具体限制。在确定完目标染色体后,可根据目标染色体确定任务分配方案。
本实施例通过获取初始种群中所有染色体对应的评价值集合,然后根据评价值集合确定目标染色体,并根据目标染色体确定任务分配方案。本实施例通过获取初始种群中所有染色体对应的评价值集合,并根据评价值集合确定目标染色体,能够使得选择到的目标染色体满足群智感知任务分配平台利益最大化的需求,使群智感知任务分配平台付出的成本最小。
参考图5,图5为本发明群智感知任务分配方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述步骤S302包括:
步骤S3021:根据所述评价值集合确定所述初始种群中所有染色体对应的适应度集合;
可理解的是,本实施例可通过式(5)计算初始种群中所有染色体对应的适应度集合。
具体地,式(5)为计算每个染色体的适应度函数,本实施例可通过式(5)计算初始种群中所有染色体对应的评价值集合。其中:E表示某一染色体的评价值;fitness表示该染色体的适应度值;maxE表示当前种群中的最大评价值;minE表示当前种群中的最小评价值。本实施例中染色体的评价值越小,fitness越大,染色体的适应度越高。
步骤S3022:根据所述适应度集合确定目标染色体;
进一步地,为了精确确定目标染色体,在本实施例中,所述步骤S3022包括:根据所述适应度集合对所述初始种群中所有染色体进行降序排列,获得目标染色体集合;对所述目标染色体集合中的所有染色体进行匹配交叉,获得交叉后的染色体集合;对所述交叉后的染色体集合中的所有染色体进行变异处理,获得目标染色体。
可理解的是,选择算子遗传算法中的选择算子用于将适应度高的优秀个体保存到下一代,将适应度低的个体淘汰。选择算子将种群中的所有个体按适应度值从大到小降序排列,然后保留种群中前一半数量的染色体,将后一半数量的染色体淘汰,获得目标染色体集合。
应理解的是,交叉算子采用部分匹配交叉,即随机选择两个染色体并随机设置两个交叉点,交换两个染色体所设定的两个交叉点之间的染色体片段,获得交叉后的染色体集合。
进一步地,为了精确确定目标染色体,在本实施例中,所述对所述交叉后的染色体集合中的所有染色体进行变异处理,获得目标染色体的步骤,具体包括:对所述交叉后的染色体集合中的所有染色体进行变异处理,并获取当前迭代次数;在所述当前迭代次数大于或等于预设迭代次数时,获得目标染色体;在所述当前迭代次数小于预设迭代次数时,返回所述根据所述适应度集合对所述初始种群中所有染色体进行降序排列,获得目标染色体集合的步骤,直至所述当前迭代次数大于或等于预设迭代次数。
可理解的是,变异算子是为了避免算法结果陷入局部最优,预设遗传算法的变异算子采用单点变异,即随机产生选择变异点。变异点对应任务i,i的质量要求为,为加快算法的收敛速度,随机选择感知质量大于或等于的用户赋值给变异点。
在具体实现中,本实施例可获取到使用选择算子、交叉算子以及变异算子的次数,即当前迭代次数,在当前迭代次数大于或等于预设迭代次数时,变异后得到的染色体即为目标染色体,在当前迭代次数小于预设迭代次数时,需要继续进行选择、交叉、变异操作,直至当前迭代次数大于或等于预设迭代次数。
步骤S3023:根据所述目标染色体确定任务分配方案。
可理解的是,目标染色体中可包括待分配用户和各用户对应的待分配群智感知任务,即任务分配方案。
Step2:令t=t+1,如果t > G,跳转到Step6;否则调上述实施例中的方式计算中所有染色体的评价值,根据式(5)计算中所有染色体的适应度。
Step4:如果i>-1,令j=1跳转到Step5;否则在前个染色体中随机选择两个染色体和,生成[0,1]的随机数r,如果r≥c,令,;否则随机生成两个交叉点,交换,在两个交叉点之间的部分染色体,得到两个新的染色体和。
Step6:如果j>Size,令t = t+1,跳转到Step2;否则生成[0,1]的随机数r,如果r≥m,令j=j+1,重复Step5;否则在中随机选择一个染色体,生成一个变异点,变异点位置对应任务k,从集合U中选择感知质量大于或等于的用户标志,赋值给,令j = j+1。
本实施例通过根据评价值集合确定初始种群中所有染色体对应的适应度集合,然后根据适应度集合确定目标染色体,再根据目标染色体确定任务分配方案。实施例通过根据评价值集合确定初始种群中所有染色体对应的适应度集合,并根据适应度值集合确定目标染色体,能够使得选择到的目标染色体满足群智感知任务分配平台利益最大化的需求,使群智感知任务分配平台付出的成本最小。
参照图6,图6为本发明群智感知任务分配装置第一实施例的结构框图。
如图6所示,本发明实施例提出的群智感知任务分配装置包括:
任务获取模块10,用于获取待分配用户和待分配群智感知任务;
种群构建模块20,用于将所述待分配用户和所述待分配群智感知任务作为染色体构建初始种群;
任务分配模块30,用于通过预设遗传算法对所述初始种群进行求解,获得任务分配方案。
本实施例通过获取待分配用户和待分配群智感知任务,然后将待分配用户和待分配群智感知任务作为染色体构建初始种群,再通过预设遗传算法对初始种群进行求解,获得任务分配方案。本发明通过预设遗传算法对初始种群进行求解,对于求解较为复杂的组合优化问题,相对一些常规的优化算法,上述预设遗传算法能够较快地获得较好的优化结果,并且相较于现有的以任务分配距离最短进行群智感知任务的分配,本发明上述方式能够以群智感知任务分配平台利益最大化为预设遗传算法的目的,对群智感知任务进行分配,使群智感知任务分配平台付出的成本最小。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的群智感知任务分配方法,此处不再赘述。
基于本发明上述群智感知任务分配装置第一实施例,提出本发明群智感知任务分配装置的第二实施例。
在本实施例中,所述种群构建模块20,还用于根据所述待分配用户和所述待分配群智感知任务确定任务感知质量集合和用户感知质量集合;根据所述任务感知质量集合和所述用户感知质量从所述待分配用户中查找目标用户;将所述目标用户作为染色体构建初始种群。
进一步地,所述任务分配模块30,还用于获取所述初始种群中所有染色体对应的评价值集合;根据所述评价值集合确定目标染色体,并根据所述目标染色体确定任务分配方案。
进一步地,所述任务分配模块30,还用于根据所述待分配用户和所述待分配群智感知任务确定用户固定激励集合、用户动态激励集合、用户最大执行能力集合以及用户执行任务后的返回地点集合;根据所述任务感知质量集合、所述用户感知质量集合用户固定激励集合、所述用户动态激励集合、所述用户最大执行能力集合以及所述返回地点集合确定所述初始种群中所有染色体对应的评价值集合。
进一步地,所述任务分配模块30,还用于根据所述评价值集合确定所述初始种群中所有染色体对应的适应度集合;根据所述适应度集合确定目标染色体;根据所述目标染色体确定任务分配方案。
进一步地,所述任务分配模块30,还用于根据所述适应度集合对所述初始种群中所有染色体进行降序排列,获得目标染色体集合;对所述目标染色体集合中的所有染色体进行匹配交叉,获得交叉后的染色体集合;对所述交叉后的染色体集合中的所有染色体进行变异处理,获得目标染色体。
进一步地,所述任务分配模块30,还用于对所述交叉后的染色体集合中的所有染色体进行变异处理,并获取当前迭代次数;在所述当前迭代次数大于或等于预设迭代次数时,获得目标染色体;在所述当前迭代次数小于预设迭代次数时,返回所述根据所述适应度集合对所述初始种群中所有染色体进行降序排列,获得目标染色体集合的步骤,直至所述当前迭代次数大于或等于预设迭代次数。
本发明群智感知任务分配装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有群智感知任务分配程序,所述群智感知任务分配程序被处理器执行时实现如上文所述的群智感知任务分配方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种群智感知任务分配方法,其特征在于,所述群智感知任务分配方法包括以下步骤:
获取待分配用户和待分配群智感知任务;
将所述待分配用户和所述待分配群智感知任务作为染色体构建初始种群;
通过预设遗传算法对所述初始种群进行求解,获得任务分配方案。
2.如权利要求1所述的群智感知任务分配方法,其特征在于,所述将所述待分配用户和所述待分配群智感知任务作为染色体构建初始种群的步骤,具体包括:
根据所述待分配用户和所述待分配群智感知任务确定任务感知质量集合和用户感知质量集合;
根据所述任务感知质量集合和所述用户感知质量从所述待分配用户中查找目标用户;
将所述目标用户作为染色体构建初始种群。
3.如权利要求1所述的群智感知任务分配方法,其特征在于,所述通过预设遗传算法对所述初始种群进行求解,获得任务分配方案的步骤,具体包括:
获取所述初始种群中所有染色体对应的评价值集合;
根据所述评价值集合确定目标染色体,并根据所述目标染色体确定任务分配方案。
4.如权利要求3所述的群智感知任务分配方法,其特征在于,所述获取所述初始种群中所有染色体对应的评价值集合的步骤,具体包括:
根据所述待分配用户和所述待分配群智感知任务确定用户固定激励集合、用户动态激励集合、用户最大执行能力集合以及用户执行任务后的返回地点集合;
根据所述任务感知质量集合、所述用户感知质量集合用户固定激励集合、所述用户动态激励集合、所述用户最大执行能力集合以及所述返回地点集合确定所述初始种群中所有染色体对应的评价值集合。
5.如权利要求4所述的群智感知任务分配方法,其特征在于,所述根据所述评价值集合确定目标染色体,并根据所述目标染色体确定任务分配方案的步骤,具体包括:
根据所述评价值集合确定所述初始种群中所有染色体对应的适应度集合;
根据所述适应度集合确定目标染色体;
根据所述目标染色体确定任务分配方案。
6.如权利要求5所述的群智感知任务分配方法,其特征在于,所述根据所述适应度集合确定目标染色体的步骤,具体包括:
根据所述适应度集合对所述初始种群中所有染色体进行降序排列,获得目标染色体集合;
对所述目标染色体集合中的所有染色体进行匹配交叉,获得交叉后的染色体集合;
对所述交叉后的染色体集合中的所有染色体进行变异处理,获得目标染色体。
7.如权利要求6所述的群智感知任务分配方法,其特征在于,所述对所述交叉后的染色体集合中的所有染色体进行变异处理,获得目标染色体的步骤,具体包括:
对所述交叉后的染色体集合中的所有染色体进行变异处理,并获取当前迭代次数;
在所述当前迭代次数大于或等于预设迭代次数时,获得目标染色体;
在所述当前迭代次数小于预设迭代次数时,返回所述根据所述适应度集合对所述初始种群中所有染色体进行降序排列,获得目标染色体集合的步骤,直至所述当前迭代次数大于或等于预设迭代次数。
8.一种群智感知任务分配装置,其特征在于,所述群智感知任务分配装置包括:
任务获取模块,用于获取待分配用户和待分配群智感知任务;
种群构建模块,用于将所述待分配用户和所述待分配群智感知任务作为染色体构建初始种群;
任务分配模块,用于通过预设遗传算法对所述初始种群进行求解,获得任务分配方案。
9.一种群智感知任务分配设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的群智感知任务分配程序,所述群智感知任务分配程序配置为实现如权利要求1至7中任一项所述的群智感知任务分配方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有群智感知任务分配程序,所述群智感知任务分配程序被处理器执行时实现如权利要求1至7中任一项所述的群智感知任务分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856390.7A CN114925941A (zh) | 2022-07-21 | 2022-07-21 | 群智感知任务分配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856390.7A CN114925941A (zh) | 2022-07-21 | 2022-07-21 | 群智感知任务分配方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114925941A true CN114925941A (zh) | 2022-08-19 |
Family
ID=82815798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856390.7A Pending CN114925941A (zh) | 2022-07-21 | 2022-07-21 | 群智感知任务分配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925941A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629885A (zh) * | 2022-12-21 | 2023-01-20 | 暨南大学 | 群智感知中基于局部预算共享的多源任务分配方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097190A (zh) * | 2019-04-25 | 2019-08-06 | 华南理工大学 | 一种基于双时间限制的群智感知任务分配方法 |
CN111832725A (zh) * | 2019-04-15 | 2020-10-27 | 电子科技大学 | 一种基于改进遗传算法的多机器人多任务分配方法及装置 |
CN112306654A (zh) * | 2020-10-24 | 2021-02-02 | 西北工业大学 | 一种面向移动群智感知的人机协作任务分配方法 |
-
2022
- 2022-07-21 CN CN202210856390.7A patent/CN114925941A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832725A (zh) * | 2019-04-15 | 2020-10-27 | 电子科技大学 | 一种基于改进遗传算法的多机器人多任务分配方法及装置 |
CN110097190A (zh) * | 2019-04-25 | 2019-08-06 | 华南理工大学 | 一种基于双时间限制的群智感知任务分配方法 |
CN112306654A (zh) * | 2020-10-24 | 2021-02-02 | 西北工业大学 | 一种面向移动群智感知的人机协作任务分配方法 |
Non-Patent Citations (1)
Title |
---|
邢倩 等: "移动群智感知中的空间任务分配机制", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629885A (zh) * | 2022-12-21 | 2023-01-20 | 暨南大学 | 群智感知中基于局部预算共享的多源任务分配方法及*** |
CN115629885B (zh) * | 2022-12-21 | 2023-04-07 | 暨南大学 | 群智感知中基于局部预算共享的多源任务分配方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390548A (zh) | 优惠券派发策略的选择方法及装置 | |
Lu et al. | Data envelopment analysis for evaluating the efficiency of genetic algorithms on solving the vehicle routing problem with soft time windows | |
Szabo et al. | Evolving multi-objective strategies for task allocation of scientific workflows on public clouds | |
CN106227599B (zh) | 一种云计算***中资源调度的方法及*** | |
CN109657793B (zh) | 模型训练方法及装置、存储介质及电子设备 | |
CN110390491B (zh) | 一种公路工程多目标施工计划确定方法 | |
CN110009233B (zh) | 群智感知中基于博弈论的任务分配方法 | |
CN107547214A (zh) | 基于电子书的群组阅读方法、电子设备及计算机存储介质 | |
CN111191899B (zh) | 一种基于区域划分并行遗传算法的车辆调度方法 | |
Ko et al. | Location, capacity and capability design of emergency medical centers with multiple emergency diseases | |
CN107886198A (zh) | 一种风控决策临界值的确定方法及装置 | |
CN114925941A (zh) | 群智感知任务分配方法、装置、设备及存储介质 | |
CN110826915A (zh) | 资源调度方法、设备及计算机可读存储介质 | |
CN112990702A (zh) | 基于施工任务的施工队匹配方法、装置、设备及存储介质 | |
Trivedi et al. | Construction time–cost–resources–quality trade-off optimization using NSGA-III | |
CN111209930A (zh) | 一种生成授信策略的方法、装置和电子设备 | |
JP4987275B2 (ja) | 生産スケジューリング装置及び生産スケジューリング方法、並びにプログラム | |
Köksalan et al. | An evolutionary approach to generalized biobjective traveling salesperson problem | |
CN114173010B (zh) | 智能匹配外呼对象的方法及装置、存储介质、计算设备 | |
CN116629556A (zh) | 推荐任务的分配方法、装置、存储介质及电子设备 | |
CN110413358A (zh) | 页面的展示方法及装置 | |
CN114140033A (zh) | 一种服务人员的分配方法、装置、电子设备及存储介质 | |
CN114371915A (zh) | 一种基于分解策略的制造企业数据空间***任务调度方法 | |
CN113782092A (zh) | 一种生存期预测模型的生成方法及装置、存储介质 | |
CN113487059A (zh) | 银行网点推荐方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220819 |