[go: up one dir, main page]

CN118536678B - 一种考虑三方多目标的高维优化任务分配方法及系统 - Google Patents

一种考虑三方多目标的高维优化任务分配方法及系统 Download PDF

Info

Publication number
CN118536678B
CN118536678B CN202410993050.8A CN202410993050A CN118536678B CN 118536678 B CN118536678 B CN 118536678B CN 202410993050 A CN202410993050 A CN 202410993050A CN 118536678 B CN118536678 B CN 118536678B
Authority
CN
China
Prior art keywords
task
optimization
optimization problem
crowdsourcing
workers
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.)
Active
Application number
CN202410993050.8A
Other languages
English (en)
Other versions
CN118536678A (zh
Inventor
王鹏
李营新
王莹洁
刘兆伟
武舒泓
李成真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yantai University
Original Assignee
Yantai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yantai University filed Critical Yantai University
Priority to CN202410993050.8A priority Critical patent/CN118536678B/zh
Publication of CN118536678A publication Critical patent/CN118536678A/zh
Application granted granted Critical
Publication of CN118536678B publication Critical patent/CN118536678B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063118—Staff planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及群智感知和人工智能技术交叉领域，尤其是涉及一种考虑三方多目标的高维优化任务分配方法及系统。方法，包括获取众包工人和众包任务对应的属性集合；基于获取的属性集合构建多方场景的优化问题，包括构建平台利润的优化问题；建立工人收益最大化的优化问题；建立任务质量鲁棒性最大化的优化问题；建立请求者效益最大化的优化问题；采用改进的RVEA优化算法对多方场景的优化问题进行优化，得到优化结果。本发明提出的任务分配方法不论在分配效率和分配效用上都取得了更好的分配结果；其分配结果在服务质量以及分配的效率上都要优于其它的单目标优化算法得到的结果。

Description

一种考虑三方多目标的高维优化任务分配方法及系统
技术领域
本发明涉及群智感知和人工智能技术交叉领域，尤其是涉及一种考虑三方多目标的高维优化任务分配方法及系统。
背景技术
随着智能手机等移动设备的进步，移动众感知已经成为一种新的成本效益高的感知范式。移动用户可以利用他们的设备上传空气质量、交通状况和环境图像等感知信息。随着数据的增长和维度的提高，在解决任务分配的问题上高纬度大规模是任务分配需要研究的重点问题。在高维优化任务分配领域，考虑三方多目标是一项复杂而具有挑战性的任务。这类问题通常涉及到多个决策变量和多个决策目标，其中每个决策目标都可能存在相互矛盾的情况。
高维优化任务分配常常涉及到多个决策目标，这些目标可能涉及不同的性能指标或关注点。传统的单一目标优化问题无法满足多目标任务分配的需求，因此需要使用多目标优化技术。例如，使用多目标遗传算法、多目标粒子群算法等来处理不同目标之间的权衡和权衡。
在任务分配中，通常会涉及到三方之间的冲突和竞争。这可能包括资源的争夺、任务的优先级和不同目标的权衡。解决这种情况需要考虑博弈论、协同优化等方法，以确保三方之间的合作与竞争能够达到平衡。因此，在此基础上要想有效提高分配的效率和效用仍然面临着以下的难题：（1）当涉及到多方的合作与竞争时，系统往往变得非常复杂。正确地对系统进行建模，并设计适当的博弈论或协同优化算法来处理这种复杂性是一项挑战。（2）在实际应用中，需要高效的计算和算法来处理大规模的博弈与协同优化问题。考虑到计算复杂性和算法效率是解决方案的关键因素。（3）只考虑单一目标的任务分配方案会导致，求解的范围缩小容易陷入局部最优解。无法实现长期社会福利最大化的目标。（4） 环境的动态变化和不确定性可能会对博弈和协同优化造成影响。有效的解决方案需要考虑这些变化和不确定性，并具有适应性。（5）串行考虑多个目标的任务分配方案并不能寻找到均衡的最优解，而是获得了不同的均衡最优解，因此需要并行考虑多目标的任务分配方案。
发明内容
为了解决上述提到的问题，本发明提供一种考虑三方多目标的高维优化任务分配方法及系统。该方法基于平衡请求者、平台、工人三方需求的高维度多目标优化方法对工人的成本、平台的利润，以及任务的鲁棒性和服务质量进行平衡优化。设计协同优化算法，使得三方能够协同工作，共同优化任务的目标。以最大化整体效用，引入动态适应性机制，使系统能够动态调整目标权重、任务分配策略，以适应任务环境的动态变化。
第一方面，本发明提供的一种考虑三方多目标的高维优化任务分配方法，采用如下的技术方案：
一种考虑三方多目标的高维优化任务分配方法，包括：
获取众包工人和众包任务对应的属性集合；
基于获取的属性集合构建多方场景的优化问题，包括构建平台利润的优化问题；建立工人收益最大化的优化问题；建立任务质量鲁棒性最大化的优化问题；建立请求者效益最大化的优化问题；
采用改进的RVEA优化算法对多方场景的优化问题进行优化，得到优化结果。
进一步地，所述获取众包工人和众包任务对应的属性集合，包括采集众包工人和众包任务对应的属性集合，并且将工人的社会属性进行提取，得到每个时空区域中众包工人的社会属性；同时考虑任务的位置和设备需求属性；将工人以及任务的实时属性进行保存，并对于工人的隐私位置属性进行泛化处理。
进一步地，所述构建平台利润的优化问题，包括根据众包工人的社会属性，众包任务的自身社会属性，以及平台的利润建立优化问题；将平台利润作为平台方的优化问题，同时考虑工人和任务的社会属性，优化问题的目标函数表示为：
其中，工人i的社会属性用Wi表示，任务j的社会属性用Tj表示，平台的利润用P表示，任务分配表示为一个二元变量Xij，其中Xij = 1表示工人i被分配给任务j，否则为0；Pij是工人i执行任务j的收益。
进一步地，所述建立工人收益最大化的优化问题，包括考虑每个众包工人执行任务的收益、众包工人的社会属性对众包任务的适应程度以及平台的利润，设有N个工人，M个任务，工人i执行任务j的收益为Cw，工人的成本为cost，工人i的社会属性为Wi，任务j的社会属性为Tj，平台的利润为P，优化问题的目标函数表示为：
。
进一步地，所述建立任务质量鲁棒性最大化的优化问题，包括考虑每个众包任务的质量、众包工人对众包任务的适应程度以及任务的质量对工人的评价，有N个工人，M个任务，工人i执行任务j的质量为Qij，工人i的社会属性为Wi，任务j的社会属性为Tj；目标是找到一个任务分配方案，最大化任务质量的鲁棒性，使所有任务的质量波动较小，优化问题的目标函数表示为：
其中，Qj 是任务j的平均质量，Q是所有任务的平均质量。
进一步地，所述建立请求者效益最大化的优化问题，包括考虑每个众包任务的质量、任务的完成时间、众包工人的评价以及请求者对任务的重要性，优化问题的目标函数表示为：
其中，Uij是请求者从任务j的完成中获得的效益。
进一步地，所述采用改进的RVEA优化算法对多方场景的优化问题进行优化，包括基于RVEA多目标优化算法，针对多方场景的目标函数进行计算Pareto最优解。
第二方面，一种考虑三方多目标的高维优化任务分配系统，包括：
数据获取模块，被配置为，获取众包工人和众包任务对应的属性集合；
优化问题构建模块，被配置为，基于获取的属性集合构建多方场景的优化问题，包括构建平台利润的优化问题；建立工人收益最大化的优化问题；建立任务质量鲁棒性最大化的优化问题；建立请求者效益最大化的优化问题；
优化模块，被配置为，采用改进的RVEA优化算法对多方场景的优化问题进行优化，得到优化结果。
第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种考虑三方多目标的高维优化任务分配方法。
第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种考虑三方多目标的高维优化任务分配方法。
综上所述，本发明具有如下的有益技术效果：
（1）本发明提出的任务分配方法不论在分配效率和分配效用上都取得了更好的分配结果；其分配结果在服务质量以及分配的效率上都要优于其它的单目标优化算法得到的结果。
（2）本发明的任务分配方法通过RVEA在引导搜索空间的同时，保持了算法的鲁棒性。这意味着它能够在面对问题的多样性和复杂性时，依然能够有效地找到优质解。
（3）本发明的任务分配方法通过对多方目标进行综合考虑建模，三方任务分配可以更好地平衡不同方的利益和目标。通过考虑更多的参与者，可以更全面地理解和满足各方的需求，提高整体效益。三方任务分配能够更好地避免或减轻可能出现的利益冲突。通过综合考虑不同方的目标，可以制定更具共识性的任务分配方案，减少潜在的摩擦和冲突。通过协调和优化三方任务分配，可以实现整个系统的优化，提高整体效能。这对于大规模、复杂的项目或系统特别重要。
附图说明
图1是本发明在机会主义MCS场景下的任务分配描述图。
图2是本发明方法的流程示意图。
图3为本发明采用多目标优化算法的说明图。
图4为本发明考虑综合评价指标与其它方法的效果对比图。
图5是本发明与其它优化算法实现任务分配的服务质量对比效果图。
图6是本发明与其它优化算法实现任务分配的社会福利值对比效果图。
图7是本发明与其它优化算法实现任务分配的工人回报值对比效果图。
图8是是本发明与其它优化算法实现任务分配的工人满意度对比效果图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参考图1，图1是在现实MCS场景下的任务分配场景图。在移动众包系统中，主要存在三种角色：众包工人、众包任务以及众包平台；任务发布者将任务发布到众包平台或特定的移动应用程序中。在发布任务时，任务发布者通常需要设置任务的奖励和完成期限，以及任务所需的技能和条件。移动众包平台会将任务与适合的移动设备用户进行匹配。这个匹配过程可能涉及到用户的地理位置、技能、历史表现等因素。任务分配算法可以用于确定最佳的任务分发策略。一旦移动设备用户接受了任务，他们开始执行任务。众包平台通常会实时监控任务的执行进度，以确保任务按时完成并符合要求。为了确保任务结果的质量，众包平台可能会采取一些质量控制措施，如审查、投票机制或基于算法的质量评估。移动众包平台通常提供用户之间的评价和反馈机制，用于记录用户的表现和信誉。这可以帮助提高任务分发的效率和质量。
请参考图2，图2是本发明方法的流程示意图；本发明提供的一种基于时空众包的多目标任务分配方法，具体包括以下步骤：
S1、采集众包工人和众包任务对应的属性集合，并且将工人的社会属性进行提取，得到每个时空区域中众包工人的社会属性；
步骤S1中，所述社会属性包括：众包工人执行工作的道路的交通情况以及多个行人之间相互影响的路线规划情况。同时还会获取工人的设备属性以及能力属性，保证工人的完成任务的质量。
作为一种实施例，具体地，步骤S1中众包工人Wi的属性集合为 <lwi,bwi,rwi,kwi>，其中， lwi为众包工人在bwi时刻进入众包平台时的众包工人位置且lwi随工人运动而改变；kwi是工人的能力属性值表示工人执行任务的熟练度以及经验；rwi是工人的设备属性，工人的设备属性要满足不同的任务的需求，特定任务需要工人的特定设备属性。
步骤S1中众包任务ti的属性集合为 ，其中，lti为众包任务在bti时刻 进入众包平台时的众包任务起点位置且lti不会发生改变；cti完成该任务的最短期限，任务 必须要在cti时间内完成否则会影响任务的完成质量；B是任务的预算请求者根据自己任务 的不同需求提供不同的预算；是任务的设备属性，表示工人要执行该任务必须满足该任 务的设备需求属性。对应属性需要匹配。
S2、构建优化问题，据工人的提交的工人社会属性，任务的自身社会属性，以及平台的利润建立优化问题；将平台利润作为平台方的优化问题。
S3、构建一个工人收益最大化的优化问题；考虑以下因素：每个工人执行任务的收益、工人的社会属性对任务的适应程度以及平台的利润。
S4、建立一个任务质量鲁棒性最大化的优化问题；考虑以下因素：每个任务的质量、工人对任务的适应程度以及任务的质量对工人的评价。有N个工人，M个任务，工人i执行任务j的质量为Qij，工人i的社会属性为Wi，任务j的社会属性为Tj。目标是找到一个任务分配方案，最大化任务质量的鲁棒性，即使得所有任务的质量波动较小。
其中，Qj 是任务j的平均质量，Q是所有任务的平均质量。
所述分配最优解，具体包括对于成本和服务质量的相互冲突指标的均衡解。
所述任务的服务质量如下：
上式中，Uw为工人执行该任务的意愿；工人执行任务的意愿与任务和工人位置有关系位置越远工人执行任务的意愿的越小。因此需要计算工人和任务位置之间的距离，因此需要在计算工人的意愿时，预测工人的移动路线。
rek是工人的完成任务的能力通过工人执行的任务数量和有效任务数衡量；是 时间函数来计算任务完成时间对于任务服务质量的影响。
所述平台的成本，如下式：
COST=∑redj+costp
上式中，j是执行任务的工人数量，j取值为1,2,3…m；redj=a0+D(lti,lwj)*a+cj是工人报酬的计算公式其中a0是基础奖励，D(lti,lwj)*a是通过任务位置和工人位置计算得出的调度奖励，cj为完成任务的累计奖励；costp代表平台的日常维护花费。
S5、建立请求者效益大化的优化问题；考虑以下因素：每个任务的质量、任务的完成时间、工人的评价以及请求者对任务的重要性。
其中，Uij是请求者从任务j的完成中获得的效益。这个效益可以根据任务质量、完成时间、工人的评价以及任务的重要性来定义。给出一个任务分配和排程方案，使得请求者的总效益最大化。
S6、考虑多方需求的并行多目标优化的决策区域空间、并在可行区域内找到平衡多方需求指标的帕累托最优解集本发明将采用改进后的RVEA优化算法对于现实复杂多方场景的优化问题进行优化。
资源约束：考虑任务分配涉及到的资源，例如时间、金钱、人力等。确保任务分配方案在资源方面是可行的，不超过系统可承受的限制。
能力设备匹配约束：确保任务分配给执行者的技能与任务的要求相匹配。这可以通过定义技能匹配矩阵或技能匹配函数来实现，确保每个执行者都有能力完成被分配的任务。
任务间约束：考虑任务之间的相关性和依赖关系。一些任务可能需要在其他任务完成之后才能开始，或者它们之间可能存在某种先后顺序。这些约束可以通过任务图或任务依赖矩阵来表示。
冲突约束：如果执行者之间存在冲突，确保任务分配方案不会导致冲突升级。这可能需要考虑到执行者之间的关系、偏好以及可能的竞争关系。
所述多目标优化，本发明采用的是RVEA（Reference Vector GuidedEvolutionary Algorithm）是一种多目标优化算法，用于解决涉及多个目标函数的问题。优化的目标函数有两个或两个以上时称为多目标优化。多目标的解通常是一组均衡解。在多目标优化中，存在多个优化目标，因此不再存在单一的最优解。相反，存在一组解，称为Pareto最优解或非支配解集。帕累托优化解集是多目标优化问题中的一个重要概念，它指的是在目标空间中无法被其他解支配的一组解。帕累托最优解集展示了在多个目标中达到最佳性能的一系列解，这些解在一些目标上可能相对较好，而在另一些目标上可能相对较差，形成一种平衡。在帕累托最优解集中，每个解都是非支配的。这意味着没有其他解能在所有目标上同时优于它，或者说对于任何其他解，至少有一个目标上不如这个解。帕累托最优解集构成了帕累托前沿，即在目标空间中非支配的解的集合。这个前沿代表了问题的可行和优秀的解空间。帕累托最优解集通常表现出多样性，因为它包含了在不同目标上取得优势的解。这有助于提供决策者多样的选择，以便根据实际需求进行调整。帕累托最优解集展示了在多个目标之间的权衡和平衡。解集中的每个解都是通过在不同目标上进行权衡而得到的，没有绝对的“最佳”解，而是一种权衡的结果。RVEA算法包括以下内容：
1. 初始化种群生成一个初始种群，通常通过随机生成多个个体，每个个体代表一个潜在解（工人与任务之间匹配对）。2. 生成参考向量创建均匀分布的参考向量，用于引导种群进化。参考向量通常分布在目标空间中，结合请求者、平台以及工人的三方效益优化目标函数。3. 评估适应度计算每个个体在所有目标函数下的适应度值。适应度值用于评估个体的优劣。4. 环境选择选择适应度较好的个体作为下一代种群的一部分。RVEA使用一种基于角度的选择机制，根据个体与参考向量的角度来选择个体。5. 变异和交叉操作对选择的个体进行变异和交叉操作，生成新的个体。变异和交叉操作增加种群的多样性，有助于搜索到更优的解。6. 更新种群将新生成的个体加入到种群中，并重新评估所有个体的适应度。根据适应度和角度选择机制，保留优良的个体，淘汰劣质的个体。7. 动态调整参考向量根据种群的进化情况，动态调整参考向量的位置，使得参考向量能够更好地引导种群搜索Pareto前沿。8. 重复进化重复步骤4至7，直到达到预设的停止条件，例如迭代次数达到上限或种群的变化趋于稳定。9. 输出结果输出最终的种群，种群中的个体即为近似的Pareto最优解集。种群中的个体是满足不同优化目标的工人与任务匹配序列。
最后，请参考图5，图5是本发明考虑综合评价指标与其它方法的效果对比图；本发明通过对于现实移动众包场景中的多方任务分配问题的真实数据集进行了实验，并对其中的解集进行了可视化处理。
图5说明了本文提出的自适应高维优化算法能够有效地提高服务质量（QoS）,相比于其它优化算法本发明提出的方法优于其它对比算法。图6说明了本文提出的自适应高维优化算法能够考虑三方不同效益提高综合的社会福利值,相比于其它优化算法本发明提出的方法优于其它对比算法。图7 说明了本发明提出的方法在多轮次实验下工人回报值优于其它对比算法，说明本发明提出的方法能够有效地提高工人的效益。图8 说明了本发明提出的方法在多轮次实验下工人满意度优于其它对比算法，说明本发明提出的方法能够有效地提高工人的效益。
实施例2
本实施例提供一种考虑三方多目标的高维优化任务分配系统，包括：
数据获取模块，被配置为，获取众包工人和众包任务对应的属性集合；
优化问题构建模块，被配置为，基于获取的属性集合构建多方场景的优化问题，包括构建平台利润的优化问题；建立工人收益最大化的优化问题；建立任务质量鲁棒性最大化的优化问题；建立请求者效益最大化的优化问题；
优化模块，被配置为，采用改进的RVEA优化算法对多方场景的优化问题进行优化，得到优化结果。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种考虑三方多目标的高维优化任务分配方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种考虑三方多目标的高维优化任务分配方法。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (4)

1.一种考虑三方多目标的高维优化任务分配方法，其特征在于，包括：
获取众包工人和众包任务对应的属性集合；
基于获取的属性集合构建多方场景的优化问题，包括构建平台利润的优化问题；建立工人收益最大化的优化问题；建立任务质量鲁棒性最大化的优化问题；建立请求者效益最大化的优化问题；
采用改进的RVEA优化算法对多方场景的优化问题进行优化，得到优化结果；
所述获取众包工人和众包任务对应的属性集合，包括采集众包工人和众包任务对应的属性集合，并且将工人的社会属性进行提取，得到每个时空区域中众包工人的社会属性；同时考虑任务的位置和设备需求属性；将工人以及任务的实时属性进行保存，并对于工人的隐私位置属性进行泛化处理；
所述构建平台利润的优化问题，包括根据众包工人的社会属性，众包任务的自身社会属性，以及平台的利润建立优化问题；将平台利润作为平台方的优化问题，同时考虑工人和任务的社会属性，优化问题的目标函数表示为：
其中，设有N个工人，M个任务，平台的利润用P表示，任务分配表示为一个二元变量Xij，其中Xij = 1表示工人i被分配给任务j，否则为0；Pij是工人i执行任务j的收益；
所述建立工人收益最大化的优化问题，包括考虑每个众包工人执行任务的收益、众包工人的社会属性对众包任务的适应程度以及平台的利润，设有N个工人，M个任务，工人i执行任务j的收益为CW，工人的成本为COST，任务分配表示为一个二元变量Xij，其中Xij = 1表示工人i被分配给任务j，否则为0；优化问题的目标函数表示为：
所述建立任务质量鲁棒性最大化的优化问题，包括考虑每个众包任务的质量、众包工人对众包任务的适应程度以及任务的质量对工人的评价，有M个任务，目标是找到一个任务分配方案，最大化任务质量的鲁棒性，使所有任务的质量波动较小，优化问题的目标函数表示为：
其中，Qj是任务j的平均质量，是所有任务的平均质量；
所述建立请求者效益最大化的优化问题，包括考虑每个众包任务的质量、任务的完成时间、众包工人的评价以及请求者对任务的重要性；
所述采用改进的RVEA优化算法对多方场景的优化问题进行优化，包括基于RVEA多目标优化算法，针对多方场景的目标函数进行计算Pareto最优解。
2.一种考虑三方多目标的高维优化任务分配系统，执行如权利要求1所述的方法，其特征在于，包括：
数据获取模块，被配置为，获取众包工人和众包任务对应的属性集合；
优化问题构建模块，被配置为，基于获取的属性集合构建多方场景的优化问题，包括构建平台利润的优化问题；建立工人收益最大化的优化问题；建立任务质量鲁棒性最大化的优化问题；建立请求者效益最大化的优化问题；
优化模块，被配置为，采用改进的RVEA优化算法对多方场景的优化问题进行优化，得到优化结果。
3.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种考虑三方多目标的高维优化任务分配方法。
4.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的一种考虑三方多目标的高维优化任务分配方法。
CN202410993050.8A 2024-07-24 2024-07-24 一种考虑三方多目标的高维优化任务分配方法及系统 Active CN118536678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410993050.8A CN118536678B (zh) 2024-07-24 2024-07-24 一种考虑三方多目标的高维优化任务分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410993050.8A CN118536678B (zh) 2024-07-24 2024-07-24 一种考虑三方多目标的高维优化任务分配方法及系统

Publications (2)

Publication Number Publication Date
CN118536678A CN118536678A (zh) 2024-08-23
CN118536678B true CN118536678B (zh) 2025-02-18

Family

ID=92384861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410993050.8A Active CN118536678B (zh) 2024-07-24 2024-07-24 一种考虑三方多目标的高维优化任务分配方法及系统

Country Status (1)

Country Link
CN (1) CN118536678B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119398439A (zh) * 2024-11-02 2025-02-07 南京大学 一种基于任务动态优先级的众测任务分配方法
CN119204625B (zh) * 2024-11-29 2025-09-02 烟台大学 一种基于多目标优化的移动众包策略优化方法及系统
CN120069491B (zh) * 2025-04-30 2025-08-19 烟台大学 一种基于多空间建模与公平性强化学习的群智感知任务调度方法及系统
CN120655068B (zh) * 2025-08-19 2025-11-07 烟台大学 一种面向群智感知的Stackelberg动态异构任务分配方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626563A (zh) * 2020-04-27 2020-09-04 南京邮电大学 一种双目标鲁棒移动群智感知系统及其激励方法
CN116681245A (zh) * 2023-06-06 2023-09-01 南京大学 一种众包系统中工人选择和任务分派方法及装置
CN116976652A (zh) * 2023-09-25 2023-10-31 烟台大学 一种基于时空众包的多目标任务分配方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015149035A1 (en) * 2014-03-28 2015-10-01 LÓPEZ DE PRADO, Marcos Systems and methods for crowdsourcing of algorithmic forecasting
US11763332B2 (en) * 2020-11-16 2023-09-19 Theta Labs, Inc. Edge computing platform supported by smart contract enabled blockchain network
CN114548913A (zh) * 2022-01-25 2022-05-27 烟台大学 一种最大化任务分配数量的多阶段任务分配方法
CN115062917B (zh) * 2022-05-20 2025-04-25 西北工业大学 一种面向异构空间众包的环境驱动型任务分配方法
CN117459997A (zh) * 2023-11-03 2024-01-26 青岛科技大学 基于深度强化学习的车联网众包激励方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626563A (zh) * 2020-04-27 2020-09-04 南京邮电大学 一种双目标鲁棒移动群智感知系统及其激励方法
CN116681245A (zh) * 2023-06-06 2023-09-01 南京大学 一种众包系统中工人选择和任务分派方法及装置
CN116976652A (zh) * 2023-09-25 2023-10-31 烟台大学 一种基于时空众包的多目标任务分配方法

Also Published As

Publication number Publication date
CN118536678A (zh) 2024-08-23

Similar Documents

Publication Publication Date Title
CN118536678B (zh) 一种考虑三方多目标的高维优化任务分配方法及系统
Shyalika et al. Reinforcement learning in dynamic task scheduling: A review
CN111770454B (zh) 移动群智感知中位置隐私保护与平台任务分配的博弈方法
Fu et al. A distributed incentive mechanism to balance demand and communication overhead for multiple federated learning tasks in IoV
Barrett et al. A learning architecture for scheduling workflow applications in the cloud
Xiong et al. A two-stage preference-based evolutionary multi-objective approach for capability planning problems
Allenbrand Smart contract-enabled consortium blockchains for the control of supply chain information distortion
Kamalinia et al. Hybrid task scheduling method for cloud computing by genetic and PSO algorithms
CN116932164A (zh) 一种基于云平台的多任务调度方法及其系统
Abdullah et al. A framework for optimal worker selection in spatial crowdsourcing using Bayesian network
Peleteiro et al. Using reputation and adaptive coalitions to support collaboration in competitive environments
Yu et al. Efficient scheduling in crowdsourcing based on workers' mood
Deck et al. An experimental analysis of dynamic incentives to share knowledge
Ananth et al. Cooperative game theoretic approach for job scheduling in cloud computing
Park et al. Practical Human Resource Allocation in Software Projects Using Genetic Algorithm.
CN120163068A (zh) 基于dqn与混合纳什均衡的动态策略实时优化方法
Stanković et al. Hybrid machine learning approach for parallel machine scheduling under uncertainty
Kamgarpour et al. A Bayesian mean field game approach to supply demand analysis of the smart grid
Smirnov et al. Stimulating self-organization in human-machine collective intelligence environment
Yu et al. Bringing reputation-awareness into crowdsourcing
Fang et al. Research on intelligent cloud manufacturing resource adaptation methodology based on reinforcement learning
Wu et al. Group Role Three-Way Assignment for Managing Uncertainty in Role Negotiation
CN110009357A (zh) 一种判决策略配置方法及装置
Li et al. New concept to improve cooperation in dynamic complex network
US20240169285A1 (en) Contribution degree estimation system, contribution degree estimation method, and program

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
GR01 Patent grant
GR01 Patent grant