参与式感知系统中任务最优分配的方法.pdf

本发明提供了一种参与式感知系统中任务最优分配的方法，参与式感知系统中的平台根据平台预设参数、参与各种任务的公平性及用户贡献数据，选择参与完成任务的用户；之后在所述平台所选择的用户中分配任务；由于有平台预设参数、参与各种任务的公平性及用户贡献数据这三个条件的限制，使得平台最终选择参与完成任务的用户能够产生最大的社会效益，平台上的各个任务高效有序的进行，从而避免出现现有技术中参与式感知系统中，在分配给每个用户的感知数据量时完全由平台来计算现象所造成的计算时间复杂度很大的问题。

权利要求书1.  一种参与式感知系统中任务最优分配的方法，包括如下步骤：创建参与式感知系统；所述参与式感知系统包括拥有多种待完成的任务的平台及与所述平台建立通信的多个用户；所述平台根据平台预设参数、参与各种任务的公平性及用户贡献数据，选择参与完成任务的用户；在所述平台所选择的用户中分配任务。2.  如权利要求1所述的参与式感知系统中任务最优分配的方法，其特征在于，所述平台选择参与完成任务的用户需满足：在满足所述参与各种任务的公平性的前提下，参与完成任务的用户所产生的社会收益最大，参与完成任务的用户的用户贡献数据符合所述平台预设参数；所述社会收益为完成各种任务所产生的任务收益之和；其中，所述任务收益的计算公式如下：u(j)=Σi∈Tjlog(1+dij);]]>u(j)表示任务收益，表示第i个用户为第j种任务贡献的感知数据，Tj是分配到第j种任务的用户的集合。3.  如权利要求1所述的参与式感知系统中任务最优分配的方法，其特征在于，所述在所述平台所选择的用户中分配任务是通过对每个参与完成任务的用户的对偶变量进行迭代计算的方式完成的。4.  如权利要求1所述的参与式感知系统中任务最优分配的方法，其特征在于，所述参与各种任务的公平性表现为任务的权重之比等于任务的收益之比；其中，所述任务的权重表征各种任务的重要性级别。5.  如权利要求1所述的参与式感知系统中任务最优分配的方法，其特征在于，所述平台预设参数包括平台预算经费及平台预算带宽。6.  如权利要求5所述的参与式感知系统中任务最优分配的方法，其特征在于，所述平台预算经费为所述平台完成各个任务所需的费用。7.  如权利要求5所述的参与式感知系统中任务最优分配的方法，其特征在于，所述平台预算带宽为完成所述平台上的各个任务通信时所需的带宽。8.  如权利要求1所述的参与式感知系统中任务最优分配的方法，其特征在 于，所述用户贡献数据包括用户预算经费及用户预算带宽。9.  如权利要求8所述的参与式感知系统中任务最优分配的方法，其特征在于，所述用户预算经费为用户自行定义完成各个任务所需要的报酬。10.  如权利要求8所述的参与式感知系统中任务最优分配的方法，其特征在于，所述用户预算带宽为用户所用的移动终端进行通信所需的带宽。

说明书参与式感知系统中任务最优分配的方法
技术领域
本发明涉及通信技术领域，特别涉及一种参与式感知系统中任务最优分配的方法。
背景技术
随着科技的进步和人们生活水平的不断提高，一切工作都趋于智能化发展，但是有些工作仍然无法脱离相关领域的工作人员来进行，如不同地区污染指数、噪声指数等，均需要相关的工作人员去实地检测，工作人员需要奔波在不同的地方进行实地检查，若是想要在短时间内获得大范围区域的相关指数，需要耗费大量的人力物力。
为了解决上述问题，出现了参与式感知系统，所谓参与式感知系统是指通过平台发布任务，利用不同地区的手机用户通过蜂窝数据通道将其各自的感知数据发送给平台，以完成平台所发布的任务。但是参与式感知系统存在一些不足，平台的计算能力有限，如果让平台单独计算分配给每个用户的感知数据量，会导致很大的时间复杂度。
发明内容
本发明的目的在于提供一种参与式感知系统中任务最优分配的方法，以解决现有技术中参与式感知系统中，在分配给每个用户的感知数据量时完全由平台来计算所造成的计算时间复杂度很大的问题。
为解决上述技术问题，本发明提供一种参与式感知系统中任务最优分配的方法，所述参与式感知系统中任务最优分配的方法包括如下步骤：
创建参与式感知系统；所述参与式感知系统包括拥有多种待完成的任务的平台及与所述平台建立通信的多个用户；
所述平台根据平台预设参数、参与各种任务的公平性及用户贡献数据，选 择参与完成任务的用户；
在所述平台所选择的用户中分配任务。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述平台选择参与完成任务的用户需满足：在满足所述参与各种任务的公平性的前提下，参与完成任务的用户所产生的社会收益最大，参与完成任务的用户的用户贡献数据符合所述平台预设参数；所述社会收益为完成各种任务所产生的任务收益之和；其中，所述任务收益的计算公式如下：
u(j)=Σi∈Tjlog(1+dij);]]>
u(j)表示任务收益，表示第i个用户为第j种任务贡献的感知数据，Tj是分配到第j种任务的用户的集合。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述在所述平台所选择的用户中分配任务是通过对每个参与完成任务的用户的对偶变量进行迭代计算的方式完成的。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述参与各种任务的公平性表现为任务的权重之比等于任务的收益之比；其中，所述任务的权重表征各种任务的重要性级别。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述平台预设参数包括平台预算经费及平台预算带宽。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述平台预算经费为所述平台完成各个任务所需的费用。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述平台预算带宽为完成所述平台上的各个任务通信时所需的带宽。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述用户贡献数据包括用户预算经费及用户预算带宽。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述用户预算经费为用户自行定义完成各个任务所需要的报酬。
可选的，在所述的参与式感知系统中任务最优分配的方法中，所述用户预算带宽为用户所用的移动终端进行通信所需的带宽。
在本发明所提供的参与式感知系统中任务最优分配的方法中，参与式感知系统中的平台根据平台预设参数、参与各种任务的公平性及用户贡献数据，选择参与完成任务的用户；之后在所述平台所选择的用户中分配任务；由于有平台预设参数、参与各种任务的公平性及用户贡献数据这三个条件的限制，使得平台最终选择参与完成任务的用户能够产生最大的社会效益，平台上的各个任务高效有序的进行，从而避免出现现有技术中参与式感知系统中，在分配给每个用户的感知数据量时完全由平台来计算现象所造成的计算时间复杂度很大的问题。
附图说明
图1是本发明一实施例中的参与式感知系统中任务最优分配的方法的流程图；
图2是本发明一实施例中表征算法收敛性的说明图。
具体实施方式
以下结合附图和具体实施例对本发明提出的参与式感知系统中任务最优分配的方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
请参考图1，其为本发明一实施例中的参与式感知系统中任务最优分配的方法的流程图，如图1所示，所述的参与式感知系统中任务最优分配的方法包括如下步骤：
首先，执行步骤S10，创建参与式感知系统；所述参与式感知系统包括拥有多种待完成的任务的平台及与所述平台建立通信的多个用户。
其中，平台上所拥有的多种待完成的任务，可以是获知各个地区的空气指标、交通堵塞情况等等；用户与平台建立通信的方式是通过用户所使用的移动终端打开平台发布任务的页面，选择下载平台上相关软件，从而建立其与平台的通信。
接着，执行步骤S20，所述平台根据平台预设参数、参与各种任务的公平性 及用户贡献数据，选择参与完成任务的用户。
由于此时平台上有多个任务，此时用户可以选择感兴趣的任务进行完成，但是此时与平台建立通信的用户只能说是意向用户，最终这些用户的一部分用户才被平台选择用来完成其所选择的任务进行完成。具体哪种任务由哪些用户来完成，是由所述平台根据平台预设参数、参与各种任务的公平性及用户贡献数据进行选择的。
其中，所述参与各种任务的公平性表现为任务的权重之比等于任务的收益之比；其中，所述任务的权重表征各种任务的重要性级别。由于平台上任务的重要等级并不是同样重要的，因此首先利用任务的权重来表征各个任务的不同重要级别，当用户完成各个任务所产生的任务收益之比等于任务的权重之比时，相当于此时平台在选择用户时的出发点是秉着公平性的原则进行的。
进一步的，平台预设参数包括平台预算经费及平台预算带宽；所述平台预算经费为所述平台完成各个任务所需的费用；所述平台预算带宽为完成所述平台上的各个任务通信时所需的带宽。这里所述平台预设参数相当于平台所发布的限制条件，这里由于用户是不同区域有兴趣参与的大众，他们贡献数据也是需要耗费流量等经费的，出于这方面的考虑，所述平台预算经费用于支付完成各个任务的用户的耗费经费；另外，用户根据平台所分配的预算带宽贡献感知数据。
进一步的，所述用户贡献数据包括用户预算经费及用户预算带宽；其中，所述用户预算经费为用户自行定义完成各个任务所需要的报酬；所述用户预算带宽为用户所用的移动终端进行通信所需的带宽。这里的用户预算经费是指用户自行定义完成各个任务所需要的报酬(由于是自行定义的预算经费，因此每个用户对于不同任务所报出的用户预算经费均会有所不同)；所述用户预算带宽是指用户在建立与平台进行通信时所需的最大的通信带宽(换言之，就是用户所使用的移动终端的通信带宽，不同种类的移动终端需要不同的通信带宽)，以维持用户可以将其完成任务过程中所获得的数据传送给平台。这里，用户仅是将自己完成各个任务需要的用户贡献数据提供出来，以便所述平台根据平台预设参数、参与各种任务的公平性等条件进行权衡判断，最终选择适合的用户完成各个任务。
本实施例中，所述平台选择参与完成任务的用户需满足：在满足所述参与各种任务的公平性的前提下，参与完成任务的用户所产生的社会收益最大，参与完成任务的用户的贡献数据符合所述平台预设参数；所述社会收益为完成各种任务所产生的任务收益之和；其中，所述任务收益的计算公式如下：
u(j)=Σi∈Tjlog(1+dij)---(1)]]>
u(j)表示任务收益，表示第i个用户为第j种任务贡献的感知数据，Tj是分配到第j种任务的用户的集合。
由于所述社会收益为完成各种任务所产生的任务收益之和，因此社会收益μ由公式(1)表示为：
μ=Σj∈Mu(j)=Σj∈MΣi∈Tjlog(1+dij)---(2).]]>
有公式(1)及(2)的关系可知，若想获得最大的社会收益，则需要完成每种任务所产生的任务收益最大，用公式表示具体如下：
maxu(j)=maxΣi∈Nlog(1+dijXij)---(3)]]>
N表示所有用户的集合，表示第i个用户是否分配给第j个任务；
公式(3)需要同时满足的限制条件如下：
条件1：其中，j1,j2是两种不同的任务，是权重，u(j1),u(j2)是任务j1及j2分别产生的任务收益，M表示任务的集合；
条件2：其中，bi为已被平台选择完成任务的用户中的i用户的用户预算带宽；
条件3：∑i∈Πpi≤B；其中，B为平台预算经费，pi为用户预算经费；
条件4：Xij=1,dij≠00,dij=0;]]>
条件5：∏={i|Xij=1,∀j∈M,i∈N}.]]>
为了较好的理解上面五个限制条件，这里对照限制条件的公式做文字内容的相关解释。条件1是指公式(3)中所利用的任务收益之比等于任务权重之比； 条件2是指i用户完成平台上所有任务贡献的总的感知数据不能超过用户预算带宽所允许承载的数据量；条件3是指i用户完成平台上所有任务的用户预算经费不能超过平台预算经费；条件4是指当时，取1，相当于i用户是平台所选择参与完成任务的用户，当时，取0，相当于i用户不是平台所选择参与完成任务的用户；条件5是指Π表示被平台选择参与完成任务的用户的集合。
本实施例中，平台选择参与完成任务的用户过程中，既要选择产生任务收益最大的，同时还要选择参与完成任务的用户总的用户预算带宽与平台预算带宽越接近越好，换言之，就是所选择参与完成任务的用户对于平台预算宽带的利用率越大越好，具体可将其刻画为如下式子：
maxΣi∈NbiYi---(4)]]>
上式需要满足条件：
条件1：Σi∈NpiYi≤B;]]>
条件2：Yi＝{0,1},i∈N；
其中，Yi是一个示性变量用来表示平台是否选择这个用户参与完成任务。对于式子(4)无法在多项式时间内求得问题的最优解，基于此问题，再此采用贪心算法来使得结果达到近似最优，进而得到平台选择参与完成任务的用户。
其中，所述贪心算法的步骤如下：
步骤一：平台根据所有用户为完成每种任务所提供的单位用户预算经费的用户预算带宽的升序排列来选择用户。
步骤二：如果平台目前所选择的用户所提供的用户预算经费的总额超过了平台的预算，平台就停止选择用户，并将当前已经选择的用户作为最终的选择的用户。否则，平台就继续选择用户。较佳的，以平台预算经费来优化所选用户。
步骤三：若平台目前所选择的用户所提供的用户预算带宽的总量大于所有的用户中提供的用户预算带宽最大的用户，则平台就选择在步骤二中所选择的用户，否则平台就选择所有的用户中提供的用户预算带宽最大的用户。较佳的，以平台预算带宽来优化所选用户。
接着，执行步骤S30，在所述平台所选择的用户中分配任务。
执行步骤S20的过程中已经通过贪心算法，平台最终确定下来选择参与完成任务的用户，接下来平台需要在所选择的用户中分配任务，需要考虑如何将任务以最优分配方式分配下去，以达到最大化社会效益的同时还能保持平台带宽较高的利用率。此时将最大化社会效益S作为优化目标刻画：
max S         (5)
限制条件如下：
条件1：
条件2:
条件3：Σj∈Mdij≤bi,∀i∈Tj;]]>
其中条件1将平台选择参与完成任务用户完成平台上各个任务所产生的任务效益之和(即社会效益)，利用符合参与各种任务的公平性的条件(即任务的权重之比等于任务产生的效益之比)来减少优化目标(5)过程中未知参量。
考虑到社会效益最大化与任务的权重之比等于任务产生的效益之比不能同时达到，因此将公式(5)所刻画的优化目标进一步刻画为：
maxΣj∈MΣi∈Tjlog(1+dij)---(6)]]>
限制条件如下：
条件1：
条件2：Σj∈Mdij≤bi,∀i∈Tj;]]>
其中α是一个常数，这里为了使得平台在确保获得社会效益最大的情况下，能够具有较大的平台的带宽的利用率，使用条件2实现对平台预算带宽大小的限制，以取得合适的点对用户进行分配任务，获得高的频带利用率。
通过条件1所确定的有关的范围，接下来，根据的范围来计算分配给每个用户的带宽大小，较佳的，所述在所述平台所选择的用户中分配任务是通 过对每个参与完成任务的用户的对偶变量进行迭代计算的方式完成的。
具体的，平台在所选择的用户中分配任务的过程包括以下步骤：
对每个用户的对偶变量进行迭代；
平台收到每个用户提交的对偶变量后计算分配给每个用户的数据量；
重复执行上面两个步骤，直至收敛为止。
对于步骤S30具体所涉及的计算过程及原理如下：
由公式(6)刻画的优化目标转化为以下的等价形式：
min-Σj∈MΣi∈Tjlog(1+dij)---(7)]]>
公式(7)的限制条件与公式(6)的相同，具体如下：

Σj∈Mdij≤bi,∀i∈Tj;]]>
由于公式(7)所刻画的优化目标是一个凸规划问题，可以用拉格朗日对偶法来解决。
拉格朗日函数L(d,β,γ,v)为：
L(d,β,γ,v)=-Σj∈MΣi∈Tjlog(1+dij)+Σj∈MΣi∈Tjβij(ωj′S-dij)+Σj∈MΣi∈Tjγij(dij-α)+Σi∈Tjvi(Σj∈Mdij-bi)---(8)]]>
其中vi是对偶变量。
由于公式(7)所刻画的优化目标满足slater条件，并且，目标函数-Σj∈MΣi∈Tjlog(1+dij)]]>和限制条件Σj∈Mdij≤bi,∀i∈Tj]]>都是可微的，所以公式(7)的最优解满足KKT条件：
▿dijL(d,β,γ,v)=0,∀i∈Tj,j∈M⇔-11+dij-βij+γij+vi=0,∀i∈Ti,j∈M]]>
和
βij(ωj′S-dij)=0,∀i∈Tj,j∈Mγij(dij-α)=0,∀i∈Tj,j∈Mvi(Σj∈Mdij-bi)=0,∀i∈Tj,j∈Mβij≥0,γij≥0,∀i∈Tj,j∈Mvi≥0,∀i∈Tj,j∈M]]>
对于(7)中的限制条件考虑一般的情况，根据KKT条件中的βij(ωj′S-dij)=0,∀i∈Tj,j∈M,γij(dij-α)=0,∀i∈Tj,j∈M,]]>-11+dij-βij+γij+vi=0,∀i∈Ti,j∈M]]>可知βij=0,γij=0,dij=1vi-1,]]>此时，将其带入公式(8)，拉格朗日函数(8)变为：
L(d,v)=-Σj∈MΣi∈Tjlog(1+dij)+Σi∈Tjvi(Σj∈Mdij-bi)---(9)]]>
由公式(9)定义拉格朗日对偶函数g(v)如下：
g(v)=mindL(d,v)=Σj∈MΣi∈Tj1-vi-vibi+logvi---(10)]]>
取拉格朗日对偶函数的最大值：
max g(v)   (11)
需要满足v≥0，由于公式(11)满足slater条件，所以对偶间隙为零，所以，只需要解出对偶问题的解就可以得到分配给每个用户的带宽大小的解。
为了使得对偶函数快速收敛，这里使用梯度投影方法更新对偶变量，梯度投影方法的更新规则定义如下：
vi(t+1)=max{0,vi(t)+ξ∂g∂vi}---(12)]]>
其中，ξ是迭代的步长，是迭代的方向。
接下来给出一个定理说明此更新规则可以保证对偶问题能够收敛到最优解。
定理：任意给定一个值v(0)>0和并运用更新规则(12)，则其中v*是对偶问题(3)的最优解。
证明：K-李普希茨连续性：若存在常数K使得函数f(x)满足|f(x)-f(y)|≤K|x-y|，就称函数f(x)满足K-李普希茨连续性。
首先证明对偶函数g(v)的梯度具有K-李普希茨连续性。
定义一个函数其中x≥1/(1+α)，α是一个常数。因为所以函数的李普希茨常数是(1+α)2。
定义对偶函数的梯度如下：
Di(v)=∂g(v)∂vi=Σj∈Mdij-bi---(13)]]>
根据dij=1vi-1]]>和hij(x)=1x-1]]>可以得出dij=1vi-1=hij(vi);]]>
根据(13)得出Di(v)=Σj∈Mhij(vi)-bi.]]>
|Di(v)-Di(v′)|≤Σj∈M|hij(vi)-hij(vi′)|≤Σj∈M(1+α)2|vi-vi′|]]>
其中v′，v都是变量。
从上面的式子可以得到：
||D(v)-D(v′)||1=Σi∈Tj|Di(v)-Di(v′)|≤Σj∈M(1+α)2Σi∈Tj|vi-vi′|=Σj∈M(1+α)2||v-v′||1]]>
由于||v||≤||v||1≤|Tj|||v||,v∈R|Tj|,∀j∈M]]>所以
||D(v)-D(v′)||≤||D(v)-D(v′)||1≤Σj∈M(1+α)2||v-v′||1≤|Tj|Σj∈M(1+α)2||v-v′||=|Tj|(1+α)2|M|||v-v′||]]>
所以，对偶函数的李普希茨常数是
因此，上述定理的结论成立。
下面给出计算每个参与的用户分配到的平台预算带宽dij大小的编程代码如下：


其中，上述编程代码所以涉及的参数如下
(1)带宽大小bi,∀i∈Tj,j∈M;]]>
(2)S∈(0,S*]其中S*是maxS的最优值；
其中，Σj∈Mdij≤bi,∀i∈Tj;]]>
(3)迭代的次数T；
(4)迭代的步长ξ∈(0,2/K]。
请参考图2，其为本发明一实施例中表征算法收敛性的说明图。如图2所示，图中的横坐标表示迭代的次数，纵坐标表示任务产生的效益，选取了三个任务分别为A,B,C。从图中可以看到随着迭代次数的增多，各个任务的社会效益在变小最终收敛到稳定值。由于，算法中初始化所以这条线的趋势是下降的。
综上，在本发明所提供的参与式感知系统中任务最优分配的方法中，参与式感知系统中的平台根据平台预设参数、参与各种任务的公平性及用户贡献数据，选择参与完成任务的用户；之后在所述平台所选择的用户中分配任务；由于有平台预设参数、参与各种任务的公平性及用户贡献数据这三个条件的限制，使得平台最终选择参与完成任务的用户能够产生最大的社会效益，平台上的各个任务高效有序的进行，从而避免出现现有技术中参与式感知系统中，在分配给每个用户的感知数据量时完全由平台来计算现象所造成的计算时间复杂度很大的问题。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。