《计算机应用》唯一官方网站 ›› 2020, Vol. 40 ›› Issue (2): 358-362.DOI: 10.11772/j.issn.1001-9081.2019081402
• 2019年全国开放式分布与并行计算学术年会(DPCS 2019)论文 • 上一篇 下一篇
Junying HAN1,2(), Zhenyu ZHANG1,2, Deshi KONG3
摘要:
多数群智感知(MCS)任务分配方法针对单个任务,难以适用于多任务实时并发的现实场景,而且往往需要实时获取用户位置,不利于保护参与者隐私。针对上述问题,提出了一种面向用户区域的分布式多任务分配方法Crowd-Cluster。该方法首先通过贪心启发算法将全局感知任务及用户区域进行分簇;其次,基于空间关联性采用Q-learning算法将并发任务组合构成任务路径;接着,构建符合玻尔兹曼分布的用户意愿模型对任务路径进行动态定价;最后,基于历史信誉记录贪心优选参与者实现任务分配。基于真实数据集mobility的实验结果表明,Crowd-Cluster能有效减少参与者总人数及用户总移动距离,并且在低人群密度场景下,还能降低感知资源不足对任务完成度的影响。
中图分类号: