移动群智感知利用参与者携带的移动智能设备进行感知实时信息,因其具有时空覆盖广、成本低、易维护、易扩展等优点被广泛应用于基础设施、环境、社会等方面,并且许多移动群智感知应用平台已被开发。由于感知任务不断增多且资源有限,如何高效的完成任务分配是值得研究的热点问题。 在移动群智感知的实际应用中,任务分配效率、任务分配策略以及系统平台效益是受多方面因素影响的,主要挑战可以描述如下:1)由于任务分布在不同时空环境下,而时空环境中的核心因素是参与者密度,并且对任务完成的质量和效率具有重要的影响。然而,不同时空下参与者密度是非线性且复杂的,因此,第一个挑战是如何准确、灵活地获得参与者密度;2)考虑不同任务有不同的紧急性,因此第二个挑战是如何在任务紧急性的限制条件下实现任务分配策略并最大化所有任务的效用;3)考虑任务分布在不同的位置,参与者需要移动到不同任务的位置感知和执行任务,另外,参与者在选择任务时都有不同的偏好和目标,因此第三个挑战是在参与者意愿性的约束条件下如何规划参与者路径并最小化所有参与者的感知成本。为了应对这些挑战,主要研究工作如下。 首先,利用模糊逻辑控制方法对参与者密度进行分析。在该方法中,根据参与者的出行时间和空间来获取不同时空下的参与者密度。 其次,提出一种混合贪婪算法来分配紧急和非紧急任务,以确保紧急任务可以尽快分配,并且最大化所有任务的效用。首先,特定时间和空间下任务需要的有效样本数量是根据参与者密度和预设置的任务样本数来计算的。然后,通过考虑任务和参与者方面的属性来设计所有任务的效用。最后,提出一种混合贪婪算法来分配紧急任务和非紧急任务,以确保可以尽快分配紧急任务同时最大化所有任务的效用。 最后,提出一种结合天牛群优化算法和LOV规则的改进的天牛群优化算法来规划参与者的路径并最小化所有参与者的感知成本。首先,通过考虑任务的复杂度,任务分布的位置以及参与者携带的移动智能设备性能,不同地段路况条件以及参与者的意愿性来设计参与者的感知成本。其次,提出一种改进的天牛群优化算法来规划参与者的路径以最小化所有参与者的感知成本,同时满足参与者意愿性的约束条件。 此外,首先,基于MATLAB平台中的模糊逻辑控制系统对参与者密度进行设计和仿真,以获得不同时空下的参与者密度,然后基于参与者密度,对任务分配算法和路径规划算法的性能进行实验和分析。仿真结果表明,设计的参与者密度符合实际情况,另外,所提出的算法在最大化所有任务的效用、最小化所有参与者的感知成本以及收敛速度方面都优于其他基线。