【摘 要】
:
近年来,随着物联网飞速发展和各种传感设备广泛普及,移动众包(Mobile Crowdsourcing,MCS)已经成为收集感知数据和提供服务的新兴范例。与传统众包的区别在于,MCS要求众包工人实际移动到特定地点来收集和上传感知数据。在移动众包系统中,需要制定高效的工人招募机制,激励用户积极主动地参与感知,提供高质量服务。本文主要针对移动众包中多目标工人招募机制进行研究。多目标优化问题在移动众包中具
论文部分内容阅读
近年来,随着物联网飞速发展和各种传感设备广泛普及,移动众包(Mobile Crowdsourcing,MCS)已经成为收集感知数据和提供服务的新兴范例。与传统众包的区别在于,MCS要求众包工人实际移动到特定地点来收集和上传感知数据。在移动众包系统中,需要制定高效的工人招募机制,激励用户积极主动地参与感知,提供高质量服务。本文主要针对移动众包中多目标工人招募机制进行研究。多目标优化问题在移动众包中具有非常重要和普遍的意义,MCS中存在众包工人、平台和请求者等多方的冲突问题,需要同时优化多个目标。然而,现有大多数研究针对单方面的多目标优化问题,或者只针对单一目标进行优化,影响移动众包的应用与发展。由于数据爆炸式增长,传统基于中心云的解决方案已经无法满足移动众包的需求,需要将边缘计算引入到传统移动众包中,为解决移动众包中的关键问题提供必要的技术支撑。本文的主要研究内容如下:1.为了同时解决移动众包系统中工人、平台和请求者三方的冲突问题,提出基于上下文感知的多目标工人招募机制。该机制考虑工人偏好特征、感知能力、声誉度等因素,将工人技能与任务需求进行匹配,通过交互式方法招募工人,减少请求者付款,为平台提供更多可选择的解决方案。采用贪婪线性权重优化算法和改进的差分进化算法相结合的优化算法,搜索Pareto最优解,加快收敛速度,在多个目标之间进行权衡,最大化社会福利。2.为了解决移动众包系统中冷启动问题,最大化任务完成率,提高服务质量,提出基于社交网络的多目标工人招募机制。该机制考虑工人的移动轨迹和时间属性,通过分析工人的社会属性来计算社交关系强度,为众包平台招募足够的工人。当工人不能执行分配的感知任务时,众包平台通过社交网络进行两阶段任务分配,实时更新传播和完成奖励。在预算约束下,采用基于贪婪的多目标优化算法最大化任务完成率,扩大MCS的感知覆盖范围。
其他文献
软件已经成为人们日常生活中不可或缺的一部分,因此保证软件的安全性是研究领域中热门话题。软件的可重复构建就是其中的一个研究方向,软件的可重复构建在确认软件的源代码和软件的二进制之间的对应关系中承担着重要的作用。但是在修复软件不可重复构建故障的工作中存在着一系列的挑战。在这些挑战中本文将主要关心以下两方面的挑战:(1)故障定位粒度不够精细;(2)修复补丁手动生成。为了应对这些挑战,本文提出了一种新的研
Agent理论和技术作为分布式人工智能的重要研究方向之一,近些年被应用到计算机支持的各种应用中。Agent理论的核心研究内容是多agent系统,它为内部独立的agent提供了一种称为联盟的协作模式,这种模式让agent可以自发地形成联盟并分配一定资源去共同完成一项任务,从而提高任务完成效率和个人收益。作为多agent系统中亟待解决的关键问题,联盟结构生成(Coalition Structure G
区块链去中心化导致了交易隐私数据泄露,引发信息安全问题。零知识范围证明,旨在机密验证交易数据范围区间,处理链上隐私保护和交易机密监管问题。而区块链交易吞吐量的倍增,提高了区块链对范围证明方案的性能需求。现有范围证明的证据生成及验证性能仍不如预期,且数据适配性和可聚合性较差,无法处理浮点数范围问题,也无法实现计算成本恒定的聚合证明,严重限制了链上机密交易性能。针对上述问题,本文主要工作内容如下:(1
由于区块链的共识机制范围是全体节点,基于区块链的加密货币的可扩展性存在严重的瓶颈。支付通道网络作为一种有前途的解决方案被提出。支付通道网络将区块链上的交易转移到链下的支付通道上进行,大大提高了交易速度。支付通道网络的路由算法对于优化支付通道网络的成功率、交易费用以及交易延迟至关重要。支付通道网络上的交易会在交易路径的任何支付通道余额不足的情况下失败。因此,为每个交易选择资金充足的支付通道作为交易路
小样本学习针对的是只有少量有标签样本的任务。由于样本信息较少,使得小样本学习成为深度学习应用中的一个挑战。本文的目的就是希望通过深度学习模型和度量学习的思想,在少量样本中提取更有类别代表性的特征,来提高小样本分类任务的准确性。具体地讲,度量学习方法旨在学习样本间的度量关系。在小样本学习图像分类问题中,度量学习的思想体现在,分类过程使用相似性度量的方式来判断两个样本是否属于同一个类别,而度量的对象就
在分布式网络中,各节点之间进行大文件的传输是现在生产和生活中经常出现的场景,由于物理条件的限制,单个节点不可能同时进行所有文件的传输。在这种情况下,安排文件在何时开始传输从而使得收益最大成了一个非常值得研究的问题。文件传输调度问题正是在这种背景下产生的。本文关注的是最基本的带有端口约束的文件传输调度问题——给定节点以及需要在节点间传输的文件,其中节点之间是全连通的,不允许文件经中间节点转发,并且文
为保证云上海量数据的安全性与可用性,用户在上传数据前通常会借助可搜索加密技术对其进行预处理,该技术使用特殊加密方法保留了密文数据的部分检索功能。然而,随着用户应用场景的拓展和推广,现有方案已不能满足用户的新需求,如对密文数据的更新以及处理更复杂的查询请求。功能的增加意味着更多样的数据操作,但这也会为安全性带来新风险,如何设计出功能丰富并且更安全的可搜索加密方案是一个新的挑战。本文首先给出了一个支持
社区挖掘是数据挖掘和网络科学中最重要的问题之一。由于目前对于社区没有一个统一的定义,在过去的几十年里,研究人员从不同的角度提出了很多的社区挖掘算法。然而,这些算法均不能直接评估带权网络中单个社区的统计显著性。本文从假设检验的角度提出了两个方法:一个是基于Logrank检验的带权网络中单个社区真实性的评估算法;另一个是带权网络中单个社区解析p值的计算方法以及相应的社区挖掘算法。鉴于实际网络中的边权重
决策树由于其简单、准确和较强的可解释性而被广泛应用于不同领域。与其他现有的分类器类似,这些基于树的分类算法是为定长的向量数据开发的,并且在处理复杂数据(如序列)方面存在一定的局限性。为了解决离散序列的分类问题,目前主要采用的策略是基于两步过程的序列分类算法,然而这种方法高度依赖于特征生成过程,并且可能会遗漏一些对构建树至关重要的特征。为了解决这些问题,本文完成了如下两项工作:(1)提出了一种新的面
近些年来,视频获取设备迅速普及,互联网技术迅速壮大,视频信息量按几何级数增长,为人工对这些数据进行分析带来了很大的挑战。即使投入大量的人力和物力对海量视频信息进行分析,但由于人们自身的弱点,漏检错检的情况也时而可见。因此,研究一个智能模型实现自动分析和识别人体行为至关重要。本文针对深度学习存在的不足,分别提出基于骨架关节点和LSTM的双层双向Seq2Seq行为识别算法(SB2_Seq2Seq),以