众包是一种新的解决问题的手段,它集结互联网大众的智慧来处理机器难处理的任务,如实体解析、语义分析、图片标注等。近几年来,众包在机器学习、数据清洗和数据集成等多个领域得到了广泛应用。在众包技术中,质量控制、成本控制和时间控制是三个主要的研究问题,而有效的任务分配是平衡三者的重要手段,现有任务分配方法大都聚焦于固定工人数量的前提下最大化任务答案质量,这种任务分配方式没有考虑任务难易程度对分配算法的影响,导致简单任务分配的工人数量过多而困难任务分配的工人数量不够的情况发生。少数任务分配算法目的是保证任务答案质量下最小化成本,但它们并未考虑到工人的到来顺序对经济成本的影响。此外,现有的算法对于任务完成时间的控制多基于报酬激励,吸引工人做任务,不适用于基于推模式的任务分配场景。针对上述问题,本文提出基于时间窗的众包任务动态分配算法,主要研究工作如下:(1)针对质量限定下最小化成本问题,本文提出了基于加权二分图的时间窗内任务分配算法(TAWBG)。首先定义了一个适合时间窗内进行任务分配的任务答案可信度连续预测方法,能够连续预测多个工人回答某任务后该任务的答案可信度,然后为时间窗内的可用工人集和可分配任务集构建加权二分图,权值为预测的答案可信度增益,优先将权值最大的边相连的任务分配给相应的工人;设计优化算法(TAWBGO),剪枝擅长程度低的工人和减少更新整个加权二分图和对边重排序的次数,以提高算法时间效率和降低经济成本。实验结果显示,与其他任务分配算法相比,TAWBG和TAWBGO算法不仅保证了任务答案质量,而且降低了经济成本,TAWBGO算法还以40倍的执行速度加快了 TAWBG算法的分配时间,降低了该算法的时间复杂度。(2)针对答案质量、花费成本和完成时间的平衡问题,本文提出了质量限定下最大化完成度的任务分配算法,包括早截止任务优先分配算法(TPAED)和基于紧迫度的任务分配算法(TAU)。实验结果表明这两种算法不仅能有效地控制任务答案质量,还能提高任务完成度和降低经济成本。