论文部分内容阅读
通信技术和传感器技术的发展让智能移动终端拥有越来越强大的计算、感知、存储和通信能力,随着这些智能移动终端设备的爆炸式普及,移动群智感知（Mobile Crowdsensing,MCS）作为一种新兴的感知模式应运而生,它将众包思想与移动感知相结合,通过大量智能移动终端的不断移动和广泛参与完成大规模复杂感知。与传统的传感器网络相比,MCS具有部署成本更低、系统构建更加快捷、维护更容易、更具有可扩展性、高覆盖率、高移动性等优势,具有广阔的应用前景。大量参与者的共同协作是MCS高效运行的基础,但感知活动会消耗参与者一定的资源,同时存在隐私泄露的风险,导致参与者处理感知任务的意愿较低,因而设计高效合理的激励机制对MCS系统的运行至关重要。由于参与者的不断移动和感知任务的到达具有很强的随机性且难以预测,因而要想设计合理高效的激励机制并获得最大系统效用极具挑战。本文以李雅普诺夫优化理论为工具,针对动态随机MCS中完全信息条件下和不完全条件下激励机制设计问题开展研究。本文的主要工作和贡献包含5点,下面分别进行介绍。（1）设计MCS激励机制框架。首先通过研究现有MCS框架分析MCS激励机制框架设计的重要性和必要性。针对缺乏专门研究MCS激励机制框架的现状,从基本含义、构成要素、选择框架三个方面设计了激励机制框架。给出了激励机制的定义以及描述方法,既涵盖了传统的等式或不等式约束,也涵盖了个体理性、激励相容性、计算有效性、稳定性、系统有效性等特性约束。接下来详细分析了激励机制的构成要素,包括激励目标、交互模式、激励方式、约束条件、参与者选择、激励分配等六个方面,帮助研究人员更系统全面地认识MCS激励机制。最后,设计了激励机制选择框架P4,用以指导服务平台寻找不同条件下合适的激励机制。（2）提出基于当前信息的合作式完全信息激励机制CCIIM（Cooperative Incentive Mechanism under Complete Information）和贪婪的基于预测信息的合作式完全信息激励机制GP-CCIIM（Greedy Predictive Cooperative Incentive Mechanism under Complete Information）。首先将激励机制设计问题转化为最小化drift-minus-utility某个上界的问题以降低问题求解难度,进而设计了CCIIM,CCIIM仅需根据系统当前可用信息便可做出决策。接下来,将预测信息引入到CCIIM中,提出了基于预测信息的合作式完全信息激励机制P-CCIIM（Predictive CCIIM）,为了降低P-CCIIM的计算复杂度,本文进一步提出了贪婪的基于预测信息的合作式完全信息激励机制GP-CCIIM。理论分析表明,在任何控制参数V>0下,CCIIM和P-CCIIM均能将其平均效用与最优效用的差值可以控制在O（1/V）以内,而平均队长可以控制在O（V）以内。大量基于人工合成数据和实际数据的数值结果表明,CCIIM优于Greedy激励机制和Random激励机制,同时GP-CCIIM改善了CCIIM的效用-队长折中。（3）提出非合作式完全信息激励机制NCIIM（Non-cooperative Incentive Mechanism under Complete Information）。在对CCIIM研究的基础上,将服务平台和参与者之间的竞争关系考虑进来,让参与者参与到激励机制设计过程中。首先将服务平台和参与者的交互过程建模为两阶段非合作Stackelberg博弈,服务平台和参与者各自决策以最大化自身效用。在此基础上,利用反向归纳法设计了激励机制NCIIM。该激励机制仅依赖于当前信息便可运行,同时理论分析和仿真实验均表明,服务平台和参与者的策略达到均衡,任何一方都无法通过单方面改变策略来提升自身效用。最后,通过NCIIM和CCIIM的对比发现,相互竞争会使系统总效用产生一定的损失,而这个损失在一定参数条件下会变得很小。（4）提出激励相容的不完全信息激励机制ICIIIM（Incentive-Compatible Incentive Mechanism under Incomplete Information）。首先将服务平台和参与者的交互过程建模为拍卖过程,服务平台依据参与者上传的成本的竞标值设计激励机制。然后利用定制化的Myerson定理确保激励机制满足激励相容性,也就是参与者的竞标值为真实值时其效用最大。在此基础上,设计了激励机制ICIIIM。ICIIIM能够同时满足个体理性、激励相容性、计算有效性、稳定性、系统有效性等特性。大量实验表明,ICIIIM在系统平均效用和服务平台平均效用等性能指标上均优于经典的激励机制IMCU。（5）提出考虑参与约束的不完全信息激励机制PCIIIM（Incentive Mechanism under Incomplete Information and Participatory Constraint）。在对ICIIIM研究的基础上,将参与者的参与约束考虑进来,即参与者的胜出概率要达到一定水平。首先,将参与约束转化虚拟队列稳定性。然后引入调节因子来调整系统对参与约束的满足程度。在此基础上设计了PCIIIM,PCIIIM能够同时满足参与约束以及个体理性、激励相容性、计算有效性、稳定性、系统有效性等特性约束。大量实验表明,在考虑参与约束的前提下,PCIIIM在系统效用、平台效用和留在系统中的参与者数量等指标上均优于ICIIIM、IMCU等机制。综上,本文对MCS中的激励机制设计问题进行了探讨,为MCS的高效运行提供了理论依据和支撑,对推动MCS的研究和应用具有一定的理论和现实意义。