群智感知中确定和非确定轨迹下的车辆任务分配方法组成比例

本发明专利技术提供一种群智感知中确定和非确定轨迹下的车辆任务分配方法，其特征在于：用于确保所有任务执行，在确定性轨迹下，以最少代价选取车辆来完成任务；在不确定轨迹下，首先通过逻辑回归方法确定每个车辆轨迹的概率，然后利用半马尔可夫方法计算每辆车执行任务的概率，最后选取合适的车辆保证每个任务被执行的联合的概率大于概率阈值且代价最小；实现方式为，作为NP‑hard问题，采用基于贪婪选择的方式，对于给定的车辆集合V和给定的任务集合S，执行确定性轨迹任务分配过程或不确定性轨迹任务分配过程求取由最少代价的车辆集合执行任务集合S。本发明专利技术技术方案能够节约资源，支持实现高效地路网交通状态监测。

A vehicle task assignment method under certain and uncertain trajectory in swarm intelligence perception

【技术实现步骤摘要】
群智感知中确定和非确定轨迹下的车辆任务分配方法
本专利技术涉及群智感知车辆任务分配领域，具体涉及在车辆确定性和不确定性轨迹下的车辆任务分配方法。
技术介绍
随着移动计算和云计算的发展，群智感知逐渐出现在人们的生活中。粗略地说，群智感知是指雇用一组移动用户来携带移动设备来执行大规模的感知任务。例如，CN201810851372-一种在群智感知系统中基于关键路段的感知节点选取方法，提供了选取合适的车辆作为感知节点的技术方案。本专利技术重点关注的是基于车辆的任务分配问题。尽管有些文献已经研究过了相关问题，但是本专利技术的内容与它还是有很多不同。在文献[1]中，它主要研究的是在基于确定性轨迹模式预算限制下的传感质量问题，希望在有限的预算下达到最高的传感质量。但是在很多情况下，用户轨迹并不是确定的，优选的方式是，用户能执行任务仅仅当用户确实经过此兴趣点，而不是为了执行任务而改变原有路线，因为特意前往兴趣点执行任务这无疑增大了用户执行任务的代价，也增加了整体资源的浪费。在文献[2]中，主要研究了在不确定轨迹时用户招募问题。但是并没有考虑到用户选择路线的规律性，在日常生活中，如下班回家，天气、日期、时间，这些都会影响用户路线的选择。CN201510179384-提出了一个基于时间窗口的群智感知反向拍卖模型，但是它招募的用户的轨迹是确定的，用户需要偏离惯例而前往兴趣点执行此任务，对用户的干扰性较大，本专利技术中考虑了用户轨迹的不确定，对用户的干扰性较少，因此成本相比会更低。CN201610141592-提出了一个反向拍卖框架和两个可选的激励框架，此专利中更偏重于设计真实的激励机制来刺激用户作为参与者，而本专利技术中主要偏重于不同轨迹模式下的任务分配方法设计。CN201711147543-中主要考虑了用户不足情况时激励用户前往人数稀少的地点，偏重于激励机制的设计，并且仅仅考虑一个用户执行一个任务，而本专利技术中提出的多个用户联合执行同一个任务这个策略更加的高效且经济。参考文献：[1]K.Yi,R.Du,L.Li,Q.Chen,andG.Kai,“Fastparticipantrecruitmentalgorithmforlarge-scalevehicle-basedmobilecrowdsensing,”Pervasive&MobileComputing,vol.38,p.S1574119216303959,2017.[2]M.Xiao,J.Wu,H.Huang,L.Huang,andC.Hu,“Deadline-sensitiveuserrecruitmentformobilecrowdsensingwithprobabilisticcollaboration,”inIEEEInternationalConferenceonNetworkProtocols,2016.[3]B.Guo,L.Yan,W.Wu,Z.Yu,andH.Qi,“Activecrowd:Aframeworkforoptimizedmulti-taskallocationinmobilecrowdsensingsystems,”IEEETransactionsonHuman-MachineSystems,vol.47,no.3,pp.392–403,2017[4]G.Gao,M.Xiao,W.Jie,L.Huang,andH.Chang,“Truthfulincentivemechanismfornondeterministiccrowdsensingwithvehicles,”IEEETransactionsonMobileComputing,vol.PP,no.99,pp.1–1,2018.
技术实现思路
根据上述的一些研究存在的缺陷，本专利技术提供在确定性与不确定轨迹下的车辆任务分配的技术方案。本专利技术提供一种群智感知中确定和非确定轨迹下的车辆任务分配方法，用于确保所有任务执行，在确定性轨迹下，以最少代价选取车辆来完成任务，在不确定轨迹下，首先通过逻辑回归方式确定每个车辆轨迹的概率，然后利用半马尔可夫方式计算每辆车执行任务的概率，最后选取合适的车辆保证每个任务被执行的联合的概率大于概率阈值且代价最小；实现方式为，作为NP-hard问题，采用基于贪婪选择的方式，对于给定的车辆集合V和给定的任务集合S，执行确定性轨迹任务分配过程或不确定性轨迹任务分配过程求取由最少代价的车辆集合执行任务集合S。而且，所述确定性轨迹任务分配过程包括以下步骤，Step1，初始化集合Φ为空，转至Step2；Step2，计算在集合V中却不在集合Φ中的每个车辆vi的单位代价边际效用Δ(vi,Φ)，转至Step3；Step3，选择使得Δ(vi,Φ)最大的车辆，将该车辆加入到集合Φ中，vi执行相应的任务集合Si，如果集合Φ中的车辆能够执行所有任务，则转至Step4，否则，转至Step3。Step4，返回车辆集合Φ，结束。而且，定义效用函数f(Φ)表示在集合Φ中的所有车辆能够执行的不重复任务的个数，所述单位代价边际效用，表示在单位代价下新加入的车辆vi能够做的新的任务个数，vi∈V。而且，所述不确定性轨迹任务分配过程包括以下步骤，Step1，初始化集合Φ为空，转至Step2；Step2，计算在集合V中却不在集合Φ中的每个车辆vi的单位代价概率边际效用Δg(vi,Φ)，转至Step3；Step3，选择使得Δg(vi,Φ)最大的车辆，将该车辆加入到集合Φ中，如果所有任务都被分配完毕而且每个任务执行的概率不小于概率阈值β，则转至Step4，否则，转至Step3Step4，返回车辆集合Φ，结束。而且，定义效用函数g(Φ)表示在集合Φ中的车辆执行所有任务的总有效概率，所述单位代价概率边际效用表示在单位代价下新加入的车辆vi对执行任务增加的概率值，vi∈V。和现有技术相比，本专利技术的区别和相应优点在于：在本专利技术中，本专利技术关注具有确定性和非确定性轨迹的基于车辆的人群感知的最小代价任务分配问题，能够节约资源，支持实现高效地路网交通状态监测。现在大多的群智感知研究的是参与式传感[3]，即确定车辆的轨迹或者车辆因要执行任务而特意前往兴趣点，虽然这能够确保任务被执行，但是无疑增大了因距离产生的代价。很少研究有考虑到轨迹的动态性，即机会参与式传感。在本专利技术中，考虑了轨迹的动态性，根据车辆的历史轨迹数据，分析车辆轨迹规律，计算车辆在当前环境下路线选择的概率，而已存在很多文献例如文献[2]都忽视了这一点。在本专利技术中，考虑任务是时空敏感的，任务必须在特定地点和特定时间段内执行，本专利技术使用半马尔科夫技术研究任务被执行的概率，而现有的有些论文例如文献[4]默认车辆如果概率选择走某一条路线，则这条路线上的所有任务被执行的概率都是一样的，没有考虑任务的时间属性。附图说明图1为本专利技术实施例在不确定性轨迹模式下车辆联合概率执行任务示例说明图。图2为本专利技术实施例确定性轨迹任务分配过程对应示例说明图。图3为本专利技术实施例使用逻辑回归对路线进行分类的图图4为本专利技术实施例不确定性轨迹任务分配过程对应示例说明图。图5为本专利技术实施例在确定性轨迹模式下，车辆个数对总代价影响实验结果示意图。图6为本专利技术实施例在确定性轨迹模式下，任务个数对总代价影响实本文档来自技高网...

【技术保护点】
1.一种群智感知中确定和非确定轨迹下的车辆任务分配方法，其特征在于：用于确保所有任务执行，在确定性轨迹下，以最少代价选取车辆来完成任务，在不确定轨迹下，首先通过逻辑回归方式确定每个车辆轨迹的概率，然后利用半马尔可夫方式计算每辆车执行任务的概率，最后选取合适的车辆保证每个任务被执行的联合的概率大于概率阈值且代价最小；实现方式为，作为NP‑hard问题，采用基于贪婪选择的方式，对于给定的车辆集合V和给定的任务集合S，执行确定性轨迹任务分配过程或不确定性轨迹任务分配过程求取由最少代价的车辆集合执行任务集合S。

【技术特征摘要】
1.一种群智感知中确定和非确定轨迹下的车辆任务分配方法，其特征在于：用于确保所有任务执行，在确定性轨迹下，以最少代价选取车辆来完成任务，在不确定轨迹下，首先通过逻辑回归方式确定每个车辆轨迹的概率，然后利用半马尔可夫方式计算每辆车执行任务的概率，最后选取合适的车辆保证每个任务被执行的联合的概率大于概率阈值且代价最小；实现方式为，作为NP-hard问题，采用基于贪婪选择的方式，对于给定的车辆集合V和给定的任务集合S，执行确定性轨迹任务分配过程或不确定性轨迹任务分配过程求取由最少代价的车辆集合执行任务集合S。2.根据权利要求1所述群智感知中确定和非确定轨迹下的车辆任务分配方法，其特征在于：所述确定性轨迹任务分配过程包括以下步骤，Step1，初始化集合Φ为空，转至Step2；Step2，计算在集合V中却不在集合Φ中的每个车辆vi的单位代价边际效用Δ(vi,Φ)，转至Step3；Step3，选择使得Δ(vi,Φ)最大的车辆，将该车辆加入到集合Φ中，vi执行相应的任务集合Si，如果集合Φ中的车辆能够执行所有任务，则转至Step4，否则，转至Step3。Step4，返回车辆集...

【专利技术属性】
技术研发人员：李鹏，涂梅梅，周强，张涛，刘芹，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42