一种基于预测型烟花算法的群智感知系统任务分配方法技术方案

本发明专利技术公开一种基于预测型烟花算法的群智感知系统任务分配方法：包括问题信息读取，包括各个任务和所有参与者的位置坐标、任务点所处环境信息、参与者的身体状况、信誉度与兴趣度和问题规模；初始化预测型烟花算法的参数；利用反向学习的思想初始化个体；计算种群中所有个体的目标值，确定核心烟花和中心烟花；采用分组线性预测策略对所有烟花个体爆炸振幅动态调整；利用两种启发信息产生火花；所有烟花个体采用变异自适应竞争机制产生变异火花；排序选择与核心烟花保留策略选择出下一代烟花；判断是否达到终止条件。本发明专利技术具有搜索速度快，搜索能力强，分配方案中平台成本最小的优点。小的优点。小的优点。

【技术实现步骤摘要】
一种基于预测型烟花算法的群智感知系统任务分配方法


[0001]本专利技术涉及群智感知任务分配
，具体是一种基于预测型烟花算法的群智感知系统任务分配方法。

技术介绍

[0002]自十九届五中全会上强调“推动绿色发展，促进人与自然和谐共生”这一理念以来，国家对环境质量的改善给予了持续的关注。当城市空气中的污染物含量超标和噪声分贝过大时，会使得环境承载能力下降，最终影响市民的身体健康。职能部门的常规做法是在不同的位置布设测量仪器，以监测室外空气污染和城市噪声。该方式对监测点位置的合理性和可建设性要求较高，分布范围较小且需要专业人员对设备进行定期维护。在无监测点的区域会出现数据收集不及时的现象。近年来，随着可手持设备和可穿戴设备的迅速普及，以及它们在物联网和智能城市中的充分应用，人与物之间信息共享与交互日益频繁，由此移动群智感知(Mobile Crowd
‑
Sensing,MCS)已成为传感和收集数据的一种高效的城市感知模式。MCS是指通过人们已有的移动设备形成参与式的感知网络，并将感知任务发布给网络中的个体或群体来完成，从而帮助专业人员或公众收集数据、分析信息和共享知识。目前，MCS已应用于交通监控、空气质量检测、流域条件检测、健康感知和饮食感知等问题。将MCS用于空气污染和噪声监测，为城市管理提供了新的解决方案，可以在没有额外花费的基础上，扩大已部署的传感系统的空间覆盖范围，从而显著改善公民的日常生活。
[0003]MCS任务分配已被证明为NP
‑
hard问题。传统方法受到时间和空间复杂度的限制，大多只适用于小规模问题。部分方法虽可用于求解大规模问题，但对解的质量无法保证。为此，学者们提出了元启发式算法。烟花算法(FWA)是模拟烟花在夜空中爆炸过程的一种元启发式算法。算法它具有爆发性、瞬时性、简单性等特点。预测性烟花算法是烟花算法的改进版本，它将MCS任务分配的问题信息与烟花算法的结构特点相融合，该算法基本步骤如下：采用整数编码的方式，利用反向学习的思想生成初始种群，计算每个个体的目标值，确定核心烟花与中心烟花；采用分组线性预测策略动态调整爆炸振幅：以中心烟花为界将种群分为两组，每组烟花分别向这一组中目标值最小的烟花学习，即排序在前的一组烟花向核心烟花学习，排序在后的一组烟花向中心烟花学习。对烟花将其相应的基准烟花在前后两代的爆炸振幅变化量与基本爆炸振幅相加，得到最终的爆炸振幅利用距离和匹配度两种启发信息指导产生火花；烟花采用变异自适应竞争机制产生变异火花：首先，对第k个烟花采用基于贡献度的轮盘赌策略选择对应的变异方式，分别为随机替换、两点交换和片段逆序。其后，记录第k个烟花产生第q个变异火花的变异方式rec
kq
，并在集合Y中保存变异火花y
kq
。最后，更新变异方式rec
kq
的贡献度和各变异方式的选择概率。传统烟花算法适用于连续优化问题，针对离散问题并不适用，并且未利用问题特征设计算子，搜索极为盲目，求解精度低。

技术实现思路

[0004]本专利技术的目的在于提供一种基于预测型烟花算法的群智感知系统任务分配方法，能够极大地提高算法的收敛速度，求解精度，从而快速规划出一个低成本的任务分配方案。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种基于预测型烟花算法的群智感知系统任务分配方法，分配方法包括以下步骤：
[0007]S1：读取问题输入的信息，定义优化目标，设定约束条件；
[0008]S2：初始化算法参数；
[0009]设置改进烟花算法进化种群规模为N、最大目标评价次数为Max_eva、调整比例r1、r2、初始三种变异方式贡献度、设置目标评价次数计数器eva＝0；
[0010]S3：引入反向学习生成初始候选种群，并计算目标值：
[0011]采用整数编码，首先随机生成N个个体，然后对各初始烟花的每一维进行反向调整，若反向烟花的目标值优于初始烟花，则用反向烟花替换初始烟花，劣于则保留初始烟花，将烟花的目标值从小到大排序，选出核心烟花与中心烟花；
[0012]S4：采用分组线性预测策略动态调整爆炸振幅：
[0013]以中心烟花为界将种群分为两组，每组烟花分别向这一组中目标值最小的烟花学习，即排序在前的一组烟花向核心烟花学习，排序在后的一组烟花向中心烟花学习；采用线性预测法，对烟花将其相应的基准烟花在前后两代的爆炸振幅变化量与基本爆炸振幅相加，得到最终的爆炸振幅
[0014]S5：利用两种启发信息产生火花：
[0015]每个烟花产生的爆炸火花有两种类型，分别由距离或匹配度指导产生；爆炸操作即为参与者之间的替换；
[0016]S6：烟花通过变异自适应竞争机制产生变异火花：
[0017]该机制设置三种变异方式，每个烟花通过基于贡献度C
w
,w＝1,2,3的轮盘赌策略自适应选择相应的变异方式，贡献度越高的变异方式被选择的概率越大，产生优良变异火花的可能性也越大；
[0018]S7：选择策略
[0019]采用保留每一代的核心烟花到下一代的精英保留策略，还对除核心烟花外的烟花和火花候选池中的个体根据目标值由小到大进行排序，火花候选池包括爆炸火花和变异火花，根据排序号计算选择概率；
[0020]S8：终止准则判断：
[0021]若eva>Max_eva则终止迭代，输出目标值最小的个体，该个体为成本最小的分配方案，否则继续评价，转步骤S4。
[0022]进一步的，所述步骤S1中问题输入的信息包括任务点数量T和参与者数量U、任务点和参与者的具体坐标信息、任务点所处环境的风速值，降雨量值和PM2.5值，以及参与者的身体状况、信誉度和兴趣度；所述优化目标为完成所有任务平台成本最少；所述约束条件为每个任务必须被完成且仅被完成一次，完成空气质量感知任务的均为健康参与者。
[0023]进一步的，每个所述个体表示一套分配方案：
[0024]X＝{x1,x2,
…
,x
U
}
[0025]其中，x
i
(i＝1,2,
…
,U)表示参与者的标号；计算每个个体的目标值f(X)：
[0026][0027][0028][0029]其中，平台总成本由补偿成本C
j
、数据损失成本P
ij
和距离成本Q
ij
组成；d
ij
表示参与者i与客户j之间的距离。
[0030]进一步的，步骤S1中，所述读取问题输入的信息，定义优化目标，设定约束条件的过程包括以下步骤：
[0031]S11:在公布任务点后，平台从气象部门发布的天气预报获取每个任务点j所处区域的当前PM2.5值a
j
，j＝1,2,
…
,m+n，降雨量值b
j
和风速值c
j
，相应的评价值和由本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测型烟花算法的群智感知系统任务分配方法，其特征在于，分配方法包括以下步骤：S1：读取问题输入的信息，定义优化目标，设定约束条件；S2：初始化算法参数；设置改进烟花算法进化种群规模为N、最大目标评价次数为Max_eva、调整比例r1、r2、初始三种变异方式贡献度、设置目标评价次数计数器eva＝0；S3：引入反向学习生成初始候选种群，并计算目标值：采用整数编码，首先随机生成N个个体，然后对各初始烟花的每一维进行反向调整，若反向烟花的目标值优于初始烟花，则用反向烟花替换初始烟花，劣于则保留初始烟花，将烟花的目标值从小到大排序，选出核心烟花与中心烟花；S4：采用分组线性预测策略动态调整爆炸振幅：以中心烟花为界将种群分为两组，每组烟花分别向这一组中目标值最小的烟花学习，即排序在前的一组烟花向核心烟花学习，排序在后的一组烟花向中心烟花学习；采用线性预测法，对烟花将其相应的基准烟花在前后两代的爆炸振幅变化量与基本爆炸振幅相加，得到最终的爆炸振幅S5：利用两种启发信息产生火花：每个烟花产生的爆炸火花有两种类型，分别由距离或匹配度指导产生；爆炸操作即为参与者之间的替换；S6：烟花通过变异自适应竞争机制产生变异火花：该机制设置三种变异方式，每个烟花通过基于贡献度C
w
,w＝1,2,3的轮盘赌策略自适应选择相应的变异方式，贡献度越高的变异方式被选择的概率越大，产生优良变异火花的可能性也越大；S7：选择策略采用保留每一代的核心烟花到下一代的精英保留策略，还对除核心烟花外的烟花和火花候选池中的个体根据目标值由小到大进行排序，火花候选池包括爆炸火花和变异火花，根据排序号计算选择概率；S8：终止准则判断：若eva>Max_eva则终止迭代，输出目标值最小的个体，该个体为成本最小的分配方案，否则继续评价，转步骤S4。2.根据权利要求1所述的基于预测型烟花算法的群智感知系统任务分配方法，其特征在于，所述步骤S1中问题输入的信息包括任务点数量T和参与者数量U、任务点和参与者的具体坐标信息、任务点所处环境的风速值，降雨量值和PM2.5值，以及参与者的身体状况、信誉度和兴趣度；所述优化目标为完成所有任务平台成本最少；所述约束条件为每个任务必须被完成且仅被完成一次，完成空气质量感知任务的均为健康参与者。3.根据权利要求1所述的基于预测型烟花算法的群智感知系统任务分配方法，其特征在于，每个所述个体表示一套分配方案：X＝{x1,x2,
…
,x
U
}其中，x
i
(i＝1,2,
…
,U)表示参与者的标号；计算每个个体的目标值f(X)：
其中，平台总成本由补偿成本C
j
、数据损失成本P
ij
和距离成本Q
ij
组成；d
ij
表示参与者i与客户j之间的距离。4.根据权利要求2所述的基于预测型烟花算法的群智感知系统任务分配方法，其特征在于，步骤S1中，所述读取问题输入的信息，定义优化目标，设定约束条件的过程包括以下步骤：S11:在公布任务点后，平台从气象部门发布的天气预报获取每个任务点j所处区域的当前PM2.5值a
j
，j＝1,2,
…
,m+n，降雨量值b
j
和风速值c
j
，相应的评价值和由此得到各任务点的环境综合评价值ω
j
：通过ω
j
计算任务j的补偿成本，以平衡个人损失与平台效益：C
j
＝α
j
×
BC其中，BC为完成一项任务的最大补偿成本，取值设定为5元，α
j
为等级系数；S12:兴趣度HI
ij
：参与者与任务之间的距离及参与者是否能够顺路完成任务这两个因素对参与者的兴趣度影响较大；在平台发布任务之后，第i个参与者对第j个任务的兴趣度HI
ij
：：其中，i＝1,2,
…
,l，d
ij
为参与者i与任务j之间的距离值，单位为km，γ为方向系数；S13:信誉度R
i
：R
i
的获取需从平台调取参与者的历史参与信息，包括历史数据感知质量HDA
i
和在线时间利用率OTU
i
；其中，HDA
i
定义为参与者i在其参与的所有历史任务中，实际测量时间和平台规定测量时间比值的平均值；OTU
i
定义为参与者i的实际工作时长
WT
i
与在线时长OT<...

【专利技术属性】
技术研发人员：申晓宁，许笛，姚铖滨，徐继勇，葛忠佩，陈庆洲，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：