一种基于CMOA的移动群智感知任务分配方法组成比例

该发明专利技术专利名为“一种基于CMOA的移动群智感知任务分配方法”。通过对执行者数据进行Circle混沌映射，将执行者用户进行混沌映射，使其分布更加均匀。其次在寻优过程中针对进行个体实行精英反向学习机制，生成精英反向解，通过扩大其候选解的集合，提高算法寻找全局最优的能力。在混沌蜉蝣优化算法寻优后期对劣势蜉蝣个体实行基于柯西变异的扰动机制，在劣势蜉蝣个体附近生成更大的扰动，保证种群的进化方向，提高算法收敛能力，提高求解精度。保证移动群智感知系统的效用值和感知数据的有效性，有效提高了任务分配的有效性和准确性。有效提高了任务分配的有效性和准确性。有效提高了任务分配的有效性和准确性。

【技术实现步骤摘要】
一种基于CMOA的移动群智感知任务分配方法
所属

[0001]本专利技术属于移动群智感知领域，涉及GPS、加速传感器、陀螺仪、环境数据、基于精英反向学习和柯西变异的混沌蜉蝣优化算法(Chaotic Mayfly Optimization Algorithm,CMOA)的任务分配方法,构建了任务发布者和执行者匹配模型，提高了任务分配的准确性和有效性。

技术介绍

[0002]移动群智感知是指将用户的移动智能终端设备作为基本感知单元，利用移动终端的感知、计算以及通信功能感知周围环境信息，并通过互联网进行协作转发，实现感知数据的收集与分发，从而解决大规模的复杂问题。在移动群智感知中系统任务分配是核心模块，主要工作是选择满足任务需求或平台要求的移动终端作为执行者完成感知任务。不同感知任务要求在设计分配方案时需要考虑不同的约束条件，明确约束条件有助于选择更合理执行者执行感知任务，主要约束条件分为感知质量、感知支出、感知时间、公平性以及隐私安全等几方面。由于任务分配所对应的优化问题属于NP
‑
hard解问题，不存在最有效的分配方式，所以需要获取次优的算法。传统任务分配模型主要以最小成本或数据最大化为目的采用贪婪算法，将任务分配给合适的用户，但是没有考虑移动群智感知平台的效用值和无法保证感知数据的有效性，本专利技术结合群智感知中的任务发布者与执行者的随机性与多条件下的感知任务的复杂性，提出了基于精英反向学习和柯西变异的混沌蜉蝣算法实现任务分配机制。通过gMisson移动群智感知平台与Matlab环境的仿真实验，提高了移动群智感知任务分配的有效性和准确性，该专利技术促进了移动群智感知的发展颇具现实意义。

技术实现思路

[0003]本专利技术的目的是提供一种基于CMOA的移动群智感知任务分配算法，可以通过对感知数据的质量、任务耗费时间以及平台整体效用值为约束条件，提高平台群智感知分配的效率和准确性。为实现上述目的，本专利技术首选通过对执行者数据进行Circle混沌映射，将执行者用户进行混沌映射，使其分布更加均匀。其次在寻优过程中针对进行个体实行精英反向学习机制，生成精英反向解，通过扩大其候选解的集合，提高算法寻找全局最优的能力。在混沌蜉蝣优化算法寻优后期对劣势蜉蝣个体实行基于柯西变异的扰动机制，在劣势蜉蝣个体附近生成更大的扰动，保证种群的进化方向，提高算法收敛能力，提高求解精度。有效提高了移动群智感知的任务分配的有效性和准确性。
[0004]本专利技术解决其技术问题所采用的技术方案是处理器为Inter Core i7
‑
4790H,内存容量为16GB，Windows 10操作系统，开发软件为MATLAB R2021a，使用M语言编写。
[0005]本专利技术的有益效果是，有效提高移动中任务分配机制的有效性和准确性，在保证执行者参与任务的积极性的同时提高感知数据的有效性。
附图说明
[0006]图1移动群智感知系统架构图
[0007]图2任务、执行者以及任务执行地点示意图
[0008]图3移动群智感知任务分配流程图
[0009]图4CMOA算法流程图
具体实施方案
[0010]下面结合附图，对专利技术作进一步详细说明。
[0011]参见图1，所述为移动群智感知架构图，系统主要包括任务发布者、执行者和服务器。任务发布者是需求者，主要是将感知任务发布到系统上。执行者包括机会式感知用户和参与式感知用户，前者机会式的执行感知任务，后者主动执行任务。服务器主要工作为接受任务请求进行解析，然后在候选执行者集合中选择最合适的执行者并将任务分配给该执行者。同时执行者上传感知数据之后，对数据进行校验，通过数据质量给予执行者合理的报酬。整个系统运行具体步骤如下：
[0012]步骤1：任务发布者在平台发布任务信息，主要包括完成任务时间、任务位置、任务需求以及报酬，任务表达式如式1所示。
[0013]t＝＜a
i
,I
i
(x
i
,y
i
),r
i
,p
i
,u
i
,d
i
＞
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0014]其中，a
i
表示任务的发布时间，I
i
表示位置，其中x
i
、y
i
分别是横、纵坐标，r
i
表示任务的范围，p
i
表示任务的报酬，u
i
表示接受该任务的用户，d
i
表示任务的截止时间。
[0015]步骤2：感知用户选择感知任务，平台根据用户特点与任务要求选择合适感知用户作为执行者并执行感知任务。用户定义为u，表达式如式(2)所示，任务约束条件为最大感知数据质量和最小花费时间，表达式如式(3)(4)所示。
[0016]u＝＜a
i
,I
i
(x
i
,y
i
),r
i
,ε＞
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017]其中，a
i
表示任务的发布时间，I
i
表示位置，其中x
i
、y
i
分别是横、纵坐标，r
i
表示执行者的有效范围，ε表示执行者的评价系数。
[0018][0019][0020]其中，T
i
表示每个用户完成所有任务所耗费的时间，n为完成任务的个数。
[0021]步骤3：用户提交感知数据，平台对数据进行校验，并按照感知数据的质量给予执行者合理的报酬。
[0022]参见图2，所述为任务、执行者和任务分布图。执行者任务和执行者都随机动态的出现在各个位置，当有任务出现时，其所对应的任务的执行地点也会相应出现。P表示任务执行点，u表示任务发布者，t表示感知用户。
[0023]参见图3所述为移动群智感知任务分配流程图，具体步骤如下：
[0024]步骤1任务发布者结合自己需求在平台发布任务需求，当有任务出现时，其所对应的任务的执行地点也会相应出现。假设所有的执行者都具有同等技术水平，处理任务时间相同。每个执行者的速度服从v
min
‑
v
max
的均匀分布。
[0025]步骤2在任务和执行者出现之后，在经过时间窗t内对出现的全部执行者信息进行收集，并开始进行任务分配。
[0026]步骤3首先会根据每个全体候选执行者的距离、质量成本以及其他属性进行全局搜索，选择合适的候选集。在任务分配过程中，会根据当前平台中设置阈值，只有执行者评价系数在阈值范围内才可以参加此次的任务分配。将候选集合种的用户按照Circle混沌映射对执行者进行初始化，然后在基于CMOA模型进行任务分配。然后在把最优结果按照参与式执行者和机会式执行者类型进行分配，其中参与者执行者直接分配即可，机会式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CMOA(Chaotic Mayfly Optimization Algorithm)的移动群智感知任务分配方法，包括基于Circle的混沌映射初始化种群，基于精英个体的反向学习机制及基于柯西变异的扰动机制。即首选通过对执行者数据进行Circle混沌映射，将执行者用户进行混沌映射，使其分布更加均匀，提高算法的搜索性能。其次在寻优过程中针对进行个体实行精英反向学习机制，生成精英反向解，通过扩大其候选解的集合，提高寻找全局最优的能力。在混沌蜉蝣优化算法寻优后期对劣势蜉蝣个体实行基于柯西变异的扰动机制，在劣势蜉蝣个体附近生成更大的扰动，保证种群的进化方向，提高算法收敛能力，提高求解精度。有效提高了移动群智感知的任务分配的有效性和准确性。2.根据权利要求1所述基于Circle混沌映射初始化执行者分布情况，其特征在于：改进后的CMOA通过Circle混沌初始化代替MOA中的随机生成，具体也映射方式如式(1)所示，随机生成的初始种群容易导致算法过早陷入局部最优的问题，通过Circle混沌映射初始化种群使得蜉蝣种群均匀分布在搜索空间内，提高蜉蝣算法的搜索性能：3.根据权利要求1所述基于精英个体的反向学习机制，其特征在于：在雄性蜉蝣和雌性蜉蝣交配繁衍产生子代阶段中，利用精英反向学习机制针对精英个体生成对应的精英反向解，采用双向评估导则，在选取适应度较高的蜉蝣个体作为下一代种群，增强算法的收敛速度，当前蜉蝣种群中D维搜索空间的候选解如式(2)所示，对应生成的精英反向解如式(3)(4)所示：X
i

【专利技术属性】
技术研发人员：张少丰，李书琴，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：