System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及群智感知技术和人工智能技术交叉,尤其涉及一种基于信任评估框架和禁忌搜索的工人招募方法及系统。
技术介绍
1、移动人群感知是通过物联网生态系统中的多个传感器和设备实现集体智能的范例。在物联网设备、边缘计算和无人机传感等技术的支持下,群智感知在城市传感、环境监测和交通管理等领域发挥着至关重要的作用。在协作式移动群智感知研究领域,一个关键问题是招募合适的工人团队来完成任务。现有的招募策略通常以效率、质量和覆盖范围作为驱动因素,却忽略了工人之间的协作关系。这会影响任务完成效果的合理评估。
2、随着微信、推特、instagram和facebook等在线社交平台的快速发展,吸引了全球大量的用户群,形成了大规模、复杂的社交网络。研究表明社交网络的正向网络外部性促进了用户信息共享和传播,而信息共享是提高团队任务完成效果的显著驱动力。因此,在协作式移动群智感知的背景下,构建稳定的社交网络能提升团队任务完成效果。值得注意的是良好的信任关系是构建稳定社交网络的关键。此外,但在群智感知背景中,信任关系能够避免信息失真、隐私-效用权衡和静态策略等局限性,从而提供一种更加动态、精准和适应性强的隐私保护方法。团队成员之间强烈的信任关系使得其不会将对方的隐私信息泄露,实现对团队社交网络的隐私保护。然而,现有针对信任评估的研究没有充分考虑信任的性质,这将影响信任评估的精确性。此外,现有的招募算法运行在单一的服务器上,面对超大范围和规模的招募任务,存在性能瓶颈、网络带宽和扩展性限制等。因此,通过信任关系提升任务完成效果和隐私保护仍然面临着
3、(1)目前缺乏高效精确信任评估框架,以获取所有工人之间的信任关系。(2)对于评估团队任务完成效果不能进行合理评估,并在低隐私损失的前提下,缺乏一种有效的招募算法解决招募问题。(3)对于超大范围和规模的工人招募,招募的效率有待提高。因此,如何在保证良好的隐私损失的前提下,基于工人之间信任关系的评估实现高效的工人招募,成为现有技术亟待解决的问题。
技术实现思路
1、针对现有技术存在的不足,本专利技术的目的是提供一种基于信任评估框架和禁忌搜索的工人招募方法及系统,可以精确的完成工人之间信任关系的评估并实现高效的工人招募,最大化任务的完成效果,同时保证良好的隐私损失。
2、为了实现上述目的,本专利技术是通过如下的技术方案来实现:
3、本专利技术第一方面提供了一种基于信任评估框架和禁忌搜索的工人招募方法,包括信任评估阶段、更新阶段和招募阶段;
4、信任评估阶段:训练得到信任评估模型,利用信任评估模型评估工人之间潜在的可信度,并将评估结果实数化转换为信任值以计算工人间协作的信任效益;
5、更新阶段:收集历史数据,利用历史数据计算工人的综合能力指标,并通过聚类算法实现区域划分;
6、根据区域划分结果、工人的综合能力指标、工人任务之间的距离和任务需求,平台计算并更新工人的能力效益和距离效益;
7、招募阶段:根据工人的距离效益、能力效益和信任效益计算所有候选工人对任务的完成效果;
8、根据候选工人对任务的完成效果构建无向完全招募图;
9、利用禁忌搜索招募算法对无向完全招募图进行处理,得到任务最佳的执行团队,其中,基于冲突策略解决任务的执行团队出现的冲突,并根据隐私损失阈值从任务的执行团队中确定任务的协作团队。
10、进一步的,训练得到信任评估模型的具体步骤为:
11、使用node2vec预训练模型,获得嵌入层的初始状态;
12、引入信任的传播性与组合性,探索并应用专家知识,输入信任强化卷积层完成信任传播;
13、将信任者和受信者的嵌入向量连接起来输入到全连接层,并通过归一化指数函数得到可信度;
14、利用adam优化器对模型参数进行调整,使交叉熵损失最小化,实现对工人之间信任关系的学习;
15、学习完成后,将受信者和信任者的潜在嵌入向量连接起来输入到全连接层,得到信任评估模型。
16、进一步的,计算工人间协作的信任效益时,额外考虑工人之间非对称信任值的差异,较大的差异会影响双方协作时的信任效益。
17、进一步的,利用小批量k均值(mini-batch k-means)聚类算法,通过随机抽样位置和在线更新的方式完成区域划分。
18、进一步的,历史数据包括工人历史执行任务的总里程、接单总数和任务的位置。
19、进一步的,利用历史数据计算工人的综合能力指标的具体步骤为:
20、通过工人历史执行任务的总里程和接单总数得到工人业务量和活跃度能力指标;
21、平台对工人各项能力指标进行最小值-最大值归一化处理,以计算工人的综合能力指标。
22、进一步的,将候选工人作为节点、候选工人对任务的完成效果作为无向边的权重,使工人招募问题被建模为无向完全招募图。
23、进一步的,利用禁忌搜索招募算法对无向完全招募图进行处理,得到任务最佳的执行团队的具体步骤为:
24、在无向完全招募图中随机生成任务的执行团队成为当前的解决方案,并计算执行团队平均任务完成效果;
25、生成当前解决方案的邻居,并计算邻居的执行团队平均任务完成效果;
26、选择执行团队平均任务完成效果最高的邻居与当前解决方案进行比较和更新;
27、更新迭代完成后,当前解决方案被招募为任务的执行团队。
28、进一步的,基于冲突策略解决任务的执行团队出现的冲突的具体步骤为:
29、计算冲突工人与团队中其他工人的任务完成效果的总和;
30、具有最高任务完成效果的执行团队将招募冲突工人,而其他执行团队将需要重新招募工人,直到没有冲突发生。
31、本专利技术第二方面提供了一种基于信任评估框架和禁忌搜索的工人招募系统,包括信任评估模块、更新模块和招募模块:
32、信任评估模块,被配置为训练得到信任评估模型,利用信任评估模型评估工人之间潜在的可信度,并将评估结果实数化转换为信任值以计算工人间协作的信任效益;
33、更新模块包括:
34、聚类模块,被配置为收集历史数据,利用历史数据计算工人的综合能力指标,并通过聚类算法实现区域划分;
35、效益计算模块,被配置为根据区域划分结果、工人的综合能力指标、工人任务之间的距离和任务需求,平台计算并更新工人的能力效益和距离效益;
36、招募模块包括:
37、完成效果预测模块,被配置为根据工人的距离效益、能力效益和信任效益计算所有候选工人对任务的完成效果;
38、招募图构建模块,被配置为根据候选工人对任务的完成效果构建无向完全招募图;
39、执行团队确定模块,被配置为利用禁忌搜索招募算法对无向完全招募图进行处理,得到任务最佳的执行团队,其中,基于冲突策略解决任务的执行团队出现的冲突,并本文档来自技高网...
【技术保护点】
1.一种基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,包括信任评估阶段、更新阶段和招募阶段;
2.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,训练得到信任评估模型的具体步骤为:
3.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,计算工人间协作的信任效益时,额外考虑工人之间非对称信任值的差异。
4.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,利用小批量K均值聚类算法,通过随机抽样位置和在线更新的方式完成区域划分。
5.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,历史数据包括工人历史执行任务的总里程、接单总数和任务的位置。
6.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,利用历史数据计算工人的综合能力指标的具体步骤为:
7.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,将候选工人作为节点、候选工人对任务的完成效果作为无向边的权重,使工人招募问题
8.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,利用禁忌搜索招募算法对无向完全招募图进行处理,得到任务最佳的执行团队的具体步骤为:
9.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,基于冲突策略解决任务的执行团队出现的冲突的具体步骤为:
10.一种基于信任评估框架和禁忌搜索的工人招募系统,其特征在于,包括信任评估模块、更新模块和招募模块:
...【技术特征摘要】
1.一种基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,包括信任评估阶段、更新阶段和招募阶段;
2.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,训练得到信任评估模型的具体步骤为:
3.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,计算工人间协作的信任效益时,额外考虑工人之间非对称信任值的差异。
4.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,利用小批量k均值聚类算法,通过随机抽样位置和在线更新的方式完成区域划分。
5.如权利要求1所述的基于信任评估框架和禁忌搜索的工人招募方法,其特征在于,历史数据包括工人历史执行任务的总里程、接单总数和任务的位置。
6.如权利要求1所述的...
【专利技术属性】
技术研发人员:王莹洁,湛中伟,段培永,童向荣,王鹏,
申请(专利权)人:烟台大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。