一種面向移動(dòng)群體感知的多任務(wù)工作者選擇方法
【專利摘要】一種面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于：包括以下步驟：S1：任務(wù)分類，組合；S2：初始化任務(wù)和工作者的參數(shù)；S3：對(duì)任務(wù)采用貪心策略和工作者進(jìn)行分配；S4：種群進(jìn)行初始化；S5：演化，得到結(jié)果。本發(fā)明的技術(shù)方案中充分考慮了任務(wù)的時(shí)空特性，并解決多任務(wù)的工作者選擇問(wèn)題，這對(duì)于大規(guī)模的移動(dòng)群體感知任務(wù)平臺(tái)來(lái)說(shuō)具有重大意義，能夠得到多任務(wù)工作者選擇的一個(gè)較優(yōu)的結(jié)果?？紤]到多任務(wù)工作者選擇問(wèn)題的解空間非常巨大，本發(fā)明所使用的融合貪心算法和遺傳算法的方法能夠在較短時(shí)間內(nèi)求得次優(yōu)解。
【專利說(shuō)明】
一種面向移動(dòng)群體感知的多任務(wù)工作者選擇方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于群體感知技術(shù)領(lǐng)域，特別涉及一種面向移動(dòng)群體感知的多任務(wù)工作者 選擇方法。
【背景技術(shù)】
[0002] 移動(dòng)群體感知是一種新興的感知方式，它利用人們隨身攜帶的移動(dòng)設(shè)備作為感知 終端來(lái)獲取人、社會(huì)和物理世界的動(dòng)態(tài)。移動(dòng)設(shè)備內(nèi)置有豐富的傳感器，且其計(jì)算能力、通 信能力、存儲(chǔ)能力等不斷增強(qiáng)，將大量的移動(dòng)設(shè)備通過(guò)移動(dòng)網(wǎng)絡(luò)組織起來(lái)，實(shí)現(xiàn)感知任務(wù)的 分發(fā)和感知數(shù)據(jù)的收集，成為獲取大規(guī)模感知數(shù)據(jù)的有效途徑。
[0003] 移動(dòng)群體感知的重大挑戰(zhàn)之一就是如何選擇合適的工作者去完成感知任務(wù)。專利 CN104917812A公開了一種應(yīng)用于群智計(jì)算的服務(wù)節(jié)點(diǎn)選擇方法，通過(guò)對(duì)服務(wù)節(jié)點(diǎn)各個(gè)服務(wù) 因素進(jìn)行測(cè)定和計(jì)算，能夠快速地為用戶篩選出最佳的服務(wù)節(jié)點(diǎn)并進(jìn)行服務(wù)請(qǐng)求的發(fā)送。 該方法綜合考慮服務(wù)節(jié)點(diǎn)的距離參數(shù)、服務(wù)預(yù)期滿意度、完成時(shí)間系數(shù)以及服務(wù)節(jié)點(diǎn)與任 務(wù)節(jié)點(diǎn)友好度來(lái)計(jì)算服務(wù)節(jié)點(diǎn)的適配系數(shù)，從而實(shí)現(xiàn)用戶滿意的服務(wù)節(jié)點(diǎn)的選擇。專利 CN102448123B則是一種無(wú)線傳感器網(wǎng)絡(luò)中基于節(jié)點(diǎn)性能的任務(wù)分配算法，該方法根據(jù)節(jié)點(diǎn) 處理任務(wù)的能量消耗、速率以及成功率構(gòu)建節(jié)點(diǎn)任務(wù)處理性能參數(shù)，通過(guò)量化節(jié)點(diǎn)性能來(lái) 簡(jiǎn)化任務(wù)分配策略，實(shí)現(xiàn)系統(tǒng)的能源高效和任務(wù)的實(shí)時(shí)響應(yīng)。專利CN101815326A公開了一 種基于協(xié)商的無(wú)線傳感器網(wǎng)絡(luò)任務(wù)分配方法，發(fā)布任務(wù)的節(jié)點(diǎn)和執(zhí)行任務(wù)的節(jié)點(diǎn)分別參與 招標(biāo)和競(jìng)標(biāo)，招標(biāo)方采用多屬性效用函數(shù)來(lái)評(píng)價(jià)與競(jìng)標(biāo)方的協(xié)商過(guò)程中各競(jìng)標(biāo)方的出價(jià)方 案，然后選擇中標(biāo)者。該發(fā)明在任務(wù)分配過(guò)程中就考慮節(jié)點(diǎn)的剩余電量和任務(wù)預(yù)期能耗等 因素，采用多屬性效用函數(shù)來(lái)評(píng)價(jià)分配方案的優(yōu)劣，提高了分配的綜合效用值。上述專利沒(méi) 有對(duì)移動(dòng)群體感知任務(wù)最重要的地理位置這一因素進(jìn)行考慮，因?yàn)槿蝿?wù)分布在物理環(huán)境 中，任務(wù)和工作者之間的地理位置關(guān)系對(duì)于工作者的選擇有著重要的影響。同時(shí)，任務(wù)的時(shí) 間要求也很少在已有的專利中考慮，而時(shí)間因素會(huì)影響工作者選擇的策略。此外，相比為工 作者一次分配單個(gè)任務(wù)，一次分配多個(gè)任務(wù)給工作者不僅能提高工作者參與任務(wù)獲取的收 益，也能提高任務(wù)的完成速度，而多任務(wù)的工作者選擇問(wèn)題在已有的專利中較少涉及。

【發(fā)明內(nèi)容】

[0004] 針對(duì)以上缺陷，本發(fā)明提供一種為多個(gè)移動(dòng)群體感知任務(wù)分配合適的參與者的方 法。
[0005] 本發(fā)明的技術(shù)方案為:一種面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，包括以 下步驟： SI:將任務(wù)分類，組合:根據(jù)任務(wù)的時(shí)間要求將任務(wù)分為即時(shí)任務(wù)和容延任務(wù)，然后將 同類的任務(wù)分別組合為即時(shí)任務(wù)集合、容延任務(wù)集合； S2:初始化任務(wù)和工作者的參數(shù):所述的參數(shù)包括任務(wù)備選工作者集合、工作者的位 置、歷史軌跡等； S3:對(duì)任務(wù)采用貪心策略和工作者進(jìn)行分配； S4:對(duì)遺傳算法種群進(jìn)行初始化:首先確定種群中個(gè)體的基因表達(dá)，然后用S3的分配結(jié) 果對(duì)種群進(jìn)行初始化； S5:演化，得到結(jié)果:在S4的基礎(chǔ)上經(jīng)過(guò)特定的選擇、交叉和變異操作，得到工作者選擇 的最終結(jié)果。
[0006] 優(yōu)選地，面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，所述S3中對(duì)于即時(shí)任務(wù)使 用最短距離優(yōu)先的貪心策略對(duì)任務(wù)和工作者進(jìn)行分配，計(jì)算所有的"任務(wù)-工作者"之間的 距離，選擇距離最近的一個(gè)"任務(wù)-工作者"，將該任務(wù)分配給該工作者;所述的距離計(jì)算使 用曼哈頓距離計(jì)算方式： dist(li，l2) = I lati_lat21 氺a+1 l〇ni_lon21 氺β， 其中1:和12表示兩個(gè)地理位置，I1由維度Iat1和經(jīng)度Iom組成，I 2由維度Iat2和經(jīng)度 Ion2組成，α和β分別是單位煒度和單位經(jīng)度的距離。
[0007] 優(yōu)選地，面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，所述S3中對(duì)于容延任務(wù)采 用任務(wù)數(shù)優(yōu)先的貪心策略對(duì)任務(wù)和工作者進(jìn)行分配，是指選擇可以完成任務(wù)數(shù)目最多的工 作者，將其可以完成的任務(wù)分配給該工作者。
[0008] 優(yōu)選地，面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，所述S3中容延任務(wù)中任務(wù) 分配前，先初始化工作者經(jīng)過(guò)即時(shí)任務(wù)地點(diǎn)的概率，用下式計(jì)算：
其中，工作者w擁有歷史地理位置記錄lr={ri，r2，···，rs}，每一個(gè)地理位置記錄ri由時(shí) 間rti和地理位置rh組成，任務(wù)t的位置用tl來(lái)表示，I {rt|rte {rti，rt2，"_rts}} I是工作者 擁有地理位置記錄的所有時(shí)間段數(shù)目，I Irt1Itl = H1I I是時(shí)間段內(nèi)工作者位置記錄出現(xiàn)任 務(wù)地點(diǎn)的所有時(shí)間段數(shù)目。
[0009] 優(yōu)選地，面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，設(shè)定概率大于0.8值時(shí)，任 務(wù)才可以被分配給該工作者。
[0010] 優(yōu)選地，面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，所述的S4確定種群中個(gè)體 的基因表達(dá)為:所述的即時(shí)任務(wù)的多任務(wù)分配用矩陣來(lái)表示基因，矩陣中的行代表工作者， 列代表任務(wù)，矩陣中元素為'1'則表示該元素對(duì)應(yīng)的任務(wù)分配給該元素對(duì)應(yīng)的工作者，為 '〇'則表示不分配;所述的容延任務(wù)的多任務(wù)工作者選擇用向量來(lái)表示基因，向量的維度等 于工作者的數(shù)量，向量中元素為' Γ表示該元素對(duì)應(yīng)的工作者被選擇，為'0'表示該元素對(duì) 應(yīng)的工作者不被選擇。
[0011] 優(yōu)選地，面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，所述的S4使用貪心算法來(lái) 初始化種群:所述即時(shí)任務(wù)的多任務(wù)分配問(wèn)題中，若貪心算法的結(jié)果中任務(wù)被分配給了某 個(gè)工作者，則基因矩陣中任務(wù)和工作者相交位置的元素被置為'1'，否則為'0' ；所述容延任 務(wù)的多任務(wù)工作者選擇問(wèn)題中，若在貪心算法的結(jié)果中工作者被選擇，則向量基因中該工 作者對(duì)應(yīng)的位置被置為' Γ，否則為' 0 '。
[0012] 優(yōu)選地，面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，所述S5中選擇操作使用輪 盤賭方法，即時(shí)任務(wù)的多任務(wù)工作者選擇問(wèn)題的交叉操作采用矩陣列交換的方式，容延任 務(wù)的多任務(wù)工作者選擇問(wèn)題的交叉操作采用向量片段交換的方式，兩種情形下的變異操作 都采用矩陣或者向量元素值取反的操作。
[0013] 優(yōu)選地，面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，所述的遺傳算法的選擇操 作是指選擇適應(yīng)度優(yōu)的個(gè)體保留到下一代，最終得到結(jié)果;所述即時(shí)任務(wù)的適應(yīng)度用下式 計(jì)算：
Td(ik)是第k個(gè)個(gè)體對(duì)應(yīng)的總移動(dòng)距離，f( ik)值越小，適應(yīng)度越優(yōu)； 所述容延任務(wù)的適應(yīng)度用下式計(jì)算：
其中Ck是第k個(gè)個(gè)體中值為'1'的元素的個(gè)數(shù)，f(ik)值越小，適應(yīng)度越優(yōu)。
[0014] 為了給多個(gè)移動(dòng)群體感知任務(wù)分配合適的參與者，我們重點(diǎn)考慮任務(wù)的時(shí)空特 性，針對(duì)一組即時(shí)任務(wù)選取完成任務(wù)時(shí)總移動(dòng)距離最短的工作者，針對(duì)一組容延任務(wù)選擇 數(shù)量最少的工作者。在這兩種情形中采用融合貪心算法和遺傳算法的方法來(lái)求解工作者選 擇的組合優(yōu)化問(wèn)題。
[0015] 在該方法中，即時(shí)任務(wù)要求在一段較短時(shí)間內(nèi)完成，因此需要工作者特地移動(dòng)到 任務(wù)地點(diǎn)去完成任務(wù)，此時(shí)，任務(wù)完成的總移動(dòng)距尚成為完成任務(wù)的主要代價(jià)，因此需要最 小化總移動(dòng)距離。而容延任務(wù)可以在未來(lái)一段較長(zhǎng)時(shí)間內(nèi)完成，我們選取在未來(lái)這段時(shí)間 內(nèi)可能會(huì)經(jīng)過(guò)任務(wù)地點(diǎn)的工作者，因此我們追求最小化工作者選擇的數(shù)量以提高工作者獲 得的平均任務(wù)數(shù)。在兩種情形的工作者選擇問(wèn)題中，我們根據(jù)問(wèn)題的定義形式，分別設(shè)計(jì)貪 心算法和遺傳算法，高效地求解問(wèn)題。
[0016] 本發(fā)明的技術(shù)方案中充分考慮了任務(wù)的時(shí)空特性，并解決多任務(wù)的工作者選擇問(wèn) 題，這對(duì)于大規(guī)模的移動(dòng)群體感知任務(wù)平臺(tái)來(lái)說(shuō)具有重大意義，能夠得到多任務(wù)工作者選 擇的一個(gè)較優(yōu)的結(jié)果。考慮到多任務(wù)工作者選擇問(wèn)題的解空間非常巨大，本發(fā)明所使用的 融合貪心算法和遺傳算法的方法能夠在較短時(shí)間內(nèi)求得次優(yōu)解。
【附圖說(shuō)明】
[0017] 圖1為本發(fā)明一種面向移動(dòng)群體感知的多任務(wù)工作者選擇方法的步驟示意圖； 圖2為本發(fā)明一種面向移動(dòng)群體感知的多任務(wù)工作者選擇方法的即時(shí)任務(wù)步驟示意 圖； 圖3為本發(fā)明一種面向移動(dòng)群體感知的多任務(wù)工作者選擇方法的容延任務(wù)步驟示意 圖。
【具體實(shí)施方式】
[0018] 為了使本發(fā)明的目的及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步 詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā) 明。 實(shí)施例
[0019] 步驟1:任務(wù)分類，組合:將任務(wù)分為即時(shí)任務(wù)和容延任務(wù)，然后將同類的任務(wù)分別 組合為即時(shí)任務(wù)集合TS、容延任務(wù)集合TD。
[0020] 即時(shí)任務(wù)需要在3小時(shí)之內(nèi)完成，容延任務(wù)可以在24小時(shí)之內(nèi)完成。假設(shè)分別有起 止時(shí)間一致的10個(gè)即時(shí)任務(wù)和10個(gè)容延任務(wù)，記為即時(shí)任務(wù)集合TS和容延任務(wù)集合TD。 [0021 ]步驟2:初始化任務(wù)和工作者的參數(shù):初始化即時(shí)任務(wù)集合TS的即時(shí)任務(wù)工作者備 選集合WS，容延任務(wù)集合TD的容延任務(wù)備選工作者集合WD;所述的即時(shí)任務(wù)工作者備選集 合WS中初始化工作者的位置。
[0022]初始化TS的工作者備選集合WS，TD的備選工作者集合WD，WS和WD中工作者數(shù)量均 為20 JS中初始化工作者的位置，設(shè)定工作者一次最多獲取3個(gè)任務(wù)。WD中初始化工作者的 歷史軌跡，計(jì)算每個(gè)工作者經(jīng)過(guò)TS中每個(gè)任務(wù)的地點(diǎn)的概率:設(shè)工作者W擁有歷史地理位置 記錄Ir= {ri，r2,…，rs}，每一個(gè)地理位置記錄ri由時(shí)間rti和地理位置rli組成，任務(wù)t的位 置用tl來(lái)表示。工作者w會(huì)經(jīng)過(guò)tl的概率是
式中，I Irt rte {rti，rt2，'"rts}} I是工作者擁有地理位置記錄的所有時(shí)間段數(shù)目，I {rti|tl=rli} I是 時(shí)間段內(nèi)工作者位置記錄出現(xiàn)任務(wù)地點(diǎn)的所有時(shí)間段數(shù)目，P(w，t)等于后者與前者的比 值。
[0023]設(shè)定概率大于0.8時(shí)，任務(wù)才可以被分配給該工作者。
[0024] 步驟3:對(duì)任務(wù)采用貪心策略和工作者進(jìn)行分配:對(duì)于一組即時(shí)任務(wù)，采用最短距 離優(yōu)先的貪心策略，每次選擇地理距離最短的任務(wù)和工作者進(jìn)行分配;對(duì)于一組容延任務(wù)， 米用完成任務(wù)最多優(yōu)先的貪心策略，每次選擇能完成任務(wù)最多的工作者來(lái)進(jìn)行任務(wù)分配。 [0025]在每次分配過(guò)程中，計(jì)算所有的"任務(wù)-工作者"元組之間的距離，選擇距離最近的 一個(gè)元組，將該元組的任務(wù)分配給工作者。然后將工作者的地點(diǎn)更新到任務(wù)地點(diǎn)，將工作者 已有任務(wù)數(shù)加1，如果工作者已有數(shù)目達(dá)到3,則工作者不再獲得任務(wù);將任務(wù)需求的工作者 數(shù)減1，如果工作者需求數(shù)量減為〇,則該任務(wù)不再分配，如此重復(fù)上述分配過(guò)程。距離的計(jì) 算使用曼哈頓距離計(jì)算方式:dist( Ii，h) = I lati_lat21 *a+ I loni-lom I *β，其中Ii和h表示 兩個(gè)地理位置，I1由維度Iati和經(jīng)度Ioni組成，I2由維度Iat 2和經(jīng)度Ion2組成，α和β分別是單 位煒度和單位經(jīng)度的距離。
[0026] 使用最多任務(wù)數(shù)優(yōu)先的貪心策略在工作者集合WD中分配任務(wù)集合TD:遍歷所有的 工作者，選擇可以完成任務(wù)數(shù)目最多的工作者，將其可以完成的任務(wù)分配給她/他。將被分 配的任務(wù)的工作者需求數(shù)量減1，如果任務(wù)需求人數(shù)達(dá)到〇,則不再分配該任務(wù)。如此重復(fù)以 上過(guò)程得到貪心算法的結(jié)果，結(jié)果可以用集合來(lái)表示，例如，{}，t 3}，{t2}} 表示第一個(gè)工作者分配到任務(wù)t#Pt3，第二個(gè)工作者未分配到任務(wù)，第三個(gè)工作者分配到任 務(wù)t 2，t#Pt3，第四個(gè)工作者分配到任務(wù)t2。
[0027] 步驟4:種群進(jìn)行初始化:首先確定種群中個(gè)體的基因表達(dá)，然后用步驟3的分配結(jié) 果對(duì)種群進(jìn)行初始化。
[0028] 首先確定種群中個(gè)體的基因表達(dá)，也就是如何表示一種分配方案。即時(shí)任務(wù)的多 任務(wù)分配問(wèn)題中，每個(gè)工作者可能完成若干個(gè)任務(wù)，因此可以用矩陣來(lái)表示基因，矩陣中的 行代表工作者，列代表任務(wù)，矩陣中元素為' Γ則表示該元素對(duì)應(yīng)的任務(wù)分配給該元素對(duì)應(yīng) 的工作者，為'0'則表示不分配。例：
、矩陣表示在4個(gè)工作者中分配兩個(gè)任務(wù)時(shí)的 基因表達(dá)。為了滿足問(wèn)題的約束條件，基因矩陣需要滿足任務(wù)可行性和工作者可行性:任務(wù) 可行性表示每一列元素的和等于任務(wù)需求的工作者數(shù)量，工作者可行性表示每一行元素的 和不大于工作者一次可獲得的最大任務(wù)數(shù)3。容延任務(wù)的多任務(wù)工作者選擇問(wèn)題中，一個(gè)工 作者一旦被選擇，該工作者就獲得他能完成的所有任務(wù)。因此可以使用向量來(lái)表示基因，例 如使用向量(1，〇，I，1)可以表示第1，3，4個(gè)工作者被選擇，第2個(gè)工作者未被選擇。向量的維 度等于工作者的數(shù)量，向量中元素為' 1'表示該元素對(duì)應(yīng)的工作者被選擇，為'〇'表示該元 素對(duì)應(yīng)的工作者不被選擇。
[0029] 確立種群基因表達(dá)之后，使用貪心算法來(lái)初始化種群:在即時(shí)任務(wù)的多任務(wù)分配 問(wèn)題中，若貪心算法的結(jié)果中任務(wù)被分配給了某個(gè)工作者，則基因矩陣中任務(wù)和工作者相 交位置的元素被置為'1'，否則為'0'。在容延任務(wù)的多任務(wù)工作者選擇問(wèn)題中，若在貪心算 法的結(jié)果中工作者被選擇，則向量基因中該工作者對(duì)應(yīng)的位置被置為'1'，否則為'0'。
[0030] 步驟5:演化，得到結(jié)果：指在S4的基礎(chǔ)上經(jīng)過(guò)特定的選擇、交叉和變異操作，得到 工作者選擇的最終結(jié)果。
[0031] 遺傳算法的選擇操作選擇適應(yīng)度優(yōu)的個(gè)體保留到下一代。在即時(shí)任務(wù)的多任務(wù)分 配問(wèn)題中，因?yàn)閮?yōu)化目標(biāo)是最小化總移動(dòng)距離，因此適應(yīng)度可以用下面的式子計(jì)算：
M (ik)是第k個(gè)個(gè)體對(duì)應(yīng)的總移動(dòng)距離。f (ik)值越小，適應(yīng)度越優(yōu)。
[0032]在容延任務(wù)的多任務(wù)工作者選擇問(wèn)題中，因?yàn)閮?yōu)化的目標(biāo)是最小化工作者選擇的 數(shù)量，所以適應(yīng)度可以用下面的式子計(jì)算：
其中Ck是第k個(gè)個(gè)體中值為'1'的元 素的個(gè)數(shù)。f (ik)值越小，適應(yīng)度越優(yōu)。
[0033] 在兩種算法中都使用輪盤賭方法來(lái)進(jìn)行個(gè)體選擇，即每次選擇操作時(shí)將個(gè)體的適 應(yīng)度在總適應(yīng)度中所占的比值作為個(gè)體在輪盤中的占比大小，輪盤旋轉(zhuǎn)一次所選擇的個(gè)體 被淘汰，也就是適應(yīng)度大的個(gè)體更容易被淘汰。
[0034] 在即時(shí)任務(wù)的多任務(wù)分配問(wèn)題中，個(gè)體的基因表達(dá)是矩陣，交叉操作采用矩陣對(duì) 應(yīng)列交換的方式來(lái)生成子個(gè)體，因?yàn)檫@樣的方式至少使得任務(wù)可行性得到滿足，我們只需 精心挑選合適的列進(jìn)行交換以保證工作者可行性也是滿足的。在容延任務(wù)的多任務(wù)工作者 選擇問(wèn)題中，交叉操作直接交換兩個(gè)向量的基因片段得到子個(gè)體。
[0035] 兩種情形采用相同的變異操作，即將矩陣或者向量基因表達(dá)中的部分元素取反： '1'變成變成'1'。
[0036] 以上所述僅是本發(fā)明的實(shí)施過(guò)程，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái) 說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為 本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:包括以下步驟： S1:將任務(wù)分類，組合:根據(jù)任務(wù)的時(shí)間要求將任務(wù)分為即時(shí)任務(wù)和容延任務(wù)，然后將 同類的任務(wù)分別組合為即時(shí)任務(wù)集合、容延任務(wù)集合； S2:初始化任務(wù)和工作者的參數(shù):所述的參數(shù)包括任務(wù)備選工作者集合、工作者的位 置、歷史軌跡等； S3:對(duì)任務(wù)采用貪心策略和工作者進(jìn)行分配； S4:對(duì)遺傳算法種群進(jìn)行初始化:首先確定種群中個(gè)體的基因表達(dá)，然后用S3的分配結(jié) 果對(duì)種群進(jìn)行初始化； S5:演化，得到結(jié)果:在S4的基礎(chǔ)上經(jīng)過(guò)特定的選擇、交叉和變異操作，得到工作者選擇 的最終結(jié)果。2. 根據(jù)權(quán)利要求1所述的面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:所 述S3中對(duì)于即時(shí)任務(wù)使用最短距離優(yōu)先的貪心策略對(duì)任務(wù)和工作者進(jìn)行分配，計(jì)算所有的 "任務(wù)-工作者"之間的距離，選擇距離最近的一個(gè)"任務(wù)-工作者"，將該任務(wù)分配給該工作 者;所述的距離計(jì)算使用曼哈頓距離計(jì)算方式： dist(li，l2) = | lati_lat21 氺α+1 l〇ni_lon21 氺β， 其中l(wèi)i和12表示兩個(gè)地理位置，li由維度lati和經(jīng)度lom組成，12由維度lat 2和經(jīng)度lon2 組成，α和β分別是單位煒度和單位經(jīng)度的距離。3. 根據(jù)權(quán)利要求1所述的面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:所 述S3中對(duì)于容延任務(wù)采用任務(wù)數(shù)優(yōu)先的貪心策略對(duì)任務(wù)和工作者進(jìn)行分配，是指選擇可以 完成任務(wù)數(shù)目最多的工作者，將其可以完成的任務(wù)分配給該工作者。4. 根據(jù)權(quán)利要求3所述的面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:所 述S3中容延任務(wù)中任務(wù)分配前，先初始化工作者經(jīng)過(guò)即時(shí)任務(wù)地點(diǎn)的概率，用下式計(jì)算：其中，工作者w擁有歷史地理位置記錄lr= {ri，r2,…，rs}，每一個(gè)地理位置記錄ri由時(shí) 間rti和地理位置rli組成，任務(wù)t的位置用tl來(lái)表示，| {rt|rte {rti，rt2，"_rts}} |是工作者 擁有地理位置記錄的所有時(shí)間段數(shù)目，I {rtdtlirh} |是時(shí)間段內(nèi)工作者位置記錄出現(xiàn)任 務(wù)地點(diǎn)的所有時(shí)間段數(shù)目。5. 根據(jù)權(quán)利要求4所述的面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:設(shè) 定概率大于0.8值時(shí)，任務(wù)才可以被分配給該工作者。6. 根據(jù)權(quán)利要求1所述的面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:所 述的S4確定種群中個(gè)體的基因表達(dá)為:所述的即時(shí)任務(wù)的多任務(wù)分配用矩陣來(lái)表示基因， 矩陣中的行代表工作者，列代表任務(wù)，矩陣中元素為'1'則表示該元素對(duì)應(yīng)的任務(wù)分配給該 元素對(duì)應(yīng)的工作者，為' 0 '則表示不分配;所述的容延任務(wù)的多任務(wù)工作者選擇用向量來(lái)表 示基因，向量的維度等于工作者的數(shù)量，向量中元素為' Γ表示該元素對(duì)應(yīng)的工作者被選 擇，為' 〇 '表示該元素對(duì)應(yīng)的工作者不被選擇。7. 根據(jù)權(quán)利要求6所述的面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:所 述的S4使用貪心算法來(lái)初始化種群:所述即時(shí)任務(wù)的多任務(wù)分配問(wèn)題中，若貪心算法的結(jié) 果中任務(wù)被分配給了某個(gè)工作者，則基因矩陣中任務(wù)和工作者相交位置的元素被置為'1'， 否則為'〇'；所述容延任務(wù)的多任務(wù)工作者選擇問(wèn)題中，若在貪心算法的結(jié)果中工作者被選 擇，則向量基因中該工作者對(duì)應(yīng)的位置被置為' Γ，否則為' 0 '。8. 根據(jù)權(quán)利要求1所述的面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:所 述S5中選擇操作使用輪盤賭方法;即時(shí)任務(wù)的多任務(wù)工作者選擇問(wèn)題的交叉操作采用矩陣 列交換的方式，容延任務(wù)的多任務(wù)工作者選擇問(wèn)題的交叉操作采用向量片段交換的方式； 兩種情形下的變異操作都采用矩陣或者向量元素值取反的操作。9. 根據(jù)權(quán)利要求8所述的面向移動(dòng)群體感知的多任務(wù)工作者選擇方法，其特征在于:所 述的遺傳算法的選擇操作是指選擇適應(yīng)度優(yōu)的個(gè)體保留到下一代，最終得到結(jié)果;所述即 時(shí)任務(wù)的適應(yīng)度為最小化總移動(dòng)距離，用下式計(jì)算：Td (ik)是第k個(gè)個(gè)體對(duì)應(yīng)的總移動(dòng)距離，f (ik)值越小，適應(yīng)度越優(yōu)； 所述容延任務(wù)的適應(yīng)度為最小化工作者選擇的數(shù)量用下式計(jì)算：其中ck是第k個(gè)個(gè)體中值為'1'的元素的個(gè)數(shù)，f(ik)值越小，適應(yīng)度越優(yōu)。
【文檔編號(hào)】H04L29/08GK106056214SQ201610328835
【公開日】2016年10月26日
【申請(qǐng)日】2016年5月18日
【發(fā)明人】郭斌, 吳文樂(lè), 劉琰, 於志文, 王柱, 周興社
【申請(qǐng)人】西北工業(yè)大學(xué)