论文部分内容阅读
随着移动智能设备的普及,移动群智感知作为一种新兴的感知网络应运而生。在有关移动群智感知的研究中,任务分配一直是研究的重点内容之一。移动群智感知中的任务类型多种多样,存在事先已知的离线任务,也存在发布时间不定的在线任务,还存在具有特定位置要求的空间任务。目前有关混合空间任务分配的研究不多,本课题对此进行研究,具体内容如下:针对离线空间任务与在线空间任务混合的分配问题,本课题设计了三种任务分配机制,分别为 CostFirst&&AM-ONLT、RatioFirst&&AM-ONLT 和GGA-TA&&AM-ONLT。这三种任务分配机制采用了三种不同的离线空间任务分配算法和相同的在线空间任务分配算法。针对事先己知的离线空间任务,本文设计了三种不同的任务分配算法,分别为:基于贪心策略的CostFirst算法,该算法优先为成本低的用户分配任务;基于贪心策略的RatioFirst算法,该算法优先为感知质量与成本比值高的用户分配任务;基于遗传算法和贪心策略混合的GGA-TA算法,该算法综合考虑了用户的感知质量、感知成本和执行能力。仿真实验验证了,在离线空间任务的分配问题中,GGA-TA算法所得分配方案在感知成本与用户移动的距离方面低于CostFirst和RatioFirst算法的结果,执行时间方面远远高于CostFirst和RatioFirst算法的执行时间。针对平台中发布时间不定的在线空间任务,本文设计了AM-ONLT算法。该算法基于贪心策略,在满足任务感知时间要求的情况下,将在线任务分配给距离其最近任务的感知用户。此外,针对用户感知数据质量的不确定性,根据用户的历史感知情况和当前任务的执行情况,对用户的感知质量进行更新。仿真实验验证了,GGA-TA&&AM-ONLT所得分配方案在感知成本方面和用户移动的距离方面,低于CostFirst&&AM-ON LT和RatioFirst&&AM-ONLT的分配结果,而执行时间远远高于 CostFirst&&AM-ONLT 和 RatioFirst&&AM-ONLT 的执行时间。RatioFirst&&AM-ONLT所得分配方案在感知成本方面与用户移动的距离方面,低于CostFirst&&AM-ONLT的分配结果,高于GGA-TA&&AM-ONLT的分配结果,且执行时间远远低于GGA-TA&&AM-ONLT的执行时间。