本發(fā)明屬于計(jì)算機(jī)應(yīng)用技術(shù)領(lǐng)域，涉及一種基于多智能體建模和專家系統(tǒng)的眾包平臺最優(yōu)投放策略生成器

背景技術(shù)：

眾包是一種通過互聯(lián)網(wǎng)把工作分發(fā)給分布于全球的大量的在線工作者來完成的新型商業(yè)模式。然而不同于傳統(tǒng)的外包業(yè)務(wù)，眾包業(yè)務(wù)中任務(wù)需求者和在線工作者之間沒有契約約束，而且在線工作者是完全匿名的，這就給質(zhì)量控制和進(jìn)度控制帶來了巨大的挑戰(zhàn)。同一件任務(wù)在眾包平臺上的不同設(shè)置和不同的投放策略會產(chǎn)生不同的完成質(zhì)量和完成時(shí)間。因此，在給定目標(biāo)質(zhì)量和目標(biāo)進(jìn)度的前提下，如何設(shè)計(jì)與如何投放任務(wù)是擺在每一個(gè)想利用眾包平臺的決策者所不能回避的問題。目前關(guān)于眾包平臺的研究，多是根據(jù)平臺上的全部任務(wù)數(shù)據(jù)擬合出任務(wù)完成質(zhì)量和完成時(shí)間的概率密度。而眾包任務(wù)設(shè)計(jì)也多是根據(jù)經(jīng)驗(yàn)進(jìn)行參數(shù)設(shè)定，或是根據(jù)酬勞與任務(wù)質(zhì)量之間的關(guān)系進(jìn)行定價(jià)，沒有把任務(wù)參數(shù)和在線工作者的特征作為一個(gè)整體來研究眾包平臺。同時(shí)，眾包平臺隨著在線工作者的動(dòng)態(tài)變化而日新月異。新來者加入進(jìn)來，有些人離開，已有的在線工作者工作技能不斷提高而成為高級工作者，從而有更高的薪酬預(yù)期。因此，如何制定出在各種不確定條件下依然可以實(shí)現(xiàn)既定目標(biāo)的具有魯棒性的任務(wù)設(shè)計(jì)策略是擺在每一個(gè)想利用眾包平臺的決策者不得不面對的挑戰(zhàn)。

國內(nèi)關(guān)于眾包的研究集中在商業(yè)模式上的創(chuàng)新，高校管理，以及信息收集，并衍生出一些新的詞匯如威客與眾籌。這些都是眾包在某一領(lǐng)域的具體應(yīng)用，從政策及理論層面的定性研究，而沒有提出可以量化的計(jì)算模型。另外也有使用改進(jìn)的期望最大化法對任務(wù)質(zhì)量進(jìn)行評估的研究。但都沒有考慮到眾包業(yè)務(wù)中任務(wù)需求者、任務(wù)、以及在線工作者本身的特性以及相互之間的聯(lián)系對整個(gè)系統(tǒng)的影 響。同時(shí)，基于統(tǒng)計(jì)數(shù)據(jù)和經(jīng)驗(yàn)所設(shè)計(jì)的眾包任務(wù)無法在多種不確定條件下實(shí)現(xiàn)預(yù)期的性能指標(biāo)。另一方面，考慮到國內(nèi)有大量的互聯(lián)網(wǎng)用戶和手機(jī)上網(wǎng)用戶，國內(nèi)的眾包業(yè)務(wù)前景十分廣闊。

為了進(jìn)行眾包任務(wù)設(shè)計(jì)，本發(fā)明使用專家系統(tǒng)(Expert System)以便任務(wù)設(shè)計(jì)生成器基于已有的知識而不斷進(jìn)化。專家系統(tǒng)是一個(gè)利用已有相似問題的解決方案來解決新問題的過程。與醫(yī)生看病的過程相似，專家系統(tǒng)在已有的案例庫中搜索與新問題相似的問題，進(jìn)而重用已有的醫(yī)療方案。專家系統(tǒng)可以總結(jié)為四個(gè)步驟：查詢，重用，修改，和保留。查詢指根據(jù)新問題的特征在已有案例庫中查詢相似案例的過程；重用指把已有解決方案應(yīng)用到新問題的過程；修改指如果應(yīng)用已有解決方案的預(yù)期與實(shí)際結(jié)果相差較大從而修改已有解決方案的過程；保留指把能達(dá)到預(yù)期的解決方案存入到案例庫的過程。

眾包平臺是一個(gè)復(fù)雜自適應(yīng)系統(tǒng)，這是因?yàn)闆]有中央控制，其整體特性是由分布于全球的在線工作者的個(gè)人行為以及相互間的聯(lián)系所決定的。因?yàn)榛谥悄荏w的仿真模型(Agent-based Model)是由大量的相互聯(lián)系的具有自主決策的個(gè)體組成，所以基于智能體建模是從復(fù)雜自適應(yīng)系統(tǒng)的角度來研究眾包平臺最為合適的方法。本發(fā)明利用基于智能體的眾包平臺模型來生成、測試任務(wù)設(shè)計(jì)方案，配合智能優(yōu)化算法以期獲得最優(yōu)設(shè)計(jì)方案。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明建立一個(gè)與眾包平臺同步進(jìn)化的多智能體仿真模型，并根據(jù)仿真模型提供一個(gè)在各種不確定條件下依然能達(dá)到預(yù)期目標(biāo)的具有魯棒性的眾包任務(wù)設(shè)計(jì)策略生成器。

本發(fā)明的技術(shù)方案是通過結(jié)合專家系統(tǒng)(Expert System)，和基于智能體的仿真(Agent-based Modeling)建立一個(gè)與眾包平臺同步進(jìn)化的計(jì)算機(jī)仿真模型，并依據(jù)此模型構(gòu)建一個(gè)在各種不確定條件下具有魯棒性的眾包任務(wù)設(shè)計(jì)生成器。

一種基于多智能體建模和專家系統(tǒng)的眾包平臺最優(yōu)投放策略生成器，如圖1所示。

1)根據(jù)搜索關(guān)鍵字，在專家系統(tǒng)的案例庫內(nèi)搜索相似的案例；如果其相似度大于一個(gè)預(yù)先設(shè)定的閾值，則直接使用已有案例的解決方案作為眾包任務(wù)設(shè)計(jì)方案；如果其相似度達(dá)不到預(yù)先設(shè)定的閾值，則通過基于智能體的眾包平臺仿真模型生成一個(gè)新的眾包任務(wù)設(shè)計(jì)方案。

2)根據(jù)新的設(shè)計(jì)方案設(shè)計(jì)的眾包任務(wù)投放到眾包平臺上；如果眾包任務(wù)的性能指標(biāo)達(dá)到預(yù)期，則把相應(yīng)的眾包任務(wù)設(shè)計(jì)方案存入專家系統(tǒng)的案例庫中；如果眾包任務(wù)的性能指標(biāo)達(dá)不到預(yù)期，則丟棄這個(gè)設(shè)計(jì)方案。

3)如果此丟棄的解決方案來自于專家系統(tǒng)的案例庫，則通過基于智能體的眾包平臺仿真模型重新生成新的眾包任務(wù)設(shè)計(jì)方案，并投放到眾包平臺上；如果此丟棄的方案來自于基于智能體的眾包平臺仿真模型的輸出，則說明此仿真模型已經(jīng)過時(shí)，需要重新進(jìn)行校準(zhǔn)驗(yàn)證。

上述專家系統(tǒng)的案例庫中的每一個(gè)案例都包括三部分信息：任務(wù)類型、任務(wù)設(shè)置參數(shù)和預(yù)期的性能指標(biāo)；其中任務(wù)類型與預(yù)期的性能指標(biāo)構(gòu)成案例庫的搜索關(guān)鍵字；任務(wù)設(shè)置參數(shù)為任務(wù)設(shè)計(jì)方案。

上述任務(wù)類型包括視頻、音頻、文本、圖像、手寫識別；預(yù)期的性能指標(biāo)包括任務(wù)完成率、任務(wù)完成質(zhì)量和任務(wù)完成時(shí)間，即表示在眾包平臺上投放的任務(wù)在多長時(shí)間以多好的質(zhì)量完成。當(dāng)有一個(gè)新的任務(wù)要發(fā)布在眾包平臺上，根據(jù)任務(wù)的類型和預(yù)期的性能指標(biāo)在案例庫中搜索相似的案例，已有的相似的案例的任務(wù)設(shè)置參數(shù)就是任務(wù)設(shè)計(jì)方案。任務(wù)設(shè)置參數(shù)因任務(wù)和眾包平臺的不同而不同。

在系統(tǒng)運(yùn)行之初，專家系統(tǒng)的案例庫為空。隨著系統(tǒng)的不斷運(yùn)行，不斷在眾包平臺上投放任務(wù)，越來越多的案例加入到案例庫中，整個(gè)眾包任務(wù)設(shè)計(jì)生成器也就隨著眾包平臺不斷進(jìn)化。

當(dāng)專家系統(tǒng)的案例庫中找不到相似的案例，或者已有的案例無法實(shí)現(xiàn)預(yù)期的目標(biāo)時(shí)，基于智能體的眾包平臺仿真模型被用來生成新的任務(wù)設(shè)計(jì)方案?；谥悄荏w的眾包平臺仿真模型包括任務(wù)需求者，在線工作者和任務(wù)；其中任務(wù)具有設(shè)置參數(shù)；任務(wù)需求者和在線工作者作為眾包平臺的參與者，各自具有自己的行為規(guī)則。關(guān)于眾包平臺仿真模型的細(xì)節(jié)，參見文獻(xiàn)(Guangyu Zou,Alvaro Gil,and Marina Tharayil.An agent-based model for crowdsourcing systems.Proceedings of the IEEE/ACM Winter Simulation Conference,December 7-10,2014.Savannah,GA.)和(Guangyu Zou,Marina Tharayil,Alvaro E.Gil,DeepthiChander,Laura Elisa Celis.System and Method to Analyze and Optimize Crowdsourcing Systems.US.Application No:14/190205.Feb.2014.)。

上述眾包平臺包括可控參數(shù)和不可控參數(shù)：可控參數(shù)為決策變量，即任務(wù)設(shè)置參數(shù)；不可控參數(shù)為環(huán)境參數(shù)。對于不可控參數(shù)，在不同情況下可能符合不同的概率分布。為了生成在各種不確定環(huán)境下都能實(shí)現(xiàn)預(yù)期目標(biāo)的具有魯棒性的眾包任務(wù)設(shè)計(jì)方案，基于智能優(yōu)化算法，將所有的任務(wù)設(shè)置參數(shù)進(jìn)行編碼，而后把各編碼所對應(yīng)的任務(wù)放到眾包平臺仿真模型，并在各種可能環(huán)境參數(shù)下進(jìn)行測試，找到在所有可能情況下均表現(xiàn)出色的任務(wù)設(shè)置參數(shù)，得到進(jìn)一步優(yōu)化的任務(wù)設(shè)計(jì)方案。

進(jìn)一步限定，上述的智能優(yōu)化算法為遺傳算法。任務(wù)設(shè)置參數(shù)作為遺傳算法中的染色體，與環(huán)境參數(shù)合成仿真模型的設(shè)置參數(shù)構(gòu)成的眾包任務(wù)設(shè)計(jì)方案在遺傳算法中不斷進(jìn)化成更好的解決方案。因此，通過如圖2所示的基于遺傳算法的任務(wù)設(shè)計(jì)生成器生成的任務(wù)設(shè)計(jì)方案可以在各種不確定情況下達(dá)到預(yù)期的目標(biāo)，具有很高的魯棒性。

本發(fā)明基于仿真模型和專家系統(tǒng)進(jìn)行任務(wù)設(shè)計(jì)和投放策略決策來提高眾包平臺的效率。效率的提高必將吸引更多的任務(wù)需求者投放更多的任務(wù)，更多的任 務(wù)會吸引更多的在線工作者的參與，從而形成一個(gè)良性循環(huán)。以這種方式設(shè)計(jì)的任務(wù)不僅滿足公司對于質(zhì)量和進(jìn)度的要求，同時(shí)維持了一個(gè)可持續(xù)發(fā)展的在線工作者群體，促進(jìn)眾包業(yè)務(wù)的興盛繁榮，更好的為社會經(jīng)濟(jì)服務(wù)。

附圖說明

圖1是基于多智能體建模和專家系統(tǒng)的眾包平臺最優(yōu)投放策略生成器的流程圖。

圖2是基于遺傳算法的眾包任務(wù)設(shè)計(jì)生成器圖。

圖3是完成質(zhì)量的箱線圖。

圖4是完成時(shí)間的箱線圖。

圖5是染色體單點(diǎn)交叉操作示意圖。

圖6是染色體雙點(diǎn)交叉操作示意圖。

圖7是染色體變異操作示意圖。

圖8是生成下一代種群示意圖。

圖9是改變預(yù)設(shè)目標(biāo)后完成質(zhì)量的箱線圖。

圖10是改變預(yù)設(shè)目標(biāo)后完成時(shí)間的箱線圖。

具體實(shí)施方式

結(jié)合附圖和具體實(shí)施方式說明本發(fā)明的技術(shù)方案，

為了演示本發(fā)明的具體使用情況，在流行的眾包平臺Amazon Mechanical Turk(AMT)上投放任務(wù)進(jìn)行測試。在AMT上投放的任務(wù)是一個(gè)停車場的監(jiān)控視頻，需要在線工作者記錄車輛進(jìn)入和離開停車場的時(shí)間。

表格1列出所有任務(wù)設(shè)置參數(shù)以及對應(yīng)的實(shí)際性能參數(shù)。這些數(shù)據(jù)一方面存入專家系統(tǒng)的案例庫，另一方面用來訓(xùn)練和校準(zhǔn)基于智能體的眾包平臺仿真模型。

表格1任務(wù)設(shè)置參數(shù)和對應(yīng)的性能指標(biāo)

首先，預(yù)期的性能指標(biāo)為，任務(wù)準(zhǔn)確率高于97％，完成時(shí)間在40分鐘之內(nèi)。通過以任務(wù)完成質(zhì)量和完成時(shí)間作為關(guān)鍵字搜索案例庫，找到第12條案例與預(yù)期目標(biāo)具有最高的相似度。因此，以對應(yīng)的配置參數(shù)設(shè)計(jì)任務(wù)，共投放30份任務(wù)到AMT上由在線工作者完成。其得到的數(shù)據(jù)如圖3、4所示。由圖可知，30份任務(wù)的準(zhǔn)確率在97％左右，完成時(shí)間也在40分鐘左右，與預(yù)期的目標(biāo)一致。

然后，預(yù)設(shè)的目標(biāo)是任務(wù)完成質(zhì)量為99％，完成時(shí)間小于60分鐘。以此任務(wù)完成質(zhì)量和完成時(shí)間作為關(guān)鍵字搜索案例庫，案例庫中沒有足夠相似的案例。因此，根據(jù)圖1的流程圖，轉(zhuǎn)到眾包平臺的仿真模型根據(jù)預(yù)設(shè)目標(biāo)重新生成任務(wù)設(shè)計(jì)方案。本專利使用遺傳算法對眾包任務(wù)設(shè)計(jì)方案進(jìn)行編碼，而后根據(jù)適值進(jìn)行交叉、變異、選擇操作，最終得到符合目標(biāo)質(zhì)量和目標(biāo)完成時(shí)間的最優(yōu)任務(wù)設(shè)計(jì)方案。遺傳算法共分6步。

步驟1，隨機(jī)地生成一定數(shù)量的作為任務(wù)設(shè)計(jì)方案的染色體。比如，種群大小為100，每一個(gè)染色體有9個(gè)基因，基因值在可行域范圍內(nèi)隨機(jī)設(shè)置。表格2是一個(gè)表示任務(wù)設(shè)計(jì)方案的染色體的例子，每一列是一個(gè)基因，代表任務(wù)設(shè)計(jì)中的一個(gè)參數(shù)。

表格2一個(gè)表示任務(wù)設(shè)計(jì)方案的染色體的例子

步驟2，在染色體的種群內(nèi)根據(jù)適值隨機(jī)的選擇染色體進(jìn)行交叉，產(chǎn)生下一代染色體。染色體的適值由公式1計(jì)算得出。其中，f_i是第i個(gè)染色體的適值。x_ij是第i個(gè)染色體第j個(gè)輸出參數(shù)值。X_j是第j個(gè)輸出參數(shù)期望值。m是輸出參數(shù)個(gè)數(shù)。

以表格2中的染色體作為眾包任務(wù)設(shè)計(jì)參數(shù)，則完成質(zhì)量和完成時(shí)間分別為99.6％和275分鐘。在目標(biāo)完成質(zhì)量和目標(biāo)完成時(shí)間分別為99％和60分鐘的條件下，其根據(jù)公式1計(jì)算出的適值為0.56。每個(gè)染色體被選中進(jìn)行交叉的概率由其適值決定，如公式(2)所示。這里p_j是第j個(gè)染色體被選中的概率。f_j是第j個(gè)染色體的適值。是整個(gè)種群染色體的適值和。使用輪盤法選擇，即當(dāng)pp_i≥rand(0，1)≥pp_i-1時(shí)，第i個(gè)染色體被選中。

對于選中的染色體所進(jìn)行得交叉操作有兩種：單點(diǎn)交叉和雙點(diǎn)交叉。圖5是一個(gè)單點(diǎn)交叉的例子，交叉點(diǎn)為6，則位置為6和其后的基因交換。

圖6是一個(gè)雙點(diǎn)交叉的例子，其中交叉點(diǎn)1是3，交叉點(diǎn)2是5，則在交叉點(diǎn)1和交叉點(diǎn)2之間的區(qū)間[3,6]之間的基因進(jìn)行交換。

步驟3，變異操作。以與步驟2中相同的選擇過程，根據(jù)適值隨機(jī)選擇染色體進(jìn)行變異操作。變異操作就是隨機(jī)選擇染色體的一個(gè)基因，而后在可行域范圍內(nèi)隨機(jī)地改變?yōu)橐粋€(gè)新值。圖7是一個(gè)變異的例子，首先隨機(jī)地選擇一個(gè)變異點(diǎn)。這個(gè)例子中隨機(jī)選擇的變異點(diǎn)是2，而后第二個(gè)位置的基因在可行域內(nèi)隨機(jī)地替換為一個(gè)新值，這里是7。

步驟4，單純形算子。為了實(shí)現(xiàn)遺傳算法的快速收斂，本發(fā)明結(jié)合了單純形算子(John Yen,Bogju Lee.A Simplex Genetic Algorithm Hybrid.IEEE International Conference on Evolutionary Computation,13-16Apr 1997.175–180.)。在n維空間中，一個(gè)單純形是具有n+1個(gè)頂點(diǎn)的多胞形。單純形算子通過最壞頂點(diǎn)經(jīng)過單純形中心點(diǎn)的反射點(diǎn)X_R替代這個(gè)最壞頂點(diǎn)(X_W)形成新的單純形。這個(gè)過程如公式(3)所示。

然后根據(jù)反射點(diǎn)X_R的不同情形，確定替代原有單純形最壞頂點(diǎn)的新的頂點(diǎn)X_N。

這里，X_B表示適值最大的點(diǎn)；X_2ndW是第二差的點(diǎn)。α是從最差點(diǎn)反射程度的系數(shù)。X_N是用來在新生成的單純形中替換最差點(diǎn)X_W的新的點(diǎn)。

步驟5，選擇操作，生成新的種群。經(jīng)過交叉、變異、和單純形算子操作生成的新的染色體與原有的染色體放在一起，根據(jù)其適值隨機(jī)地選擇出與原有種群數(shù)相同的新的種群，保持種群數(shù)量的穩(wěn)定。選擇過程與步驟2中的選擇過程完全一致，使得適值高的染色體有更大的可能性被選中，從而提高整個(gè)種群的適值， 進(jìn)而算法逐漸收斂到最優(yōu)值。生成新的種群的具體過程如圖8所示，其中，適值最高的10％的染色體保留進(jìn)入新的種群；適值最高的50％的染色體進(jìn)行單純形算子操作生成新種群中20％的染色體；父輩種群中的全部染色體都有機(jī)會進(jìn)行交叉和變異操作生成新種群中剩余70％的染色體。

步驟6，終止條件。當(dāng)下面2個(gè)條件中任意一個(gè)滿足，則遺傳算法終止。

·達(dá)到最大迭代次數(shù)。此算例中最大迭代次數(shù)為1000次。

·這里是整個(gè)種群的平均適值，f_B是整個(gè)種群的最好適值。

T是一個(gè)閾值。此算例中的T為1％。

遺傳算法經(jīng)過不斷迭代以上的6步，得到的最優(yōu)設(shè)計(jì)方案中各任務(wù)設(shè)置參數(shù)如表格3所示。

表格3基于仿真模型生成的設(shè)計(jì)方案

以如表格3的參數(shù)值設(shè)計(jì)眾包任務(wù)，并投放30份到AMT上，統(tǒng)計(jì)任務(wù)的完成質(zhì)量和完成時(shí)間，如圖9、10所示。從圖可以看出，根據(jù)任務(wù)設(shè)計(jì)方案設(shè)計(jì)的任務(wù)，其完成準(zhǔn)確率在99％左右，完成時(shí)間在60分鐘左右，與預(yù)設(shè)目標(biāo)一致。因此，本發(fā)明提出的眾包任務(wù)設(shè)計(jì)生成器可以為使用眾包平臺的決策者提供輔助決策。