一種面向移動群體感知的多任務(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)的時空特性，并解決多任務(wù)的工作者選擇問題，這對于大規(guī)模的移動群體感知任務(wù)平臺來說具有重大意義，能夠得到多任務(wù)工作者選擇的一個較優(yōu)的結(jié)果?？紤]到多任務(wù)工作者選擇問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間內(nèi)求得次優(yōu)解。
【專利說明】
一種面向移動群體感知的多任務(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群體感知的多任務(wù)工作者 選擇方法。
【背景技術(shù)】
[0002] 移動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設(shè)備作為感知 終端來獲取人、社會和物理世界的動態(tài)。移動設(shè)備內(nèi)置有豐富的傳感器，且其計(jì)算能力、通 信能力、存儲能力等不斷增強(qiáng)，將大量的移動設(shè)備通過移動網(wǎng)絡(luò)組織起來，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，通過對服務(wù)節(jié)點(diǎn)各個服務(wù) 因素進(jìn)行測定和計(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)，通過量化節(jié)點(diǎn)性能來 簡化任務(wù)分配策略，實(shí)現(xiàn)系統(tǒng)的能源高效和任務(wù)的實(shí)時響應(yīng)。專利CN101815326A公開了一 種基于協(xié)商的無線傳感器網(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)和競標(biāo)，招標(biāo)方采用多屬性效用函數(shù)來評價與競標(biāo)方的協(xié)商過程中各競標(biāo)方的出價方 案，然后選擇中標(biāo)者。該發(fā)明在任務(wù)分配過程中就考慮節(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)來評價分配方案的優(yōu)劣，提高了分配的綜合效用值。上述專利沒 有對移動群體感知任務(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)系對于工作者的選擇有著重要的影響。同時，任務(wù)的時 間要求也很少在已有的專利中考慮，而時間因素會影響工作者選擇的策略。此外，相比為工 作者一次分配單個任務(wù)，一次分配多個任務(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)的工作者選擇問題在已有的專利中較少涉及。

【發(fā)明內(nèi)容】

[0004] 針對以上缺陷，本發(fā)明提供一種為多個移動群體感知任務(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)的時間要求將任務(wù)分為即時任務(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:對任務(wù)采用貪心策略和工作者進(jìn)行分配； S4:對遺傳算法種群進(jìn)行初始化:首先確定種群中個體的基因表達(dá)，然后用S3的分配結(jié) 果對種群進(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，面向移動群體感知的多任務(wù)工作者選擇方法，所述S3中對于即時任務(wù)使 用最短距離優(yōu)先的貪心策略對任務(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"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，面向移動群體感知的多任務(wù)工作者選擇方法，所述S3中對于容延任務(wù)采 用任務(wù)數(shù)優(yōu)先的貪心策略對任務(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)過即時任務(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}，每一個地理位置記錄ri由時 間rti和地理位置rh組成，任務(wù)t的位置用tl來表示，I {rt|rte {rti，rt2，"_rts}} I是工作者 擁有地理位置記錄的所有時間段數(shù)目，I Irt1Itl = H1I I是時間段內(nèi)工作者位置記錄出現(xiàn)任 務(wù)地點(diǎn)的所有時間段數(shù)目。
[0009] 優(yōu)選地，面向移動群體感知的多任務(wù)工作者選擇方法，設(shè)定概率大于0.8值時，任 務(wù)才可以被分配給該工作者。
[0010] 優(yōu)選地，面向移動群體感知的多任務(wù)工作者選擇方法，所述的S4確定種群中個體 的基因表達(dá)為:所述的即時任務(wù)的多任務(wù)分配用矩陣來表示基因，矩陣中的行代表工作者， 列代表任務(wù)，矩陣中元素為'1'則表示該元素對應(yīng)的任務(wù)分配給該元素對應(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表示該元素對應(yīng)的工作者被選擇，為'0'表示該元素對 應(yīng)的工作者不被選擇。
[0011] 優(yōu)選地，面向移動群體感知的多任務(wù)工作者選擇方法，所述的S4使用貪心算法來 初始化種群:所述即時任務(wù)的多任務(wù)分配問題中，若貪心算法的結(jié)果中任務(wù)被分配給了某 個工作者，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 作者對應(yīng)的位置被置為' Γ，否則為' 0 '。
[0012] 優(yōu)選地，面向移動群體感知的多任務(wù)工作者選擇方法，所述S5中選擇操作使用輪 盤賭方法，即時任務(wù)的多任務(wù)工作者選擇問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)的個體保留到下一代，最終得到結(jié)果;所述即時任務(wù)的適應(yīng)度用下式 計(jì)算：
Td(ik)是第k個個體對應(yīng)的總移動距離，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個個體中值為'1'的元素的個數(shù)，f(ik)值越小，適應(yīng)度越優(yōu)。
[0014] 為了給多個移動群體感知任務(wù)分配合適的參與者，我們重點(diǎn)考慮任務(wù)的時空特 性，針對一組即時任務(wù)選取完成任務(wù)時總移動距離最短的工作者，針對一組容延任務(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求解工作者選 擇的組合優(yōu)化問題。
[0015] 在該方法中，即時任務(wù)要求在一段較短時間內(nèi)完成，因此需要工作者特地移動到 任務(wù)地點(diǎn)去完成任務(wù)，此時，任務(wù)完成的總移動距尚成為完成任務(wù)的主要代價，因此需要最 小化總移動距離。而容延任務(wù)可以在未來一段較長時間內(nèi)完成，我們選取在未來這段時間 內(nèi)可能會經(jīng)過任務(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題中，我們根據(jù)問題的定義形式，分別設(shè)計(jì)貪 心算法和遺傳算法，高效地求解問題。
[0016] 本發(fā)明的技術(shù)方案中充分考慮了任務(wù)的時空特性，并解決多任務(wù)的工作者選擇問 題，這對于大規(guī)模的移動群體感知任務(wù)平臺來說具有重大意義，能夠得到多任務(wù)工作者選 擇的一個較優(yōu)的結(jié)果?？紤]到多任務(wù)工作者選擇問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間內(nèi)求得次優(yōu)解。
【附圖說明】
[0017] 圖1為本發(fā)明一種面向移動群體感知的多任務(wù)工作者選擇方法的步驟示意圖； 圖2為本發(fā)明一種面向移動群體感知的多任務(wù)工作者選擇方法的即時任務(wù)步驟示意 圖； 圖3為本發(fā)明一種面向移動群體感知的多任務(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)施例對本發(fā)明進(jìn)行進(jìn)一步 詳細(xì)說明。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 組合為即時任務(wù)集合TS、容延任務(wù)集合TD。
[0020] 即時任務(wù)需要在3小時之內(nèi)完成，容延任務(wù)可以在24小時之內(nèi)完成。假設(shè)分別有起 止時間一致的10個即時任務(wù)和10個容延任務(wù)，記為即時任務(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):初始化即時任務(wù)集合TS的即時任務(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個任務(wù)。WD中初始化工作者的 歷史軌跡，計(jì)算每個工作者經(jīng)過TS中每個任務(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}，每一個地理位置記錄ri由時間rti和地理位置rli組成，任務(wù)t的位 置用tl來表示。工作者w會經(jīng)過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間段數(shù)目，I {rti|tl=rli} I是 時間段內(nèi)工作者位置記錄出現(xiàn)任務(wù)地點(diǎn)的所有時間段數(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，任務(wù)才可以被分配給該工作者。
[0024] 步驟3:對任務(wù)采用貪心策略和工作者進(jìn)行分配:對于一組即時任務(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)最多的工作者來進(jìn)行任務(wù)分配。 [0025]在每次分配過程中，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 上過程得到貪心算法的結(jié)果，結(jié)果可以用集合來表示，例如，{}，t 3}，{t2}} 表示第一個工作者分配到任務(wù)t#Pt3，第二個工作者未分配到任務(wù)，第三個工作者分配到任 務(wù)t 2，t#Pt3，第四個工作者分配到任務(wù)t2。
[0027] 步驟4:種群進(jìn)行初始化:首先確定種群中個體的基因表達(dá)，然后用步驟3的分配結(jié) 果對種群進(jìn)行初始化。
[0028] 首先確定種群中個體的基因表達(dá)，也就是如何表示一種分配方案。即時任務(wù)的多 任務(wù)分配問題中，每個工作者可能完成若干個任務(wù)，因此可以用矩陣來表示基因，矩陣中的 行代表工作者，列代表任務(wù)，矩陣中元素為' Γ則表示該元素對應(yīng)的任務(wù)分配給該元素對應(yīng) 的工作者，為'0'則表示不分配。例：
、矩陣表示在4個工作者中分配兩個任務(wù)時的 基因表達(dá)。為了滿足問題的約束條件，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)工作者選擇問題中，一個工 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表示基因，例 如使用向量(1，〇，I，1)可以表示第1，3，4個工作者被選擇，第2個工作者未被選擇。向量的維 度等于工作者的數(shù)量，向量中元素為' 1'表示該元素對應(yīng)的工作者被選擇，為'〇'表示該元 素對應(yīng)的工作者不被選擇。
[0029] 確立種群基因表達(dá)之后，使用貪心算法來初始化種群:在即時任務(wù)的多任務(wù)分配 問題中，若貪心算法的結(jié)果中任務(wù)被分配給了某個工作者，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)的個體保留到下一代。在即時任務(wù)的多任務(wù)分 配問題中，因?yàn)閮?yōu)化目標(biāo)是最小化總移動距離，因此適應(yīng)度可以用下面的式子計(jì)算：
M (ik)是第k個個體對應(yīng)的總移動距離。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個個體中值為'1'的元 素的個數(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進(jìn)行個體選擇，即每次選擇操作時將個體的適 應(yīng)度在總適應(yīng)度中所占的比值作為個體在輪盤中的占比大小，輪盤旋轉(zhuǎn)一次所選擇的個體 被淘汰，也就是適應(yīng)度大的個體更容易被淘汰。
[0034] 在即時任務(wù)的多任務(wù)分配問題中，個體的基因表達(dá)是矩陣，交叉操作采用矩陣對 應(yīng)列交換的方式來生成子個體，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 選擇問題中，交叉操作直接交換兩個向量的基因片段得到子個體。
[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)施過程，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來 說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(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)的時間要求將任務(wù)分為即時任務(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:對任務(wù)采用貪心策略和工作者進(jìn)行分配； S4:對遺傳算法種群進(jìn)行初始化:首先確定種群中個體的基因表達(dá)，然后用S3的分配結(jié) 果對種群進(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中對于即時任務(wù)使用最短距離優(yōu)先的貪心策略對任務(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"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中對于容延任務(wù)采用任務(wù)數(shù)優(yōu)先的貪心策略對任務(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)過即時任務(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}，每一個地理位置記錄ri由時 間rti和地理位置rli組成，任務(wù)t的位置用tl來表示，| {rt|rte {rti，rt2，"_rts}} |是工作者 擁有地理位置記錄的所有時間段數(shù)目，I {rtdtlirh} |是時間段內(nèi)工作者位置記錄出現(xiàn)任 務(wù)地點(diǎn)的所有時間段數(shù)目。5. 根據(jù)權(quán)利要求4所述的面向移動群體感知的多任務(wù)工作者選擇方法，其特征在于:設(shè) 定概率大于0.8值時，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確定種群中個體的基因表達(dá)為:所述的即時任務(wù)的多任務(wù)分配用矩陣來表示基因， 矩陣中的行代表工作者，列代表任務(wù)，矩陣中元素為'1'則表示該元素對應(yīng)的任務(wù)分配給該 元素對應(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表示該元素對應(yīng)的工作者被選 擇，為' 〇 '表示該元素對應(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使用貪心算法來初始化種群:所述即時任務(wù)的多任務(wù)分配問題中，若貪心算法的結(jié) 果中任務(wù)被分配給了某個工作者，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;即時任務(wù)的多任務(wù)工作者選擇問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)的個體保留到下一代，最終得到結(jié)果;所述即 時任務(wù)的適應(yīng)度為最小化總移動距離，用下式計(jì)算：Td (ik)是第k個個體對應(yīng)的總移動距離，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個個體中值為'1'的元素的個數(shù)，f(ik)值越小，適應(yīng)度越優(yōu)。
【文檔編號】H04L29/08GK106056214SQ201610328835
【公開日】2016年10月26日
【申請日】2016年5月18日
【發(fā)明人】郭斌, 吳文樂, 劉琰, 於志文, 王柱, 周興社
【申請人】西北工業(yè)大學(xué)