移动群智感知中面向多任务的激励和分配策略研究

It is a challenging but significant problem that how to design multi-task incentive mechanisms and multi-task allocation algorithms in Mobile Crowd Sensing (MCS), which can make full use of resource and minimize the cost of MCS platform with guaranteeing quality requirements. Inspire by this, we will study multi-task incentive mechanism and allocation algorithm from online and offline perspectives. First, For the online situation, we propose a quality-based incentive mechanism for multi-task, in which the MCS platform can online adjust the incentive price based on the task quality and the participant feedbacks, so as to minimize the incentive cost of MCS platform with incentivizing participants. Second, For the offline situation, we propose a multi-task allocation scheme based on Nash bargaining solution for truthful participants, in which the MCS platform allocates multi-task among multiple participants based on task requirements and the resource of participants, such that minimize the cost of MCS platform with high resource utilization. For untruthful participants, we propose a multi-task allocation scheme based on reputation and reverse combinatorial auction, which can guarantee data quality and reliability, minimizing the cost of MCS platform.

在多任务移动群智感知中，如何保障数据质量的同时，有效利用感知用户资源，最小化服务平台的激励代价是一个极具挑战但非常有意义的问题。针对此问题，本项目分别从在线和离线两种情况展开研究并提出了相应的解决方案。首先，针对在线的情况，拟提出一种基于质量的多任务在线激励机制。平台根据用户完成任务的情况以及感知任务的质量要求在线调整激励价格，在激励用户参与感知任务的同时最小化平台支付代价。其次，针对离线且参与用户可信的情况，拟提出一种基于纳什议价解的多任务分配策略。由平台根据不同的任务需求和参与用户资源情况对多个任务进行统一分配，以实现最小化平台支付代价的同时有效利用用户资源。针对离线且参与用户不可信的情况，拟提出一种基于信誉的逆向组合拍卖多任务分配策略，保障不可信用户提供数据的质量和可靠性的同时最小化平台支付代价。

激励机制和任务分配一直是移动群智感知研究中的重点和难点问题，本项目主要针对这两方面的问题展开研究。. 针对群智感知现有激励机制难以在用户在线的情况下有效激励用户参与感知任务并保障数据质量的问题，提出了一种基于质量的多任务在线激励机制，该机制将在线用户对不同质量要求任务的激励价格在线调整问题映射为马尔科夫决策过程，从而在保证用户完成任务质量的前提下，根据用户对任务的执行情况在线调整激励价格，使其趋于最优激励价格，最小化激励成本。实验结果证明，所提策略可以取得较好的性能。. 针对群智感知网络中如何在参与用户自私的情况下，有效激励自私用户积极参与数据传输的问题，提出了一种基于博弈论的激励感知数据传输策略。该策略将两个自私用户之间的数据传输映射为两者之间的鲁宾斯坦恩-斯塔尔议价博弈，从而激励自私用户参与数据传输。实验表明所提策略可以有效的促进自私用户参与转发数据，并且在成功传输率、平均时延、综合性能方面都优于其他几种对比的策略。. 针对群智感知中如何根据用户资源及任务的质量需求实现多任务的有效分配问题，提出了一种基于纳什议价解的多任务分配策略。该策略将多个用户对多个任务根据不同目标以及质量需求的选择问题映射为一个多方纳什议价博弈模型，并采用空间距离的方法有效求得多方纳什议价博弈的最优解。该策略可以实现用户整体得益的最大化，在保障数据质量的同时，有效降低感知平台的激励成本。实验表明，所提策略比现有任务分配策略在整体效用与任务质量满意度方面具有较好的性能。. 针对群智感知中参与用户不可信情形下的多任务分配问题，提出一种基于信誉的逆向组合拍卖多任务分配策略，该策略将平台和用户之间对多个任务分配问题抽象为逆向组合拍卖模型，平台根据用户反馈的其所能执行任务的价格信息及用户的信誉度，并且采用低价赢的原则，对多个异构任务实行逆向组合拍卖。该策略既可减少平台的总体支出，又可保障不可信环境中所收集数据的质量。