[发明专利]一种基于特征信息的大规模群智感知任务分配方法

权利要求书

1.一种基于特征信息的大规模群智感知任务分配方法，其特征在于，包括如下步骤：

步骤一，搭建任务分配模型，并获取相关信息，所述任务分配模型包括处理任务的预算，工人和特征空间；

步骤二，将特征空间进行超矩阵划分；

步骤三，从每个超矩阵中随机抽取一个工人让其处理任务，并观察其所处理任务的质量，根据质量计算其上置信指数，将上置信指数作为对工人的评估，结合工人处理任务得到的报酬，计算其评估的质量密度，根据评估的质量密度以及处理任务的预算对工人进行选择；更新相关变量，重复该步骤，直到处理任务的预算花完为止。

2.根据权利要求1所述的一种基于特征信息的大规模群智感知任务分配方法，其特征在于，步骤一中，处理任务的预算B，即处理任务付给工人的总报酬不得超过B；

设工人集合共包含N个工人，对于每个工人i，包含信息如下：特征信息φ_i，处理任务的质量μ_i，处理一个任务的报酬c_i，处理任务的数量τ_i；

特征空间其中，M为特征空间的维度，对于工人i，其特征信息

3.根据权利要求1所述的一种基于特征信息的大规模群智感知任务分配方法，其特征在于，步骤二中，将特征空间划分为一个个超矩阵，将在同一个超矩阵中的工人视为一类，并且假设在同一个超矩阵中的工人具有相同的处理任务的质量。

4.根据权利要求2所述的一种基于特征信息的大规模群智感知任务分配方法，其特征在于，步骤二具体方法如下：

(1)假设工人i处理任务的质量μ_i和其特征向量满足函数形式μ_i＝f(φ_i)，且函数f(·)满足HolderCondition：对于任意两个工人i，j，其特征向量分别为φ_i，φ_j，存在常数L0，α0，使得

|μ_i-μ_j|＝|f(φ_i)-f(φ_j)|≤L||φ_i-φ_j||^α

(2)将特征空间的每一维平均划分成份，因此，特征空间被划分为了h_B^M个超矩阵，用表示超矩阵的集合。

5.根据权利要求2所述的一种基于特征信息的大规模群智感知任务分配方法，其特征在于，步骤三具体方法如下：

(1)模型初始化：Γ_i,t表示工人i在t时刻还可以处理任务的数量，Γ_i,0＝τ_i；表示在t轮超矩阵Q中的工人处理任务的平均质量，λ_Q(t)表示截止到第t轮超矩阵Q中的工人一共被选择的次数；对于每个超矩阵Q，随机从中抽取一个工人让其处理任务，并观察其所处理任务的质量r_Q(0)，从而初始化参数：λ_Q(0)＝1，

(2)更新对超矩阵和工人评估：对于超矩阵Q中的工人，视为一类工人，对他们同时进行评估，对于每一个工人i∈Q，其上置信指数为

(3)根据对工人评估获得近似最优解：在第t轮时，令B_t为当前剩余的预算，对于每个工人i，将其上置信指数U_i作为当前对其的评估，处理任务得到的报酬为c_i，此时每个工人还可以处理任务的数量为Γ_i,t；令表示其评估的质量密度，把每个工人按照其评估的质量密度从高到低排序，然后从排名第一的工人依次选择，直到剩余的预算不足以再选择一个工人，在这个过程中，假设工人i被选择了m_i,t次；

(4)工人选择：对于每一个工人i，其在第t轮被选择的概率为

(5)更新相关变量：假设在第t轮选择工人为i(t)，其所在的矩阵为Q，其所产生的奖励为r(t)；那么λ_Q(t+1)＝λ_Q(t)+1，Γ_i(t),t+1＝Γ_i(t),t-1，B_t+1＝B_t-c_i(t)；

(6)重复步骤(2)-(5)过程，直到预算不足以再选择任何一个工人。