[发明专利]一种基于地理划分的空间众包任务分配方法

权利要求书

1.一种基于地理划分的空间众包任务分配方法，其特征在于，包括以下步骤：

S1：使用基于维诺图的算法和基于自适应加权的维诺图的算法对给定的地理空间进行划分，得到每个分配中心所对应的任务交付点；

所述基于维诺图的算法为：通过暴力法以垂直平分线为分界线对区域进行划分，算法的输入是分配中心集C和任务交付点集P；根据空间距离对任务交付点进行分配，将划分的区域分配给距离最近的分配中心；最后输出的是所有分配中心对应的交付点集合C.P；

所述基于自适应加权的维诺图的算法为：将空间距离改为自适应距离，如下式所示：

ad(p,c_i)＝aw_i·d(p,c_i)

其中，ad(p,c_i)表示交付点p到分配中心c_i的自适应距离，aw_i表示分配中心c_i的自适应权重，d(p,c_i)表示空间距离，|c_i.S|表示任务数，|c_i.W|表工人数；分配过程和基于维诺图的算法相同；

S2：利用图神经网络得到分配中心，任务交付点的特征向量，然后结合特征向量使用注意力机制得到工人的特征向量；

所述结合特征向量使用注意力机制得到工人的特征向量包括以下步骤：

S2.1：将划分好的地理空间每一部分转换为一个图g_c,顶点包括分配中心及其任务交付点；

S2.2：使用组合消息传递神经网络从图中学习顶点的特征向量；每个顶点的特征向量维度都是2，每条边共有m个类别，其对应的特征向量维度是m；基于图结构信息和顶点最近的z个邻居顶点集Ne(v_i),可以得到n+1轮迭代后的顶点v_i的新特征向量如下所示：

其中Agg是一个聚合运算符，d_ij表示顶点v_i和v_j之间的连接，k是一个平移不变全局核，d_ed表示边的维度

S2.3：对模型进一步优化，如下所示：

其中，h_ed是一个神经网络，k_ori和k_nei是两个不同的平移不变全局核，经过N次迭代后，每个顶点的特征向量都包含了其N个最邻近顶点的信息；

S2.4：通过注意力机制得到工人的特征向量，公式如下所示：

其中W(w,v_i)是归一化后的注意力得分和是工人w和任务交付点v_i之间的value值；在计算查询Q_w时，引入图上下文特征向量以更好地衡量任务交付点对于工人的重要性，如下所示：

其中，[；]是连接操作，是图gc的特征向量，f₁是第一个顶点的特征向量；

S3：使用基于策略的强化学习算法找到最优的任务分配。

2.根据权利要求1所述的基于地理划分的空间众包任务分配方法，其特征在于：所述步骤S3具体为：

结合工人和图顶点的特征向量，使用注意力机制获得工人对于任务交付点的重要性权重重要性代表着工人分配给有效任务交付点的可能性，任务分配的分布即为所有可能分配的乘积，如下所示:

其中，w属于工人集合，v_i属于有效任务交付点集合；强化学习的优化目标是最大化期望报酬，如下所示：

θ^*＝argmax L_Rc(θ)

其中，Re(A_c)是每次分配的报酬，报酬结合了两个优化目标，如下所示：

|A_c.S|是已分配任务数，A_c.dis是工人平均行驶距离，A_c.S_dif是平均分配任务数的差距；最后为了减少训练时的方差，使用优势函数对报酬进行改进，如下所示：

其中,为了加快收敛速度,在图gc中随机生成了SA个任务分配；最后依据训练完后的模型输出最终的任务分配结果。