[发明专利]一种基于地理划分的空间众包任务分配方法

说明书

本发明公开了一种基于地理划分的空间众包任务分配方法，本发明将基于地理信息把复杂的空间问题划分为多个子问题，能够更容易获得精确的任务分配结果。本发明首先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。接着利用图神经网络(CMPNN)得到分配中心，任务交付点的特征向量，然后结合这些向量使用注意力机制得到工人的特征向量。最后使用基于策略的强化学习算法找到最优的任务分配。本发明经过真实的数据集和人工合成的数据集的验证，显著提升了空间众包中任务分配的有效性和效率。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于地理划分的空间众包任务分配方法。

背景技术

支持GPS的智能设备和通信技术的发展促进了空间众包市场进一步地扩大。在空间众包中，任务请求者可以向空间众包的服务器发送空间任务，而服务器将智能设备的携带者视为工人，工人需要前往指定位置并完成这些空间任务。

近年来，空间众包技术得到了广泛关注，因此针对不同的应用场景提出了许多任务分配方法。有多目标任务分配方法，主要思想是利用多目标粒子群优化算法和排序策略算法，根据目标冲突寻找最优解。但是该方法忽略了地理信息，地理信息是在空间维度上进行任务分配的必要条件。在现实生活中的一些场景中都会有许多分配中心，每个分配中心只负责特定区域的任务分配，每个工人只为一个分配中心工作。多工人合作的任务分配方法虽然考虑到了地理信息，但是忽略了工人和任务的时间信息。基于动态报酬的任务分配方法同样也是没有考虑任务的结束时间。

最近，有人提出了基于强化学习的任务分配方法，其对不同的任务设置的不同的优先级，不利于任务分配的平衡。而且其仅仅将地理空间划分为网格，没有考虑工人对于任务交付点的重要性。

发明内容

本发明的目的是要提供一种基于地理划分的空间众包任务分配方法。

为达到上述目的，本发明是按照以下技术方案实施的：

本发明包括以下步骤：

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；

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；

S3：使用基于策略的强化学习算法找到最优的任务分配。

本发明的有益效果是：

本发明是一种基于地理划分的空间众包任务分配方法，与现有技术相比，本发明将基于地理信息把复杂的空间问题划分为多个子问题，能够更容易获得精确的任务分配结果。本发明首先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。接着利用图神经网络(CMPNN)得到分配中心，任务交付点的特征向量，然后结合这些向量使用注意力机制得到工人的特征向量。最后使用基于策略的强化学习算法找到最优的任务分配。本发明经过真实的数据集和人工合成的数据集的验证，显著提升了空间众包中任务分配的有效性和效率。

附图说明

图1是本发明的任务分配的示例图；

图2是本发明的实验(1)Gmission数据集；

图2中：(a)CPU时间；(b)分配任务总数；(c)平均分配任务差；

图3是本发明的实验(1)SYN数据集；

图3中：(a)CPU时间；(b)分配任务总数；(c)平均分配任务差；

图4是本发明的实验(2)Gmission数据集；

图4中：(a)CPU时间；(b)分配任务总数；(c)平均分配任务差；