面向協(xié)同感知的任務(wù)分配方法

尹厚淳 崔禾磊 於志文 王亮 郭斌

摘要：為維護(hù)社會(huì)公共安全，當(dāng)出現(xiàn)違法案件時(shí)，公安部門(mén)需盡快獲取案件發(fā)展的實(shí)時(shí)信息。目前實(shí)時(shí)獲取信息的渠道主要有兩種：一是利用部署在城市熱點(diǎn)地區(qū)大量監(jiān)控?cái)z像頭進(jìn)行追蹤，二是利用普通民眾攜帶的各類(lèi)智能設(shè)備獲取信息。因此提出一個(gè)面向協(xié)同感知的任務(wù)分配方法，利用監(jiān)控?cái)z像頭與行人通過(guò)協(xié)同感知覆蓋特定區(qū)域道路網(wǎng)絡(luò)。首先根據(jù)實(shí)驗(yàn)區(qū)域內(nèi)道路網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)研究任務(wù)重要程度，提出任務(wù)優(yōu)先級(jí)計(jì)算方法，用以區(qū)分不同任務(wù)優(yōu)先級(jí);其次提出參與者可信度計(jì)算方法，該方法以物理距離為基準(zhǔn)，通過(guò)引入空間距離衰減指數(shù)函數(shù)計(jì)算行人執(zhí)行某項(xiàng)待選任務(wù)的意愿值，再與任務(wù)優(yōu)先級(jí)結(jié)合，計(jì)算行人可信度;最后提出雙向選擇多輪任務(wù)分配（McTA）算法并利用真實(shí)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)測(cè)試。結(jié)果表明，該方法在數(shù)據(jù)集中完成率達(dá)95%以上.

關(guān)鍵詞：協(xié)同感知;貪心算法;任務(wù)分配;雙向選擇

DOI： 10. 11907/rjdk.192815

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類(lèi)號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-7800（ 2020）004-0014-O（

Collaborative Awareness Oriented Task Allocation Method

YIN Hou-chun. CUI He-Iei. YU Zhi-wen. WANG Liang， GUO Bin（School of CompuLer Scie. nce . lVorthweste. rn Pohiechnical Un ive. rsity . Xi ' an 710129. Ch.ina ）Abstract：ln order to maintain the public security， when there are illegal cases， the public security department needs to obtain the re-al-time inf'orruation of the case development as soon as possible. For this purpose， two major approaches are usually adopted. One is touse a surveillance network consisting of a large nuruber of' surveillance cameras deploy ed in urban hotspots; the other is to use varioussmart devices carried by people to obtain information. Here we propose a task allocation scheme for collaborative sensing. The methodaims to make the cameras and pedestrian to jointly cover the road network of the target area. We first calculate the importance value ofeach task. which can be used for prioritizing a bunch of tasks. Then we propose a method to evaluate the credibility of participants.This method is based on Euclidean distance ，，-hile involving a spatial distance attenuation function to compute the pedestrians' ，，-illing-ness and comhining with the task priority. Lastly， we propose mutual-choice task allocation （McTA） algorithm. The extensive evalua-tion on real dataset demonstrates that the proposed scheme can achieve over 95% task allocation rate.Key Words ： collaborative awareness ; greedy algorithm ; task allocation ; mutual choice

O 列言

近年來(lái)，得益于智能感知與普適計(jì)算等技術(shù)的發(fā)展，廣泛應(yīng)用于網(wǎng)絡(luò)融合的協(xié)同感知技術(shù)成為研究熱點(diǎn)。隨著嵌入式設(shè)備、無(wú)線傳感網(wǎng)絡(luò)、物聯(lián)網(wǎng)、智能移動(dòng)終端的快速發(fā)展，具有集成感知、計(jì)算和通信能力的普適智能感知系統(tǒng)逐漸融人社會(huì)日常生活，智能感知獲取數(shù)據(jù)的能力顯著增強(qiáng)。

使用單一感知設(shè)備獲取的感知能力有限，例如只使用預(yù)先部署的攝像機(jī)監(jiān)控系統(tǒng)監(jiān)控范圍有限，監(jiān)控位置固定，存在視覺(jué)死角。近年來(lái)，各類(lèi)智能設(shè)備尤其是智能手機(jī)的普及使普通民眾可以實(shí)時(shí)分享地理位置、周?chē)h(huán)境等各類(lèi)信息。將移動(dòng)傳感器網(wǎng)絡(luò)與公共安全部門(mén)已有的攝像頭監(jiān)控系統(tǒng)相結(jié)合，實(shí)現(xiàn)協(xié)同感知，可彌補(bǔ)單一攝像頭監(jiān)控系統(tǒng)缺陷，得到更加可靠和全面的數(shù)據(jù)。設(shè)計(jì)科學(xué)合理的協(xié)同感知方法不僅可盡量降低感知代價(jià)，還可提高感知效率與感知系統(tǒng)整體性能，因此進(jìn)行協(xié)同感知算法設(shè)計(jì)和改進(jìn)意義重大。

隨著監(jiān)控?cái)z像頭技術(shù)的成熟，大部分城市均建有以攝像頭為感知終端的監(jiān)控系統(tǒng)，實(shí)現(xiàn)了對(duì)城市區(qū)域最大程度的覆蓋監(jiān)控。監(jiān)控位置一般分布在人流量和車(chē)流量較大的道路交叉口和重要路段，監(jiān)控系統(tǒng)可將監(jiān)控范圍內(nèi)的實(shí)時(shí)情況上傳到公安部門(mén)，確保公安人員及時(shí)掌握城市各區(qū)域最新動(dòng)態(tài)，及時(shí)發(fā)現(xiàn)并處理公共安全問(wèn)題。強(qiáng)大的監(jiān)控網(wǎng)絡(luò)為治理交通、治安等問(wèn)題提供了有力的技術(shù)支持，合理的監(jiān)控系統(tǒng)優(yōu)化策略不僅可降低監(jiān)控系統(tǒng)維護(hù)和運(yùn)營(yíng)成本，還可加大監(jiān)控技術(shù)支持力度，大幅提高公共安全部門(mén)案件偵破效率。截至2019年6月，我國(guó)手機(jī)網(wǎng)民規(guī)模達(dá)8.47億，上半年共計(jì)新增網(wǎng)民2598萬(wàn)人，網(wǎng)民中使用手機(jī)上網(wǎng)的人群占比達(dá)99.1%[1]-。近年來(lái)，處理器性能不斷加強(qiáng)，智能手機(jī)迎來(lái)極大革新。可測(cè)量加速度的傳感器、陀螺儀傳感器、重力傳感器、方向傳感器等越來(lái)越多的復(fù)雜傳感器成為智能手機(jī)標(biāo)配。這些傳感器讓每一位攜帶手機(jī)的個(gè)體均可成為具備較強(qiáng)感知能力的終端，因此可將大量攜帶智能終端的個(gè)體組成協(xié)同感知網(wǎng)絡(luò)，對(duì)特定目標(biāo)進(jìn)行觀察、追蹤等活動(dòng)。

目前，多任務(wù)分配問(wèn)題研究較少。文獻(xiàn)[27]研究了移動(dòng)社交網(wǎng)絡(luò)中的任務(wù)分配問(wèn)題，其中作為請(qǐng)求者的移動(dòng)用戶(hù)可能有多個(gè)任務(wù)需要移動(dòng)社交網(wǎng)絡(luò)中其他用戶(hù)提供幫助;然而，當(dāng)另一個(gè)用戶(hù)在其附近時(shí)，請(qǐng)求者只能收集數(shù)據(jù)再分配任務(wù)，時(shí)間成本較大。本文為請(qǐng)求者設(shè)計(jì)離線和在線任務(wù)方案，通過(guò)考慮其他用戶(hù)移動(dòng)模式，使所有任務(wù)完成時(shí)間盡可能縮短。針對(duì)待分配的任務(wù)集合，本文設(shè)計(jì)任務(wù)優(yōu)先級(jí)計(jì)算方法，使重要任務(wù)可優(yōu)先分配;根據(jù)候選者可信度計(jì)算方法，通過(guò)考慮候選者執(zhí)行某項(xiàng)任務(wù)的主觀意愿最小化候選者移動(dòng)距離，從而縮短任務(wù)完成時(shí)間;基于雙向選擇機(jī)制與多輪分配方法，通過(guò)任務(wù)端與候選者端多次相互選擇確定合適的任務(wù)與候選者，最終得到任務(wù)分配最優(yōu)結(jié)果。

2 McTA算法架構(gòu)

本部分主要介紹面向協(xié)同感知的雙向選擇多輪任務(wù)分配（McTA）算法。將城市監(jiān)控系統(tǒng)中的攝像頭作為固定候選者，將攜帶智能終端的行人作為移動(dòng)候選者對(duì)任務(wù)集合進(jìn)行分配，從而提出任務(wù)優(yōu)先級(jí)計(jì)算方法、固定候選者可信度計(jì)算方法、移動(dòng)候選者意愿值及可信度計(jì)算方法、雙向選擇機(jī)制和多輪分配方法。

2.1 任務(wù)優(yōu)先級(jí)計(jì)算方法

為解決任務(wù)分配問(wèn)題，需計(jì)算不同任務(wù)優(yōu)先級(jí)、分配任務(wù)先后順序。由于本文任務(wù)集合對(duì)應(yīng)路網(wǎng)節(jié)點(diǎn)集合，所以首先考慮設(shè)置約束條件，計(jì)算路網(wǎng)節(jié)點(diǎn)優(yōu)先級(jí)。影響路網(wǎng)節(jié)點(diǎn)重要程度的因素較多，如1個(gè)連接兩條道路的路網(wǎng)節(jié)點(diǎn)與1個(gè)連接四條邊的十字路網(wǎng)節(jié)點(diǎn)重要程度不同，找到類(lèi)似影響因素作為約束條件即可區(qū)分不同任務(wù)點(diǎn)重要程度，從而計(jì)算出任務(wù)點(diǎn)優(yōu)先級(jí)，確定任務(wù)分配順序。

在一般網(wǎng)絡(luò)結(jié)構(gòu)中，不同節(jié)點(diǎn)重要程度和影響力是不同的。考慮到路網(wǎng)拓?fù)浣Y(jié)構(gòu)，對(duì)區(qū)域進(jìn)行覆蓋時(shí)，有3個(gè)主要因素影響任務(wù)重要程度，如表l所示。

2.1.1道路數(shù)量

圖G=（V，E）代表由點(diǎn)和邊組成的道路網(wǎng)絡(luò)，其中V是圖G中頂點(diǎn)集合，E是圖G中邊的集合。1個(gè)道路網(wǎng)絡(luò)中的節(jié)點(diǎn)存在3種情況，即它連接的邊數(shù)只能是兩條、三條和四條，如圖2所示。

在這種情況下，定義 為節(jié)點(diǎn) 連接的邊的集合，若從節(jié)點(diǎn)i到其它任意節(jié)點(diǎn)？有一條邊，則 ，否則 O;定義 為節(jié)點(diǎn)連接邊數(shù)目，即一個(gè)節(jié)點(diǎn)一共連接了幾

尹厚淳，崔禾磊，於志文，等：面向協(xié)同感知的任務(wù)分配方法條邊，它體現(xiàn)了一個(gè)節(jié)點(diǎn)在路網(wǎng)中與周?chē)?jié)點(diǎn)的交互能力，對(duì)計(jì)算不同節(jié)點(diǎn)的重要程度有很重要的作用。因此在一個(gè)道路網(wǎng)絡(luò)中，節(jié)點(diǎn)連接邊數(shù)量S（i）可定義為：

如圖2所示，S（i）可能的值為2、3、4。為了量化該類(lèi)特征，本文定義節(jié)點(diǎn)連接邊權(quán)重系數(shù)Edgeimp=0.25，則基于連接邊數(shù)量的節(jié)點(diǎn)權(quán)重計(jì)算公式可定義為：

2.1.2道路等級(jí)

單以節(jié)點(diǎn)連接道路的數(shù)量衡量任務(wù)點(diǎn)優(yōu)先級(jí)在一些場(chǎng)景下是不夠的，如在圖3中，同樣連接3條邊的兩個(gè)節(jié)點(diǎn)由于連接的道路等級(jí)不同，實(shí)際上兩種節(jié)點(diǎn)重要程度也不同，左圖明顯比右圖節(jié)點(diǎn)更重要。

因此，影響優(yōu)先級(jí)的另一個(gè)因素是節(jié)點(diǎn)連接的道路等級(jí)。參考文獻(xiàn)[29]提出一種空間加權(quán)重要度模型，其中將道路類(lèi)型分為高速路、普通主路、普通次路及支路，并賦予不同的權(quán)重值Rw，如表2所示。

本文提出基于道路等級(jí)的節(jié)點(diǎn)權(quán)重計(jì)算公式，定義為：

其中Rw為單條道路權(quán)重，RwSum為理論上連接所有道路集合的最大權(quán)重之和，如圖4所示，節(jié)點(diǎn)imp2=0.7。

2.1.3道路長(zhǎng)度

除道路數(shù)量、道路等級(jí)外，影響任務(wù)點(diǎn)優(yōu)先級(jí)的第3個(gè)重要因素是節(jié)點(diǎn)連接的道路長(zhǎng)度，通常認(rèn)為道路長(zhǎng)度越長(zhǎng)，這條道路重要程度越高。因此本文定義基于道路長(zhǎng)度的優(yōu)先級(jí)計(jì)算公式，以計(jì)算節(jié)點(diǎn)優(yōu)先級(jí)。

dis是節(jié)點(diǎn)連接的道路長(zhǎng)度，Imax和Imln分別是實(shí)驗(yàn)區(qū)域內(nèi)最長(zhǎng)道路長(zhǎng)度和最短道路長(zhǎng)度，而RoadNum是該節(jié)點(diǎn)連接邊數(shù)量。

綜合以上影響任務(wù)節(jié)點(diǎn)優(yōu)先級(jí)的3種主要因素，經(jīng)過(guò)調(diào)整參數(shù)比例進(jìn)行實(shí)驗(yàn)，本文定義影響任務(wù)節(jié)點(diǎn)優(yōu)先級(jí)的3種因素以1：2：1的比例分配計(jì)算得到的效果最優(yōu)，3部分之和為任務(wù)點(diǎn)最終優(yōu)先級(jí)。

該方法將道路網(wǎng)絡(luò)中節(jié)點(diǎn)連接邊數(shù)、道路等級(jí)及每條道路長(zhǎng)度作為主要影響因素，從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)角度計(jì)算節(jié)點(diǎn)優(yōu)先級(jí)。

根據(jù)式（5）計(jì)算每個(gè)節(jié)點(diǎn)優(yōu)先級(jí)后，在任務(wù)集合中按照優(yōu)先級(jí)大小從高到低對(duì)任務(wù)點(diǎn)進(jìn)行排序。

2.2 固定候選者可信度計(jì)算方法

協(xié)同感知指利用固定候選者（攝像頭）及移動(dòng)候選者（行人）對(duì)任務(wù)所在區(qū)域進(jìn)行覆蓋，設(shè)計(jì)任務(wù)分配算法，為待分配任務(wù)部署最好的候選者集合。但是攝像頭和行人的特性不同，如攝像頭位置固定，而行人對(duì)任務(wù)的選擇帶有主觀意愿。因此本文定義可信度以量化候選者執(zhí)行任務(wù)的可能性。

攝像頭可信度主要衡量指標(biāo)是攝像頭監(jiān)控范圍，即攝像頭監(jiān)控范圍內(nèi)包含的任務(wù)點(diǎn)，攝像頭對(duì)任務(wù)點(diǎn)的覆蓋有兩種形式：直接監(jiān)控路網(wǎng)節(jié)點(diǎn)或監(jiān)控節(jié)點(diǎn)連接的道路。由于攝像頭安放位置是固定的，且通過(guò)監(jiān)控系統(tǒng)可實(shí)現(xiàn)照射范圍內(nèi)24小時(shí)監(jiān)控，如果可把任務(wù)分配給合適的攝像頭，無(wú)論是從移動(dòng)距離還是能量消耗來(lái)說(shuō)，均比選取移動(dòng)候選者的成本小很多，所以應(yīng)優(yōu)先考慮將任務(wù)分配給符合條件的攝像頭，剩下不能由攝像頭完成的追蹤任務(wù)再交由移動(dòng)候選者完成。

攝像頭與任務(wù)點(diǎn)之間的距離直接決定攝像頭能否對(duì)任務(wù)點(diǎn)進(jìn)行有效監(jiān)控，通常路口攝像頭監(jiān)控范圍為lOOm。本文將攝像頭與監(jiān)控任務(wù)點(diǎn)的距離定義為攝像頭可信度，采用歐式距離計(jì)算。

p為攝像頭可信度，根據(jù)p的大小從高到低排序，并設(shè)置距離閾值為lOOm，距離小于lOOm且可信度最高的攝像頭即為執(zhí)行監(jiān)控任務(wù)的最佳固定候選者。將計(jì)算好的待分配任務(wù)點(diǎn)與最佳固定候選者對(duì)應(yīng)存放，當(dāng)進(jìn)行任務(wù)分配時(shí)，優(yōu)先將任務(wù)分配給對(duì)應(yīng)的固定候選者。

攝像頭監(jiān)控任務(wù)集合計(jì)算流程為：①獲取同一區(qū)域內(nèi)路網(wǎng)集合，得到路網(wǎng)節(jié)點(diǎn)經(jīng)緯度。根據(jù)節(jié)點(diǎn)經(jīng)緯度與攝像頭位置經(jīng)緯度計(jì)算兩者之間的距離;②判斷距離是否小于規(guī)定閾值，若小于閾值，則認(rèn)為該攝像頭可監(jiān)控到該任務(wù)點(diǎn)，將距離作為可信度，并把該攝像頭放入任務(wù)點(diǎn)對(duì)應(yīng)的固定候選者集合中;若大于閾值，則認(rèn)為距離太遠(yuǎn)，無(wú)法監(jiān)控;③對(duì)于每一個(gè)任務(wù)點(diǎn)，將其對(duì)應(yīng)固定候選者集合按照可信度大小從高到低排序，選取可信度最高的固定候選者與任務(wù)點(diǎn)一一對(duì)應(yīng)。

2.3移動(dòng)候選者可信度計(jì)算方法

由固定候選者完成的任務(wù)被分配完成后，剩下的任務(wù)考慮用移動(dòng)候選者完成。在引入移動(dòng)候選者任務(wù)分配時(shí)，候選者接收到任務(wù)信息后未必會(huì)執(zhí)行任務(wù)，所以在移動(dòng)候選者任務(wù)點(diǎn)可信度計(jì)算方法設(shè)計(jì)中需充分考慮候選者主觀意愿。

2.3.1 移動(dòng)候選者意愿值與可信度

研究人員嘗試通過(guò)建立多種數(shù)學(xué)模型模擬距離對(duì)另一因素衰減的影響。本文參照文獻(xiàn)[29]采用的距離衰減函數(shù)模型，定義表示候選者執(zhí)行任務(wù)的意愿值will。根據(jù)任務(wù)經(jīng)緯度及候選者所在位置的經(jīng)緯度，采用公式（6）歐式距離計(jì)算某一時(shí)刻移動(dòng)候選者到任務(wù)節(jié)點(diǎn)的距離d。由于移動(dòng)候選者執(zhí)行任務(wù)時(shí)需在一定時(shí)間t內(nèi)以一定速度v行走到任務(wù)點(diǎn)，所以定義候選者在時(shí)間和速度限制下的閾值距離D計(jì)算公式為：

當(dāng)候選者距離任務(wù)點(diǎn)的距離d小于閾值距離D時(shí)，通常認(rèn)為候選者有一定概率會(huì)執(zhí)行該任務(wù);反之，當(dāng)候選者距離任務(wù)節(jié)點(diǎn)的距離d大于閾值距離D時(shí)，則認(rèn)為候選者無(wú)法完成該任務(wù)，即移動(dòng)候選者對(duì)該任務(wù)節(jié)點(diǎn)的可信度為0。為刻畫(huà)移動(dòng)候選者執(zhí)行某任務(wù)的意愿，本文定義符合空間距離衰減函數(shù)公式的移動(dòng)候選者意愿值公式為：

當(dāng)移動(dòng)候選者與任務(wù)點(diǎn)距離小于閾值距離時(shí)，候選者執(zhí)行該任務(wù)的意愿值符合空間距離衰減函數(shù)，其中）L為空間距離衰減系數(shù)。當(dāng)距離d大于閾值距離時(shí)，候選者意愿值為0，即認(rèn)為不能完成該任務(wù)。由該模型可看出，候選者距離任務(wù)點(diǎn)越近，執(zhí)行該任務(wù)的意愿值越大;距離任務(wù)點(diǎn)越遠(yuǎn)，執(zhí)行該任務(wù)意愿值越小。

綜上所述，本文提出移動(dòng)候選者對(duì)任務(wù)的可信度計(jì)算公式，以計(jì)算移動(dòng)候選者執(zhí)行任務(wù)的可信度。

2.3.2 雙向選擇與多輪分配

在移動(dòng)候選者任務(wù)分配中，為得到任務(wù)分配最優(yōu)候選者解的集合以確定移動(dòng)候選者主觀意愿，本文設(shè)計(jì)一種雙向選擇機(jī)制。在現(xiàn)實(shí)任務(wù)分配中，移動(dòng)候選者通常傾向于選擇執(zhí)行可信度最高的任務(wù)，而移動(dòng)候選者可信度包含影響行人選擇的兩個(gè)因素：①任務(wù)優(yōu)先級(jí)。優(yōu)先級(jí)越高，行人越傾向于選擇該任務(wù);②行人意愿值，即距離任務(wù)的遠(yuǎn)近。距離越近，行人越傾向于選擇該任務(wù)。出于對(duì)移動(dòng)候選者主觀意愿的考慮，本文把任務(wù)分配劃分成為兩部分，從兩個(gè)不同角度完成分配。

（1）候選者角度。對(duì)于每一個(gè)移動(dòng)候選者，首先遍歷待分配任務(wù)的集合，計(jì)算該候選者執(zhí)行每個(gè)任務(wù)的可信度，并與每個(gè)任務(wù)形成對(duì)應(yīng)。根據(jù)可信度大小由高到低對(duì)尚未分配的任務(wù)集合進(jìn)行排序，找出此時(shí)該候選者最希望領(lǐng)取的任務(wù)，即可信度最大節(jié)點(diǎn)。由此可得到移動(dòng)候選者集合與待分配任務(wù)集合的多對(duì)一映射關(guān)系，如圖5所示。

（2）待分配任務(wù)角度。對(duì)于每個(gè)待分配的任務(wù)，由于選擇固定候選者即攝像頭的花費(fèi)最小，所以?xún)?yōu)先考慮有無(wú)對(duì)應(yīng)的攝像頭。若找到，則將該任務(wù)分配給攝像頭;若沒(méi)有合適的固定候選者，則選擇移動(dòng)候選者。因?yàn)榇藭r(shí)一個(gè)任務(wù)可能對(duì)應(yīng)零到多個(gè)候選者，所以需根據(jù)對(duì)應(yīng)候選者與該任務(wù)之間可信度大小從高到低對(duì)每個(gè)任務(wù)對(duì)應(yīng)的候選者集合進(jìn)行排序，選取可信度最大的候選者。由此得到候選者集合與待分配任務(wù)集合一對(duì)一映射關(guān)系，如圖6所示。

最終得到的候選者集合與待分配任務(wù)集合的一對(duì)一映射，即為經(jīng)過(guò)雙向選擇機(jī)制得出的移動(dòng)候選者任務(wù)分配近似最優(yōu)解。雙向選擇機(jī)制存在1個(gè)問(wèn)題，即有的任務(wù)原本存在可執(zhí)行者，但在雙向選擇過(guò)程中，由于可信度不是最高的，而雙向選擇機(jī)制只會(huì)選取可信度最高的任務(wù)與候選者相匹配，從而導(dǎo)致其它本可以執(zhí)行的任務(wù)被拋棄，降低了任務(wù)完成數(shù)量及效率。因此本文設(shè)計(jì)一個(gè)多輪分配方法，即當(dāng)可信度最高的任務(wù)完成后，將其從待分配任務(wù)集合中刪除，再將完成任務(wù)的移動(dòng)候選者添回至候選者集合，對(duì)剩下的任務(wù)進(jìn)行新一輪任務(wù)分配，依此類(lèi)推，直到所有可執(zhí)行任務(wù)均被分配。

2.4 面向協(xié)同感知的任務(wù)分配方法

為了最大化任務(wù)完成數(shù)量，本文提出面向協(xié)同感知的雙向選擇多輪任務(wù)分配方法-McTA算法。

在McTA算法中，對(duì)于待分配任務(wù)集合T中的每個(gè)待分配任務(wù)Ti，通常在道路路口節(jié)點(diǎn)對(duì)任務(wù)Ti進(jìn)行監(jiān)控，所以可將路口節(jié)點(diǎn)集合作為待分配任務(wù)點(diǎn)集合，找出執(zhí)行任務(wù)的最佳候選者。

對(duì)于任務(wù) ，首先利用任務(wù)優(yōu)先級(jí)計(jì)算方法計(jì)算其優(yōu)先級(jí)，并按照優(yōu)先級(jí)高低對(duì)任務(wù)進(jìn)行降序排序;其次，進(jìn)行固定候選者任務(wù)分配（攝像頭執(zhí)行任務(wù)的花費(fèi)相對(duì)較低，所以?xún)?yōu)先采用攝像頭），找到每個(gè)攝像頭可監(jiān)控到的任務(wù)點(diǎn)，再計(jì)算移動(dòng)候選者到達(dá)每個(gè)任務(wù)點(diǎn)的意愿值，根據(jù)意愿值與任務(wù)優(yōu)先級(jí)計(jì)算每一個(gè)移動(dòng)候選者執(zhí)行每一個(gè)任務(wù)的可信度;最后對(duì)可信度排序，選擇可信度最大的移動(dòng)候選者與任務(wù)點(diǎn)一一對(duì)應(yīng)。

在任務(wù)分配階段，對(duì)于待分配任務(wù)集合中的每個(gè)任務(wù)，首先尋找是否有距離最近且可監(jiān)控該任務(wù)的固定候選者，若存在，則將該任務(wù)分配給對(duì)應(yīng)攝像頭。遍歷待分配任務(wù)集合后，將可由固定候選者執(zhí)行的任務(wù)分配完畢，僅余應(yīng)由移動(dòng)候選者執(zhí)行的待分配任務(wù)。對(duì)于每個(gè)任務(wù)，找到所有在該任務(wù)范圍內(nèi)的移動(dòng)候選者，并根據(jù)可信度再次排序，選取可信度最高的移動(dòng)候選者執(zhí)行該任務(wù)。再次遍歷待分配任務(wù)集合后，第一輪任務(wù)分配結(jié)束，接著，將已執(zhí)行的任務(wù)從待分配任務(wù)集合中刪除，并將所有移動(dòng)候選者重新加入到候選者集合中，再進(jìn)行新一輪任務(wù)分配，并重復(fù)上一輪任務(wù)分配的操作，以此類(lèi)推，直到所有可分配的任務(wù)均被完成，最終輸出執(zhí)行結(jié)果。

算法具體流程如下所示。

輸入：任務(wù)集合Task，同定候選者集合C（攝像頭），移動(dòng)候選者集合W（行人）

輸出：完成任務(wù)集合T，T作者集合W'

1.FOR each x∈Task

2.計(jì)算任務(wù)集合Task中任務(wù)T.的優(yōu)先級(jí)Pr

3.ENDFOR

4.根據(jù)優(yōu)先級(jí)Pr對(duì)任務(wù)T 排序

5.FOR each x∈C

6.建立與C.對(duì)應(yīng)的集合TC存放C。可以監(jiān)控到的任務(wù)點(diǎn)

7.FOR each x∈T

8. 統(tǒng)汁C中每個(gè)攝像頭C。可監(jiān)控到的任務(wù)點(diǎn)T.

9. TC←T.

10.ENDFOR

11.ENDFOR

12.FOR each x∈W

13.計(jì)算行人W 的意愿值

14.建立集合B存放行人執(zhí)行任務(wù)T：的可信度B。

15.FOR each x∈Task

16.計(jì)算行人執(zhí)行任務(wù)的可信度B.

17.B←B，

18.ENDFOR

19.對(duì)B內(nèi)元素排序，選取可信度最大的任務(wù)Tmax與W;對(duì)應(yīng)

20.ENDFOR

21.While T中有可完成任務(wù)Do

22.從任務(wù)集合Task中選取任務(wù)T.

23.IF Ti有對(duì)應(yīng)攝像頭，則跳轉(zhuǎn)至23

24.FOR each x∈W

25.找到所有可執(zhí)行該任務(wù)的候選者W。存放在集合TW，排序

26. ENDFOR

27.選取可信度最大的候選者W。

28.W←W-W：W←W。

29.T←T-TiT←T。

30.End

31.IFT<上一輪任務(wù)剩余數(shù)量

32.初始化W，增加被刪掉的所有候選者，返回到21，執(zhí)行新一輪任務(wù)分配

3 實(shí)驗(yàn)評(píng)估

本部分主要介紹在若干特定區(qū)域內(nèi)進(jìn)行的實(shí)驗(yàn)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估。通過(guò)與基線方法進(jìn)行對(duì)比，對(duì)任務(wù)分配方法在覆蓋率、成本、運(yùn)行時(shí)間等方面進(jìn)行性能評(píng)價(jià)。

3.1 實(shí)驗(yàn)數(shù)據(jù)采集與預(yù)處理

本文實(shí)驗(yàn)選取成都市區(qū)路網(wǎng)數(shù)據(jù)作為待分配任務(wù)集，選取成都市區(qū)內(nèi)道路攝像頭分布位置數(shù)據(jù)作為固定候選者數(shù)據(jù)集，選取成都市區(qū)內(nèi)行人簽到數(shù)據(jù)作為移動(dòng)候選者數(shù)據(jù)集。

首先，將整個(gè)成都路網(wǎng)劃分為多個(gè)小實(shí)驗(yàn)區(qū)域，在路網(wǎng)數(shù)據(jù)集中找出邊界區(qū)域經(jīng)緯度，以確定實(shí)驗(yàn)數(shù)據(jù)所在區(qū)域。實(shí)驗(yàn)區(qū)域經(jīng)度范圍為30.3346。-30.9255。;緯度范圍為103.740 5。-104.432 7。。根據(jù)實(shí)驗(yàn)區(qū)域范圍，將成都市區(qū)劃分成網(wǎng)格，每個(gè)網(wǎng)格就是1個(gè)實(shí)驗(yàn)區(qū)域，區(qū)域ID從1開(kāi)始依次編號(hào)，按區(qū)域劃分實(shí)驗(yàn)區(qū)域后，在若干區(qū)域內(nèi)進(jìn)行實(shí)驗(yàn)。

3.2任務(wù)優(yōu)先級(jí)計(jì)算方法性能分析

為了更好地體現(xiàn)任務(wù)優(yōu)先級(jí)計(jì)算方法區(qū)分不同任務(wù)的效果，本文首先選取任務(wù)數(shù)量適中、任務(wù)種類(lèi)較多、特點(diǎn)全面的編號(hào)776區(qū)域數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。該區(qū)域內(nèi)共有48個(gè)任務(wù)點(diǎn)、16個(gè)攝像頭、1633個(gè)行人。對(duì)于區(qū)域內(nèi)的48個(gè)任務(wù)，采用優(yōu)先級(jí)計(jì)算模型計(jì)算任務(wù)優(yōu)先級(jí)，優(yōu)先級(jí)數(shù)據(jù)處理結(jié)果如表3所示（截取其中15條數(shù)據(jù)），最后將所有48個(gè)任務(wù)按優(yōu)先級(jí)從高到低排序。

為評(píng)價(jià)優(yōu)先級(jí)計(jì)算模型性能，本文引入基線方法與之對(duì)比，基線方法按路口連接道路數(shù)量計(jì)算任務(wù)優(yōu)先級(jí)，即該方法優(yōu)先級(jí)共有3種情況：連接二、三、四條道路的節(jié)點(diǎn)優(yōu)先級(jí)分別為2、3、4。衡量本文優(yōu)先級(jí)計(jì)算方法與基線方法計(jì)算優(yōu)先級(jí)差別的指標(biāo)計(jì)算公式為：

β代表單個(gè)任務(wù)優(yōu)先級(jí)在總優(yōu)先級(jí)中的占比，占比越高，說(shuō)明該節(jié)點(diǎn)越重要。

如圖8所示，選取776區(qū)域的15條數(shù)據(jù)與基線方法進(jìn)行比較。可以看出只考慮任務(wù)點(diǎn)連接道路數(shù)量的基線方法與考慮了3種因素的本文方法計(jì)算出的優(yōu)先級(jí)結(jié)果差別較大。基線方法由于優(yōu)先級(jí)計(jì)算方式單一，不同任務(wù)點(diǎn)的優(yōu)先級(jí)都比較接近，離散程度不高;而本文采用的優(yōu)先級(jí)計(jì)算模型由于加入了影響任務(wù)點(diǎn)重要程度的不同因素，使不同任務(wù)點(diǎn)優(yōu)先級(jí)計(jì)算結(jié)果離散程度大幅提高，考慮道路數(shù)量、等級(jí)、長(zhǎng)度可更好地區(qū)別不同任務(wù)點(diǎn)之間的差異。與傳統(tǒng)基線方法相比，本文方法使不同任務(wù)點(diǎn)基于優(yōu)先級(jí)的區(qū)分度更高。

例如在圖7中利用基線方法計(jì)算任務(wù)點(diǎn)2和任務(wù)點(diǎn)14的B值，均為0.1，但數(shù)據(jù)集中任務(wù)點(diǎn)2連接了兩條高速路和兩條普通主路，而任務(wù)點(diǎn)4連接了一條高速路、兩條普通主路和一條支路，顯然任務(wù)點(diǎn)2應(yīng)該比任務(wù)點(diǎn)4的優(yōu)先級(jí)更高，采用本文優(yōu)先級(jí)計(jì)算模型可很好地反映該點(diǎn);再比如任務(wù)點(diǎn)5與任務(wù)點(diǎn)6均連接了3條道路，在普通基線方法中兩個(gè)任務(wù)優(yōu)先級(jí)仍是一樣的，但是由于任務(wù)點(diǎn)5相比于任務(wù)點(diǎn)6連接的道路等級(jí)更高、距離更長(zhǎng)，所以?xún)?yōu)先級(jí)更高，這在本文優(yōu)先級(jí)計(jì)算模型中也得到了體現(xiàn)。從圖7可以看出，本文方法與基線方法對(duì)實(shí)驗(yàn)中每個(gè)任務(wù)點(diǎn)優(yōu)先級(jí)結(jié)果差異均較大，但總體走勢(shì)一致，說(shuō)明本文方法對(duì)其優(yōu)先級(jí)刻畫(huà)效果更好。

綜上所述，本文提出的任務(wù)優(yōu)先級(jí)計(jì)算模型更全面地考慮到了影響任務(wù)優(yōu)先級(jí)的諸多因素，使優(yōu)先級(jí)計(jì)算方法多樣化，有效體現(xiàn)了不同節(jié)點(diǎn)之間的差異，其性能優(yōu)于普通基線方法。

3.3 任務(wù)分配算法性能分析

3.3.1 兩種候選者任務(wù)分配

對(duì)于776區(qū)域的48個(gè)任務(wù)，將其中20個(gè)任務(wù)分配給固定候選者，26個(gè)任務(wù)分配給移動(dòng)候選者，還有兩個(gè)任務(wù)處于候選者死角，無(wú)法完成。鑒于城市監(jiān)控?cái)z像頭可實(shí)施24小時(shí)監(jiān)控，可認(rèn)為分配給攝像頭的20個(gè)任務(wù)在監(jiān)控范圍內(nèi)，因此將其完全分配給相應(yīng)攝像頭。將任務(wù)點(diǎn)與合適的攝像頭對(duì)應(yīng)起來(lái)，當(dāng)進(jìn)行任務(wù)分配時(shí)，若有該任務(wù)的映射，則將任務(wù)分配給對(duì)應(yīng)攝像頭。剩下任務(wù)則由行人完成。

剩下的26個(gè)任務(wù)處于攝像頭監(jiān)控范圍之外，所以需調(diào)用行人對(duì)其進(jìn)行監(jiān)控。由于1個(gè)任務(wù)可以分配給多個(gè)候選者，所以根據(jù)移動(dòng)候選者可信度選擇執(zhí)行任務(wù)的最佳候選者，本文將任務(wù)分配給可信度最大的候選者。

3.3.2 移動(dòng)候選者數(shù)量對(duì)算法的影響

為了研究不同候選者數(shù)量對(duì)McTA任務(wù)分配算法的影響，本文把隨候選者數(shù)量變化的任務(wù)分配數(shù)量、任務(wù)分配執(zhí)行輪次、算法運(yùn)行時(shí)間及任務(wù)完成率等作為評(píng)價(jià)指標(biāo)。隨機(jī)選取若干區(qū)域，將這些區(qū)域的移動(dòng)候選者數(shù)量分別設(shè)置為200、400、600、800、1 000、1 200、1 400、1 600。

在任務(wù)分配過(guò)程中，候選者數(shù)量對(duì)實(shí)驗(yàn)結(jié)果的影響較大。候選者越多，任務(wù)分配的選擇越多，任務(wù)被執(zhí)行的可能性越大;候選者越少，任務(wù)分配的選擇越少，任務(wù)不被執(zhí)行的可能性隨之增大。在若干不同實(shí)驗(yàn)區(qū)域，任務(wù)完成數(shù)量隨候選者人數(shù)的變化如圖9所示。

由圖9可以看出，第一輪可分配的任務(wù)數(shù)量隨候選者數(shù)量的增加有明顯增加趨勢(shì)。在圖10顯示的分配結(jié)果中，任務(wù)分配的最終未分配任務(wù)數(shù)目隨候選者數(shù)目的增加而減少，說(shuō)明候選者人數(shù)越多，任務(wù)完成效果越好。但是由于777區(qū)域任務(wù)數(shù)目較少，未分配任務(wù)數(shù)目雖有下降但不明顯。665、666、779區(qū)域任務(wù)數(shù)量較多，因而趨勢(shì)十分明顯，尤其是在候選者人數(shù)從200增加至800的區(qū)間里，任務(wù)分配效果變化較快。這說(shuō)明區(qū)域內(nèi)待分配任務(wù)數(shù)目越多，算法執(zhí)行效果越好，而且區(qū)域內(nèi)可執(zhí)行任務(wù)的候選者人數(shù)越多，McTA任務(wù)分配算法效果越好。

由于McTA算法是雙向選擇的多輪次任務(wù)分配方法，故需明確移動(dòng)候選者數(shù)目變化對(duì)McTA算法執(zhí)行任務(wù)分配輪次的影響。實(shí)驗(yàn)結(jié)果如圖11所示，從中可以看出，候選者數(shù)目越多，McTA算法執(zhí)行的輪次越少，任務(wù)分配完成時(shí)間越短。對(duì)于779和666區(qū)域，由于這兩個(gè)區(qū)域內(nèi)任務(wù)節(jié)點(diǎn)數(shù)相對(duì)于其它區(qū)域較多，候選者越多，單次分配過(guò)程中執(zhí)行的任務(wù)數(shù)量就越多，所以任務(wù)分配總輪次越少。對(duì)于任務(wù)節(jié)點(diǎn)數(shù)量越多的區(qū)域，McTA算法越能體現(xiàn)其顯著效果。而對(duì)于777區(qū)域，由于只有48個(gè)任務(wù)節(jié)點(diǎn)，故McTA算法分配效果隨候選者人數(shù)的變化不明顯。綜上所述，McTA算法更適合應(yīng)用于任務(wù)數(shù)量規(guī)模較大的任務(wù)分配問(wèn)題。

候選者數(shù)目變化還可能影響任務(wù)分配算法整體運(yùn)行時(shí)間。如圖12所示，在選定的5個(gè)區(qū)域內(nèi)，候選者人數(shù)越多，McTA任務(wù)分配算法運(yùn)行時(shí)間越長(zhǎng)。可以看出在候選者人數(shù)相同的情況下，編號(hào)779實(shí)驗(yàn)區(qū)域算法執(zhí)行時(shí)間長(zhǎng)度明顯長(zhǎng)于其它區(qū)域，這是因?yàn)?79區(qū)域內(nèi)任務(wù)節(jié)點(diǎn)數(shù)相對(duì)較多，由此可見(jiàn)任務(wù)節(jié)點(diǎn)數(shù)量影響運(yùn)行時(shí)間。

3.4任務(wù)分配效果

在整個(gè)城市道路網(wǎng)絡(luò)中，每個(gè)區(qū)域均各有特點(diǎn)，例如有的區(qū)域任務(wù)少，候選者多;有的區(qū)域任務(wù)多，候選者少。為驗(yàn)證McTA算法在不同區(qū)域進(jìn)行任務(wù)分配的性能，定義任務(wù)分配完成率為：

在區(qū)域集合中隨機(jī)選取若干實(shí)驗(yàn)區(qū)域進(jìn)行任務(wù)分配，其任務(wù)分配完成率如圖13所示。可以看出當(dāng)區(qū)域內(nèi)候選者數(shù)量較少時(shí)，任務(wù)完成率較低，有的區(qū)域完成率僅為60%-70%，原因是候選者少，但是待分配任務(wù)多。當(dāng)候選者增加到一定數(shù)量時(shí)，例如1 200名以上時(shí)，任務(wù)數(shù)量對(duì)完成率的影響程度大幅降低，這些區(qū)域內(nèi)任務(wù)分配完成率達(dá)到90%以上。說(shuō)明當(dāng)區(qū)域內(nèi)候選者足夠多時(shí)，McTA算法可完成大部分待分配任務(wù)。

5 結(jié)語(yǔ)

首先，本文設(shè)計(jì)了任務(wù)優(yōu)先級(jí)計(jì)算方法。該方法根據(jù)任務(wù)節(jié)點(diǎn)的不同特點(diǎn)量化任務(wù)重要程度，體現(xiàn)了不同節(jié)點(diǎn)之間的差異，可有效地計(jì)算不同節(jié)點(diǎn)優(yōu)先級(jí);然后采用歐式距離計(jì)算固定候選者可信度，利用空間距離衰減指數(shù)函數(shù)計(jì)算移動(dòng)候選者執(zhí)行某項(xiàng)任務(wù)的意愿值，再根據(jù)意愿值與任務(wù)優(yōu)先級(jí)確定候選者其可信度;最后，提出任務(wù)節(jié)點(diǎn)與候選者的雙向選擇機(jī)制以及多輪分配方法，最大限度地優(yōu)化分配結(jié)果。實(shí)驗(yàn)結(jié)果表明，在本文數(shù)據(jù)集內(nèi)，該算法可有效地對(duì)任務(wù)進(jìn)行分配，當(dāng)候選者達(dá)到一定數(shù)量時(shí)可保證任務(wù)分配完成率保持在95%以上，其性能優(yōu)于普通任務(wù)分配方法。

下一步將針對(duì)監(jiān)控?cái)z像頭任務(wù)分配問(wèn)題，重點(diǎn)改進(jìn)可信度計(jì)算方法。本文方法從距離尺度上衡量攝像頭能否監(jiān)控到特定目標(biāo)，實(shí)際生活中環(huán)境更加復(fù)雜，下一步研究將考慮更多影響攝像頭可信度的潛在因素。而行人可信度受多種因素影響，例如不同社會(huì)身份的行人（如公司職員或失業(yè)人員）對(duì)分配任務(wù)的執(zhí)行概率不同，僅從閾值距離的角度對(duì)其可信度進(jìn)行評(píng)估的作法相對(duì)簡(jiǎn)單，未來(lái)將加入更多影響因素，使該方法更貼近實(shí)際。

本文實(shí)驗(yàn)將整個(gè)路網(wǎng)按網(wǎng)格劃分成若干實(shí)驗(yàn)區(qū)域，在單個(gè)實(shí)驗(yàn)區(qū)域內(nèi)進(jìn)行實(shí)驗(yàn)。在實(shí)際生活中，雖然網(wǎng)格劃分是不存在的，但不同實(shí)驗(yàn)區(qū)域內(nèi)的節(jié)點(diǎn)同樣存在很多聯(lián)系，采用網(wǎng)格劃分會(huì)使某些可以去執(zhí)行其它區(qū)域任務(wù)的候選者被限制在一個(gè)特定區(qū)域內(nèi)，從而忽略掉其它可能的更優(yōu)解。因此為去除網(wǎng)格模型帶來(lái)的不利影響，更細(xì)粒度地設(shè)計(jì)跨網(wǎng)格任務(wù)分配方法，下一步將研究不同實(shí)驗(yàn)區(qū)域節(jié)點(diǎn)、候選者等之間的聯(lián)系，從而更好地提高任務(wù)分配完成率及算法效率。

參考文獻(xiàn)

[1] 中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心 .中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)?，X統(tǒng)計(jì)- [EB/OL ] .http ： //w，n， .cnnic .net.cn/hlwfz） j/hlwxzbg/ssbg/20 1 9 10/P020 1 91025506904765613.pdf

[2] ZHANC D. XIONC H. WANC L. et al. CrowdRecruiter： selecting

[3]魏浩，陳華鋒，陳軍，基于路徑覆蓋的城市監(jiān)控?cái)z像網(wǎng)絡(luò)優(yōu)化部署方法 [J]. 計(jì)算機(jī)工程 ， 2016， 42（ 5） ： 269-274.

[4] MAVRINAC A. CHEN X. Modeling coverage in camera networks： asurvey [Jl. International journal of computer vision ， 2013 . 101 （1 ） ：205-226.

[5] MARIhrAKIS D， DLiDEK G. Topology inference for a vision-based sensor netwnrk [ C ] . Conference on Computer & Rohot Vision . 2005 ：121-128.

[6]ERDEM L M. SCLAROFF S. Automated camera layout to satisfytask-specific and floor plan-specific. coverage requirements [J] . Com-puter Vision &. Image Understanding， 2006 ， 103（ 3 ） ： 156-169.

[7]MAVRINAC A ， CHEN X， TEPE K. An automatic calibration methr）dfor stereo-based 3D distributed smart camera networksFJl. ComputerVision and Image Understanding， 2010， 1 14（ 8） ： 952-962.

[8]SONC B . KAMAL A T. SOTO C . et al. Tracking and acti，'ity recr，gni-tion through consensus in distributed camera networks [Jl. IEEETransactions on Image Proc：essing ， 2010， 19（ 10） ： 2564-2579.

[9]ELLIS T， BLACK J， XU M. et al. A distrihuted multi camera surveil-lance system[M ]. New York ： Springer， 2005.

[10]PHAM O C， LAPEYRONNIE A. BALDRY C. et al. Audio-.'ide。surveillance system for public transportation [ C ] .

International Con-ference on Image Processing Theory Tools & Applications， 2010：47-53.

[ll]LANr G L. MA Z M， SUN S S. Coverage problem of wireless sensornetworks [ C ] . China-Japan ConfPrence on Discrete Geometry ， 2005 ： 88-100.

[12]FANC C . LO" C P. Redundant coverage in wireless sensor networks[C]. IEEE International Conference on Communications. 2007：3535-3540.

[13] GHOSH A. DAS S K. Coverage and connectivity issues in wirelesssensnr networks： a survey EJl. Perrasive & Mobile Computing，2008， 4（3） ：303-334.

[14]CHAKRABARTY K. IYENGAR S S， 01 H， et al. Grid corerage forsurveillance and target location in distributed sensor networks [Jl.IEEE Transac.tions on Computers ， 2003 ， 51 （ 12） ： 1448-1453.

[15]WANG X， YANC Y T. k-variable morement-assisted sensor deploy-ment hased on virtual thornh grid in wireless sensor networks [C].Proceedings of the Second IEEE international conference onSelf-Managed Netwnrks . Svstems . and Services . 2006 ： 173-183.

[16]KAZEMI L， SHAHABI C . CHEN L. CeoTruCrowd ： trustworthy que-rv answering with spatial crowdsnurcing [ C ] . ACM Sigspatial Inter-national Conference on Advances in Cengraphic Information Sys-tems . 2013 ： 314 ～ 323.

[17]CEThrET H. Minimum cost maximum flow prohlem[D]. Addis Aba-ba ： Addis Ahaba University， 2017.

[18]KAZEMI L， SHAHABI C. GeoCro.vd ： enahling query answering withspatial c.rowdsourcing [ C] . International Conference on Advances inCeographic Information Systems ， 2012 ： 1 89-198.

[19]DENG D X. SHAHABI C. DEMIRYUREK U. et al. Task selectionin spatial crowdsourcing from worker' s perspective [J]. Geoinfor-matica. 2016. 20（ 3） ：529-568.

[20] REDDY S. ESTRINr D. SRIVASTAVA M. Recruitment frameworkfor participatr，ry sensing data collections [C]. Helsinki ： PervasiveComputing ， Internatir，nal Conference . 2010.

[21]CARDONE G， FOSCHINI L. BELLAVISTA P. et al. Fostering par-ticipation in smart cities： a geo-social crowdsensing platform [Jl.IEEE Cnmmu nications Magazine ， 2013 . 51 （ 6） ： 1 12-1 19.

[22]HE S， SHIN D H. ZHANC J， et al. Toward optimal allocation of lo-cation dependent tasks in crowdsensing [C]. IEEE Conference onComputer Communications ， 2014 ： 745-753.

[23] CHEUNG M H，SOUTHWELl R， HOU F. et al. DistributedTime-Sensiti.'e Task Selection in Mobile Cro，，'dsensing [C ] . Prr）ceed-ings of the 16th ACM International Symposium nn Mnbile Ad Hochretworking and Computing， 2015 ： 157-166.

[24] TONG Y. SHE J， DING B， et al. Online mohile micro-task alloca-tion in spatial crowdsourcing[ C ] . 2016 IEEE 32nd International Con-ference on Data EngineeriW ， 2016 ： 49-60.

[25]HAN K. ZHANC C. LLO J， et al. Truthful scheduling mechanismsfor powering mobile crowdsensing [J]. IEEE Transactions on Com-puters， 2016， 65（ I ） ： 294-307.

[26]PL L. CHEN X. XU J. et al. Crowdlet： optimal wnrker recruitmentfor self-organized mobile crowdsr，urcing [ C ] . The IEEE Internation-al Conference on Computer Communications . 2016 ： 1-9.

[27]XIAO M. WL J. HUANG L， et al. Multi-task assignment for crowd-sensing in mohile social networks [ Cl. IEEE Conference on Comput-er Communications ， 2015 ： 2227-2235.

[28]DEhrG D X. SHAHABI C. ZHL L H. Task matc.hing and schedulingfor multiple wnrkers in spatial crnwdsourcing Fcl. Prr）ceedings ofthe 23rd SICSPATIAL International Conference on Advances in Cen-graphic Information Systems， 2015 ： 1-10.

[29]WAN Nr. ZHAN F B. CAI Z. A spatialb- weighted degree model fornetwork vulnerahility anab'sis [J] . Ceo-Spatial Infnrmation Science ，2011. 14（ 4） ： 274-281.

[30]SEVTSLK A. Location and agglonieration： the distrihution of retailand food husinesses in dense urban enx'ironments FJl. Journal ofPlanning Education and Research， 2014， 34（ 4） ： 374-393.

收稿日期：2020-04-28

作者簡(jiǎn)介：尹厚淳（1997-），男，西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院碩士研究生，研究方向?yàn)槠者m計(jì)算、移動(dòng)群智感知;崔禾磊（1987-），男，博士，

西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院副教授，研究領(lǐng)域?yàn)樵朴?jì)算安全、多媒體安全;於志文（1977-），男，博士，CCF高級(jí)會(huì)員，西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師，研究方向?yàn)槠者m計(jì)算、社會(huì)感知計(jì)算、人機(jī)交互;王亮（1984-），男，博士，CCF會(huì)員，西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院副教授，研究方向?yàn)橐苿?dòng)群智感知、城市計(jì)算;郭斌（1980-），男，博士，CCF高級(jí)會(huì)員，西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師，研究方向?yàn)橐苿?dòng)群智感知、大數(shù)據(jù)智能。