基于蒙特卡羅貝葉斯推理的移動群智感知可靠任務分配機制

摘 要：針對現有任務分配策略的不足，研究了在工人數量有限的移動群智感知系統中任務分配策略，借助社交網絡來分配任務并獲得高收益。首先，建立了社交網絡的動態不確定環境，利用社交網絡完成任務，傳播任務。然后考慮到不同社交網絡對任務的偏好不同，設置任務偏好度這一不確定指標，借助經濟學風險價值的理論描述任務分配的可靠性。最后利用蒙特卡羅貝葉斯推理方法研究任務動態傳播模型的復雜參數的高斯過程，設計基于知識梯度的采樣算法選擇蒙特卡羅采樣點，從而實現高收益的任務分配方案。為了驗證所提策略的性能，將其與四種基準的采樣算法進行比較。實驗結果表明，所提任務分配策略在提高收益方面是有效的。

關鍵詞：移動群智感知；任務分配；風險價值；動態不確定；蒙特卡羅貝葉斯推理

中圖分類號：TP393 文獻標志碼：A

文章編號：1001-3695（2022）11-026-3365-06

doi：10.19734/j.issn.1001-3695.2022.03.0147

Reliable task allocation mechanism in mobile crowd sensing based on Monte Carlo Bayesian inference

Yang Guisong，Yao Qiuyan

（School of Optical-Electrical amp; Computer Engineering，University of Shanghai for Science amp; Technology，Shanghai 200093，China）

Abstract：In view of the shortcomings of existing task allocation strategies，this paper proposed a task allocation strategy in mobile crowd sensing with a limited number of workers and used social networks to allocate tasks to obtain high profits.Firstly，it established the dynamic uncertain environment of social network to complete and propagate task.Then，considering that different social networks have different preferences for tasks，this paper set the uncertain value of task preference，and described the reliability of task allocation with the help of the theory of economic value at risk.Finally，it used Monte Carlo Bayesian inference method to study the Gaussian process of complex parameters of task dynamic propagation model，and designed a sampling algorithm based on knowledge gradient to select Monte Carlo sampling points，so as to realize high profit task allocation strategy.In order to verify the performance of the proposed strategy，it is compared with four benchmark sampling algorithms.The experimental results show that the proposed task allocation strategy is effective in improving profit.

Key words：mobile crowd sensing； task allocation；value at risk；dynamic uncertainty；Monte Carlo Bayesian inference

基金項目：國家自然科學基金資助項目（61802257）

作者簡介：楊桂松（1982-），男（通信作者），河南漯河人，副教授，碩導，博士，主要研究方向為移動群智感知、物聯網與普適計算（gs_yang@aliyun.com）；姚秋言（1995-），女，江蘇連云港人，碩士研究生，主要研究方向為移動群智感知.

0 引言

由于移動設備的大量普及，人們利用移動設備強大的感知能力從事大量的感知活動，這催生了一種重要的感知范式，即移動群智感知（mobile crowd sensing，MCS）^［1］。MCS通常由三個實體組成，即任務請求者、MCS平臺和移動用戶。任務請求者可以通過MCS平臺發布任務請求，MCS平臺將任務分配給移動用戶并由移動用戶將結果提交給平臺。作為交換，用戶將獲得某種形式的差旅花銷、隱私、電池使用等相關費用的報銷。通過聚集人們提交的大量數據，MCS平臺可以完成一些復雜的大型活動，例如創建實時噪聲地圖或監控實時交通等。 很明顯，研究一種切實有效的任務分配機制將任務分派下去是一個關鍵問題。任務分配的研究經歷了一些發展階段，以前的大部分文獻都集中在MCS平臺有足夠多的工人。然而，現實情況卻是該平臺并不總是有足夠數量的工人，尤其是在該平臺剛剛建立時^［2，3］。一方面，新的MCS平臺必須處理冷啟動問題^［4］，等待足夠數量的工人加入；另一方面，MCS平臺上的工人不一定對分配給他們的特定任務充滿熱情，需要考慮工人的偏好^［5］。因此，在這種情況下，移動群智感知平臺可能無法成功實現任務分配。

最近，移動社交網絡（mobile social networks，MSN）的普及促進了新一代的信息傳播和傳播媒體的發展，一些任務分配的研究受到移動社交網絡（如Facebook、Twitter、Foursquare等）的影響，通過社交網絡來吸引用戶。真實世界數據集的研究表明，可以在社交網絡上推銷獨特的商品^［6］或創意。然而，其中一些研究^［7，8］只是通過收集用戶的個人資料并利用社交網絡來決定最適合執行任務的工人，并沒有考慮如何解決MCS平臺的工人數量有限問題。另外，由于社交關系的影響，社交網絡具有動態屬性。例如，文獻［9］建立了動態多社會網絡通信模型，研究動態多社會網絡影響最大化問題，將公共用戶的自傳播邊添加到集成網絡每個幀的快照中。目前，一些利用社交網絡進行任務分配的方案正在探索使用社交媒體作為信息資源或協作平臺來幫助評估各種感知方案。為了對MCS任務分配合適的工人，可以利用用戶的社交資料、社交聯系和社交軌跡等。例如，使用社交理論，Kantarci等人^［10］能夠評估傳感數據的可信度，并將該可信度作為傳感器任務分配的依據。此外，文獻［11］關注多個工人協同執行移動群智感知中的一項任務，并構建多重協作任務分配機制，通過在社交網絡中使用現實生活中的聯系，建立合適的小組，通過面向小組的合作增加任務覆蓋率，同時保持高水平的任務協作質量。值得注意的是，一些研究發現使用社交媒體作為任務分配平臺可有助于增加可用工人的數量。例如，文獻［12］為了實現數據質量和感知成本之間的權衡，選擇一部分的用戶，如果一個人無法完成任務，他可以通過社交網絡將任務信息傳達給他的朋友。Wang等人^［13］基于社交網絡來增加傳感覆蓋范圍，首先，選擇社交網絡上的一部分用戶作為初始種子，并將MCS任務推送給他們。然后，接受任務的受影響用戶被招募為工人。本文考慮社交網絡的動態屬性，將一個社交網絡中的用戶根據完成任務和傳播任務的不同設置成不同狀態，這是本文利用社交網絡進行移動群智感知任務分配的一個創新性研究。

其次，MCS中的不確定信息也值得關注，Alasmary等人^［14］關注車輛MCS網絡，提出噪聲模型，用于捕捉移動信息中的不確定性，并使用獨立覆蓋理論量化不確定信息對策略調度器感知成本的影響。文獻［15］分析移動設備需要滿足用戶不確定行為而產生的需求變化，利用Stackelberg博弈制定激勵機制，通過深度強化學習方法學習最優定價策略。不確定任務分配的研究已經取得了一些進展。例如，在無人機環境中，文獻［16］提出一種魯棒的分散任務分配算法來解決任務持續時間不確定的多無人機監控問題。文獻［17］基于四叉樹和流網絡的不確定環境部署具有不同能力的多架無人機。在車聯網環境中，文獻［18］研究了交通網絡中行程時間不確定的冗余機器人魯棒任務分配方案。在移動群智感知中，文獻［19］設置工人的感知質量先驗未知，并在任務分配的每一輪將每個任務由多個工人執行，每個工人都會產生一定的成本，但是最終任務的質量取決于這些工人中的最大感知質量。然而，文獻［19］并沒有更進一步討論工人的感知質量不確定的產生原因。文獻［20］認為工人上下文信息影響感知，建立基于工人上下文信息的未知感知質量任務分配模型。對于社交網絡而言，不同的社交網絡也存在較多的不確定性，尤其是不同社交網絡中用戶的偏好。基于此，本文設計了任務偏好度這一不確定值以便更有效地指導任務分配。

本文的另一項創新性研究是結合經濟學領域風險價值理論保證任務分配的可靠性。為了實現可靠任務分配，目前文獻［21］利用霧計算模式將任務分配到空間相關性較低的霧節點而非云平臺，有利于防御對密集區域節點的攻擊。文獻［22］針對工人移動這種不確定環境，提出馬爾可夫決策過程動態對系統可靠性進行建模。文獻［23］提出根據工人過去對任務評價的情緒來分析員工的信任，然后使用模糊推理方法獲得每個工人對空間任務的可靠度，并將每個任務貪婪的分配給最可靠的工人。模糊推理也是處理不確定性的一種常見手段，不過，與其不同的是，本文采用了蒙特卡羅貝葉斯推理方法。

因此，本文的主要貢獻總結如下：

a）研究了移動群智感知系統工人不足下的任務分配問題，建立動態任務傳播模型，利用社交網絡完成任務，傳播任務，進而增加MCS系統的工人數量；

b）考慮到不同社交網絡對任務的偏好不同，設置任務偏好度這一不確定指標，借助經濟學風險價值的概念描述任務分配系統的可靠性；

c）考慮到任務動態傳播模型的復雜參數，利用統計學蒙特卡羅貝葉斯推理的知識建立服從高斯過程的動態任務傳播模型，設計ρKG算法選擇蒙特卡羅采樣點，蒙特卡羅采樣點的選擇意味著一種任務分配方案。

1 系統模型

本文設計的系統模型考慮了一個這樣的實際場景：MCS平臺剛開始時工人數量不足，同時需要將任務分配給三個不同的社交網絡，社交網絡可以利用自身的社交屬性為平臺添加工人，并且不同社交網絡具有不同的任務偏好度。其主要工作流程如圖1所示。

通過MCS平臺，任務發布者可以發布任務請求，然后移動用戶可以自愿成為工人完成任務并將結果提交給MCS平臺。MCS成功的關鍵在于平臺上注冊工人的數量和種類繁多，這使得平臺能夠在具有收益的同時滿足任務和多樣化應用的要求。然而，一個新開發的只有少數注冊工人的MCS平臺是本文的主題。該平臺在早期面臨冷啟動問題，無法提供足夠的工人來分配任務。這一挑戰可以借助社交網絡的力量，在MCS平臺上要求注冊工人鼓勵他們的朋友參與感知并完成任務。雖然MCS平臺與社交網絡是分開的，但MCS平臺和社交網絡上的用戶之間必須存在一定的重疊，以便注冊用戶能夠通過社交網絡傳播任務給朋友。隨著越來越多的任務被發布，平臺可能會逐步聚集越來越多的注冊工人進行各種感知活動。因此，將有足夠的工人來滿足任務發布者的需求。

所以，任務分配的主要流程如下：在收到任務規范和適當的金錢成本后，MCS平臺啟動招聘新工人的過程。它首先根據要執行的任務時間劃分為不同的時隙。對每個社交網絡來說，任務傳播和完成的消息反饋MCS平臺處理，每個注冊的工人都可以選擇是傳播還是完成任務或者同時傳播、完成任務。收到任務傳播的用戶可以選擇是否參與MCS平臺，此時他將有機會傳播或完成任務。該過程在每個時隙結束時循環，直到任務持續時間結束。需要注意的是，每個用戶只允許在每個時隙傳播一次任務，并且在招募過程中一次完成一項工作，這樣可以避免同一個工人重復傳播任務導致的金錢消耗，也可以減少同一個工人上傳的數據冗余。這就形成了兩種收益，傳播收益和完成收益，兩者均分時隙更新。前者鼓勵在MCS平臺上注冊的用戶將任務傳播給他們的朋友，而后者鼓勵用戶完成分配給他們的任務。

1.1 問題描述

考慮MCS平臺提供N個同質任務的集合，任務持續時間均為D和總金錢成本B。任務集由T={t₁，t₂，…，t_n}表示，其中t_i表示第i個任務，每個任務僅需要一個工人完成。已知任務持續時間為D，一共分為|D|個時隙，其中D_τ表示第τ個時隙。在每個時隙，動態任務傳播模型均獲得更新，完成任務和傳播任務的信息相繼改變，并反饋給平臺。定義r_p（τ）和r_c（τ）分別為在第τ個時隙傳播任務和完成任務獲得的收益。將MCS平臺和社交網絡中的所有用戶設為U={u₁，u₂，…，u_m}，其中u_j表示第j個用戶。由于每個用戶至多可完成一次任務，傳播一次任務，所以，如果用戶u_j在D_τ傳播任務t_i，記為I_p（i，j，τ）=1，否則I_p（i，j，τ）=0。同理，如果用戶u_j在D_τ完成任務t_i，則記為I_c（i，j，τ）=1，否則I_c（i，j，τ）=0。將三個社交網絡分別定義為S₁、S₂和S₃，考慮到對于這一同質類型的任務，不同社交網絡的偏好可能不同，因此完成任務或傳播任務的可能性也就不相同，為此，定義w₁、w₂和w₃分別代表社交網絡S₁、S₂和S₃的任務偏好度，注意其值是一個不確定的值。假設三個社交網絡不存在交集，三個社交網絡分配的任務個數分別為X₁、X₂和X₃，即X₁+X₂+X₃=N。因此，為了實現在三個社交網絡中任務的分配，并且使得任務傳播收益和任務完成收益的總和盡可能大，任務分配的目標是：

其中：γ表示可靠性；F（x，W）是關于任務分配個數X和不確定變量W的收益函數。目標是在規定的時間內獲得最大的收益。式（3）（4）約束說明任務只能完成或者不完成，傳播或者不傳播。式（5）約束說明工人一次只能完成一項任務。式（6）約束說明工人在任務持續時間里只能傳播一次任務。使用上述限制，可以避免來自同一參與者的數據重復。更具體地說，如約束式（6）所示，當工人決定傳播并完成一項任務時，他傳播和完成任務的時隙應保持一致。另外，由于不確定值w₁、w₂和w₃的存在，為了實現可靠任務分配，現引入投資組合中風險價值的概念。

1.2 可靠性任務分配

定義1 風險價值（value at risk，VaR）。它表示在一定的置信水平下，某一投資組合在未來特定的一段時間內的最大可能損失。定義公式如下：

其中：α代表置信水平。該定義涉及兩個定量因素，即損失范圍ρ和置信水平α。W是密度為p（w）的連續隨機變量。注意風險價值VaR是由于w的不確定造成的，并且是在F固定的情況下計算的。

根據上面的定義，圖1系統模型的可靠性定義為

由此，目標函數式（1）也可以表示為

表示在w不確定情況下的最小化風險。接下來，本文展示動態任務傳播模型F的細節。

2 動態任務傳播模型

動態傳播模型最先來源于研究傳染病傳染規律的SIR模型^[24]，其中S表示易感染狀態，I表示感染狀態，R表示恢復狀態。更詳細地說，易感狀態是指尚未被疾病感染的個體，感染狀態是指已被感染并具有傳染性的個體，而恢復狀態是指已從疾病中恢復的個體并對疾病有免疫力。由于易感者和感染者之間的相互作用，傳染病可能在大量人群中傳播。SIR傳染病模型在概念上與本文的通過社交網絡完成任務、傳播任務的概念相同。然而，在本文工作中直接應用SIR模型是不可行的。因為需要考慮用戶可能傳播任務，可能完成任務，甚至既傳播任務又完成任務。為此，本文提出了一個特定的動態任務傳播模型，它基于SIR傳染病模型，但是可以應用于任何任務。動態任務傳播模型如圖2所示。

2.1 模型定義

為了描述工人的靈活選擇，本文用狀態（S，E，pre-ID，ID，R）來描述工人的行為。其中：

S表示用戶不知道任務，沒有參與感知的狀態；

E表示用戶感知到任務，但是沒有完成任務和沒有傳播任務時的狀態；

Pre-ID表明用戶感知到任務，選擇完成任務但是沒有傳播任務時的狀態；

ID表示用戶感知到任務，選擇傳播任務但是沒有完成任務的狀態；

R表示用戶感知到任務，選擇完成任務并且選擇傳播任務的狀態。

由1.1節可知，完成任務產生完成收益r_c（τ），傳播任務產生傳播收益r_p（τ）。因此若一個用戶既完成任務又傳播任務，則可以產生的收益為r_c（τ）+r_p（τ）。基于上述對動態任務傳播模型五種狀態的定義，狀態轉移規則可以定義如下：

a）用戶u_j在S狀態維持現狀的概率為β^（0）_j；

b）用戶u_j從S狀態轉移到狀態E的概率為β^（1）_j；

c）用戶u_j從E狀態轉移到pre-ID狀態的概率為β^（2）_j；

d）用戶u_j從E狀態轉移到ID狀態的概率為β^（3）_j；

e）用戶u_j從pre-ID狀態轉移到R狀態的概率為β^（4）_j；

f）用戶u_j從ID狀態轉移到R狀態的概率為β^（5）_j。

2.2 實例

下面通過實例圖3形象地說明上述狀態轉移的過程。

假設一個網絡中有100人，初始時隙，所有用戶的狀態均為S。第一個時隙，E狀態的人數為100×0.8=80人；第二個時隙，pre-ID狀態的人數為80×0.4=32人，ID狀態的人數為80×0.5=40人；第三個時隙，R狀態的人數為32×0.5+40×0.1=20人。值得注意的是，在第三個時隙結束的時候，當一部分工人從狀態pre-ID變為狀態R時，與此同時，又有一批工人從狀態E變為狀態pre-ID。上述過程隨著時隙的進行不斷演進，并且，上面的例子展示的僅僅是一個工人在開始三個時隙的結果，當一個社交網絡中工人數足夠多，上述計算代價將變得非常大。為了解決這個問題，下一章將采用統計學的知識，將該任務動態傳播模型建模為高斯過程，并使用蒙特卡羅貝葉斯推理的方法形成多條任務動態傳播路徑，本文仍將在任務偏好度W的不確定性中計算ρ［F（x，W）］，即最小風險下的收益。

3 蒙特卡羅貝葉斯推理

4 ρKG算法

算法的計算過程如算法1所示。第3章在蒙特卡羅估計中采樣，即選取評估點并不是一個簡單的過程，本章展示選取評估點的算法。如果不確定值W的維度很大，ρ［F（x，W）］就很難獲知，因為這需要對所有的F（x，W），w∈W進行評估，所以一種常見的做法是根據后驗分布選取具有最優期望的點作為評估點，即

5 實驗結果與分析

5.1 實驗設置

接下來，本文研究了固定同質任務在三個社交網絡中的分配，目標是在社交網絡之間分配任務數量，以盡可能獲得較高的收益。將本文的算法與期望改進EI算法^[27]、置信區間上限UCB算法^[28]、最大值熵搜索MES算法^[29]以及ρ-random算法進行對比。

1）EI算法 文獻提出了標準EI和改進的EI，使用標準EI和本文算法進行比較，公式為：EI（x）=E_max（F（x，w）′-F（x，w））通過遍尋所有可能x的取值計算本輪迭代可產生的期望，并從中選擇最大x作為下一輪迭代采樣點。若F（x，w）是迄今為止觀察到的F的最小值，則F（x，w）′是對F改進最大的點。

2）UCB算法 在全局候選者內平衡探索與利用，既利用均值提升的條件，又要使得協方差不至于過大。UCB公式為：UCB（x）=μ_τ（x）+βΣ_τ（x，x），其中β為超參數，表示對探索與利用的側重。

5.2 Var、 ρKG值分析

下面本文以一個社交網絡為例，分析在任務分配數不同和初始任務偏好度不同的情況下，風險價值VaR以及ρKG值的變化。由步驟c）可知，需要建立采樣樣本的GP模型，為了方便討論，對任務分配數進行標準化處理，對初始任務偏好度進行連續化處理，初始任務偏好度服從均勻分布。GP模型的均值如圖4所示，GP模型的協方差如圖5所示。在示例中，設置置信水平α=0.8。

上述GP模型的風險價值計算結果如圖6所示。從圖中可以看出，當x值過大或者過小時，不確定性均非常大，體現在95%的置信區間更寬，因此更加希望探索。為了降低移動群智感知系統的不確定性，任務分配數x的取值在[0.4，0.6]時，既可以保證對x進行充分的探索，又可以保證該值是可靠的。

除了x外，w的不確定性也會影響任務分配結果，從上述GP模型的ρKG值分析這一情況，ρKG值計算結果如圖7所示。由圖可知，與風險價值目標對應的w子集在w較大的地方，并且看到該區域內的ρKG值較大。因此，對于給定的x，ρKG更喜歡不確定集w中直接影響目標值的樣本，并且可以有效地搜索候選空間。本文希望在x∈［0.4，0.6］觀察ρKG值的變化，對于較大的w，ρKG值要大得多，使它們對風險價值提供更多信息。實際上，ρKG值更偏好大的w，并在w=0.8附近達到最大值。

另一個感興趣的區域是x∈［0.6，0.8］，因為它包含當前GP模型風險價值的最小值。觀察到后驗均值0.8的置信水平，并且在該區域中ρKG值較小，因此，x∈［0.6，0.8］對于估計風險價值VaR和相應的ρKG值均不是好的選擇。但是，范圍兩端的w更可能接近0.8置信水平，并且具有更大的不確定性。因此，來自這些（x，w）的觀測將有助于確認目標后驗期望最小值的確切坐標，然后得到更大的ρKG值。

5.3 對比實驗結果與分析

圖8～11展示了對比實驗結果。圖中的迭代次數不包括高斯過程初始化的步驟。由于動態任務傳播模型的輸出是隨機的，變化很大。為了實現算法之間的公平比較，本文固定了一組10個種子，并且每個算法都是使用從該集合中隨機選擇的種子完成的。圖中的收益計算為使用十個種子計算的平均性能。每個算法進行100次重復實驗。下面將從迭代次數、置信水平以及任務分配情況三個方面對實驗結果進行分析。

1）迭代次數

在每個實驗中，ρKG的迭代次數不到基準算法的一半，這是為了對不確定空間進行探索，基準算法每輪迭代需要|W|個樣本，而ρKG算法每輪迭代只需要一個樣本，這大大縮短了收斂所需要的時間。另外，在實驗中，本文設置不確定集W的空間大小為3×3×3=27，是一個比較小的空間，這么設置的原因就是為了避免基準算法在每次迭代中使用更多的評估，將會導致ρKG算法和基準算法在迭代次數上的差距更大。

另外值得注意的是，本文提出的ρ-random算法在收益上的表現也優于MES、EI和UCB算法，這是因為ρ-random算法依然在可靠性保證、最小化風險的前提下隨機選擇點，這證明了本文所提出的統計模型的附加價值，該模型捕獲了數據中的可用信息，并提供了一種節約時間的方案。

2）置信區間

圖8反映置信區間對收益的影響。在任務數量一定時，隨著迭代次數的增加，MES、EI和UCB算法獲得的收益顯著增加，而ρKG和ρ-random的增幅較小。其中，在迭代次數小于40時，五種算法均保持收益的增加，而當迭代次數超過40后，ρKG算法的迭代收斂。當α=0.6時，ρKG算法的收斂值在170附近。而當α=0.8時，ρKG算法的收斂值在190附近，這是因為當α=0.8時，移動群智感知系統為了實現更好的可靠性，更多地選擇了既可以完成任務又可以傳播任務的工人，從而獲得傳播收益和完成收益的雙重收益，所以α=0.8可以以更高的概率獲得高收益。另外，觀察到在圖8（b）中ρ-random算法在迭代初期存在收益的抖動現象，也體現置信水平低對分配結果會產生較大影響，因此，為了保證分配結果的可靠性，之后的實驗將α固定為0.8。

另外，通過圖8也可以發現，在迭代初期，MES、EI和UCB算法的收益都呈穩定增長態勢，并且收益相差不會太多，這是因為在迭代初期這三個算法還在對任務分配數X的空間進行全局探索，缺乏有效的可以利用的信息。當迭代進行到80次以后可以看到，MES算法的收益高于EI算法的收益，高于UCB算法的收益，這是因為MES算法一直都在選擇近似信息增益最大的X作為下一次X，EI算法關注整體期望的提升，對于UCB算法而言，由于探索的存在，可能會選擇到無益于收益增長的X值。

3）任務分配情況

本文的任務數分別設置為100個任務、500個任務和1 000個任務，圖9反映分配任務數量對收益的影響。當任務數量為500時，所有算法在收斂時的收益都達到了800以上，說明有近似400個任務是被同時傳播和完成的，這是因為通過2.2節動態任務傳播模型的分析，即使在任務開始時移動群智感知系統中的所有工人都是S狀態，但隨著時隙的變化，五種狀態的演進，有相當一部分工人會成為完成任務并傳播任務的狀態，這也說明了通過社交網絡來執行任務分配對移動群智感知中工人不足問題的解決非常有效。

另外，通過圖9的對比也可以發現，隨著任務數的增加，迭代需要的次數明顯增加。在圖9（a）中，500個任務執行任務分配大約需要迭代100次；而在圖9（b）中，1 000個任務執行任務分配大約需要迭代150次。這是因為對五個算法而言，均涉及到采樣點的選擇，而采樣點的選擇與隨機變量的規模呈指數相關。

6 結束語

本文提出了移動群智感知中一個基于蒙特卡羅貝葉斯推理的可靠任務分配機制。與之前文獻中工人數量足夠多的情況不同，本文的方案適用于工人數量不足的MCS系統。通過任務偏好度這一不確定指標和動態任務傳播模型建立了移動群智感知的動態不確定環境，并通過統計學的知識執行適用于三個社交網絡任務分配的最優方案，以實現最大化收益。通過模擬實驗，證明了該任務分配機制可在可靠性保證的同時盡可能獲得高收益。至于未來的工作，應更多地考慮工人的移動性、工作負載能力以及感知任務的緊急性、多樣性等屬性對任務分配的影響。

參考文獻：

［1］Capponi A，Fiandrino C，Kantarci B，et al.A survey on mobile crowdsen-sing systems：challenges，solutions，and opportunities［J］.IEEE Communications Surveys amp; Tutorials，2019，21（3）：2419-2465.

［2］Abdullah N A，Rahman M M.A framework for optimal worker selection in spatial crowdsourcing using Bayesian network［J］.IEEE Access，2020，8（2）：120218-120233.

［3］Wang Jiangtao，Wang Yasha，Zhang Daqing，et al.Multi-task allocation in mobile crowd sensing with individual task quality assurance［J］.IEEE Trans on Mobile Computing，2018，17（9）：2101-2113.

［4］Lu Anqi，Zhu Jinghua.Hybrid network assisted dynamic worker recruitment algorithm［C］//Proc of the 4th IEEE International Confe-rence on Smart Internet of Things.Piscataway，NJ：IEEE Press，2019：254-261.

［5］楊桂松，王不野，何杏宇.面向延遲接受的移動群智感知多任務分配［J］.計算機應用研究，2021，38（8）：2440-2444.（Yang Guisong，Wang Buye，He Xinyu.Multi-task allocation based on de-ferred acceptance in mobile crowd sensing［J］.Application Research of Computers，2021，38（8）：2440-2444.）

［6］Yadav A，Wilder B，Rice E，et al.Influence maximization in the field：the arduous journey from emerging to deployed application［C］//Proc of the 16th Conference on Autonomous Agents and Multiagent Systems.New York：ACM Press，2017：150-158.

［7］Guo Bin，Chen Huihui，Yu Zhiwen，et al.TaskMe：toward a dynamic and quality-enhanced incentive mechanism for mobile crowd sensing［J］.International Journal of Human-Computer Studies，2017，102（4）：14-26.

［8］Tian Yulong，Wei Wei，Li Qun，et al.Mobicrowd：mobile crowdsour-cing on location-based social networks［C］//Proc of IEEE Conference on Computer Communications.Piscataway，NJ：IEEE Press，2018：2726-2734.

［9］Meng Yanhong，Chen Na，Yi Yunhui，et al.Research on the dynamic multi-social networks influence maximization problem based on common users［J］.IEEE Access，2021，9：127407-127419.

［10］Kantarci B，Mouftah H T.Trustworthy crowdsourcing via mobile social networks［C］//Proc of IEEE Global Communications Conference.Piscataway，NJ：IEEE Press，2014：2905-2910.

［11］Tan Wenan，Zhao Lu，Li Bo，et al.Multiple cooperative task allocation in group-oriented social mobile crowdsensing［J］.IEEE Trans on Services Computing，2021，6（2）：1-14.

［12］Zhu Weiping，Guo Wenzhong，Yu Zhiyong，et al.Social-aware task allocation in mobile crowd sensing［J］.Wireless Communications and Mobile Computing，2020，12（4）：1-15.

［13］Wang Jiangtao，Wang Feng，Wang Yasha，et al.Social-network-assisted worker recruitment in mobile crowd sensing［J］.IEEE Trans on Mobile Computing，2019，18（7）：1661-1673.

［14］Alasmary W，Valaee S.Crowd sensing in vehicular networks using uncertain mobility information［J］.IEEE Trans on Vehicular Techno-logy，2019，68（11）：11227-11238.

［15］Zhan Yufeng，Xia Yuanqing，Zhang Jiang，et al.An incentive mechanism design for mobile crowdsensing with demand uncertainties［J］.Information Sciences，2020（528）：1-16.

［16］Liu Ruifan，Seo M，Yan Binbin，et al.Decentralized task allocation for multiple UAVs with task execution uncertainties［C］//Proc of International Conference on Unmanned Aircraft Systems.Piscataway，NJ：IEEE Press，2020：271-278.

［17］Alqahtani S，Riley I，Taylor S，et al.Task allocation in uncertain environments using a quadtree and flow network［C］//Proc of Internatio-nal Conference on Unmanned Aircraft Systems.Piscataway，NJ：IEEE Press，2018：74-83.

［18］Prorok A.Robust assignment using redundant robots on transport networks with uncertain travel time［J］.IEEE Trans on Automation Science and Engineering，2020，17（4）：2025-2037.

［19］王靜.基于強化學習的群智感知激勵機制研究［D］.北京：中國科學技術大學，2021.（ Wang Jing.Research on group intelligence perception motivation mechanism based on reinforcement learning［D］.Beijing：University of Science and Technology of China，2021.）

［20］Wu Yue，Ma Liran，Xie Yadong，et al.A context-aware multiarmed bandit incentive mechanism for mobile crowd sensing systems［J］.IEEE Internet of Things Journal，2019，6（5）：7648-7658.

［21］Yu Yao，Li Fuliang，Liu Shumei，et al.Reliable fog-based crowdsour-cing：a temporal-spatial task allocation approach［J］.IEEE Internet of Things Journal，2019，7（5）：3968-3976.

［22］Sun Yong，Tan Wenan.A trust-aware task allocation method using deep Q-learning for uncertain mobile crowdsourcing［J］.Human-centric Computing and Information Sciences，2019，9（1）：1-27.

［23］Rahman M，Abdullah N A.Designing a trust and reputation framework for spatial tasks allocations using fuzzy method［C］//Proc of From Innovation to Impact.Piscataway，NJ：IEEE Press，2020：1-6.

［24］Cooper I，Mondal A，Antonopoulos C G.A SIR model assumption for the spread of COVID-19 in different communities［J］.Chaos，Solitons amp; Fractals，2020，12（139）：110057.

［25］Kim J，Kim D.Homogeneity-based transmissive process to model true and 1 news in social networks［C］//Proc of the 12th ACM International Conference on Web Search and Data Mining.New York：ACM Press，2019：348-356.

［26］Li Qian，Liu Liangyun，Xu Ming，et al.GDTM：a Gaussian dynamic topic model for forwarding prediction under complex mechanisms［J］.IEEE Trans on Computational Social Systems，2019，6（2）：338-349.

［27］Berk J，Nguyen V，Gupta S，et al.Exploration enhanced expected improvement for Bayesian optimization［C］//Proc of Joint European Conference on Machine Learning and Knowledge Discovery in Databases.Cham：Springer，2018：621-637.

［28］Zhou Dongruo，Li Lihong，Gu Quanquan.Neural contextual bandits with UCB-based exploration［C］//Proc of the 37th International Conference on Machine Learning.2020：11492-11502.

［29］Wang Zi，Jegelka S.Max-value entropy search for efficient Bayesian optimization［C］//Proc of the 34th International Conference on Machine Learning.2017：3627-3635.