申请/专利权人:安徽工业大学
申请日:2024-03-15
公开(公告)日:2024-05-07
公开(公告)号:CN117993684A
主分类号:G06Q10/0631
分类号:G06Q10/0631;H04L67/12;G06Q10/067;G06Q10/04;G06N5/04
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.24#实质审查的生效;2024.05.07#公开
摘要:本发明属于群智感知技术领域,提供了一种基于效用平衡的群智感知任务分配方法及系统。包括:获取参与感知任务的每一用户的历史轨迹及任务完成记录以计算与其相应的历史数据质量;基于每一用户的历史数据质量获取与每轮任务完成情况相应的信誉值,并基于预构建的用户信誉更新规则对用户的累计信誉值进行迭代更新;分别构建用户效用模型及平台效用模型;基于斯塔克尔伯格博弈算法对所述用户效用模型及平台效用模型同时进行迭代求解以获取最优均衡策略,同时在所述最优均衡策略求解中引入DQN算法以提高迭代收敛速度;基于所述最优均衡策略向用户进行群智感知任务的分配。本发明在任务分配时有效平衡了平台与用户效用。
主权项:1.一种基于效用平衡的群智感知任务分配方法,其特征在于,包括:获取参与感知任务的每一用户的历史轨迹及任务完成记录以计算与其相应的历史数据质量;基于每一用户的历史数据质量获取与其每轮任务完成情况相应的信誉值,进而基于预构建的用户信誉更新规则对用户的累计信誉值进行迭代更新;分别构建用户效用模型及平台效用模型;其中,所述用户效用模型包括用户信誉值收益、前景成本、感知任务成本及报酬回报;其中,所述前景成本以隐私成本为变量;所述平台效用模型包括任务预算及报酬支付;基于斯塔克尔伯格博弈算法对所述用户效用模型及平台效用模型同时进行迭代求解以获取最优均衡策略,同时在所述最优均衡策略求解中引入DQN算法以提高迭代收敛速度;其中,所述斯塔克尔伯格博弈算法中以用户效用作为领导者,以平台效用作为跟随者;所述DQN算法中的Q函数基于用户的累计信誉值、用户效用及平台效用构建;基于所述最优均衡策略向用户进行群智感知任务的分配。
全文数据:
权利要求:
百度查询: 安徽工业大学 一种基于效用平衡的群智感知任务分配方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。