买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明公开了一种面向多目的地人员的空间众包方法，相比于现有空间众包框架，实现高效招募城市中的多目的地人员参与空间众包，场景更为通用；相比于现有空间众包框架，采用深度强化学习技术进行任务分配与路径规划决策，求解效率更高；相比于现有空间众包框架，充分考虑任务价值的动态性，未对任务价值采用静态化处理；相比于注意力模型，设计两阶段解码过程，实现多目的地人员的招募。

主权项：1.一种面向多目的地人员的空间众包方法，其特征在于，包括：步骤0、建立包括候选分配初始化部分和基于TASNet网络的迭代选择部分的分配框架；步骤1、候选分配初始化：针对一个实例中的任务集合和工人集合，获得所有可能的“任务-工人”分配对；调用预训练的TSPTW求解器计算满足设定约束的分配对，并加入到第一集合，即当前满足约束的“任务-工人”分配对集合中，同时得到工人的工作路径和众包平台应该相应追加的激励；步骤2、基于TASNet网络的迭代选择过程：对于第一集合中的“任务-工人”分配对，基于TASNet网络从中选择一个分配对，完成了一次任务到工人的分配决策，并将其加入到第二集合，即所选的“任务-工人”分配对集合中；完成一次分配后，相应地对预算进行扣除并更新当前状态下给予工人的激励情况；重新对该工人调用TSPTW求解器，更新该工人所属的“任务-工人”分配对的可行性情况以及相应信息，删除不可行的分配对，更新第一集合；针对第一集合，重复执行本步骤的迭代选择过程，直到第一集合中不存在满足约束的“任务-工人”分配对；输出工人工作路径和任务完成信息；步骤3、TASNet网络的训练与应用：采用多个不同的实例按照步骤1和步骤2的方法对分配模型进行训练；训练完成后，对待决策的实例，根据其任务集合和工人集合，采用步骤1和2的方法，迭代地调用TASNet网络输出最优分配对，则第二集合中“任务-工人”的分配对为待决策的实例的任务分配结果；所述TASNet网络包含三部分：任务和工人的表示学习部分、工人选择部分和任务选择部分；1、在任务和工人的表示学习部分，采用去除位置编码模块的Transformer编码器结构，分别将任务和工人信息编码为向量表示；2、工人选择部分包含组状态编码器和工人解码器；首先在工人选择部分的组状态编码器中，从工人信息编码向量表示中获取每名工人的已分配众包任务嵌入和出行任务嵌入，将已分配众包任务嵌入通过一个平均池化层与出行任务嵌入进行拼接，得到每名工人的任务嵌入表示将所有工人的任务嵌入表示经过一个注意力层和一个平均池化层得到组状态嵌入hg；之后在工人解码器中计算每名工人被选择的概率，从中选择一名工人并输入到任务选择部分中，具体为：在工人解码器中，考虑的解码语义向量hc由组状态嵌入和当前剩余预算嵌入两部分拼接得到，即hc＝[hg,FCBrest]，其中FC表示全连接层，Brest为当前剩余预算，FCBrest表示当前剩余预算嵌入；解码时采用基于注意力机制的指针机制，首先通过一个注意力层计算一个新的解码语义向量h′c，用来进一步捕捉每名工人与当前状态的关系；根据新的解码语义向量h′c，应用指针机制计算每名工人被选择的概率pj：qc＝WQh′c5 pj＝expu′cj∑j′expu′cj′9其中WQ、WK和WV为可训练的矩阵，C为用于裁减数值的常数；qc是查询向量，kj和vj分别表示工人j的键向量和值向量；3、任务选择部分包含个体状态编码器和启发式增强的任务解码器；首先，在个体状态编码器对所选工人的已分配任务信息进一步编码，以获得个体状态嵌入具体为：根据上一步工人选择部分选择的工人，首先取出该工人对应的已分配众包任务嵌入和出行任务嵌入；将已分配众包任务嵌入先经过一个注意力层后经过一个平均池化层进一步编码，再与出行任务嵌入拼接得到该工人的任务嵌入然后进行众包任务选择：将组状态嵌入hg、个体状态嵌入当前剩余预算嵌入和聚合嵌入Means1,s2,…组成解码语义向量hw，即其中s1,s2,…为任务和工人的表示学习部分的编码器输出的每个众包任务的嵌入；Mean表示平均池化操作；在任务解码中，通过掩码机制融合任务价值和任务成本，具体为：每次选择任务时，根据当前状态下的所有满足约束的任务，计算每个任务的“价值与成本比”，并进行指数与归一化处理，得到每个任务的任务分数；之后将任务分数与任务选择部分的解码器给出的概率分布u′ci进行Hadamard积实现融合: 其中，Δφi和Δini分别为任务i的任务价值和任务成本，概率分布u′ci通过解码语义向量hw经过注意力层和指针网络得到。

全文数据：

权利要求：

百度查询： 北京理工大学 一种面向多目的地人员的空间众包方法