基于带权无向图的矿井移动群智感知任务分发方法
本发明涉及一种基于带权无向图的矿井移动群智感知任务分发方法，具体适用于井下任务的智能分配。
背景技术：
智能移动设备(手机、平板电脑等)不仅可以作为移动设备进行日常通信，而且还因为其本身嵌入的传感器，如加速度传感器、数字罗盘、陀螺仪全球定位系统(gps)、麦克风和摄像头等，而将其作为感知单元，利用这些传感器使共享感知数据变成了可能。移动群智感知便是这样一种利用普通用户的移动设备的传感器进行感知的新型感知网络。
目前，针对移动群智感知的研究主要集中在以下方面：(1)群智感知在协同定位以及环境检测等不同领域的应用系统研究；(2)感知任务分配。感知任务需要感知任务的参与者去完成，参与者是完成感知任务的基本单元，不同参与者的能力不同，积极程度不同就会导致感知任务完成质量不同。根据感知任务需求合理的选取参与者，提高任务完成效率，因此在移动群智感知体系中建立信誉度评价模型尤为重要。
我国是煤炭资源大国，以煤炭为主的能源结构在短期内将难以改变。矿井下巷道结构复杂，矿工工作环境恶劣。近些年，随着智能手机和移动通信技术的发展，如何将移动智能感知与传统的煤矿安全监控相结合，打造新型的网络化、智能化的煤矿安全监测监控系统是研究热点。以智能手机为核心的矿用防爆手机在井下安全监测监控领域逐步推广应用。通过矿用防爆手机可以实现井上井下语音和视频通话、瓦斯动态巡检、机电设备运行状况检测，以及安全生产信息的集成管理。在西部开采条件较好，信息化水平较高的矿井，井下矿工人人手里都拿着煤安认证的智能手机。同时，具备更强功能的智能信息矿灯也在煤矿推广应用，除了具备环境参数检测、通话、人员定位和照相摄像等功能外，还具备矿工身体健康状态诊断功能。但现有的基于矿用智能终端的应用均为面向个体终端的感知，未考虑终端携带者的群体属性，无法完成面向矿井安全的大规模、复杂的感知任务，无法实现泛在感知和智能决策的智慧矿山建设目标。
随着煤矿自动化和信息化水平的提高，特别是物联网技术、无线传输技术与移动检测技术的发展及在煤炭行业的推广应用，以移动感知、无线传输、检测数据下行传递、智能化管控等手段推进煤矿安全监测监控升级改造是目前煤矿安全监测监控领域的核心研究内容，以智能手机为核心的矿用智能移动终端在井下安全监测监控的不同领域逐步推广应用。文献[陆铮.矿井瓦斯动态巡检与管控系统设计与应用[j].煤炭科学技术,2018,46(08):125-129.]针对瓦斯巡检管理中存在的人工巡检数据不能实时上传，数据处理结果无法及时反馈到现场等问题，设计开发了基于智能手机和多参数气体检测仪的矿井瓦斯动态巡检与管控系统。文献[李明建.基于syncframework的矿用防爆手机数据同步技术研究与应用[j].计算机应用与软件,2018,35(2):74-79.]同样是面向煤矿瓦斯监控预警应用，针对井下基于android防爆手机的防突信息采集系统与地面信息数据库间双向同步问题，提出一种基于syncframework的数据库同步方案，实现了防突动态信息数据库的按需双向同步。文献[薛霄,常静坤,安吉宇.智慧矿山服务系统的情境感知实现技术研究[j].计算机研究与发展,2014,51(12):2746-2758.]提出基于矿工情境信息建模，利用现有的各种信息系统资源，为矿工提供及时有效的信息服务来避免安全隐患。文献[mardonovam,choiy.reviewofwearabledevicetechnologyanditsapplicationstotheminingindustry[j].energies,2018,11(3):547.]对可穿戴设备进行了分类，通过不同类型可穿戴设备的应用，配合智能手机实现信息采集，可以更全面地感知矿工生命体征，增强煤矿井下作业的安全性。但现有的研究均未考虑终端携带者的群体属性和终端移动带来的协作机会，未能充分利用井下智能移动终端不断增长的规模效应，无法满足智慧矿山大规模、细粒度和全面透彻的感知要求。因此，需要将矿井安全监测与移动群智感知相结合，以携带智能移动终端的井下矿工和设备为感知源，利用其广泛分布性、灵活移动性和机会连接性进行感知，完成面向矿井安全监测的大规模、复杂的感知任务。
移动群智感知中合适的参与者集合能够保证感知任务高效、准确地完成，所以任务分发机制一直是移动群智感知研究的重点问题之一。现有的算法如下：
启发式算法hra(heuristicalgorithm)，引入了当前工作者的工作能力这一参考数值，综合研究了工作者的信誉、能力、工作者的兴趣爱好以及工作者与任务的位置折扣函数，在控制预算的前提下，最大限度提高预期完成任务质量。
hat算法(hub-basedmulti-taskassignmentalgorithm)，主要思想是依据节点之间的社交属性筛选出中枢节点和对应的从属节点，任务分发者与中枢节点相遇时同时确定从属节点的任务分配，通过确定中枢节点和它的从属节点分配任务，并由中枢节点负责任务的分发与结果的回收。
marl算法(multi-agentreinforcementlearningtaskalgorithm)，结合q-learning的思想在满足质量约束的前提下根据不同参与者和任务的异构性，从而优化任务分配时间，提出了一种基于多主体强化学习的面向现实世界的多任务分配方法，并且优化目标定义为在满足质量约束的前提下，追求较短的任务分配时间。
mingchuli等人提出帕累托最优粒子群优化算法，以解决人数有限情况下的多任务多优化目标问题。wangyangan等设计了启发式mia算法解决具有预算约束的覆盖均衡用户选择问题。weipingzhu等人提出了一种基于遗传算法的贪婪离散粒子群优化算法，充分考虑用户间的异构性，在满足某些约束的同时最大化已知完成任务数量。
上述任务分配方法多适用于普适情况下的任务分配，没有考虑到煤炭生产的实际情况。在普适情况下选择参与者更多的要考虑参与者的意愿，成本是否超支，参与者可以主观选择想要参与的任务，并且不需要考虑参与者和设备的因素，如果选择了一个参与者，参与者可以拒绝平台的任务分配，并且在普适情况下多以最小化成本为最终目的，这与煤矿生产为背景的任务分配策略有较大出入。
技术实现要素：
本发明的目的是克服现有技术中存在的任务分配不考虑终端携带者的群体属性的问题，提供了一种根据终端携带者的群体属性分配的基于带权无向图的矿井移动群智感知任务分发方法。
为实现以上目的，本发明的技术解决方案是：
基于带权无向图的矿井移动群智感知任务分发方法，所述任务分发方法适用于覆盖了网络信号的矿井内，对于矿工个体均携带有可连接网络的智能终端，该智能终端能够检测矿工的心率和下井状态；
所述任务分发方法包括以下步骤：
步骤1：建立矿工信誉度模型，
将参与者的信誉度定义为r(ui),信誉度的取值范围为[0,1]，信誉度的值为0表示该矿工完全不可信，信誉度的值为0.5表示不确定,信誉度的值为1表示完全可信，将首次参加感知任务的参与者初始信誉度为0.5；
根据任务完成地点相似度、任务完成时间相似度和任务完成质量三种数据信息建立矿工信誉度模型r(ui)；
步骤2：制作无向路径图，将井下各巷道作为无向图的边，每个硐室、巷道与巷道的连接点作为无向图的节点，获取各个矿工移动速度
步骤3：建立任务集和矿工状态信息库，
建立任务集：将已知的待完成任务编辑成任务集m＝{m1,m2,m3…mn}，其中m为单个任务的4个重要信息集合：
建立矿工状态信息库：有r个参与者，建立r个参与者的矿工状态信息库u＝(u1,u2,u3,…,ur)，其中
步骤4：紧急任务分配，
对于单个紧急任务的分配，在算法的开始，将该紧急任务的其作为一个新的任务节点加入无向图；加入任务节点后，获取任务的类型、位置信息，根据任务类型，以及矿工是否从事过相类似的任务，从所有矿工中筛选出可以满足解决此类任务要求的矿工获取矿工候选集；
由于完成任务本身就需要一定的时间，在系统规定任务权重的基础上减去完成任务自身所需的时间：
当经过的路径的边权重总和w(di,dj)达到任务要求权重wmj后停止扩散，并获取以任务节点为中心在规定约束时间内的全路径规划；再将路径内的满足任务要求的矿工获取候选集内的矿工按信誉度进行排序，优先选择信誉度靠前的矿工执行该项紧急任务，并向被选中的矿工的智能设备发送任务及路径图，此时紧急任务分配完成；
步骤5：非紧急任务分配，
对于单个紧急任务的分配，在算法的开始，将该紧急任务的其作为一个新的任务节点加入无向图；加入任务节点后，获取任务的类型、位置信息，根据任务类型，以及矿工是否从事过相类似的任务，筛选出所有井下矿工集中能够完成该任务类型任务的矿工；根据带权无向图，从任务节点出发，向外扩散，获取在任务时间范围内该任务最远能够到达的地点，选取地点范围内的符合任务要求的矿工作为矿工候选集；
根据任务类型，筛选出所有井下矿工集中能够完成该任务类型任务的矿工:首先根据矿工携带的智能终端上反馈的信息，构建矿工的疲劳状态模型，如式(1)：
上式中：
在疲劳状态模型
上式中：st(ui)为矿工实时的状态值，kmax为所有矿工中实时疲劳度的最大值，kmin为所有矿工中实时疲劳度的最小值，emax为所有矿工中实时电量的最大值，emin为所有矿工中实时电量的最小值，α1和α2为运算系数，
在获取了各个参与矿工的状态值后，将其进行标准化处理,如式(3)：
其中：st(ui)表示矿工ui的状态值，stmin表示参与矿工状态的最小值，stmax表示参与矿工状态的最大值；
在矿工状态评价模型st(ui)的基础上结合矿工信誉度评价模型r(ui)，构建了矿工评价函数rs(ui)，如式(4)：
rs(ui)＝αr(ui)+βst(ui)(4)
其中：α和β均为运算系数，0＜α＜1,0＜β＜1,α+β＝1，rs(ui)表示非紧急任务矿工评价函数；
将路径内的满足任务要求的矿工获取候选集内的矿工按非紧急任务矿工评价指数rs(ui)进行排序，优先选择非紧急任务矿工评价指数靠前的矿工执行该项非紧急任务，并向被选中的矿工的智能设备发送任务及路径图，此时非紧急任务分配完成。
所述步骤1：建立矿工信誉度模型中，
ⅰ构建任务完成地点相似度l的模型，如式(5)：
上式中，ui(xi,yi),mj(xj,yj)分别表示矿工i和任务j所在的位置向量，其中xi,yi分别表示矿工i完成任务提交数据时所在位置的纵、横坐标，xj,yj表示任务j要求的位置的纵、横坐标；δx,δy为任务调节的坐标位置变量，且δx＞0,δy＞0；
ⅱ构建任务完成时间相似度p模型，如式(6)：
上式中，
ⅰ感知用户和感知任务开始时间的差异程度计算：
用户参与任务的时间差值可以用来衡量感知用户开始执行感知任务的差异程度；首先，将感知任务的开始时间
ⅱ采取与感知用户和感知任务开始时间的差异程度相同的计算方式可以得到感知用户和感知任务截止时间的差异程度值；
ⅲ将感知用户和感知任务时间的差异程度和感知用户和感知任务截止时间相加后再除以差异区间，从而计算得到矿工i对任务j的时间差异度；
ⅲ构建数据质量可靠性q的模型，如式(8)：
上式中：
当矿工提供的数值越接近真实数据时，则表明其上传的数据可靠性较高，在数据质量可靠性公式q(ui,mj)中表现为越接近1，反之越接近于0时，则说明矿工所采集的数据远离真实数据，即与真实数据偏差较大，则可信度较低；
ⅳ构建矿工信誉度模型，在该模型中矿工的最终分类结果要么为可信任即信誉度大于0.5时因变量y＝1，要么为不可信任即信誉度小于0.5时因变量y＝0，所以因变量y在该模型中取值为0或1，符合0，1二项分布，采用逻辑回归的方法确定三个自变量因素的系数建立信誉度模型，如式(9)所示：
其中：f(x)为逻辑函数,
令x＝β0+β1·l(ui,mj)+β2·p(ui,mj)+β3·q(ui,mj)(10)
对式(9)代入转换并取对数，得到单次任务信誉度逻辑回归模型：
根据逻辑回归求解方法计算，令e(yi＝1)＝c(ui,mj)，利用极大似然估计,通过带入三组自变量即可计算出矿井下不同任务的任务时间系数β2、任务地点系数β1和任务质量系数β3及常量β0的数值；
为避免由于矿工参与任务数量的不同影响信誉度的计算，故而对所有矿工信誉度做求和均值处理，所以矿工信誉度公式，如式(12)：
其中:k表示感知用户ui历史完成任务的总数量，r(ui)表示矿工的信誉度。
所述步骤3：建立任务集和矿工状态信息库中，针对任务类型，采用格雷编码对任务类型
井下不同职能的矿工能够完成不同类型的任务，系统根据任务类型编码，选择相应职能的矿工，完成相应类型的任务。
与现有技术相比，本发明的有益效果为：
1、本发明一种基于带权无向图的矿井移动群智感知任务分发方法中以矿井为背景，针对矿井下实时任务分配问题展开研究，根据矿井工作环境，实际生产要求将任务分为紧急与非紧急任务，根据紧急程度的不同采取不同的算法进行任务的分配。这样的分配方式更加考虑任务个体的实际情况。因此，本设计任务分配更加合理，有效提高任务分配成功率。
2、本发明一种基于带权无向图的矿井移动群智感知任务分发方法中构建了与矿工位置、任务时间、以及任务质量相关的矿工信誉度模型，并以时间为约束根据任务的紧急程度，设计并提出了基于带权无向图的紧急任务分配算法，达到能以较小的时间开销与相对高效地完成任务的矿工相匹配，为井下任务分配提供新的思路。因此，本设计利用无向带权的算法，以较小的时间开销与相对高效地完成任务的矿工相匹配，缩短了任务分配时间。
3、本发明一种基于带权无向图的矿井移动群智感知任务分发方法中根据矿工负荷量和随身携带的设备电量建立了矿工状态值模型，提出了非紧急任务分配算法，达到在非紧急任务状态下更多考虑矿工及其设备的相关因素。因此，本设计更多的考虑了矿工的设备状况，进而提高分配任务完成的概率。
4、本发明一种基于带权无向图的矿井移动群智感知任务分发方法中移动群智感知利用现有的感知设备和已部署的通信网络，无需专门部署，从而大幅降低了部署维护成本。同时，由于用户携带手机等移动终端的自然移动性，能够促进感知覆盖和感知数据传输，实现细粒度的感知，更多的群智感知应用有待挖掘和探索。随着煤矿信息化、智能化水平的提高，矿用智能移动终端的配置规模将不断扩大，终端的感知、计算和通信能力将不断增强。移动群智感知和矿井安全监测的结合，可以更进一步挖掘现有矿用智能移动终端的感知潜力，拓展基于智能移动终端的群体感知应用，从而实现大规模、复杂的感知任务。因此，本设计可以适用于大多数的井下网络环境，适用范围广。
附图说明
图1是本发明煤矿井下网络示意图。
图2是本发明的任务地点相似度示意图。
图3是本发明的带权无向图算法流程图。
图4是实施例3中四种算法任务平均分配时间的对比图。
图5是实施例3中四种算法矿工平均信誉度的对比图。
图6是实施例3中四种算法矿工人数与紧急任务分配成功率关系的对比图。
图7是实施例3中四种算法任务数与紧急任务分配成功率关系的对比图。
图8是实施例3中四种算法矿工人数与非紧急任务分配成功率关系的对比图。
图9是实施例3中四种算法任务数与非紧急任务分配成功率关系的对比图。
图10是实施例3中四种算法参与矿工平均状态值的对比图。
图11是实施例3中四种算法所选参与者的设备剩余电量平均值的对比图。
图中：marl表示marl算法；hta表示hta算法；hra表示hra算法；e-wga表示本发明的e-wga算法；allocatetime表示分配时间；numberofparticipants表示参加人数；averagereputation表示平均信誉度；numberofminers表示矿工人数；allocationsuccessrate表示分配成功率；numberoftasks表示任务数量；averagestatevalue表示平均状态值；averagepowerofequipments表示设备平均电量。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1至图3，基于带权无向图的矿井移动群智感知任务分发方法，所述任务分发方法适用于覆盖了网络信号的矿井内，对于矿工个体均携带有可连接网络的智能终端，该智能终端能够检测矿工的心率和下井状态；
所述任务分发方法包括以下步骤：
步骤1：建立矿工信誉度模型，
将参与者的信誉度定义为r(ui),信誉度的取值范围为[0,1]，信誉度的值为0表示该矿工完全不可信，信誉度的值为0.5表示不确定,信誉度的值为1表示完全可信，将首次参加感知任务的参与者初始信誉度为0.5；
根据任务完成地点相似度、任务完成时间相似度和任务完成质量三种数据信息建立矿工信誉度模型r(ui)；
步骤2：制作无向路径图，将井下各巷道作为无向图的边，每个硐室、巷道与巷道的连接点作为无向图的节点，获取各个矿工移动速度
步骤3：建立任务集和矿工状态信息库，
建立任务集：将已知的待完成任务编辑成任务集m＝{m1,m2,m3…mn}，其中m为单个任务的4个重要信息集合：
建立矿工状态信息库：有r个参与者，建立r个参与者的矿工状态信息库u＝(u1,u2,u3,...,ur)，其中
步骤4：紧急任务分配，
对于单个紧急任务的分配，在算法的开始，将该紧急任务的其作为一个新的任务节点加入无向图；加入任务节点后，获取任务的类型、位置信息，根据任务类型，以及矿工是否从事过相类似的任务，从所有矿工中筛选出可以满足解决此类任务要求的矿工获取矿工候选集；
由于完成任务本身就需要一定的时间，在系统规定任务权重的基础上减去完成任务自身所需的时间：
当经过的路径的边权重总和w(di,dj)达到任务要求权重wmj后停止扩散，并获取以任务节点为中心在规定约束时间内的全路径规划；再将路径内的满足任务要求的矿工获取候选集内的矿工按信誉度进行排序，优先选择信誉度靠前的矿工执行该项紧急任务，并向被选中的矿工的智能设备发送任务及路径图，此时紧急任务分配完成；
步骤5：非紧急任务分配，
对于单个紧急任务的分配，在算法的开始，将该紧急任务的其作为一个新的任务节点加入无向图；加入任务节点后，获取任务的类型、位置信息，根据任务类型，以及矿工是否从事过相类似的任务，筛选出所有井下矿工集中能够完成该任务类型任务的矿工；根据带权无向图，从任务节点出发，向外扩散，获取在任务时间范围内该任务最远能够到达的地点，选取地点范围内的符合任务要求的矿工作为矿工候选集；
根据任务类型，筛选出所有井下矿工集中能够完成该任务类型任务的矿工:首先根据矿工携带的智能终端上反馈的信息，构建矿工的疲劳状态模型，如式(1)：
上式中：
在疲劳状态模型
上式中：st(ui)为矿工实时的状态值，kmax为所有矿工中实时疲劳度的最大值，kmin为所有矿工中实时疲劳度的最小值，emax为所有矿工中实时电量的最大值，emin为所有矿工中实时电量的最小值，α1和α2为运算系数，
在获取了各个参与矿工的状态值后，将其进行标准化处理,如式(3)：
其中：st(ui)表示矿工ui的状态值，stmin表示参与矿工状态的最小值，stmax表示参与矿工状态的最大值；
在矿工状态评价模型st(ui)的基础上结合矿工信誉度评价模型r(ui)，构建了矿工评价函数rs(ui),如式(4)：
rs(ui)＝αr(ui)+βst(ui)(4)
其中：α和β均为运算系数，0＜α＜1,0＜β＜1,α+β＝1，rs(ui)表示非紧急任务矿工评价函数；
将路径内的满足任务要求的矿工获取候选集内的矿工按非紧急任务矿工评价指数rs(ui)进行排序，优先选择非紧急任务矿工评价指数靠前的矿工执行该项非紧急任务，并向被选中的矿工的智能设备发送任务及路径图，此时非紧急任务分配完成。
所述步骤1：建立矿工信誉度模型中，
ⅰ构建任务完成地点相似度l的模型，如式(5)：
上式中，ui(xi,yi),mj(xj,yj)分别表示矿工i和任务j所在的位置向量，其中xi,yi分别表示矿工i完成任务提交数据时所在位置的纵、横坐标，xj,yj表示任务j要求的位置的纵、横坐标；δx,δy为任务调节的坐标位置变量，且δx＞0,δy＞0；
ⅱ构建任务完成时间相似度p模型，如式(6)：
上式中，
ⅰ感知用户和感知任务开始时间的差异程度计算：
用户参与任务的时间差值可以用来衡量感知用户开始执行感知任务的差异程度；首先，将感知任务的开始时间
ⅱ采取与感知用户和感知任务开始时间的差异程度相同的计算方式可以得到感知用户和感知任务截止时间的差异程度值；
ⅲ将感知用户和感知任务时间的差异程度和感知用户和感知任务截止时间相加后再除以差异区间，从而计算得到矿工i对任务j的时间差异度；
ⅲ构建数据质量可靠性q的模型，如式(8)：
上式中：
当矿工提供的数值越接近真实数据时，则表明其上传的数据可靠性较高，在数据质量可靠性公式q(ui,mj)中表现为越接近1，反之越接近于0时，则说明矿工所采集的数据远离真实数据，即与真实数据偏差较大，则可信度较低；
ⅳ构建矿工信誉度模型，在该模型中矿工的最终分类结果要么为可信任即信誉度大于0.5时因变量y＝1，要么为不可信任即信誉度小于0.5时因变量y＝0，所以因变量y在该模型中取值为0或1，符合0，1二项分布，采用逻辑回归的方法确定三个自变量因素的系数建立信誉度模型，如式(9)所示：
其中：f(x)为逻辑函数,
令x＝β0+β1·l(ui,mj)+β2·p(ui,mj)+β3·q(ui,mj)(10)
对式(9)代入转换并取对数，得到单次任务信誉度逻辑回归模型：
根据逻辑回归求解方法计算，令e(yi＝1)＝c(ui,mj)，利用极大似然估计，通过带入三组自变量即可计算出矿井下不同任务的任务时间系数β2、任务地点系数β1和任务质量系数β3及常量β0的数值；
为避免由于矿工参与任务数量的不同影响信誉度的计算，故而对所有矿工信誉度做求和均值处理，所以矿工信誉度公式，如式(12)：
其中:k表示感知用户ui历史完成任务的总数量，r(ui)表示矿工的信誉度。
所述步骤3：建立任务集和矿工状态信息库中，针对任务类型，采用格雷编码对任务类型
井下不同职能的矿工能够完成不同类型的任务，系统根据任务类型编码，选择相应职能的矿工，完成相应类型的任务。
本发明的原理说明如下：
marl算法：multi-agentreinforcementlearningtaskalgorithm算法。
hta算法：hub-basedmulti-taskassignmentalgorithm算法。
hra算法：heuristicalgorithm算法。
e-wga算法：emergencyweightedundirectedgraphalgorithm算法。
用户参与任务的时间差值可以用来衡量感知用户开始执行感知任务的差异程度，参见：荣辉桂,火生旭,胡春华,莫进侠.基于用户相似度的协同过滤推荐算法[j].通信学报,2014，35(02):16-24.
矿工自身状态的疲劳度数值，参见：邢娟娟，王秀兰，刘卫东.矿工运动负荷实验对心率影响研究[j].劳动保护科学技术，1997(06):52-53+57.
实施例1：
基于带权无向图的矿井移动群智感知任务分发方法，所述任务分发方法适用于覆盖了网络信号的矿井内，对于矿工个体均携带有可连接网络的智能终端，该智能终端能够检测矿工的心率和下井状态；
所述任务分发方法包括以下步骤：
步骤1：建立矿工信誉度模型，
将参与者的信誉度定义为r(ui),信誉度的取值范围为[0,1]，信誉度的值为0表示该矿工完全不可信，信誉度的值为0.5表示不确定，信誉度的值为1表示完全可信，将首次参加感知任务的参与者初始信誉度为0.5；
根据任务完成地点相似度、任务完成时间相似度和任务完成质量三种数据信息建立矿工信誉度模型r(ui)；
步骤2：制作无向路径图，将井下各巷道作为无向图的边，每个硐室、巷道与巷道的连接点作为无向图的节点，获取各个矿工移动速度
步骤3：建立任务集和矿工状态信息库，
建立任务集：将已知的待完成任务编辑成任务集m＝{m1,m2,m3…mn}，其中m为单个任务的4个重要信息集合：
建立矿工状态信息库：有r个参与者，建立r个参与者的矿工状态信息库u＝(u1,u2,u3,...,ur)，其中
步骤4：紧急任务分配，
对于单个紧急任务的分配，在算法的开始，将该紧急任务的其作为一个新的任务节点加入无向图；加入任务节点后，获取任务的类型、位置信息，根据任务类型，以及矿工是否从事过相类似的任务，从所有矿工中筛选出可以满足解决此类任务要求的矿工获取矿工候选集；
由于完成任务本身就需要一定的时间，在系统规定任务权重的基础上减去完成任务自身所需的时间：
当经过的路径的边权重总和w(di,dj)达到任务要求权重wmj后停止扩散，并获取以任务节点为中心在规定约束时间内的全路径规划；再将路径内的满足任务要求的矿工获取候选集内的矿工按信誉度进行排序，优先选择信誉度靠前的矿工执行该项紧急任务，并向被选中的矿工的智能设备发送任务及路径图，此时紧急任务分配完成；
步骤5：非紧急任务分配，
对于单个紧急任务的分配，在算法的开始，将该紧急任务的其作为一个新的任务节点加入无向图；加入任务节点后，获取任务的类型、位置信息，根据任务类型，以及矿工是否从事过相类似的任务，筛选出所有井下矿工集中能够完成该任务类型任务的矿工；根据带权无向图，从任务节点出发，向外扩散，获取在任务时间范围内该任务最远能够到达的地点，选取地点范围内的符合任务要求的矿工作为矿工候选集；
根据任务类型，筛选出所有井下矿工集中能够完成该任务类型任务的矿工:首先根据矿工携带的智能终端上反馈的信息，构建矿工的疲劳状态模型，如式(1)：
上式中：
在疲劳状态模型
上式中：st(ui)为矿工实时的状态值，kmax为所有矿工中实时疲劳度的最大值，kmin为所有矿工中实时疲劳度的最小值，emax为所有矿工中实时电量的最大值，emin为所有矿工中实时电量的最小值，α1和α2为运算系数，
在获取了各个参与矿工的状态值后，将其进行标准化处理,如式(3)：
其中：st(ui)表示矿工ui的状态值，stmin表示参与矿工状态的最小值，stmax表示参与矿工状态的最大值；
在矿工状态评价模型st(ui)的基础上结合矿工信誉度评价模型r(ui)，构建了矿工评价函数rs(ui),如式(4)：
rs(ui)＝αr(ui)+βst(ui)(4)
其中：α和β均为运算系数，0＜α＜1,0＜β＜1,α+β＝1，rs(ui)表示非紧急任务矿工评价函数；
将路径内的满足任务要求的矿工获取候选集内的矿工按非紧急任务矿工评价指数rs(ui)进行排序，优先选择非紧急任务矿工评价指数靠前的矿工执行该项非紧急任务，并向被选中的矿工的智能设备发送任务及路径图，此时非紧急任务分配完成。
所述步骤1：建立矿工信誉度模型中，
ⅰ构建任务完成地点相似度l的模型，如式(5)：
上式中，ui(xi,yi),mj(xj,yj)分别表示矿工i和任务j所在的位置向量，其中xi,yi分别表示矿工i完成任务提交数据时所在位置的纵、横坐标，xj,yj表示任务j要求的位置的纵、横坐标；δx,δy为任务调节的坐标位置变量，且δx＞0,δy＞0；
ⅱ构建任务完成时间相似度p模型，如式(6)：
上式中，
ⅰ感知用户和感知任务开始时间的差异程度计算：
用户参与任务的时间差值可以用来衡量感知用户开始执行感知任务的差异程度；首先，将感知任务的开始时间
ⅱ采取与感知用户和感知任务开始时间的差异程度相同的计算方式可以得到感知用户和感知任务截止时间的差异程度值；
ⅲ将感知用户和感知任务时间的差异程度和感知用户和感知任务截止时间相加后再除以差异区间，从而计算得到矿工i对任务j的时间差异度；
ⅲ构建数据质量可靠性q的模型，如式(8)：
上式中：
当矿工提供的数值越接近真实数据时，则表明其上传的数据可靠性较高，在数据质量可靠性公式q(ui,mj)中表现为越接近1，反之越接近于0时，则说明矿工所采集的数据远离真实数据，即与真实数据偏差较大，则可信度较低；
ⅳ构建矿工信誉度模型，在该模型中矿工的最终分类结果要么为可信任即信誉度大于0.5时因变量y＝1，要么为不可信任即信誉度小于0.5时因变量y＝0，所以因变量y在该模型中取值为0或1，符合0，1二项分布，采用逻辑回归的方法确定三个自变量因素的系数建立信誉度模型，如式(9)所示：
其中：f(x)为逻辑函数,
令x＝β0+β1·l(ui,mj)+β2·p(ui,mj)+β3·q(ui,mj)(10)
对式(9)代入转换并取对数，得到单次任务信誉度逻辑回归模型：
根据逻辑回归求解方法计算，令e(yi＝1)＝c(ui,mj)，利用极大似然估计,通过带入三组自变量即可计算出矿井下不同任务的任务时间系数β2、任务地点系数β1和任务质量系数β3及常量β0的数值；
为避免由于矿工参与任务数量的不同影响信誉度的计算，故而对所有矿工信誉度做求和均值处理，所以矿工信誉度公式，如式(12)：
其中:k表示感知用户ui历史完成任务的总数量，r(ui)表示矿工的信誉度。
实施例2：
实施例2与实施例1基本相同，其不同之处在于：
所述步骤3：建立任务集和矿工状态信息库中，针对任务类型，采用格雷编码对任务类型
井下不同职能的矿工能够完成不同类型的任务，系统根据任务类型编码，选择相应职能的矿工，完成相应类型的任务。
实施例3：
实施例3与实施例2基本相同，其不同之处在于：
算法示例：
使用matlab对参与者选择机制进行对比论证：为了模拟真实的感知任务分配，并且保证仿真结果接近事实，将真实的矿井环境抽象成30个节点的带权无向图，模拟n个感知任务、m个用户随机分布在无向图的边或节点中。此外，设置用户总数上限m＝60、任务数量上限n＝50，并且每个参与者的信誉值ci、每个用户的感知质量服从[0,1]上的均匀分布，来验证本发明的模型策略和解决方法的有效性。具体实验分组及参数设置如下表所示：
对于紧急任务分配策略的目标就是能使任务尽快的能够被处理完成，也就是说能在更短的时间内获得更高的任务分配比例,而非紧急任务我们则更倾向于选择疲劳度较低、设备电量较充足的参与矿工去完成任务。因此，针对不同任务类型选择合适的不同要求的矿工对于两种任务而言就显得尤为重要。
选取marl算法、启发式(hra)算法和hta算法作为本发明e-wpa算法的实验参照算法。
在仿真过程中，每类实验进行10次，仿真结果取10次实验结果的平均值。下面的仿真实验中，重点考察任务分配的时间、移动用户数量、信誉度总和以及疲劳度的相关指标。
仿真分析：
面对紧急任务的分配需求，要求我们在较短的时间内寻找到信誉度较大的参与矿工；因此，设置任务数n＝10，分别观察4中分配算法在不同人数下的分配时间，如图4所示；
参见图4，在本配置的对比中可以看出，在达到相同计算时间方面，由于参与矿工的不断增加，启发式(hra)算法所需要考虑和计算参与人数的数据量增加，而hat算法由于需要通过确定中枢节点并且需要分析从属节点的相关属性，从而加大了任务分配的时间，反观本发明的紧急带权路径算法任务分配时间明显优于其他三种算法。经统计，在达到相近分配率时，所需计算的平均时间平均缩短10％。通过增大规模，可以验证算法对不同规模参与者矿工情况下的分配时间。
参见图5，针对紧急任务算法的另一个关键评价指标就是信誉度，为此本次实验还验证了不同人数下选择矿工参与者的平均信誉度。通过实验可以看出，根据人数的不断增加，本发明带权无向图算法选择的矿工平均信誉度大概维持在0.8的水平，由于启发式(hra)算法也将参与者信誉度作为重要优化指标，因此也维持在较高水平，从图5中可以看出，紧急带权无向图算法一直优于其他算法，而注重时间与中心节点的mar算法与hat算法则相对较低。
作为一个任务分配相关的算法，任务分配的成功率也是重点考虑的一项评价指标，参见图6和图7分别从不同规模的参与者人数，不同规模的任务数量两个方面来观察带权路径算法在紧急状况下的分配能力，从图6、图7中可以看出：本发明带权无向图算法的分配成功率均高于其他三个算法；并且从图6可以看出：随着参与人数的增加，各个分配算法的成功率均成上升趋势，并且稳定在90％以上；在参与者较少时，本发明的带权无向路径算法仍可保持近50％的成功率，并且由于其他算法过分依赖某些指标，如矿工位置、矿工兴趣偏好，hat算法依赖于中枢节点与从属节点的相遇，在任务分配成功率上明显较低。
对于非紧急任务分配的成功率也是需要考虑的一项评价指标，参见图8和图9从不同规模的参与者人数，不同规模的任务数量两个方面来观察带权路径算法在非紧急状况下的分配能力，从图8、图9中可以看出：非紧急情况下的任务分配，分配成功率均高于其他三个算法；并且从图8可以看出：随着参与人数的增加，各个分配算法的成功率均成上升趋势，并且稳定在90％以上；在参与者较少时，本发明的带权无向路径算法仍可保持近40％的成功率明显高于其他三个算法。
对于非紧急任务状态下的带权路径算法而言，在分别模拟了任务分配成功率后，进一步对比了非紧急任务下所选参与矿工的平均状态值，以及选取参与者的设备平均电量。从图10中可以看出非紧急任务下，矿工状态值维持在0.6，其他三种算法均在0.5以下，本发明对状态值有近10％的提升。并且从图11中可以看出通过状态值所选参与者的设备剩余电量平均提高15％，因此可以看出非紧急算法选择的矿工从疲劳状态以及设备电量剩余方面是要优于其他三个算法的。因此该算法可以更优的选择疲劳度较低、设备电量较高的矿工参与到任务中来。
通过实验仿真与同类算法进行比较，验证了所提算法的可行性：紧急任务分配算法中在相同分配率下分配时间降低，并且在不同参与人数下能够保持较高的平均信誉度，有效的保障了矿井任务的完成。在非紧急任务分配算法中所选参与者的综合状态值高于同类算法，优化了矿工、设备与任务地匹配。
- 还没有人留言评论。精彩留言会获得点赞！