群智感知的任务分配和用户招募模型交叉验证方法及系统
本发明涉及城市群智感知计算技术，具体涉及一种群智感知的任务分配和用户招募模型交叉验证方法及系统。
背景技术：
在群智感知应用中，活动发起者可以在现实世界中发布一些空间任务，邀请携带移动智能设备的用户移动到任务指定的目标位置来执行任务，并请求与特定地点相关的数据。用户的移动性为数据收集和通过移动设备传输提供了前所未有的机会，例如：城市环境管理部门发起的空气质量监测任务，响应的参与者需要移动到任务指定的地点，使用相关传感器采集空气质量数据并将数据通过智能手机上传到中央服务器。群智感知应用的生命周期一般分为四个阶段：任务生成、任务分配、用户执行以及数据聚合与上传，其中研究中最重要的问题是设计合理的任务分配和用户招募模型，以实现平台方或者参与者(用户)的目的。
在群智感知应用中，一般有两种任务分配的模式，分别是用户选择模式(workerselection)和服务器分配模式(serverassignment)。在用户选择模式中，参与者可以通过在服务器上浏览发布的任务来选择要完成的任务。例如，在竞标的平台上有一个监测城市空气质量的任务，任何在平台上注册的用户都可以执行这个任务，并通过智能手机上传收集到的数据。服务器分配模式收集所有注册用户的一些信息(如地点、喜好)和任务要求(时空背景、领域)，并直接给合适的用户分配适当的任务。该模式下，服务器根据不同的策略将群智感知任务分配给最优的用户集合，例如最大化完成任务的质量，最小化系统成本等。因此，服务器分配模式在群智感知应用中更为主流，因为它可以最大限度地利用用户资源，提高任务完成的质量。
随着更多学者的深入研究，群智感知的任务分配和用户招募模型，从仅考虑单任务的分配向考虑多任务耦合分配发展，从仅优化总体效用为目标向同时优化单个任务和整体多任务发展，从仅在专用群智感知应用上分配与招募向基于社交网络进行参与者招募和任务分配。这些研究从一定程度上打破了一些原有的定式假设，但在验证提出的群智感知的用户招募和任务分配模型时仍然只能基于归纳的优化模型开展真实数据集的仿真实验，并没有真正的考虑到用户之间的多样性、用户临时退出、数据质量不符合条件等问题带来的影响。由于开展大规模真实实验的费用巨大，且对所有新提出的群智感知用户招募及任务分配模型都进行真实实验是一种重复性工作。因此，如何实现群智感知模型的通用化验证，提高群智感知模型验证的效率，已经成为一项亟待解决的关键技术问题。
技术实现要素：
本发明要解决的技术问题：针对现有技术的上述问题，提供一种群智感知的任务分配和用户招募模型交叉验证方法及系统，本发明能够实现任务分配模型和用户招募模型的交叉验证，具有并行计算能力强、用户定制能力好、开发过程简单高效、实用性强，应用前景广的优点。
为了解决上述技术问题，本发明采用的技术方案为：
一种群智感知的任务分配和用户招募模型交叉验证方法，包括：
1)输入利用待交叉验证的任务分配模型将群智感知任务模型按照区域和时间划分得到的多个时空子任务、以及利用用户招募模型确定的智能体代理的参数；
2)将所述时空子任务导入预先建立了用户智能体模型、人工社会环境模型以及智能体交互模型的人工社会平台，所述用户智能体模型包含多种智能体代理，所述智能体交互模型为智能体之间的交互模型，根据确定的智能体的参数设置用户智能体模型的模型参数，设置人工社会环境模型以及智能体交互模型的模型参数；
3)利用人工社会平台中的人工社会计算实验方案设计工具，设置随机操作的干扰，并开启人工社会并行计算引擎运行并产生实验样本；针对产生的实验样本针对进行的指定评价指标的数据统计，得到包含指定评价指标的实验结果。
可选地，步骤1)中群智感知任务模型的属性包括类型、时空背景信息、领域知识、定价、执行任务方式和任务分解约束，其中：所述类型包括为群智感知任务发起者发布任务时提供的类型信息，包括考虑时间紧急程度要求的类型、考虑空间范围要求的类型以及考虑空间在不同时间的位置关系的类型；所述时空背景信息为群智感知任务发起者发布任务时提供的时间和空间信息；所述领域知识为群智感知任务发起者发布任务时提供的任务领域信息；所述定价为群智感知任务发起者发布任务时提供的任务价格信息；所述执行任务方式为群智感知任务发起者发布任务时提供的执行任务方式，包括用户单独完成、用户协作完成以及通过共享服务完成；所述任务分解约束，为群智感知任务发起者发布任务时提供的任务分解约束条件，包括空间约束和时间约束。
可选地，所述考虑时间紧急程度要求的类型包括紧急任务和一般任务；所述考虑空间范围要求的类型包括点任务、区域任务和复杂任务，复杂任务为点任务、区域任务两者的结合；所述考虑空间在不同时间的位置关系的类型包括静态任务和动态任务，静态任务是指在不同时间下空间位置固定的任务，动态任务是指在不同时间下空间位置变化的任务。
可选地，步骤1)中智能体代理的属性包括：时空信息、信誉度、技能、偏好、人口标识、性别、年龄以及社会角色中的部分或全部，所述时空信息包括空间信息和时间信息，空间信息包括用户目前的位置、历史轨迹以及预测运动轨迹和兴趣点，时间信息包括用户的工作时间和可参与时间；所述信誉度包括用户正确完成任务的概率，且所述用户正确完成任务的概率为根据用户完成不同任务类型的历史数据中被正确标记的比重来计算得到；所述技能包括用户在多种指定技能领域的知识技能值；所述偏好包括用户对任务类型的偏好、对地点的偏好和对时间的偏好。
可选地，步骤2)中的人工社会环境模型包括智能体和环境实体，所述环境实体包括社区、工厂、学校以及公司，所述智能体以家庭为单位、以环境实体以及家庭为枢纽形成智能体的家庭关系、邻居关系以及环境实体相关人际关系，所述环境实体相关人际关系包括学校内的朋友关系或工作场所的工友关系。
可选地，步骤2)之前包括建立人工社会环境模型的步骤：输入选定某一区域的人口地理统计数据，生成智能体的人口标识，并确定环境实体的位置，所述环境实体包括学校、工作场所、消费场所和娱乐场所；设置智能体的行政区域，生成居民楼；将智能体分配到家庭，生成家庭结构，确定智能体的家庭角色，以及智能体的年龄和性别属性；为家庭在居民楼中分配地址，生成智能体的家庭关系和邻居关系；根据智能体的年龄和性别属性，为智能体分配对应的消费场所和娱乐场所，为智能体分配对应的学校、或工作场所，并为智能体建立学校内的朋友关系或工作场所的工友关系，最终得到完整的人工社会环境模型。
可选地，步骤2)之中的智能体交互模型为由智能体代理、空间位置两类节点通过边连接构成的智能体空间移动网络gi(vi,ei,wi)和智能体接触网络gm(vi,vm,em,wm)构成的双模态网络g2(gi,gm)，其中vi,vm,分别表示智能体代理个体与地理空间场所的集合，ei,em分别表示个人接触网络和个体空间移动网络的连边集合，wi，wm分别表示ei,em对应的权重系数集，模态网络g2(gi,gm)中的连边仅存在于智能体之间以及智能体与空间位置之间，且智能体的移动受到空间移动网络gi(vi,ei,wi)的连边权重系数wi的控制，智能体选择接触对象受到智能体接触网络gm(vi,vm,em,wm)的连边权重系数wm的控制。
可选地，步骤3)之后还包括将包含指定评价指标的实验结果与输入的传统优化模型的检测结果进行对比的步骤，以及利用人工社会平台中的人工社会状态可视化工具对包含指定评价指标的实验结果中的部分或全部实验样本进行复盘展示的步骤。
此外，本发明还提供一种群智感知的任务分配和用户招募模型交叉验证装置，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述的群智感知的任务分配和用户招募模型交叉验证方法的步骤。
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有被编程或配置以执行所述群智感知的任务分配和用户招募模型交叉验证方法的计算机程序。
和现有技术相比，本发明主要具有下述优点：
1、本发明利用了人工社会的思想，基于数据驱动的多种智能体代理建模的方式，在人工社会中建立参与者的多种智能体代理的用户智能体模型，开展任务分配模型和用户招募模型的大规模仿真实验，这是一种全新的解决思路，本发明能够实现任务分配模型和用户招募模型可定制、大规模、高性能的交叉验证，具有并行计算能力强、用户定制能力好、开发过程简单高效、实用性强，应用前景广的优点。
2、本发明采用了数据驱动的多种智能体代理的用户智能体模型方式，构建了人工城市的用户智能体模型、人工社会环境模型以及智能体交互模型，基于实际数据和实验需求配置模型的相关参数，可开展群智感知用户招募和任务分配模型的大规模交叉验证实验；本发明对任意的群智感知应用的用户招募和任务分配模型都可开展实验验证，且数据驱动的方式更加真实，这增加了本发明在实际场景中的有效性。
3、本发明适用于多种任务类型、对参与者有多种约束、多种优化目标的群智感知模型的验证，具有通用性好的优点。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例种群智感知任务模型的属性和任务分解示意图。
图3为本发明实施例中用户招募和任务分配的流程图。
图4为本发明实施例中智能体模型的示意图。
图5为本发明实施例中人口地理环境模型的生成流程图。
图6为本发明实施例中开展大规模交叉验证实验的流程图。
具体实施方式
为更好地描述本发明的流程和作用，下文将以空气质量监测的特定场景下的群智感知任务为例，对本发明群智感知的任务分配和用户招募模型交叉验证方法及系统进行进一步的详细说明。但是需要说明的是，本发明群智感知的任务分配和用户招募模型交叉验证方法及系统并不依赖于特定的群智感知任务，而是可以实现多种任务类型、对参与者有多种约束、多种优化目标的群智感知任务，在此不再一一举例说明。
参见图1，本实施例群智感知的任务分配和用户招募模型交叉验证方法包括：
1)输入利用待交叉验证的任务分配模型将群智感知任务模型按照区域和时间划分得到的多个时空子任务、以及利用用户招募模型确定的智能体代理的参数；
2)将时空子任务导入预先建立了用户智能体模型、人工社会环境模型以及智能体交互模型的人工社会平台，用户智能体模型包含多种智能体代理(agent)，智能体交互模型为智能体之间的交互模型，根据确定的智能体的参数设置用户智能体模型的模型参数，设置人工社会环境模型以及智能体交互模型的模型参数；
3)利用人工社会平台中的人工社会计算实验方案设计工具，设置随机操作的干扰，并开启人工社会并行计算引擎运行并产生实验样本；针对产生的实验样本针对进行的指定评价指标的数据统计，得到包含指定评价指标的实验结果。
在现实世界中，移动群智感知任务是一系列物理过程，可以由多个独立的用户协作执行。通常，有几个重要的方面用于对群智感知活动中的任务建模，下面将详细描述这些方面。具体如图2所示。参见图2，本实施例步骤1)中群智感知任务模型的属性包括类型、时空背景信息、领域知识、定价、执行任务方式和任务分解约束，其中：
类型包括为群智感知任务发起者发布任务时提供的类型信息，包括考虑时间紧急程度要求的类型、考虑空间范围要求的类型以及考虑空间在不同时间的位置关系的类型；本实施例中，针对群智感知活动中的时空信息，定义了不同群智感知的任务类型。首先，根据时间信息，有两种任务类型：紧急任务或一般性任务。对于紧急任务，要求用户在有限时间内尽快完成任务，获取及时有用的信息，如收集交通动态信息，监测排水状态等。不像紧急任务对用户的及时性要求，一般性任务不需要立即完成。例如，用户可以在一段时间内(比如一周)收集公共设施的信息。接着，群智感知任务根据空间信息可分为三类：点任务、区域任务以及复杂任务。点任务，如观察一个十字路口的人流，是特定地点的。因此，用户必须访问特定的位置来完成任务。区域任务只需要在一个区域内完成该任务即可，如采集一个街道的空气质量。而复杂的任务又包含多个不同的子任务，也即，一个任务可以根据不同需求划分为多个子任务，指派不同的用户完成不同的子任务。最后，考虑时间和空间信息，群智感知任务可以分为静态任务和动态任务。静态任务由具有固定位置的空间信息组成，如空气质量监测、噪声信息绘制等。而动态任务的空间信息则包含与时间信息相对应的不确定位置序列，如移动拼车服务、包裹递送、可疑车辆跟踪等。
时空背景信息为群智感知任务发起者发布任务时提供的时间和空间信息；定义群智感知的时空背景信息是必须的。一般来说，活动的发起者发布任务时必须提供时空信息，如交通监控中的道路名称、外卖中的餐厅位置等。对于空间信息，经常使用点位置和区域位置来描述任务，如记录公交车站的乘客人数，测量大型公园的空气质量等。对于时间信息，用户需要注意的两个重要时间是开始时间和结束时间。例如，用户可能需要在演出期间收集音乐会的信息(例如18:00-20:00)。
领域知识为群智感知任务发起者发布任务时提供的任务领域信息；本实施例中，与任意工作/任务一样，群智感知任务可能涉及不同的知识领域。因此，用d＝{d1,...,dm}表示所需的知识领域。例如，由不同的用户组织一个公共活动(任务t)可能需要很多领域知识，如活动规划(d1)、广告推广(d2)、个人安排(d3)等。
定价为群智感知任务发起者发布任务时提供的任务价格信息；由于用户通过完成任务获得收入，因此任务的价格在群智感知活动中起着重要的作用，它影响着用户参与的积极性。一般来说，活动的发起者有权为任务定价，这涉及任务的规模、用户执行任务的难度等等。
执行任务方式为群智感知任务发起者发布任务时提供的执行任务方式，包括用户单独完成、用户协作完成以及通过共享服务完成；群智感知任务应说明要求用户如何完成任务，比如，有些任务由不同的用户单独完成即可；有些任务需要几个用户共同协作完成；有些任务通过共享服务完成。
任务分解约束，为群智感知任务发起者发布任务时提供的任务分解约束条件，包括空间约束和时间约束。通常一个复杂任务需要众多用户在不同的地点开展感知任务，如感知城市中每一条街道的空气质量。要根据活动发起者的需求，对该感知任务进行合理的时空划分(空间约束和时间约束)。以城市空气质量监测任务为例，空间约束是指将感知区域划分为2km*2km的网格，用户在每一个不同的网格内执行感知任务；时间约束是指用户需要每间隔一小时采集一次数据，并在规定时间内将数据上传至中央服务器。
作为一种可选的实施方式，本实施例中考虑时间紧急程度要求的类型包括紧急任务和一般任务；考虑空间范围要求的类型包括点任务、区域任务和复杂任务，复杂任务为点任务、区域任务两者的结合；考虑空间在不同时间的位置关系的类型包括静态任务和动态任务，静态任务是指在不同时间下空间位置固定的任务，动态任务是指在不同时间下空间位置变化的任务。确定群智感知任务的目的和类型后，如收集城市中空气质量的数据、实时路况数据等，即可将群智感知任务进行分类，如紧急任务或一般任务；点任务、区域任务或是复杂任务。一般而言，群智感知任务是复杂任务，需要分解成多个子任务。根据活动发起者的数据粒度需求和时间紧迫度需求，将任务按照区域和时间划分成多个时空子任务，同时还需确定用户完成子任务所需的设备、技能、领域知识等等。
任务分配模型和用户招募模型是本实施例方法的交叉验证对象。根据活动发起者的需求，可确定用户招募和任务分配的模式，并建立相应的任务分配模型和用户招募模型。首先确定该感知任务的总预算，并采取用户选择模式或服务器分配模式或混合模式，确定该感知任务的总体目标和约束，比如优化总体任务的支出、优化总体任务的完成质量或优化用户获得的总体报酬等，建立相应的单目标或多目标优化模型。以城市空气质量监测任务为例，基于服务器分配模式建立群智感知任务的用户招募与任务分配模型。假设该群智感知任务已经分解为m个子区域和n个感知周期，构成时空子任务集：
s×c＝{(si,cj)|si∈s,cj∈c}
上式中，s表示空间子区域集合，c表示感知周期集合，si表示s中的第i个元素，cj表示c中的第j个元素。社交网络上的移动用户集为u＝{u1,u2,...,uk}，其中u1～uk分别表示移动用户集u中的第1～k个用户。从社交网络的注册用户中先选择一部分作为种子用户
subjectto|u′|≤pandf(u′)≤q
上式中，maximize表示使得目标函数最大化，p是种子用户的最大数量，q是最大招募用户数量。具体步骤参见图3，基于种子用户集
为了描述用户智能体模型，需要建立多元组模型描述智能体的多种属性，如：技能水平；兴趣；性别；年龄；信誉值等。参见图4，本实施例步骤1)中智能体代理的属性包括：时空信息、信誉度、技能、偏好、人口标识、性别、年龄以及社会角色中的部分或全部，
时空信息包括空间信息和时间信息，空间信息包括用户目前的位置、历史轨迹以及预测运动轨迹和兴趣点，时间信息包括用户的工作时间和可参与时间；用户的时空信息指的是时间和空间信息，用于选择合适的参与者来有效地完成任务。首先，需要确认用户的可用时间，比如，白领们只能在下班时间来参与群智感知任务；对于用户的空间信息，一些定位技术被用来识别当前的位置，包括室内定位和室外定位技术。用户的空间信息不仅包含其当前位置，还包含用户的移动轨迹。通过研究用户的历史运动模式，可以挖掘和获得更多的信息，从而进行有效的任务分配，如未来运动的路径、兴趣点等。
信誉度包括用户正确完成任务的概率，且用户正确完成任务的概率为根据用户完成不同任务类型的历史数据中被正确标记的比重来计算得到；用户的信誉值反映了用户正确完成任务的可能性。一般来说，用户的信誉值可以根据完成不同任务类型的历史数据来计算。例如，用户u1完成了对10幅图像进行标记的任务，其中8幅图像被正确标记。因此，我们可以得出结论，用户u1有80％的概率正确执行标签图像任务，信誉值为0.8。
技能包括用户在多种指定技能领域的知识技能值；一个用户可能拥有多种技能。用户的技能对应于某一特定技能领域的知识，可以用一个连续的尺度(例如，尺度[0,1])来表示用户对某一领域专业知识的水平。例如，技能值为0反映了用户在相应的领域中没有专门知识。注意，只有技能水平不低于该任务最低知识要求的用户才有机会完成该任务。
偏好包括用户对任务类型的偏好、对地点的偏好和对时间的偏好。在群智感知任务中，用户完成任务的偏好一般表现在三个方面：对任务类型的偏好、对地点的偏好和对时间的偏好。在任务类型上，有些用户愿意做正常的工作，没有额外的移动负担，但有些用户倾向于完成紧急的任务，以获得更多的激励。对于地点和时间的偏好，不同的人在相应的时间有不同的喜好地点。例如，年轻人可能更喜欢晚上在商场里获取信息，而老年人可能喜欢早上在公园里执行任务。
本实施例中，考虑用户之间的多样性、用户临时退出、用户采集的数据质量不符合条件等因素，通过建立人工社会中的智能体代理来描述实际场景中可能招募的用户。首先是用户的时空属性，指的是用户可参与感知任务的时间和区域；然后是用户的技能属性，特指用户熟悉操作某些领域的感知任务，并有熟练度表示他/她的技能水平(低于某阈值说明感知任务可能失败)；接着是用户的兴趣与偏好，用户对不同的任务类型有着不同的偏好和倾向性；再次是用户的历史可信赖程度，由其完成以往的任务所积累的信誉值。若该用户总是在约定的时间和地点提交有效数据，那么相应的信誉值就高；最后，每个参与者有一定的可能性因为个人事务而退出该子任务的执行。其他的属性如人口标识，性别，年龄，社会角色等。本实施例中，采用智能体多元组的形式来描述这样的一个智能体代理，并且每个智能体代理的真实属性值大都不同。
本实施例中人工社会环境模型是指通过人口地理环境建模，将家庭结构与人口统计学数据结合起来(宏观数据)映射到个体微观属性，并确保人口内在的逻辑正确性。智能体交互模型是指随着仿真时间的推进，能够描述处于同一个地理空间中的智能体代理产生接触和交互行为的模型。本实施例中，步骤2)中的人工社会环境模型包括智能体和环境实体，环境实体包括社区、工厂、学校以及公司，智能体以家庭为单位、以环境实体以及家庭为枢纽形成智能体的家庭关系、邻居关系以及环境实体相关人际关系，环境实体相关人际关系包括学校内的朋友关系或工作场所的工友关系。选定某一城市，利用中华人民共和国国家统计局公布的人口普查数据和年度数据，通过基于家庭户、家庭代、家庭角色的家庭结构设计算法，对每个用户智能体扮演的家庭角色进行描述，并完成从宏观数据到微观个体属性的映射。人工社会环境模型由地理环境与人口生成2个部分组成。地理环境的生成依据层级化地理环境模型，按照地理空间离散化方法进行，而人口生成是由家庭结构生成和人口属性匹配两个过程完成。此外，根据环境信息数据的丰富程度，可采用不同的算法来生成地理环境实体。具体来说，分为四类情况：有空间分布位置信息和容纳人口数量的环境实体生成；有空间分布位置信息，无容纳人口数量的环境实体生成；有空间区域环境实体分布数量，但无空间分布位置信息和环境实体容纳人口数量的环境实体生成；既没有空间区域环境实体分布数量，也没有空间分布位置信息的环境实体生成。人口地理匹配算法建立起个体与环境实体之间的匹配关系，包括分配家庭住址、分配学校、分配工作地点等。
依据层级化地理环境模型，通过地理空间离散化方法生成人工社会的地理环境。根据获取的地理信息数据的丰富程度，可以采用不同的方法来生成地理环境实体。接着，利用人口和地理环境匹配算法建立个体与环境实体之间的匹配关系，包括分配工作地址、分配学校、分配家庭等。此外，根据智能体代理的社会特征的不同，按照设定的距离就近原则、出行规律原则以及随机分配原则为智能体分配相关的环境实体。参见图5，本实施例步骤2)之前包括建立人工社会环境模型的步骤：输入选定某一区域的人口地理统计数据，生成智能体的人口标识，并确定环境实体的位置，环境实体包括学校、工作场所、消费场所和娱乐场所；设置智能体的行政区域，生成居民楼；将智能体分配到家庭，生成家庭结构，确定智能体的家庭角色，以及智能体的年龄和性别属性；为家庭在居民楼中分配地址，生成智能体的家庭关系和邻居关系；根据智能体的年龄和性别属性，为智能体分配对应的消费场所和娱乐场所，为智能体分配对应的学校、或工作场所，并为智能体建立学校内的朋友关系或工作场所的工友关系，最终得到完整的人工社会环境模型。其中选定某一区域的人口地理统计数据可为选定某一城市的人口地理统计数据，将宏观数据映射到微观智能体属性并保证人口内在逻辑正确，同时生成相应的人口地理环境模型。此外，其他的一些属性可通过调研或实证采集的方式，确定大致的取值范围，通过随机生成的方式赋予不同的智能体参数。此外，还需根据实验需求设计不同的参数取值观察不同参数对结果的影响。
本实施例中，步骤2)之中的智能体交互模型为由智能体代理、空间位置两类节点通过边连接构成的智能体空间移动网络gi(vi,ei,wi)和智能体接触网络gm(vi,vm,em,wm)构成的双模态网络g2(gi,gm)，其中vi,vm,分别表示智能体代理个体与地理空间场所的集合，ei,em分别表示个人接触网络和个体空间移动网络的连边集合，wi，wm分别表示ei,em对应的权重系数集，双模态网络g2(gi,gm)中的连边仅存在于智能体之间以及智能体与空间位置之间，且智能体的移动受到空间移动网络gi(vi,ei,wi)的连边权重系数wi的控制，智能体选择接触对象受到智能体接触网络gm(vi,vm,em,wm)的连边权重系数wm的控制。可使用活动日志的方式对人工社会中的智能体代理的空间移动规律进行描述。
本实施例中，步骤2)中根据确定的智能体的参数设置用户智能体模型的模型参数，设置人工社会环境模型以及智能体交互模型的模型参数时，设置的相关参数如群智感知任务模型中的时空背景信息(起始时间)、领域知识要求水平等；用户智能体模型中的技能水平、时空位置、偏好、信誉值等；人工社会环境模型中的兴趣点位置、智能体代理所在位置等；智能体交互模型中的智能体代理的接触概率等。其具体过程如下：1)首先选定某一城市的人口地理统计数据，将宏观数据映射到微观智能体属性并保证人口内在逻辑正确，同时生成相应的人口地理环境模型；s2)初始化配置文件。在本实施例中，配置文件包括态势符号集、定制实体类集、定制实体集、复杂数据类型集、数据显示集和数据包配置集。实体是指现实世界中客观存在并可相互区别的事物，是仿真行为执行的主体，定制实体即为仿真过程中与态势显示相关的实体，如智能体实体，环境实体；s3)其他的一些属性可通过调研或实证采集的方式，确定大致的取值范围，通过随机生成的方式赋予不同的智能体参数；s4)此外，还需根据实验需求设计不同的参数取值观察不同参数对结果的影响。
本实施例步骤3)中开展大规模交叉验证实验的基础是人工社会并行计算引擎，该引擎采用parallelengine并行计算引擎，是一种基于messagepassinginterface开发的引擎，支持多进程分布式并行仿真，采用保守离散事件同步算法。实验开展的具体流程如图6所示，详细说明如下：s1)基于配置好的模型参数，利用人工社会计算实验方案设计工具，根据活动发起者的需求进一步进行实验设置并进行一些随机操作的干扰，启动仿真引擎产生大量的实验样本；s2)基于这些样本，利用人工社会运行支撑工具对配置文件的数据显示集中图表定义的数据类型进行一些重点数据的统计，如用户的总体收益、平台方的总体支出、任务的完成质量等；s3)以平台方、用户方的收益以及任务完成质量作为评价指标，通过比较单纯优化模型的结果，与本实施例大规模计算实验的结果，评判群智感知用户招募和任务分配模型的优劣。此外，参见图1和图6，本实施例步骤3)之后还包括将包含指定评价指标的实验结果与输入的传统优化模型的检测结果进行对比的步骤，以及利用人工社会平台中的人工社会状态可视化工具对包含指定评价指标的实验结果中的部分或全部实验样本进行复盘展示的步骤。针对包括用户智能体模型、人工社会环境模型以及智能体交互模型在内的所有模型，配置好的模型和参数后，利用人工社会计算实验方案设计工具，根据活动发起者的需求进一步进行实验设置并进行一些随机操作的干扰，启动仿真引擎产生大量的实验样本。接着，基于这些样本，利用人工社会运行支撑工具进行一些重点数据的统计，如用户的总体收益、平台方的总体支出、任务的完成质量等，评判群智感知用户招募和任务分配模型的优劣，同时还可利用人工社会状态可视化工具进行某一实验样本的复盘展示。
综上所述，本实施例群智感知的任务分配和用户招募模型交叉验证方法包括定义群智感知任务，并进行任务分解；定义并构建特定用户招募模型；构建智能体(虚拟用户)模型并确定智能体参数属性；构建人工社会环境模型和交互模型；根据实际数据和实验需求配置模型的相关参数；开展大规模交叉验证实验，统计平台方、用户方的收益以及任务完成质量，判断任务分配和用户招募模型的优劣，具有并行计算能力强、用户定制能力好、开发过程简单高效、实用性强，应用前景广等优点。实现本实施例方法的关键手段有群智感知任务建模、人工社会中的智能体建模、人口地理环境建模以及人工社会实验运行支撑工具，可以实现对任意群智感知任务分配和用户招募模型的交叉验证与评估。本实施例方法相比于以往的方法，考虑了用户的多种属性和因素，更加贴近于真实情况，且基于并行实验引擎的开展实验计算效率更高，因此具有更强的实用价值。本实施例方法首次应用了数据驱动的智能体代理建模方式，考虑了用户、任务、设备等多样性问题，在人工社会中建立了参与者的用户智能体模型，提出了一种群智感知任务分配模型的通用交叉验证方法，可用于模拟群智感知应用中的任务分配和用户招募过程，通过在计算平台上可开展大规模仿真实验，可验证群智感知模型的合理性。本实施例方法相较于传统的规划模型求解方式，考虑了更加贴近于实际的诸多因素(用户、任务等方面)，同时通过大规模仿真的方式减少了真实实验所需的成本。
此外，本实施例还提供一种群智感知的任务分配和用户招募模型交叉验证装置，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行前述的群智感知的任务分配和用户招募模型交叉验证方法的步骤。
此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行前述群智感知的任务分配和用户招募模型交叉验证方法的计算机程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！