Multi-Task Allocation in Mobile Crowd Sensing with Mobility Prediction

Title：Multi-Task Allocation in Mobile Crowd Sensing with Mobility Prediction

Source： TMC

Author：Jinyi Zhang and Xinglin Zhang

1 作者想解决什么问题？

• 定义问题的性质（哪一类问题）：

  多任务分配问题

• 问题（矛盾）的描述：

  • 预测用户的移动轨迹

    • 马尔科夫模型预测==【可以看一下】==
    • 不均匀泊松分布
    • 基于统计学模型

  • 存在的问题

    忽略了不在时间段内用户的价值，即考虑7:00-7:15用户到达的位置，就只考虑这个时间段的，但是可能用户6:55到达也是有价值来分配任务的

  • 多约束优化问题

    • 大多是基于贪婪算法

2 作者通过什么理论/模型来解决这个问题？（通过摘要和引言获得）

• How to solve ？

  • 建立了一个流动性预测的模糊控制系统（FCSMP）），该系统预测工人在规定的时间间隔内出现在感兴趣的地点的概率。

• 目标函数（要做到什么）：

  • 基于上述的流动性预测，我们研究了一个一般的多任务分配问题，即在给定任务不同的时空和预算约束以及工人的可用性的情况下，最大化整体任务的完成率。

  • max 完成率

    st：时空、预算约束，用户可用性

• 模型/算法：

  • 我们首先设计了一个贪婪的策略，名为最可能优先（MLF）算法。它将任务分配给最有可能完成该任务的工人。

  • 然而，考虑到贪婪策略往往会陷入复杂分配问题的局部最优解，我们随后提出了一种贪婪和遗传增强型粒子群优化（GGPSO）算法，其中贪婪初始化的加入促进了解决方案的搜索，遗传操作增加了PSO算法的解决方案的多样性。

  • 因此，所提出的GGPSO能够在系统效用函数方面迭代和全局地改进候选任务分配方案

• 问题的难点

3 作者为解决问题，提出了哪些模型或者机制（新点子），它的功能或者原理是什么，用于解决什么问题？

​ 考虑论文中与常规基本定义的设定有什么不同，又添加了什么属性/变量；

3.1 基本变量的定义：

• 任务

  $t_i$ = {执行时间，持续时间，位置，预算}

  $T=\{t_1,t_2,...,t_n\}$

  每个任务有特定的持续时间，那么机会式用户是怎样执行持续任务的呢？

  • 实验部分解释
    • San Francisco dataset-taxi：由于缺少出租车在原始数据集中样本位置的停留时间，我们随机生成1到15分钟的感测持续时间。假设机会用户存在停留时间【合理吗？】
    • Geolife数据集：我们随机在1到15分钟之间的停留时间作为感知持续时间。
  • 为什么有任务的预算？
    • 任务有一定的要求执行任务用户的数量：一个任务多个用户执行

• 任务

  • $W=\{w_1,w_2,...,w_n\}$
  • 用户仅执行路径上的任务，并且有任务执行数量的上限；
  • 任务特殊属性（region-cycle pair）

• 成本的表示

  • $c_{ij}$由平台和任务对用户的吸引程度决定
    • 每个任务相同？应该是不相同，是由系统决定的任务的价值
    • For the workers, the reward for the worker is randomly set between 1 to 3（实验中讲到，工人的奖励1-3之间设置）

• 用户的轨迹数据

  • $R=\{R^1,R^2，.....,R^m\}$ $R^j\in R$
  • $m$个用户的数据，每个用户的数据中包含={采样时间（应该是某一点的数据，然后拥有很多的点），采样位置，停留时间}

• 任务的完成度评估

  • 任务：时间，位置
  • 用户所有经过该点的轨迹
  • 计算每一条轨迹中，经过该点的概率（模糊控制得来的）
  • 取求和除以该用户的所有轨迹

3.2 目标函数/约束条件（覆盖率、成本、服务质量）

• 优化目标

  最大化任务完成率

  约束条件：任务预算+用户执行任务的数量上限
  
  
  ​ ==任务$t_i$完成率: ==所有执行该任务的用户的平均值

  ​ 分配方案由用户-任务矩阵构成；

  ​ 【差异】：这个场景下用户有执行任务数量的上限，但是任务没有，任务有的只是预算，预算决定了任务被多少人执行，任务预算作用应该是在这一定预算下最大化被执行的概率；

  这样我想到了，这是一个小问题：单个任务预算约束下最大化被完成的概率$⟹$形成多任务的问题，这样总任务就没有预算上的要求了。或许可以以小见大，设计方案。

• 算法步骤

  1. 贪婪算法设计初始解（搜索所有用户的中，概率最大的值当做分配对象）
  2. 粒子群算法其中加入遗传变异交叉等操作

4.实验仿真

4.1数据集

• San Francisco dataset
• GeoLife trajectory dataset

4.2对比算法

• 轨迹预测算法对比
  • 基于统计的
  • 基于非均匀泊松分布
  • 马尔科夫的呢？
• 分配算法对比
  • 遗传算法
  • 粒子群算法
  • 为了进行比较，我们实现了[18]中提出的基于组的多任务工作者选择(GMWS)算法。GMWS算法基于改进的遗传算法将工人分配到任务，该算法使用轮盘赌策略进行选择操作。GMWS被调整以通过等式选择可行的解决方案。(2)代替任务的QoS。考虑到问题的不同约束，我们也采用GMWS的操作约束来满足MAMP问题。
  • 最后比较的算法是[44]中提出的Gale-Shapley匹配博弈选择(GSMS)算法。GSMS基于任务请求者和工作者偏好的两个偏好列表，在多个工作者和多个任务之间形成稳定的匹配。由于优化目标的不同，我们通过按照任务奖励cij的降序排列任务来为工人创建偏好列表。然后，通过按照工人完成任务P (ti，wj)的概率的降序排列工人来定义任务请求者的偏好列表。我们也修改了GSMS的操作限制来满足MAMP问题。

5.总结

5.1 文章的优点

5.2 文章的不足（改进的地方）