TaskMe：移动群智感知中的多任务分配
人机交互
2016-08-10 v1
摘要
任务分配或参与者选择是移动群智感知（MCS）中的一个关键问题。先前的参与者选择方法主要侧重于为单个 MCS 任务选择合适的用户子集，而面向多任务的参与者选择对于大规模 MCS 平台的效率至关重要且十分有用。本文提出 TaskMe，一种面向多任务 MCS 环境的参与者选择框架。特别地，研究了具有双目标优化目标的两种典型多任务分配场景：（1）对于 FPMT（少量参与者，更多任务），要求每个参与者完成多个任务，优化目标是在最小化总移动距离的同时最大化已完成任务的总数。（2）对于 MPFT（更多参与者，少量任务），考虑到隐私，每个参与者基于预注册的工作区域被选择执行一项任务，优化目标是最小化总激励支付的同时最小化总行进距离。针对 FPMT 提出了两种基于最小费用最大流理论的最优算法，针对 MPFT 提出了两种基于多目标优化理论的算法。实验验证所提算法在不同实验设置（任务数量、各种任务分布等）下基于大规模真实数据集优于基线方法。
引用
@article{arxiv.1608.02657,
title = {TaskMe: Multi-Task Allocation in Mobile Crowd Sensing},
author = {Yan Liu and Bin Guo and Yang Wang and Wenle Wu and Zhiwen Yu and Daqing Zhang},
journal= {arXiv preprint arXiv:1608.02657},
year = {2016}
}