时空众包中多目标优化任务分配

随着移动网络的快速发展以及配备各种内部传感器的移动设备的普及，时空众包已成为解决基于位置的传感任务的新兴范例。在现有研究中，时空众包系统主要最大化平台效用。为了最大化社会福利，本文提出了一种多目标优化任务分配(MOO-TA)模型，以最大化平台和众包工人的效用，激励众包工人执行偏远地区任务，扩大数据覆盖率。本文提出一种组合算法LWS_NSGA_II，结合传统的线性加权求和(LWS)算法和带精英策略的快速非支配排序遗传算法(NSGA_II)算法，以搜索针对多目标优化任务分配问题的所有可选择的帕累托最优解供平台选择。通过在真实数据集上进行比较实验，评估了该方法的有效性和可行性。

通过内置在移动设备中的传感器来收集传感数据的时空众包服务已逐渐发展成为一种新颖的分布式问题解决范例。移动设备用于通过收集时空数据来完成众包任务。它要求众包工人移动到指定位置，以根据相关属性离线或在线完成任务。时空众包具有更广泛的覆盖范围，更低的部署成本和更高的可扩展性[1]。

近年来， O2O (在线到离线)领域出现了许多时空众包应用， 例如灾难监控， 交通管理， 公共安全， 物流管理和社交媒体[2]。时空众包系统的结构与传统的众包结构相同，它由任务请求者，众包平台和众包工人组成。他们通过众包平台建立联系，如图1 所示。该平台将任务请求者发布的众包任务发送给众包工人。众包工人完成已发布的任务，并将收集的数据上传到平台。时空众包是传统众包的延伸。移动设备用于通过收集时空数据来完成众包任务。因此，时空众包是时空维度上传统众包的一种新形式。

Figure 1. The workflow of a spatio-temporal crowdsourcing platform 图1. 时空众包平台的工作流程