1.一种基于细粒度声誉系统的群智感知激励方法,其特征在于:包括如下步骤:步骤1.1:平台发布有能力声誉要求的任务;
步骤1.2:工人竞标;
步骤1.3:平台进行系统初始化,并执行胜利者选择算法以及激励决定算法;
步骤1.4:平台通知胜利者;
步骤1.5:胜利者上传感知数据;
步骤1.6:平台对能力声誉进行更新;
步骤1.7:平台对胜利者发放激励。
2.根据权利要求1所述的基于细粒度声誉系统的群智感知激励方法,其特征在于:所述步骤1.1的方法为:平台发布有能力声誉要求的任务集合T={t1,t2,...,tm},其中m为任务的数量;T中任意任务tj,j=1,2,...,m,对每个参与该任务的工人有最低能力声誉要求其中 l表示能力的数量;用Ω={1,2,...,l}表示能力的集合。任意任务tj对所有参与的工人的能力之和有一个总能力声誉要求即要求所有入选的参与执行任务tj的工人的第k项能力声誉之和不低于
3.根据权利要求1所述的基于细粒度声誉系统的群智感知激励方法,其特征在于:所述步骤1.2的方法为:用W={1,2,...,n}表示工人的集合,其中n为工人的数量;工人通过投标参与群智感知,设任意工人i∈W的投标为Bi=(Ti,bi),其中Ti为工人i感兴趣的任务集合,bi为工人i的报价;形式化最小化社会成本能力覆盖问题如下:其中,xi为决策变量,如果工人i为胜利者,则xi=1;否则xi=0。
4.根据权利要求1所述的基于细粒度声誉系统的群智感知激励方法,其特征在于:所述步骤1.3的初始化方法为:平台基于工人的能力声誉,使用胜利者选择算法和激励决定算法分别来选择胜利者和确定对工人的激励;其中,任意工人i的任意能力k是服从以 和为参数的贝塔分布的随机变量 其概率密度函数为:其中Γ为伽马方程;工人i的能力声誉用 来进行表示,指 的数学期望。
5.根据权利要求4所述的基于细粒度声誉系统的群智感知激励方法,其特征在于:所述步骤1.3的初始化方法为:步骤1.3.1.1:如果本轮群智感知是平台的第一轮群智感知,则初始化所有工人的能力声誉的贝塔分布的参数,其中任意工人i的第k项能力声誉的贝塔分布的参数初始化为其中 和 是工人i的第k项能力声誉的贝塔分布的参数;
步骤1.3.1.2:如果本轮群智感知有新加入的工人,则初始化新加入的工人的能力声誉的贝塔分布的参数,其中任意新加入的工人i的第k项能力声誉的贝塔分布的参数初始化为:其中, 和 为第k项能力的数学期望最低的工人i′的贝塔分布参数,表示对工人i″的第k项能力的贝塔分布的数学期望。
6.根据权利要求4所述的基于细粒度声誉系统的群智感知激励方法,其特征在于:所述胜利者选择算法的步骤如下:步骤1.3.2.1:初始化胜利者集合为 用D′=(D′1,D′2,...,D′m)表示尚未满足的总能力声誉要求,用D=(D1,D2,...,Dm)表示初始的任务的总能力声誉要求,令D′=D;
步骤1.3.2.2:对于每一个工人i∈W,令T′i为满足最低能力声誉要求的工人i的任务集合,初始化T′i=Ti,对于每个任务tj∈Ti,如果任意能力k的能力声誉 则将该任务从T′i中剔除,即T′i=T′i\{tj};
步骤1.3.2.3:在工人集合W\S中找到 的值最小的那个工人i,即 其中 为任务tj能力k尚未满足的总能
力声誉要求;
步骤1.3.2.4:将工人i合并到胜利者集合S中,即S=S∪{i};
步骤1.3.2.5:对所有任务tj∈T′i和所有能力k∈Ω的尚未满足的总能力声誉要求D′进行更新,即步骤1.3.2.6:重复执行步骤1.3.2.3到步骤1.3.2.5,直到每个任务的总能力声誉要求都被满足,即D′=0;
步骤1.3.2.7:输出胜利者集合S。
7.根据权利要求4所述的基于细粒度声誉系统的群智感知激励方法,其特征在于:所述的激励决定算法步骤为:步骤1.3.3.1:初始化每个工人i∈W的激励ri为0;
步骤1.3.3.2:对于每一个工人i∈S,令W′=W\{i}, D′=D,其中S为胜利者集合,D′为尚未满足的总能力声誉要求,D为初始的任务的总能力声誉要求,对于每一个工人i∈S,重复执行步骤1.3.3.3;如果所有工人都已经计算完毕,则执行步骤1.3.3.6;
步骤1.3.3.3:当D′≠0时,重复执行步骤1.3.3.4到1.3.3.5;
步骤1.3.3.4:在工人集合W′/S′中找到 最小的那个工人ig,然后令S′=S′U{ig},工人i的激励为
步骤1.3.3.5:对所有任务 和所有能力k∈Ω的尚未满足的总能力声誉要求进行更新,即步骤1.3.3.6:输出所有工人的激励r=(r1,r2,...,rn)。
8.根据权利要求4所述的基于细粒度声誉系统的群智感知激励方法,其特征在于:所述步骤1.6中平台对能力声誉进行更新的步骤具体如下:对于任意胜利者集合S中的工人i,按照以下公式更新任意能力k∈Ω的贝塔分布参数:其中σ是遗忘因子,是一个预先确定好的常数, 是工人i在提交的感知数据中表现出的能力k的实际值。