移动群智感知(MCS,mobile crowd sensing)是一种有效利用智能移动终端协同采集环境数据的技术,集成多种传感器的移动载体(如车辆)越来越多地被当作参与者来承担各种感知任务。在智慧矿山物联网(IoT,Internet of things)中,为了更好地感知人—机—环的实时信息,支撑安全生产顺利进行,基于MCS思想对矿山环境下移动感知节点的覆盖质量和能耗优化进行研究,提出了一种综合考虑覆盖率(CP,coverage percentage)和覆盖密度(CD,coverage density)的效用函数F(Ω)来衡量MCS的覆盖质量。为了获得最优的覆盖质量,针对参与感知的车辆选择问题提出了一种改进的贪婪算法——覆盖质量优化(CQO,coverage quality optimization)算法来优化覆盖质量,并使用真实的车辆轨迹数据集对所提出的算法进行评估,研究了影响覆盖质量的几个因素。实验结果表明,该算法具有较好的覆盖质量。
关键词:智慧矿山
;
移动群智感知
;
覆盖率
;
覆盖密度
Abstract
Mobile crowd sensing (MCS) is a promising diagram for the environmental information collection based on the smart mobile terminal.Nowadays,vehicles with multiple embedded sensors are increasingly being considered as participants to complete various sensing tasks.In order to better perceive the data in the coalmine environment,the coverage quality and energy consumption of the perception data of sensing terminals were studied based on MCS.A new sensing coverage quality indicator called utility function F(Ω) jointly considering the coverage percentage and coverage density was defined.The selection of vehicles as an optimization problem to improve the coverage quality was formulated,then an improved greedy algorithm-coverage quality optimization (CQO) algorithm was proposed.The proposed algorithm with the real vehicle trajectory dataset was formulated and several factors influencing the coverage quality were studied.The experiment results show that the proposed algorithm achieves a better coverage quality.
Keywords:smart coalmine
;
mobile crowd sensing
;
coverage percentage
;
coverage density
WANG Chaowei. Mobile crowd sensing coverage and energy optimization in smart coalmine. Chinese Journal on Internet of Things[J], 2020, 4(4): 17-25 doi:10.11959/j.issn.2096-3750.2020.00191
CD 的引入是为了表示所选车辆在热点区域覆盖的情况,对热点区域覆盖的次数越多,则所收集的数据的准确度也会越高,即CD越大热点区域的数据也就越可信。文献[21]研究了WSN节点对区域的覆盖情况的影响,当至少存在K个节点覆盖该区域时,视为该区域被有效覆盖,研究结果表明,只有较少的区域可以满足有效覆盖的要求。文献[21]设计了一种离线计算的过程来达到选择最少的节点数来实现有效覆盖区域的CP要求,这一点和本文提出的问题不谋而合,因为本文考虑的热点区域覆盖次数问题和文献[21]提出的有效覆盖是同样的问题,本文考虑的热点区域的有效覆盖用CD表示。
2.2.4 CP
CP的计算式为
其中,W k表示ROI中每个区域的权重,Pi j表示选中车辆vi到达ROI的次数,vi∈Ω。CP是选定的车辆集合Ω到达ROI的数量与感知区域总数K的比例,表示对ROI的覆盖范围,不同的任务可能需要不同类型的覆盖。如有些任务需要 ROI 的全覆盖,这时CP作为衡量标准比较适合;而CD衡量的是ROI热点区域的数据的可信度,当CD达到设定值时,认为数据可信。
其中,Ei是车辆在单位感知成本条件下获得的边际效用函数的增量,F(Ω′)是Ω′的效用函数, Ω′={Ω∪vi},vi∈V-Ω。CQO 算法在成本预算限制下选择F(Ω)与感知成本比例最高的车辆参与感知任务,所以选择车辆的标准是从 Ω 中选择 Ei最大的车辆。F(Ω)是被选定车辆集Ω的效用函数。是由 vi 得到的效用增量,它由F(Ω)和F(Ω′)计算得出。本文提出的 CQO 算法优先选择拥有最高边际效用函数Ei的车辆来优化覆盖质量。
CQO 算法的主要思想是将所有 m 辆候选车辆分成两组,一组是选定的集合,另一组是未被选择的集合。在每一轮选择中,从未被选择的集合中选出一辆新车并将其添加到选定的集合中;在每次选择迭代后计算效用函数F(Ω),每次总是选择Ei最大的车辆,不断重复此过程直到成本预算B用完。根据选择策略,必须在每次迭代时遍历未选择集合中的每一辆车。在最坏的情况下,一共有m次选择迭代,因此计算复杂度为O(m2n)。CQO算法流程如算法1所示。
图5(b)是在固定预算成本下3种算法的候选车辆数对 CD 的影响。随着候选车辆数的增加,CD也呈现逐渐增加的趋势。当候选车辆数较少时,覆盖ROI的车辆数量有限。因此,候选车辆越多,能够覆盖ROI的次数也就越多。然而,由于感知预算成本有限,当候选车辆数达到80辆时,CD增加趋势不明显,这是因为之前所选的车辆几乎耗尽了感知成本。
Smart mobile crowdsensing with urban vehicles:a deep reinforcement learning perspective
1
2019
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
High quality participant recruitment in vehicle-based crowdsourcing using predictable mobility
1
2015
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Location-based online task assignment and path planning for mobile crowdsensing
2
2019
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
... [9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
A sensing coverage analysis of a route control method for vehicular crowd sensing
1
2015
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Reward or penalty:aligning incentives of stakeholders in crowdsourcing
1
2019
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Mobile crowdsensing tasks allocation for mult-parameter bids
2
2017
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
... ]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Data collection and wireless communication in Internet of things (IoT) using economic analysis and pricing models:a survey
1
2016
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
On the impact of selective data acquisition in mobile crowd-sensing performance
1
2018
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Efficient crowdsourcing of unknown experts using bounded multi-armed bandits
1
2014
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Routing mobile data couriers in smart-cities
1
2016
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Minimum-cost mobile crowdsourcing with QoS guarantee using matrix completion technique
1
2018
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
iCrowd:near-optimal task allocation for piggyback crowdsensing
1
2016
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Energy efficient cluster header selection algorithm in WSN
1
2009
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Data stashing:energy-efficient information delivery to mobile sinks through trajectory prediction
1
2010
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
Energy-efficient opportunistic coverage for people-centric urban sensing
4
2014
... 文献[6]旨在减少感知数据的冗余,通过选择最少的车辆来达到最大的时空覆盖度(STC,spatial-temporal coverage).文献[7]将MCS服务平台与候选车辆之间的交互建模为马尔可夫决策过程(MDP,Markov decision process),使用深度强化学习最大化 STC.由于仅根据当前位置选择参与车辆,因此,仿真得到的覆盖效果不一定达到最优.文献[8]提出了一种基于预测轨迹的车辆选择算法.文献[4,9-10]通过路径规划或路径分段的方法完成感知任务.Gong等[9]设置了车辆行驶距离预算,提出了一种基于遗传的路由(GR,genetic-based routing)算法,并根据 GR 算法设计了 4 种在线任务分配算法.文献[11,12,13]从经济角度解决了MCS 的激励机制问题,其中文献[12]考虑了 MCS中平台、参与者和任务发起者3方面的利益.此外,为了平衡平台与参与者之间的效用,文献[14]提出了一个以用户为中心的基于声誉的招募策略.文献[15]介绍了多臂赌博机(MAB,multi-armed bandit)模型并使用有界ε-first算法,有界ε-first算法将总预算B中的εB部分用来获取评估质量特性,而剩余的(1-ε)B部分则用于优化效用函数.在保证服务质量(QoS,quality of service)方面,文献[16]提出了一种GR算法,文献[17]采用了矩阵补全技术.文献[18]设计了一种高效节能的MCS任务分配框架.文献[19,20,21]讨论了感知过程中的能耗问题和感知数据的质量问题. ...
... CD 的引入是为了表示所选车辆在热点区域覆盖的情况,对热点区域覆盖的次数越多,则所收集的数据的准确度也会越高,即CD越大热点区域的数据也就越可信.文献[21]研究了WSN节点对区域的覆盖情况的影响,当至少存在K个节点覆盖该区域时,视为该区域被有效覆盖,研究结果表明,只有较少的区域可以满足有效覆盖的要求.文献[21]设计了一种离线计算的过程来达到选择最少的节点数来实现有效覆盖区域的CP要求,这一点和本文提出的问题不谋而合,因为本文考虑的热点区域覆盖次数问题和文献[21]提出的有效覆盖是同样的问题,本文考虑的热点区域的有效覆盖用CD表示. ...