移动群感知中的分布式鲁棒优化工人招聘问题

《Electronics》:Worker Recruitment with Distributionally Robust Optimization in Mobile Crowd Sensing

【字体: 大 中 小 】 时间:2026年08月09日 来源:Electronics 2.9

编辑推荐:

   摘要

  

摘要

移动群体感知技术是一种新兴的感知方法,它利用移动设备进行大规模数据收集。在这种技术中,平台会招募工作者来执行对时间要求较高的感知任务。在实际应用中,由于城市环境的动态变化——如交通拥堵、道路封闭以及意外绕行——工作者的行驶时间往往存在不确定性,实际延迟情况可能与历史数据存在差异。然而,现有的工作者招募方法通常基于静态的历史数据分布来优化预期性能,无法在数据分布发生变化时保持稳定性。为了解决这些问题,本文提出了DRO-IGR这一招募框架,它结合了分布鲁棒优化理论与迭代贪婪招募算法。该框架引入了一种DRO概率估计机制,将每位工作者的实际延迟分布视为位于以其实证历史数据为中心的瓦塞尔斯坦模糊集内,且该集合的半径会根据数据稀疏度、行为差异性以及任务重要性进行调整。通过强对偶性,该机制可将最坏情况下的优化问题转化为高效的一维凸搜索问题。借助这些可靠的概率估计结果,一种边际收益评分规则能够迭代选择出那些在单位成本下能实现重要性加权鲁棒效用最大的工作者与任务组合。在三种合成空间分布数据以及真实的北京T-Drive出租车数据集上的实验表明,与现有方法相比,DRO-IGR能够在相同的预算限制下完成更多任务,实现更高的总重要性值,并获得更大的效用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号