未来智库 > 神经网络论文 > 基于神经网络的众包任务优化设计

基于神经网络的众包任务优化设计

发布时间:2018-07-22 01:06:32 文章来源:未来智库    
    【关键词】众包任务;神经网络;优化设计;聚类分析
    【Abstract】By building crowdsourced distributions to the neighborhoods of affiliate registration points, factors that affect crowdsourcing pricing such as the scope, number of participants and the nature of mission scenarios are reduced to inclusion in the Crowdpatch Mission All members in their neighborhood Registration point average distance of the pricing relationship, and then build the BP neural network to find the best price of crowdsourcing task points in different environments; and then consider the relevant attributes of members, such as the credibility of the value of tasks such as task simulation distribution to complete Optimization of Crowdsourcing Tasks in Different Environments.
    【Key words】crowdsourcing task; neural network;optimal design;cluster analysis
    引言
    随着移动互联网技术与商业模式的发展,各类空间众包变得日益流行。众包是在新兴网络环境下通过大量注册会员的主动参与和相互协作,完成特定的设计、生产或销售等任务的新兴的生产或商务模式。众包任务优化设计受到参与者的范围、数量、任务限额等相关信息属性的限制,如何基于特定众包任务与能力多样化的参与者,构建众包任务设计的优化模型,揭示特定众包任务与参与者之间潜在的优化配置程度,提高众包任务的配置效率,是当前急需解决的关键问题之一。
    1.众包任务定价的设计思路与方法
    众包任务及其相关注册会员都具有范围较广、类型多样的特征,以及任务场景的变换、参与者与任务的数量及类型等存在不确定性。众包任务的定价受到以上诸多不确定因素的影响,本文首先构建众包任务发布点关于会员注册点的空间属性关系模型,再综合考虑会员的相关属性,以完成对不同环境下众包任务优化配置的研究。
    1.1建立关联距离
    以某个任务发布点作为平面上的一点,建立会员注册点与点欧式距离小于的邻域,即。任务发布点与会员注册点的位置一般为经纬度,首先应将发布点与会员注册点的经纬度关系转化为两点的欧式距离。记点的经纬度为(LonA, LatA),点的经纬度为(LonB, LatB),以0度经线为基准,东经取经度的正值,西经取经度的负值,北纬取90-纬度值,南纬取90+纬度值,将以上处理过后的两点计为(MLonA, MLatA)和(MLonB, MLatB),可以得到计算两点距离的计算公式:
    记点的邻域内所包含的会员注册点数为,记该领域内所有会员注册点到任务发布点的平均距离为关联距离,即:
    1.2 基于BP神经网络的定价优化模型
    BP神经网络是一种具有反向修正功能的神经系统,具有非线性特性和学习能力,且已被证明具有逼近任意有界函数的能力。它有能力辨识那些不能线性化的非线性系统,不需要预先知道被测系统的模型。BP神经网络结构具有较强的自适应能力、并行处理和高度鲁棒性,采用BP神经网络算法设计的优化系统将具有更强的实时性,更强的适应能力和更强的鲁棒性。
    每个任务发布之后是不一定能过完成,任务点可分为任务完成点与任务未完成点,由上述1.1分析可知每个任务发布点都能求取与其对应的关联距离,每个任务发布点的价格是已知,由此可得到任务点的定价、关联距离、完成或未完成三者的数据。将此数据作为神经的网络训练集与测试集,以构建神经网络。神经网络学习效果图1所示:
    任务未完成主要原因是定价不合理所导致。由图1可知,当训练输出的结果越接近“1”时,其完成效果越好。基于此思想,将任务点的关联距离,以及不断调整的定价带入训练好的神经网络,以得到完成效果最优的定价,即任务点的最优定价,其程序流程图如图2所示。
    2.众包任务的优化配置
    众包任务的优化配置是分析了特定众包任务与参与者之间的优化配置程度后,如综合考虑会员的信誉值,任务限额等相关属性,进行众包任务模拟分配,以提高众包任务配置效率。
    2.1众包任务
    当多个任务位置比较集中的,可将其联合打包发布,即众包任务。记打包后的众包任务点为众包点,众包点中的任务称为该众包点的子任务。
    聚类分析又称群分析,是对多个样本进行定量分类的一种多元统计分析方法。本文采用的分类分析为Q型聚类分析,即将某��区域中随机分布的任务发布点进行聚类。记Q型聚类后得到个众包任务点,记每个众包任务点的子任务点数量为,当时,此时众包任务点中只有一个子任务,即打包点就是原任务点。
    2.2众包任务的分配
    众包点中的多个子任务的位置是比较集中,可将任意一子任务点的位置视为该众包点的位置,故众包点的关联距离可转化为上文所述关于单个任务点的关联距离的求取,并进一步得到众包任务点的最优定价。
    事实上,会员的信誉值越高,越优先开始挑选任务,将众包点邻域内所有的会员注册点按照信誉值的大小进行降序排序,按照降序后的顺序将每个会员注册点的任务限额与众包点的子任务数进行比较,若任务限额大于子任务数,则将该任务点分配该会员,否则考虑下一个会员,依次类推。若比较领域内所有的会员后仍然没有找到满足要求的会员,可调整聚类点数N或邻域半径的值,再次进行上述过程。
    参考文献:
    [1]孙信昕. 众包环境下的任务分配技术研究[D].扬州大学,2016.
    [2]郭小强. 基于迭代策略的众包质量研究[D],郑州大学;2015年.
    [3]陈强, 大数据环境下企业竞争情报的众包模式研究[D],武汉纺织大学,2015年.
    [4]路凯,Kaggle. 众包平台的隶属网络模型构建与特征分析[D],大连理工大学,2015年.
    [5]张亭亭. 基于成对关联属性空间的众包任务优化配置及其关键属性选择[D],江苏科技大学,2015年
    [6]袁娜,杨鹏,刘作军. 利用平均影响值和概率神经网络的步态识别[J]. 哈尔滨工程大学学报, 2015(2).
    作者简介:
    李增辉(1997-),男,湖南邵阳人,本科在读,研究方向为机械电子工程。
    张涛(1997-),男,重庆开州人,本科在读,研究方向为桥梁工程。
    肖青(1997-),女,重庆北碚人,本科在读,研究方向为经济学。
转载请注明来源。原文地址:https://www.7428.cn/page/2018/0722/23353/
 与本篇相关的热门内容: