• <span id="pfyta"><output id="pfyta"><strike id="pfyta"></strike></output></span><span id="pfyta"><output id="pfyta"><nav id="pfyta"></nav></output></span>
    <span id="pfyta"><blockquote id="pfyta"></blockquote></span>
  • <optgroup id="pfyta"></optgroup><track id="pfyta"><em id="pfyta"></em></track>
    科學研究
    首頁 >> 科學研究 >> 科研成果 >> 正文
    信控學院智能優化與控制課題組在移動群智感知任務分配方面取得進展

    信控學院智能優化與控制課題組在移動群智感知任務分配方面取得進展

    移動群智感知是一種利用廣大普通用戶隨身攜帶的移動智能終端作為基本感知單元的新型感知模式,可被應用于環境監測、智能交通、公共安全、健康服務等方面。如何在有限預算和可用移動用戶數量不斷變化的條件下,將感知任務合理分配從而獲得高質量的感知數據,對于移動群智感知系統至關重要。

    近日,信控學院智能優化與控制課題組吉建嬌博士、郭一楠教授和鞏敦衛教授在該領域取得研究進展,研究成果形成論文Q-Learning-Based Hyperheuristic Evolutionary Algorithm for Dynamic Task Allocation of Crowdsensing”,以中國礦業大學為第一單位,發表在中科院一區Top期刊《IEEE Transactions on Cybernetics(IF: 11.507)。

    論文首先給出了移動用戶對不同類別任務的感知能力評價指標,并綜合考慮感知任務和移動用戶的時變特性,構建了移動群智感知的動態任務分配模型,保證感知任務的完成質量不受任務要求和用戶可用性的變化影響。同時,針對上述搜索空間不斷變化的約束動態優化問題,提出了基于Q-learning的超啟發任務分配算法。利用歷史時段最優解中的高質量用戶,生成有潛力的初始種群,加快收斂速度;提出基于用戶綜合能力的鄰域搜索算子,并將其與五種現有的局部搜索算子相結合,共同構成底層算子庫;綜合考慮約束違反情況和適應值收斂程度,給出一種新型Q-learning狀態描述,并定義相應的Q-learning選擇策略,從而在動態變化的搜索空間中,根據問題特性自主選擇最恰當的搜索算子。

    該成果首次面向動態約束優化問題提出一種Q-learning超啟發算法,并應用于移動群智感知任務分配問題。實驗結果表明,相比于現有先進超啟發算法,所提超啟發算法能夠在較短的時間內找到感知質量更好的可行分配方案,且對動態環境具有較好魯棒性。

     

     

    下一篇:信控學院張勇教授、王衍虎碩士、鞏敦衛教授在高維不平衡特征選擇方面取得進展

    掃碼關注
    天天爱天天做天天爽2021