（课程报告）
概述
群智协同计算旨在充分挖掘网络群智资源，实现群体智能的的最大化利用来解决计算机单独难以完成的复杂任务。目前，主流的群智计算模型方式可以分为“拉（pull）”和“推（push）”两种模式。在“拉”模式下，参与者根据自己的位置和喜好主动选择任务，是用户主动型，主要通过改进激励机制优化分配策略。但这种方式容易陷入局部最优，并不能实现最优的参与者与任务的匹配。本文主要研究“推”式任务分配，平台根据任务和参与者的不同需求，实现双方的个性化筛选，进而完成二者的合理匹配。
任务分配作为群智协同计算的核心环节之一，不仅直接关系着群智任务的结果质量、完成效率，而且影响着协同工作者的参与体验。
但由于群智任务与参与者的复杂性与不确定性，群智任务分配的研究存在以下挑战。首先，不同的任务因其属性与约束不同，故对工作者与任务分配算法的要求也有差异，这使得特定的任务分配机制往往只能适用于特定的一类或几类相似的任务。其次，不同的参与者，其工作能力、专业领域、偏好等各类属性特征各不相同，还可能是动态变化的，需要对参与者属性特征进行动态感知；最后，分配效率低：大数据背景下，任务与参与者的数量急剧上升，群智协同任务分配机制的效率与准确性也将受到更大的挑战。
因此，设计一个合理、高效的群智协同任务分配机制，不仅能够保证任务与工作者之间的精准匹配，保证任务分配成功率，而且能够在给定约束下提高任务的结果质量和完成效率。
通用研究框架
目前，群智任务分配问题主要从以下四个角度进行分类：
（1）单目标优化和双目标优化的任务分配：
现有的研究工作大多将群智任务分配问题描述为单一目标优化问题，即只针对某一特定目标进行优化，同时保留其他目标作为约束条件。另一方面，也有学者将群智任务分配问题表述为多目标优化问题。例如，在任务分配时同时最大化感知质量和最小化能耗。
（2）单任务分配与多任务分配：
在群智任务分配研究的早期阶段，存在的方法大多是面向单任务的，它们假设平台上的任务是孤立的，因此任务分配对每个任务独立执行。然而，随着任务数量的增加，它们在共享有限的资源池中相互竞争(例如，共享用户池或总预算)，任务之间相互关联，它们不是独立的。为了提高任务分配效率，面向多任务的参与者选择对于该任务是必不可少和有用的。多任务的优化目标通常是最大化系统的总效用。
（3）在线任务分配与离线任务分配：
从任务分配解决方案确定的时间来看，群智任务分配可以是在线的，也可以是离线的。如果在任务运行时执行任务分配，则是在线分配。相反，如果任务是在任务执行的开始时间之前分配的，这是离线模式。
（4）任务分配中的效益与成本：
群智任务分配的本质是实现几个对立因素之间的权衡，分为效益和成本。效益被定义为任务的完成质量（如，时空覆盖度或传感器数据值）。为了获得更高的感知质量，存在一些开销，这就是成本。成本因素主要包括激励成本、位置隐私暴露风险、能耗等。
不论是哪种类型的任务分配问题，根据任务分配的总体流程，可以总结出一个任务分配的通用框架，如图1所示。
图1 任务分配通用框架
该框架主要包含3个部分：任务模型、工作者模型、分配算法。首先对任务的内容和描述信息进行分析，从中抽取出重要的任务约束和属性，建立任务模型；然后根据任务对工作者属性的具体要求，完成工作者属性的精确感知，并建立工作者模型；最后，基于特定场景，设计分配算法完成工作者与任务间的合理匹配，进而实现任务的准确分配。
（1）任务模型
具体地，构建任务模型时，需要考虑任务属性和任务约束。
任务属性包含任务类别、任务粒度和任务领域。首先是任务类别：不同类别的任务对工作者专业能力的要求不同。正确描述任务类别对工作者属性的筛选具有指导作用。其次是任务粒度：按照任务粒度的大小可将群智任务分为宏观任务和微观任务。微观任务是一些计算机难以完成而人类能够轻易解决的简单任务，宏观任务指的是一些较为复杂或专业性较强的任务，需要工作者具有一定的专业知识和能力水平，并且需要一定的时间才能得到结果。最后是任务领域：与前两种属性不同，任务的领域属性是从任务的具体内容中抽取出来的特性，能够反映出任务的主题信息。根据任务所属领域来筛选工作者，能够提高任务分配的针对性，从而提升任务完成的效率和质量。
任务约束包含成本、工期和质量。首先是成本：大部分群智任务在提交给可靠的工作者完成任务后，需要支付一定报酬。如何在给定任务成本的约束下，得到较好的结果质量，是任务模型构建中的关键环节。其次是工期：任务工期即整个任务完成的时间。不同的任务按照其工期的长短可归为不同的紧急程度。最后是质量：任务完成的结果质量是任务最基本的要求。任务分配的关键环节都将最终影响结果的质量，包括任务模型、工作者模型定义的准确性和任务分配的机制。
（2）参与者模型
工作者建模的工作主要包括：第一，如何根据任务需求完成对工作者属性的选择与定义；第二，如何正确地感知工作者的属性。
工作者的主要属性包括能力水平、信誉值和爱好等。工人的能力水平是任务分配中要考虑的关键因素之一，尤其是对于一些难度较大或技能性较高的任务。如何设计一个广 泛适用的工作者能力评价模型仍是一个研究难点。由于工作者存在最大化个人利益的自私性，因此，准确评估工作者的信誉值极为必要，同时也是一个 极具挑战性的问题。信誉的准确评估，直接影响着群智 任务的完成质量和任务发布者的切身利益。因此，如何 设计一个工作者信誉评估机制以筛选出恶意工作者具 有重要意义。兴趣爱好一直是推荐系统中广泛考虑的用户属性之一。针对工作者不同属性之间的联系和相互影响，工作者的兴趣能够正面或负面地影 响工作者任务完成态度。
工作者的异质性与不确定性使得对工作者属性的精确感知成为困难。通过对当前相关研究进展的分析， 感知主要可分为隐式感知与显式感知两类。显式感知主要是从工作者的注册信息、简介（如擅长领域、专业技能、兴趣爱好）、问卷反馈等显式信息中 获取属性信息。隐式感知通过工作者的隐含交互信息来推测其属性特征，一定程度弥补了显式感知的不足。
关键问题
在这节中，将重点介绍群智任务分配中的关键问题和关键挑战，这里选取了单任务分配、高任务分配、低成本任务分配和高质量任务分配四类问题进行详细介绍。
（1）面向单任务的参与者选择
单任务分配可以看做所有候选用户中选择一个最优子集来完成任务，同时满足多种需求。在单任务分配中，参与者可以选择机会式或主动式完成任务。机会式任务分配下，参与者不会改变他们的常规移动模式，只是在移动时顺便完成任务。而主动式任务分配下，参与者会为了完成任务特意前往目标地点。
文献【1】针对急需解决的任务（如井盖丢失、电杆倒塌），传统方法从检测到任务再执行存在时间延迟，所以提出了一种即时感知、即时执行的方法，在检测到任务后立即执行。具体又分为两阶段，感知点聚类和传感器选择阶段以及POI分配阶段，目标是将最有可能检测到ISIA任务的POI分配给具有类似感知能力的参与者，以便在检测到这些任务后可以立即执行这些任务。
图2 单任务分配-ISIA
（2）面向多任务的参与者选择
一般来说，多任务分配涉及到两种类型的多任务:同构任务和异构任务。由于不同任务的位置通常不同，这种同质-异构分类在很大程度上取决于任务是否也有其他约束/需求。同构多任务可能只有不同的任务位置，而异构多任务可以有不同的要求，如时间(不同的任务需要不同的传感时间跨度)和/或传感器(不同的任务需要不同的传感器)要求。
文献【2】针对位置不同的同构感知任务，提出了一种混合分配方法，将机会式和主动式这两种互补模式整合到一个两阶段的混合框架中。通过在离线阶段选择机会式参与者（降低成本），在线阶段选择主动式参与者完成还没有完成的感知任务，实现质量和成本之间的权衡。
图3 多任务分配-HyTasker
（3）面向低成本的参与者选择
低能源消耗、移动数据成本和激励预算等成本一直是群智任务分配的关键目标。面向低成本的任务分配分为背负式（Piggyback）、压缩（Compressive）、和机会式三类。
文献【3】提出了一种机会式感知方法，通过短距离无线传输数据，来减小数据传输成本。文章考虑了请求者发送任务给可能遇到的附近参与者和接收感知数据所需的时间以及所有用户的移动模式。例如，一个名为Alice的请求者打算收集一些城市地区不同时间的空气质量，他将任务分配给Bob和David，Alice和Bob经常相遇，因此他们可以通过蓝牙彼此通信。Alice和David可能永远不会相遇，但他们可以分别在访问接入点时通过WiFi网络相互通信。
图4 低成本任务分配
（4）面向高质量的参与者选择
收集高质量的数据是群智感知的最终目的。由于传统群智感知网络的集中化，参与式群智感知面临诸多问题，如支付不公平、参与者的消极工作、合作作弊等，有必要公平评估任务质量并支付相应的报酬。挑战在于如何对数据质量进行评估。
文献【4】提出了一种基于轻量级区块链的数据质量评估模型。首先，模型中有两个数据质量评估过程。一个是在参与者选择中实施的，选择更有可能提交高质量数据的参与者。第二个数据质量评估流程是在任务发布者从参与者处获得数据时应用的，它可以防止参与者进行负面工作。
图5 高质量任务分配
参考文献
- Yin H, Yu Z, Wang L, et al. ISIATasker: Task allocation for instant-sensing-instant-actuation mobile crowd sensing[J]. IEEE Internet of Things Journal, 2021
- Wang J, Wang F, Wang Y, et al. HyTasker: Hybrid task allocation in mobile crowd sensing[J]. IEEE Transactions on Mobile Computing, 2019
- "Online Task Assignment for Crowdsensing in Predictable Mobile Social Networks," IEEE Transactions on Mobile Computing, 2017
- An J, Cheng J, et al. A lightweight blockchain-based model for data quality assessment in crowdsensing[J]. IEEE Transactions on Computational Social Systems, 2020
- 陈宝童,王丽清,蒋晓敏,姚寒冰.群智协同任务分配研究综述[J].计算机工程与应用,2021
- Wang J, Wang L, Wang Y, et al. Task allocation in mobile crowd sensing: State-of-the-art and future opportunities[J]. IEEE Internet of Things journal, 2018
