面向協(xié)同感知的任務(wù)分配方法

尹厚淳 崔禾磊 於志文 王亮 郭斌

摘要：為維護社會公共安全，當(dāng)出現(xiàn)違法案件時，公安部門需盡快獲取案件發(fā)展的實時信息。目前實時獲取信息的渠道主要有兩種：一是利用部署在城市熱點地區(qū)大量監(jiān)控攝像頭進行追蹤，二是利用普通民眾攜帶的各類智能設(shè)備獲取信息。因此提出一個面向協(xié)同感知的任務(wù)分配方法，利用監(jiān)控攝像頭與行人通過協(xié)同感知覆蓋特定區(qū)域道路網(wǎng)絡(luò)。首先根據(jù)實驗區(qū)域內(nèi)道路網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)研究任務(wù)重要程度，提出任務(wù)優(yōu)先級計算方法，用以區(qū)分不同任務(wù)優(yōu)先級;其次提出參與者可信度計算方法，該方法以物理距離為基準(zhǔn)，通過引入空間距離衰減指數(shù)函數(shù)計算行人執(zhí)行某項待選任務(wù)的意愿值，再與任務(wù)優(yōu)先級結(jié)合，計算行人可信度;最后提出雙向選擇多輪任務(wù)分配（McTA）算法并利用真實數(shù)據(jù)集進行實驗測試。結(jié)果表明，該方法在數(shù)據(jù)集中完成率達95%以上.

關(guān)鍵詞：協(xié)同感知;貪心算法;任務(wù)分配;雙向選擇

DOI： 10. 11907/rjdk.192815

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP301

文獻標(biāo)識碼：A

文章編號：1672-7800（ 2020）004-0014-O（

Collaborative Awareness Oriented Task Allocation Method

YIN Hou-chun. CUI He-Iei. YU Zhi-wen. WANG Liang， GUO Bin（School of CompuLer Scie. nce . lVorthweste. rn Pohiechnical Un ive. rsity . Xi ' an 710129. Ch.ina ）Abstract：ln order to maintain the public security， when there are illegal cases， the public security department needs to obtain the re-al-time inf'orruation of the case development as soon as possible. For this purpose， two major approaches are usually adopted. One is touse a surveillance network consisting of a large nuruber of' surveillance cameras deploy ed in urban hotspots; the other is to use varioussmart devices carried by people to obtain information. Here we propose a task allocation scheme for collaborative sensing. The methodaims to make the cameras and pedestrian to jointly cover the road network of the target area. We first calculate the importance value ofeach task. which can be used for prioritizing a bunch of tasks. Then we propose a method to evaluate the credibility of participants.This method is based on Euclidean distance ，，-hile involving a spatial distance attenuation function to compute the pedestrians' ，，-illing-ness and comhining with the task priority. Lastly， we propose mutual-choice task allocation （McTA） algorithm. The extensive evalua-tion on real dataset demonstrates that the proposed scheme can achieve over 95% task allocation rate.Key Words ： collaborative awareness ; greedy algorithm ; task allocation ; mutual choice

O 列言

近年來，得益于智能感知與普適計算等技術(shù)的發(fā)展，廣泛應(yīng)用于網(wǎng)絡(luò)融合的協(xié)同感知技術(shù)成為研究熱點。隨著嵌入式設(shè)備、無線傳感網(wǎng)絡(luò)、物聯(lián)網(wǎng)、智能移動終端的快速發(fā)展，具有集成感知、計算和通信能力的普適智能感知系統(tǒng)逐漸融人社會日常生活，智能感知獲取數(shù)據(jù)的能力顯著增強。

使用單一感知設(shè)備獲取的感知能力有限，例如只使用預(yù)先部署的攝像機監(jiān)控系統(tǒng)監(jiān)控范圍有限，監(jiān)控位置固定，存在視覺死角。近年來，各類智能設(shè)備尤其是智能手機的普及使普通民眾可以實時分享地理位置、周圍環(huán)境等各類信息。將移動傳感器網(wǎng)絡(luò)與公共安全部門已有的攝像頭監(jiān)控系統(tǒng)相結(jié)合，實現(xiàn)協(xié)同感知，可彌補單一攝像頭監(jiān)控系統(tǒng)缺陷，得到更加可靠和全面的數(shù)據(jù)。設(shè)計科學(xué)合理的協(xié)同感知方法不僅可盡量降低感知代價，還可提高感知效率與感知系統(tǒng)整體性能，因此進行協(xié)同感知算法設(shè)計和改進意義重大。

隨著監(jiān)控攝像頭技術(shù)的成熟，大部分城市均建有以攝像頭為感知終端的監(jiān)控系統(tǒng)，實現(xiàn)了對城市區(qū)域最大程度的覆蓋監(jiān)控。監(jiān)控位置一般分布在人流量和車流量較大的道路交叉口和重要路段，監(jiān)控系統(tǒng)可將監(jiān)控范圍內(nèi)的實時情況上傳到公安部門，確保公安人員及時掌握城市各區(qū)域最新動態(tài)，及時發(fā)現(xiàn)并處理公共安全問題。強大的監(jiān)控網(wǎng)絡(luò)為治理交通、治安等問題提供了有力的技術(shù)支持，合理的監(jiān)控系統(tǒng)優(yōu)化策略不僅可降低監(jiān)控系統(tǒng)維護和運營成本，還可加大監(jiān)控技術(shù)支持力度，大幅提高公共安全部門案件偵破效率。截至2019年6月，我國手機網(wǎng)民規(guī)模達8.47億，上半年共計新增網(wǎng)民2598萬人，網(wǎng)民中使用手機上網(wǎng)的人群占比達99.1%[1]-。近年來，處理器性能不斷加強，智能手機迎來極大革新?？蓽y量加速度的傳感器、陀螺儀傳感器、重力傳感器、方向傳感器等越來越多的復(fù)雜傳感器成為智能手機標(biāo)配。這些傳感器讓每一位攜帶手機的個體均可成為具備較強感知能力的終端，因此可將大量攜帶智能終端的個體組成協(xié)同感知網(wǎng)絡(luò)，對特定目標(biāo)進行觀察、追蹤等活動。

目前，多任務(wù)分配問題研究較少。文獻[27]研究了移動社交網(wǎng)絡(luò)中的任務(wù)分配問題，其中作為請求者的移動用戶可能有多個任務(wù)需要移動社交網(wǎng)絡(luò)中其他用戶提供幫助;然而，當(dāng)另一個用戶在其附近時，請求者只能收集數(shù)據(jù)再分配任務(wù)，時間成本較大。本文為請求者設(shè)計離線和在線任務(wù)方案，通過考慮其他用戶移動模式，使所有任務(wù)完成時間盡可能縮短。針對待分配的任務(wù)集合，本文設(shè)計任務(wù)優(yōu)先級計算方法，使重要任務(wù)可優(yōu)先分配;根據(jù)候選者可信度計算方法，通過考慮候選者執(zhí)行某項任務(wù)的主觀意愿最小化候選者移動距離，從而縮短任務(wù)完成時間;基于雙向選擇機制與多輪分配方法，通過任務(wù)端與候選者端多次相互選擇確定合適的任務(wù)與候選者，最終得到任務(wù)分配最優(yōu)結(jié)果。

2 McTA算法架構(gòu)

本部分主要介紹面向協(xié)同感知的雙向選擇多輪任務(wù)分配（McTA）算法。將城市監(jiān)控系統(tǒng)中的攝像頭作為固定候選者，將攜帶智能終端的行人作為移動候選者對任務(wù)集合進行分配，從而提出任務(wù)優(yōu)先級計算方法、固定候選者可信度計算方法、移動候選者意愿值及可信度計算方法、雙向選擇機制和多輪分配方法。

2.1 任務(wù)優(yōu)先級計算方法

為解決任務(wù)分配問題，需計算不同任務(wù)優(yōu)先級、分配任務(wù)先后順序。由于本文任務(wù)集合對應(yīng)路網(wǎng)節(jié)點集合，所以首先考慮設(shè)置約束條件，計算路網(wǎng)節(jié)點優(yōu)先級。影響路網(wǎng)節(jié)點重要程度的因素較多，如1個連接兩條道路的路網(wǎng)節(jié)點與1個連接四條邊的十字路網(wǎng)節(jié)點重要程度不同，找到類似影響因素作為約束條件即可區(qū)分不同任務(wù)點重要程度，從而計算出任務(wù)點優(yōu)先級，確定任務(wù)分配順序。

在一般網(wǎng)絡(luò)結(jié)構(gòu)中，不同節(jié)點重要程度和影響力是不同的?？紤]到路網(wǎng)拓?fù)浣Y(jié)構(gòu)，對區(qū)域進行覆蓋時，有3個主要因素影響任務(wù)重要程度，如表l所示。

2.1.1道路數(shù)量

圖G=（V，E）代表由點和邊組成的道路網(wǎng)絡(luò)，其中V是圖G中頂點集合，E是圖G中邊的集合。1個道路網(wǎng)絡(luò)中的節(jié)點存在3種情況，即它連接的邊數(shù)只能是兩條、三條和四條，如圖2所示。

在這種情況下，定義 為節(jié)點 連接的邊的集合，若從節(jié)點i到其它任意節(jié)點？有一條邊，則 ，否則 O;定義 為節(jié)點連接邊數(shù)目，即一個節(jié)點一共連接了幾

尹厚淳，崔禾磊，於志文，等：面向協(xié)同感知的任務(wù)分配方法條邊，它體現(xiàn)了一個節(jié)點在路網(wǎng)中與周圍節(jié)點的交互能力，對計算不同節(jié)點的重要程度有很重要的作用。因此在一個道路網(wǎng)絡(luò)中，節(jié)點連接邊數(shù)量S（i）可定義為：

如圖2所示，S（i）可能的值為2、3、4。為了量化該類特征，本文定義節(jié)點連接邊權(quán)重系數(shù)Edgeimp=0.25，則基于連接邊數(shù)量的節(jié)點權(quán)重計算公式可定義為：

2.1.2道路等級

單以節(jié)點連接道路的數(shù)量衡量任務(wù)點優(yōu)先級在一些場景下是不夠的，如在圖3中，同樣連接3條邊的兩個節(jié)點由于連接的道路等級不同，實際上兩種節(jié)點重要程度也不同，左圖明顯比右圖節(jié)點更重要。

因此，影響優(yōu)先級的另一個因素是節(jié)點連接的道路等級。參考文獻[29]提出一種空間加權(quán)重要度模型，其中將道路類型分為高速路、普通主路、普通次路及支路，并賦予不同的權(quán)重值Rw，如表2所示。

本文提出基于道路等級的節(jié)點權(quán)重計算公式，定義為：

其中Rw為單條道路權(quán)重，RwSum為理論上連接所有道路集合的最大權(quán)重之和，如圖4所示，節(jié)點imp2=0.7。

2.1.3道路長度

除道路數(shù)量、道路等級外，影響任務(wù)點優(yōu)先級的第3個重要因素是節(jié)點連接的道路長度，通常認(rèn)為道路長度越長，這條道路重要程度越高。因此本文定義基于道路長度的優(yōu)先級計算公式，以計算節(jié)點優(yōu)先級。

dis是節(jié)點連接的道路長度，Imax和Imln分別是實驗區(qū)域內(nèi)最長道路長度和最短道路長度，而RoadNum是該節(jié)點連接邊數(shù)量。

綜合以上影響任務(wù)節(jié)點優(yōu)先級的3種主要因素，經(jīng)過調(diào)整參數(shù)比例進行實驗，本文定義影響任務(wù)節(jié)點優(yōu)先級的3種因素以1：2：1的比例分配計算得到的效果最優(yōu)，3部分之和為任務(wù)點最終優(yōu)先級。

該方法將道路網(wǎng)絡(luò)中節(jié)點連接邊數(shù)、道路等級及每條道路長度作為主要影響因素，從網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)角度計算節(jié)點優(yōu)先級。

根據(jù)式（5）計算每個節(jié)點優(yōu)先級后，在任務(wù)集合中按照優(yōu)先級大小從高到低對任務(wù)點進行排序。

2.2 固定候選者可信度計算方法

協(xié)同感知指利用固定候選者（攝像頭）及移動候選者（行人）對任務(wù)所在區(qū)域進行覆蓋，設(shè)計任務(wù)分配算法，為待分配任務(wù)部署最好的候選者集合。但是攝像頭和行人的特性不同，如攝像頭位置固定，而行人對任務(wù)的選擇帶有主觀意愿。因此本文定義可信度以量化候選者執(zhí)行任務(wù)的可能性。

攝像頭可信度主要衡量指標(biāo)是攝像頭監(jiān)控范圍，即攝像頭監(jiān)控范圍內(nèi)包含的任務(wù)點，攝像頭對任務(wù)點的覆蓋有兩種形式：直接監(jiān)控路網(wǎng)節(jié)點或監(jiān)控節(jié)點連接的道路。由于攝像頭安放位置是固定的，且通過監(jiān)控系統(tǒng)可實現(xiàn)照射范圍內(nèi)24小時監(jiān)控，如果可把任務(wù)分配給合適的攝像頭，無論是從移動距離還是能量消耗來說，均比選取移動候選者的成本小很多，所以應(yīng)優(yōu)先考慮將任務(wù)分配給符合條件的攝像頭，剩下不能由攝像頭完成的追蹤任務(wù)再交由移動候選者完成。

攝像頭與任務(wù)點之間的距離直接決定攝像頭能否對任務(wù)點進行有效監(jiān)控，通常路口攝像頭監(jiān)控范圍為lOOm。本文將攝像頭與監(jiān)控任務(wù)點的距離定義為攝像頭可信度，采用歐式距離計算。

p為攝像頭可信度，根據(jù)p的大小從高到低排序，并設(shè)置距離閾值為lOOm，距離小于lOOm且可信度最高的攝像頭即為執(zhí)行監(jiān)控任務(wù)的最佳固定候選者。將計算好的待分配任務(wù)點與最佳固定候選者對應(yīng)存放，當(dāng)進行任務(wù)分配時，優(yōu)先將任務(wù)分配給對應(yīng)的固定候選者。

攝像頭監(jiān)控任務(wù)集合計算流程為：①獲取同一區(qū)域內(nèi)路網(wǎng)集合，得到路網(wǎng)節(jié)點經(jīng)緯度。根據(jù)節(jié)點經(jīng)緯度與攝像頭位置經(jīng)緯度計算兩者之間的距離;②判斷距離是否小于規(guī)定閾值，若小于閾值，則認(rèn)為該攝像頭可監(jiān)控到該任務(wù)點，將距離作為可信度，并把該攝像頭放入任務(wù)點對應(yīng)的固定候選者集合中;若大于閾值，則認(rèn)為距離太遠，無法監(jiān)控;③對于每一個任務(wù)點，將其對應(yīng)固定候選者集合按照可信度大小從高到低排序，選取可信度最高的固定候選者與任務(wù)點一一對應(yīng)。

2.3移動候選者可信度計算方法

由固定候選者完成的任務(wù)被分配完成后，剩下的任務(wù)考慮用移動候選者完成。在引入移動候選者任務(wù)分配時，候選者接收到任務(wù)信息后未必會執(zhí)行任務(wù)，所以在移動候選者任務(wù)點可信度計算方法設(shè)計中需充分考慮候選者主觀意愿。

2.3.1 移動候選者意愿值與可信度

研究人員嘗試通過建立多種數(shù)學(xué)模型模擬距離對另一因素衰減的影響。本文參照文獻[29]采用的距離衰減函數(shù)模型，定義表示候選者執(zhí)行任務(wù)的意愿值will。根據(jù)任務(wù)經(jīng)緯度及候選者所在位置的經(jīng)緯度，采用公式（6）歐式距離計算某一時刻移動候選者到任務(wù)節(jié)點的距離d。由于移動候選者執(zhí)行任務(wù)時需在一定時間t內(nèi)以一定速度v行走到任務(wù)點，所以定義候選者在時間和速度限制下的閾值距離D計算公式為：

當(dāng)候選者距離任務(wù)點的距離d小于閾值距離D時，通常認(rèn)為候選者有一定概率會執(zhí)行該任務(wù);反之，當(dāng)候選者距離任務(wù)節(jié)點的距離d大于閾值距離D時，則認(rèn)為候選者無法完成該任務(wù)，即移動候選者對該任務(wù)節(jié)點的可信度為0。為刻畫移動候選者執(zhí)行某任務(wù)的意愿，本文定義符合空間距離衰減函數(shù)公式的移動候選者意愿值公式為：

當(dāng)移動候選者與任務(wù)點距離小于閾值距離時，候選者執(zhí)行該任務(wù)的意愿值符合空間距離衰減函數(shù)，其中）L為空間距離衰減系數(shù)。當(dāng)距離d大于閾值距離時，候選者意愿值為0，即認(rèn)為不能完成該任務(wù)。由該模型可看出，候選者距離任務(wù)點越近，執(zhí)行該任務(wù)的意愿值越大;距離任務(wù)點越遠，執(zhí)行該任務(wù)意愿值越小。

綜上所述，本文提出移動候選者對任務(wù)的可信度計算公式，以計算移動候選者執(zhí)行任務(wù)的可信度。

2.3.2 雙向選擇與多輪分配

在移動候選者任務(wù)分配中，為得到任務(wù)分配最優(yōu)候選者解的集合以確定移動候選者主觀意愿，本文設(shè)計一種雙向選擇機制。在現(xiàn)實任務(wù)分配中，移動候選者通常傾向于選擇執(zhí)行可信度最高的任務(wù)，而移動候選者可信度包含影響行人選擇的兩個因素：①任務(wù)優(yōu)先級。優(yōu)先級越高，行人越傾向于選擇該任務(wù);②行人意愿值，即距離任務(wù)的遠近。距離越近，行人越傾向于選擇該任務(wù)。出于對移動候選者主觀意愿的考慮，本文把任務(wù)分配劃分成為兩部分，從兩個不同角度完成分配。

（1）候選者角度。對于每一個移動候選者，首先遍歷待分配任務(wù)的集合，計算該候選者執(zhí)行每個任務(wù)的可信度，并與每個任務(wù)形成對應(yīng)。根據(jù)可信度大小由高到低對尚未分配的任務(wù)集合進行排序，找出此時該候選者最希望領(lǐng)取的任務(wù)，即可信度最大節(jié)點。由此可得到移動候選者集合與待分配任務(wù)集合的多對一映射關(guān)系，如圖5所示。

（2）待分配任務(wù)角度。對于每個待分配的任務(wù)，由于選擇固定候選者即攝像頭的花費最小，所以優(yōu)先考慮有無對應(yīng)的攝像頭。若找到，則將該任務(wù)分配給攝像頭;若沒有合適的固定候選者，則選擇移動候選者。因為此時一個任務(wù)可能對應(yīng)零到多個候選者，所以需根據(jù)對應(yīng)候選者與該任務(wù)之間可信度大小從高到低對每個任務(wù)對應(yīng)的候選者集合進行排序，選取可信度最大的候選者。由此得到候選者集合與待分配任務(wù)集合一對一映射關(guān)系，如圖6所示。

最終得到的候選者集合與待分配任務(wù)集合的一對一映射，即為經(jīng)過雙向選擇機制得出的移動候選者任務(wù)分配近似最優(yōu)解。雙向選擇機制存在1個問題，即有的任務(wù)原本存在可執(zhí)行者，但在雙向選擇過程中，由于可信度不是最高的，而雙向選擇機制只會選取可信度最高的任務(wù)與候選者相匹配，從而導(dǎo)致其它本可以執(zhí)行的任務(wù)被拋棄，降低了任務(wù)完成數(shù)量及效率。因此本文設(shè)計一個多輪分配方法，即當(dāng)可信度最高的任務(wù)完成后，將其從待分配任務(wù)集合中刪除，再將完成任務(wù)的移動候選者添回至候選者集合，對剩下的任務(wù)進行新一輪任務(wù)分配，依此類推，直到所有可執(zhí)行任務(wù)均被分配。

2.4 面向協(xié)同感知的任務(wù)分配方法

為了最大化任務(wù)完成數(shù)量，本文提出面向協(xié)同感知的雙向選擇多輪任務(wù)分配方法-McTA算法。

在McTA算法中，對于待分配任務(wù)集合T中的每個待分配任務(wù)Ti，通常在道路路口節(jié)點對任務(wù)Ti進行監(jiān)控，所以可將路口節(jié)點集合作為待分配任務(wù)點集合，找出執(zhí)行任務(wù)的最佳候選者。

對于任務(wù) ，首先利用任務(wù)優(yōu)先級計算方法計算其優(yōu)先級，并按照優(yōu)先級高低對任務(wù)進行降序排序;其次，進行固定候選者任務(wù)分配（攝像頭執(zhí)行任務(wù)的花費相對較低，所以優(yōu)先采用攝像頭），找到每個攝像頭可監(jiān)控到的任務(wù)點，再計算移動候選者到達每個任務(wù)點的意愿值，根據(jù)意愿值與任務(wù)優(yōu)先級計算每一個移動候選者執(zhí)行每一個任務(wù)的可信度;最后對可信度排序，選擇可信度最大的移動候選者與任務(wù)點一一對應(yīng)。

在任務(wù)分配階段，對于待分配任務(wù)集合中的每個任務(wù)，首先尋找是否有距離最近且可監(jiān)控該任務(wù)的固定候選者，若存在，則將該任務(wù)分配給對應(yīng)攝像頭。遍歷待分配任務(wù)集合后，將可由固定候選者執(zhí)行的任務(wù)分配完畢，僅余應(yīng)由移動候選者執(zhí)行的待分配任務(wù)。對于每個任務(wù)，找到所有在該任務(wù)范圍內(nèi)的移動候選者，并根據(jù)可信度再次排序，選取可信度最高的移動候選者執(zhí)行該任務(wù)。再次遍歷待分配任務(wù)集合后，第一輪任務(wù)分配結(jié)束，接著，將已執(zhí)行的任務(wù)從待分配任務(wù)集合中刪除，并將所有移動候選者重新加入到候選者集合中，再進行新一輪任務(wù)分配，并重復(fù)上一輪任務(wù)分配的操作，以此類推，直到所有可分配的任務(wù)均被完成，最終輸出執(zhí)行結(jié)果。

算法具體流程如下所示。

輸入：任務(wù)集合Task，同定候選者集合C（攝像頭），移動候選者集合W（行人）

輸出：完成任務(wù)集合T，T作者集合W'

1.FOR each x∈Task

2.計算任務(wù)集合Task中任務(wù)T.的優(yōu)先級Pr

3.ENDFOR

4.根據(jù)優(yōu)先級Pr對任務(wù)T 排序

5.FOR each x∈C

6.建立與C.對應(yīng)的集合TC存放C?？梢员O(jiān)控到的任務(wù)點

7.FOR each x∈T

8. 統(tǒng)汁C中每個攝像頭C?？杀O(jiān)控到的任務(wù)點T.

9. TC←T.

10.ENDFOR

11.ENDFOR

12.FOR each x∈W

13.計算行人W 的意愿值

14.建立集合B存放行人執(zhí)行任務(wù)T：的可信度B。

15.FOR each x∈Task

16.計算行人執(zhí)行任務(wù)的可信度B.

17.B←B，

18.ENDFOR

19.對B內(nèi)元素排序，選取可信度最大的任務(wù)Tmax與W;對應(yīng)

20.ENDFOR

21.While T中有可完成任務(wù)Do

22.從任務(wù)集合Task中選取任務(wù)T.

23.IF Ti有對應(yīng)攝像頭，則跳轉(zhuǎn)至23

24.FOR each x∈W

25.找到所有可執(zhí)行該任務(wù)的候選者W。存放在集合TW，排序

26. ENDFOR

27.選取可信度最大的候選者W。

28.W←W-W：W←W。

29.T←T-TiT←T。

30.End

31.IFT<上一輪任務(wù)剩余數(shù)量

32.初始化W，增加被刪掉的所有候選者，返回到21，執(zhí)行新一輪任務(wù)分配

3 實驗評估

本部分主要介紹在若干特定區(qū)域內(nèi)進行的實驗，并對實驗結(jié)果進行評估。通過與基線方法進行對比，對任務(wù)分配方法在覆蓋率、成本、運行時間等方面進行性能評價。

3.1 實驗數(shù)據(jù)采集與預(yù)處理

本文實驗選取成都市區(qū)路網(wǎng)數(shù)據(jù)作為待分配任務(wù)集，選取成都市區(qū)內(nèi)道路攝像頭分布位置數(shù)據(jù)作為固定候選者數(shù)據(jù)集，選取成都市區(qū)內(nèi)行人簽到數(shù)據(jù)作為移動候選者數(shù)據(jù)集。

首先，將整個成都路網(wǎng)劃分為多個小實驗區(qū)域，在路網(wǎng)數(shù)據(jù)集中找出邊界區(qū)域經(jīng)緯度，以確定實驗數(shù)據(jù)所在區(qū)域。實驗區(qū)域經(jīng)度范圍為30.3346。-30.9255。;緯度范圍為103.740 5。-104.432 7。。根據(jù)實驗區(qū)域范圍，將成都市區(qū)劃分成網(wǎng)格，每個網(wǎng)格就是1個實驗區(qū)域，區(qū)域ID從1開始依次編號，按區(qū)域劃分實驗區(qū)域后，在若干區(qū)域內(nèi)進行實驗。

3.2任務(wù)優(yōu)先級計算方法性能分析

為了更好地體現(xiàn)任務(wù)優(yōu)先級計算方法區(qū)分不同任務(wù)的效果，本文首先選取任務(wù)數(shù)量適中、任務(wù)種類較多、特點全面的編號776區(qū)域數(shù)據(jù)集進行實驗。該區(qū)域內(nèi)共有48個任務(wù)點、16個攝像頭、1633個行人。對于區(qū)域內(nèi)的48個任務(wù)，采用優(yōu)先級計算模型計算任務(wù)優(yōu)先級，優(yōu)先級數(shù)據(jù)處理結(jié)果如表3所示（截取其中15條數(shù)據(jù)），最后將所有48個任務(wù)按優(yōu)先級從高到低排序。

為評價優(yōu)先級計算模型性能，本文引入基線方法與之對比，基線方法按路口連接道路數(shù)量計算任務(wù)優(yōu)先級，即該方法優(yōu)先級共有3種情況：連接二、三、四條道路的節(jié)點優(yōu)先級分別為2、3、4。衡量本文優(yōu)先級計算方法與基線方法計算優(yōu)先級差別的指標(biāo)計算公式為：

β代表單個任務(wù)優(yōu)先級在總優(yōu)先級中的占比，占比越高，說明該節(jié)點越重要。

如圖8所示，選取776區(qū)域的15條數(shù)據(jù)與基線方法進行比較?？梢钥闯鲋豢紤]任務(wù)點連接道路數(shù)量的基線方法與考慮了3種因素的本文方法計算出的優(yōu)先級結(jié)果差別較大?；€方法由于優(yōu)先級計算方式單一，不同任務(wù)點的優(yōu)先級都比較接近，離散程度不高;而本文采用的優(yōu)先級計算模型由于加入了影響任務(wù)點重要程度的不同因素，使不同任務(wù)點優(yōu)先級計算結(jié)果離散程度大幅提高，考慮道路數(shù)量、等級、長度可更好地區(qū)別不同任務(wù)點之間的差異。與傳統(tǒng)基線方法相比，本文方法使不同任務(wù)點基于優(yōu)先級的區(qū)分度更高。

例如在圖7中利用基線方法計算任務(wù)點2和任務(wù)點14的B值，均為0.1，但數(shù)據(jù)集中任務(wù)點2連接了兩條高速路和兩條普通主路，而任務(wù)點4連接了一條高速路、兩條普通主路和一條支路，顯然任務(wù)點2應(yīng)該比任務(wù)點4的優(yōu)先級更高，采用本文優(yōu)先級計算模型可很好地反映該點;再比如任務(wù)點5與任務(wù)點6均連接了3條道路，在普通基線方法中兩個任務(wù)優(yōu)先級仍是一樣的，但是由于任務(wù)點5相比于任務(wù)點6連接的道路等級更高、距離更長，所以優(yōu)先級更高，這在本文優(yōu)先級計算模型中也得到了體現(xiàn)。從圖7可以看出，本文方法與基線方法對實驗中每個任務(wù)點優(yōu)先級結(jié)果差異均較大，但總體走勢一致，說明本文方法對其優(yōu)先級刻畫效果更好。

綜上所述，本文提出的任務(wù)優(yōu)先級計算模型更全面地考慮到了影響任務(wù)優(yōu)先級的諸多因素，使優(yōu)先級計算方法多樣化，有效體現(xiàn)了不同節(jié)點之間的差異，其性能優(yōu)于普通基線方法。

3.3 任務(wù)分配算法性能分析

3.3.1 兩種候選者任務(wù)分配

對于776區(qū)域的48個任務(wù)，將其中20個任務(wù)分配給固定候選者，26個任務(wù)分配給移動候選者，還有兩個任務(wù)處于候選者死角，無法完成。鑒于城市監(jiān)控攝像頭可實施24小時監(jiān)控，可認(rèn)為分配給攝像頭的20個任務(wù)在監(jiān)控范圍內(nèi)，因此將其完全分配給相應(yīng)攝像頭。將任務(wù)點與合適的攝像頭對應(yīng)起來，當(dāng)進行任務(wù)分配時，若有該任務(wù)的映射，則將任務(wù)分配給對應(yīng)攝像頭。剩下任務(wù)則由行人完成。

剩下的26個任務(wù)處于攝像頭監(jiān)控范圍之外，所以需調(diào)用行人對其進行監(jiān)控。由于1個任務(wù)可以分配給多個候選者，所以根據(jù)移動候選者可信度選擇執(zhí)行任務(wù)的最佳候選者，本文將任務(wù)分配給可信度最大的候選者。

3.3.2 移動候選者數(shù)量對算法的影響

為了研究不同候選者數(shù)量對McTA任務(wù)分配算法的影響，本文把隨候選者數(shù)量變化的任務(wù)分配數(shù)量、任務(wù)分配執(zhí)行輪次、算法運行時間及任務(wù)完成率等作為評價指標(biāo)。隨機選取若干區(qū)域，將這些區(qū)域的移動候選者數(shù)量分別設(shè)置為200、400、600、800、1 000、1 200、1 400、1 600。

在任務(wù)分配過程中，候選者數(shù)量對實驗結(jié)果的影響較大。候選者越多，任務(wù)分配的選擇越多，任務(wù)被執(zhí)行的可能性越大;候選者越少，任務(wù)分配的選擇越少，任務(wù)不被執(zhí)行的可能性隨之增大。在若干不同實驗區(qū)域，任務(wù)完成數(shù)量隨候選者人數(shù)的變化如圖9所示。

由圖9可以看出，第一輪可分配的任務(wù)數(shù)量隨候選者數(shù)量的增加有明顯增加趨勢。在圖10顯示的分配結(jié)果中，任務(wù)分配的最終未分配任務(wù)數(shù)目隨候選者數(shù)目的增加而減少，說明候選者人數(shù)越多，任務(wù)完成效果越好。但是由于777區(qū)域任務(wù)數(shù)目較少，未分配任務(wù)數(shù)目雖有下降但不明顯。665、666、779區(qū)域任務(wù)數(shù)量較多，因而趨勢十分明顯，尤其是在候選者人數(shù)從200增加至800的區(qū)間里，任務(wù)分配效果變化較快。這說明區(qū)域內(nèi)待分配任務(wù)數(shù)目越多，算法執(zhí)行效果越好，而且區(qū)域內(nèi)可執(zhí)行任務(wù)的候選者人數(shù)越多，McTA任務(wù)分配算法效果越好。

由于McTA算法是雙向選擇的多輪次任務(wù)分配方法，故需明確移動候選者數(shù)目變化對McTA算法執(zhí)行任務(wù)分配輪次的影響。實驗結(jié)果如圖11所示，從中可以看出，候選者數(shù)目越多，McTA算法執(zhí)行的輪次越少，任務(wù)分配完成時間越短。對于779和666區(qū)域，由于這兩個區(qū)域內(nèi)任務(wù)節(jié)點數(shù)相對于其它區(qū)域較多，候選者越多，單次分配過程中執(zhí)行的任務(wù)數(shù)量就越多，所以任務(wù)分配總輪次越少。對于任務(wù)節(jié)點數(shù)量越多的區(qū)域，McTA算法越能體現(xiàn)其顯著效果。而對于777區(qū)域，由于只有48個任務(wù)節(jié)點，故McTA算法分配效果隨候選者人數(shù)的變化不明顯。綜上所述，McTA算法更適合應(yīng)用于任務(wù)數(shù)量規(guī)模較大的任務(wù)分配問題。

候選者數(shù)目變化還可能影響任務(wù)分配算法整體運行時間。如圖12所示，在選定的5個區(qū)域內(nèi)，候選者人數(shù)越多，McTA任務(wù)分配算法運行時間越長?？梢钥闯鲈诤蜻x者人數(shù)相同的情況下，編號779實驗區(qū)域算法執(zhí)行時間長度明顯長于其它區(qū)域，這是因為779區(qū)域內(nèi)任務(wù)節(jié)點數(shù)相對較多，由此可見任務(wù)節(jié)點數(shù)量影響運行時間。

3.4任務(wù)分配效果

在整個城市道路網(wǎng)絡(luò)中，每個區(qū)域均各有特點，例如有的區(qū)域任務(wù)少，候選者多;有的區(qū)域任務(wù)多，候選者少。為驗證McTA算法在不同區(qū)域進行任務(wù)分配的性能，定義任務(wù)分配完成率為：

在區(qū)域集合中隨機選取若干實驗區(qū)域進行任務(wù)分配，其任務(wù)分配完成率如圖13所示?？梢钥闯霎?dāng)區(qū)域內(nèi)候選者數(shù)量較少時，任務(wù)完成率較低，有的區(qū)域完成率僅為60%-70%，原因是候選者少，但是待分配任務(wù)多。當(dāng)候選者增加到一定數(shù)量時，例如1 200名以上時，任務(wù)數(shù)量對完成率的影響程度大幅降低，這些區(qū)域內(nèi)任務(wù)分配完成率達到90%以上。說明當(dāng)區(qū)域內(nèi)候選者足夠多時，McTA算法可完成大部分待分配任務(wù)。

5 結(jié)語

首先，本文設(shè)計了任務(wù)優(yōu)先級計算方法。該方法根據(jù)任務(wù)節(jié)點的不同特點量化任務(wù)重要程度，體現(xiàn)了不同節(jié)點之間的差異，可有效地計算不同節(jié)點優(yōu)先級;然后采用歐式距離計算固定候選者可信度，利用空間距離衰減指數(shù)函數(shù)計算移動候選者執(zhí)行某項任務(wù)的意愿值，再根據(jù)意愿值與任務(wù)優(yōu)先級確定候選者其可信度;最后，提出任務(wù)節(jié)點與候選者的雙向選擇機制以及多輪分配方法，最大限度地優(yōu)化分配結(jié)果。實驗結(jié)果表明，在本文數(shù)據(jù)集內(nèi)，該算法可有效地對任務(wù)進行分配，當(dāng)候選者達到一定數(shù)量時可保證任務(wù)分配完成率保持在95%以上，其性能優(yōu)于普通任務(wù)分配方法。

下一步將針對監(jiān)控攝像頭任務(wù)分配問題，重點改進可信度計算方法。本文方法從距離尺度上衡量攝像頭能否監(jiān)控到特定目標(biāo)，實際生活中環(huán)境更加復(fù)雜，下一步研究將考慮更多影響攝像頭可信度的潛在因素。而行人可信度受多種因素影響，例如不同社會身份的行人（如公司職員或失業(yè)人員）對分配任務(wù)的執(zhí)行概率不同，僅從閾值距離的角度對其可信度進行評估的作法相對簡單，未來將加入更多影響因素，使該方法更貼近實際。

本文實驗將整個路網(wǎng)按網(wǎng)格劃分成若干實驗區(qū)域，在單個實驗區(qū)域內(nèi)進行實驗。在實際生活中，雖然網(wǎng)格劃分是不存在的，但不同實驗區(qū)域內(nèi)的節(jié)點同樣存在很多聯(lián)系，采用網(wǎng)格劃分會使某些可以去執(zhí)行其它區(qū)域任務(wù)的候選者被限制在一個特定區(qū)域內(nèi)，從而忽略掉其它可能的更優(yōu)解。因此為去除網(wǎng)格模型帶來的不利影響，更細(xì)粒度地設(shè)計跨網(wǎng)格任務(wù)分配方法，下一步將研究不同實驗區(qū)域節(jié)點、候選者等之間的聯(lián)系，從而更好地提高任務(wù)分配完成率及算法效率。

參考文獻

[1] 中國互聯(lián)網(wǎng)絡(luò)信息中心 .中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)?，X統(tǒng)計- [EB/OL ] .http ： //w，n， .cnnic .net.cn/hlwfz） j/hlwxzbg/ssbg/20 1 9 10/P020 1 91025506904765613.pdf

[2] ZHANC D. XIONC H. WANC L. et al. CrowdRecruiter： selecting

[3]魏浩，陳華鋒，陳軍，基于路徑覆蓋的城市監(jiān)控攝像網(wǎng)絡(luò)優(yōu)化部署方法 [J]. 計算機工程 ， 2016， 42（ 5） ： 269-274.

[4] MAVRINAC A. CHEN X. Modeling coverage in camera networks： asurvey [Jl. International journal of computer vision ， 2013 . 101 （1 ） ：205-226.

[5] MARIhrAKIS D， DLiDEK G. Topology inference for a vision-based sensor netwnrk [ C ] . Conference on Computer & Rohot Vision . 2005 ：121-128.

[6]ERDEM L M. SCLAROFF S. Automated camera layout to satisfytask-specific and floor plan-specific. coverage requirements [J] . Com-puter Vision &. Image Understanding， 2006 ， 103（ 3 ） ： 156-169.

[7]MAVRINAC A ， CHEN X， TEPE K. An automatic calibration methr）dfor stereo-based 3D distributed smart camera networksFJl. ComputerVision and Image Understanding， 2010， 1 14（ 8） ： 952-962.

[8]SONC B . KAMAL A T. SOTO C . et al. Tracking and acti，'ity recr，gni-tion through consensus in distributed camera networks [Jl. IEEETransactions on Image Proc：essing ， 2010， 19（ 10） ： 2564-2579.

[9]ELLIS T， BLACK J， XU M. et al. A distrihuted multi camera surveil-lance system[M ]. New York ： Springer， 2005.

[10]PHAM O C， LAPEYRONNIE A. BALDRY C. et al. Audio-.'ide。surveillance system for public transportation [ C ] .

International Con-ference on Image Processing Theory Tools & Applications， 2010：47-53.

[ll]LANr G L. MA Z M， SUN S S. Coverage problem of wireless sensornetworks [ C ] . China-Japan ConfPrence on Discrete Geometry ， 2005 ： 88-100.

[12]FANC C . LO" C P. Redundant coverage in wireless sensor networks[C]. IEEE International Conference on Communications. 2007：3535-3540.

[13] GHOSH A. DAS S K. Coverage and connectivity issues in wirelesssensnr networks： a survey EJl. Perrasive & Mobile Computing，2008， 4（3） ：303-334.

[14]CHAKRABARTY K. IYENGAR S S， 01 H， et al. Grid corerage forsurveillance and target location in distributed sensor networks [Jl.IEEE Transac.tions on Computers ， 2003 ， 51 （ 12） ： 1448-1453.

[15]WANG X， YANC Y T. k-variable morement-assisted sensor deploy-ment hased on virtual thornh grid in wireless sensor networks [C].Proceedings of the Second IEEE international conference onSelf-Managed Netwnrks . Svstems . and Services . 2006 ： 173-183.

[16]KAZEMI L， SHAHABI C . CHEN L. CeoTruCrowd ： trustworthy que-rv answering with spatial crowdsnurcing [ C ] . ACM Sigspatial Inter-national Conference on Advances in Cengraphic Information Sys-tems . 2013 ： 314 ～ 323.

[17]CEThrET H. Minimum cost maximum flow prohlem[D]. Addis Aba-ba ： Addis Ahaba University， 2017.

[18]KAZEMI L， SHAHABI C. GeoCro.vd ： enahling query answering withspatial c.rowdsourcing [ C] . International Conference on Advances inCeographic Information Systems ， 2012 ： 1 89-198.

[19]DENG D X. SHAHABI C. DEMIRYUREK U. et al. Task selectionin spatial crowdsourcing from worker' s perspective [J]. Geoinfor-matica. 2016. 20（ 3） ：529-568.

[20] REDDY S. ESTRINr D. SRIVASTAVA M. Recruitment frameworkfor participatr，ry sensing data collections [C]. Helsinki ： PervasiveComputing ， Internatir，nal Conference . 2010.

[21]CARDONE G， FOSCHINI L. BELLAVISTA P. et al. Fostering par-ticipation in smart cities： a geo-social crowdsensing platform [Jl.IEEE Cnmmu nications Magazine ， 2013 . 51 （ 6） ： 1 12-1 19.

[22]HE S， SHIN D H. ZHANC J， et al. Toward optimal allocation of lo-cation dependent tasks in crowdsensing [C]. IEEE Conference onComputer Communications ， 2014 ： 745-753.

[23] CHEUNG M H，SOUTHWELl R， HOU F. et al. DistributedTime-Sensiti.'e Task Selection in Mobile Cro，，'dsensing [C ] . Prr）ceed-ings of the 16th ACM International Symposium nn Mnbile Ad Hochretworking and Computing， 2015 ： 157-166.

[24] TONG Y. SHE J， DING B， et al. Online mohile micro-task alloca-tion in spatial crowdsourcing[ C ] . 2016 IEEE 32nd International Con-ference on Data EngineeriW ， 2016 ： 49-60.

[25]HAN K. ZHANC C. LLO J， et al. Truthful scheduling mechanismsfor powering mobile crowdsensing [J]. IEEE Transactions on Com-puters， 2016， 65（ I ） ： 294-307.

[26]PL L. CHEN X. XU J. et al. Crowdlet： optimal wnrker recruitmentfor self-organized mobile crowdsr，urcing [ C ] . The IEEE Internation-al Conference on Computer Communications . 2016 ： 1-9.

[27]XIAO M. WL J. HUANG L， et al. Multi-task assignment for crowd-sensing in mohile social networks [ Cl. IEEE Conference on Comput-er Communications ， 2015 ： 2227-2235.

[28]DEhrG D X. SHAHABI C. ZHL L H. Task matc.hing and schedulingfor multiple wnrkers in spatial crnwdsourcing Fcl. Prr）ceedings ofthe 23rd SICSPATIAL International Conference on Advances in Cen-graphic Information Systems， 2015 ： 1-10.

[29]WAN Nr. ZHAN F B. CAI Z. A spatialb- weighted degree model fornetwork vulnerahility anab'sis [J] . Ceo-Spatial Infnrmation Science ，2011. 14（ 4） ： 274-281.

[30]SEVTSLK A. Location and agglonieration： the distrihution of retailand food husinesses in dense urban enx'ironments FJl. Journal ofPlanning Education and Research， 2014， 34（ 4） ： 374-393.

收稿日期：2020-04-28

作者簡介：尹厚淳（1997-），男，西北工業(yè)大學(xué)計算機學(xué)院碩士研究生，研究方向為普適計算、移動群智感知;崔禾磊（1987-），男，博士，

西北工業(yè)大學(xué)計算機學(xué)院副教授，研究領(lǐng)域為云計算安全、多媒體安全;於志文（1977-），男，博士，CCF高級會員，西北工業(yè)大學(xué)計算機學(xué)院教授、博士生導(dǎo)師，研究方向為普適計算、社會感知計算、人機交互;王亮（1984-），男，博士，CCF會員，西北工業(yè)大學(xué)計算機學(xué)院副教授，研究方向為移動群智感知、城市計算;郭斌（1980-），男，博士，CCF高級會員，西北工業(yè)大學(xué)計算機學(xué)院教授、博士生導(dǎo)師，研究方向為移動群智感知、大數(shù)據(jù)智能。