移动群智感知中基于群组的参与者招募机制

杨桂松，江文成，何杏宇

1(上海理工大学 光电信息与计算机工程学院，上海 200093)

2(上海理工大学 出版印刷与艺术设计学院，上海 200093)

E-mail：xy_he@usst.edu.cn

1 引 言

近年来，随着物联网应用的需求增强、移动智能终端的快速普及和群智计算模式的出现，一种称为“移动群智感知”(MCS，Mobile Crowd Sensing)的特殊众包形式已成为一种新型感知模式[1].移动群智感知实际上是将群智计算模式从互联网环境推广到物联网环境.在移动群智感知中，一组携带智能手机的移动用户可以完成一些例如空气质量[2]，移动广告[3]，噪声检测[4]等单个用户无法处理的大规模感知任务.

通常，MCS由3方组成：任务请求者，平台和参与者.任务请求者将感知任务及预算提交到平台，MCS平台根据感知任务的特定要求以及有限的预算内招募参与者.例如，请求者希望在收集某城市的气温情况，以便预测未来的天气状况.在众多注册的参与者中，每个参与者以不同的能力和成本执行每个任务，则在预算约束下，如何招募合适数量的参与者执行任务成为一个挑战.

现有的大多数文献致力于解决这个挑战[5-8]，其中文献[5，6]假设每个参与者完成每个任务的能力是事前已知的，然后通过约束条件下使任务质量最大化或成本最小化来招募参与者.文献[7，8]中，使用了一组与设备相关的参数评估了参与者完成任务的能力，从而在预算内选择最合适的参与者.在招募参与者之后，感知活动将开始，参与者完成感知活动后，将感知报告发送回MCS系统，感知报告经过MCS平台分析汇总，发回给任务请求者.

由于最终的感知结果是参与者感知报告的汇总形式[9]，因此基于个人的招募系统可能会存在以下两个缺陷.首先，仅以参与者可用性招募参与者，而不考虑参与者地理位置以及自身素质等因素，可能增加过多的数据报告，而过多的冗余报告不一定会改善结果的整体质量.文献[10]中分析出，在感知区域内参与者达到一定程度的覆盖率后，再增加参与者不会过多改善结果，反而会增加成本.其次，由于参与者存在的信誉问题，个人提交的高质量数据报告与低质量数据报告汇总时，重要性可能下降.MCS固有的大规模群体性质意味着它的成功严格取决于参与者发送信息的可靠性.一方面，参与者可以自愿提交不可靠的信息.例如，参与者模拟GPS对Waze网站进行干扰，造成了持续了数小时交通拥堵的假象，这种恶意攻击服务器的行为影响到其他用户，从而使上万的驾驶者偏离路线[11].另一方面，参与者可能会无意中提交不准确的数据，如检测区域噪声质量时，将手机放入背包中，导致噪声检测不准确；在天气监视应用程序中，参与者可以将其设备放在壁炉旁边或冰箱内[12].无论是哪种情况，这些行为都会导致感知报告的质量下降.

因此，对于群智感知的参与者招募问题，本文提出了移动群智感知中基于群组的参与者招募机制.群组招募机制对招募过程进行了不同的处理，不再以个人为参与者选择标准，而是基于集体评估所形成的参与者群组进行选择.为了解决参与者空间覆盖，提出了群组覆盖率的概念，通过群组内参与者的个人覆盖范围以及地域分布来衡量整个群组的覆盖率.另外，为解决参与者信誉问题，提出群组信誉的概念，通过计算整个群组内参与者信誉的标准差衡量群组信誉，从而找到一组信誉差异较小的高信誉参与者.另外，本文还考虑参与者的积极性，以便招募对于任务有高积极性的群组.进一步地，为提高群组的感知能力(SA，Sensing Ability)，在平台给定预算的限制下，本文提出了一种基于遗传算法的群组招募算法(GR，Group Recuitment algorithm)招募感知能力最大的群组.总而言之，本文的主要贡献如下：

1)根据参与者特征对招募过程进行改变，招募不再以单个参与者为标准，而是以群组的形式进行招募，并根据感知能力对群组进行评估.

2)为了招募最大感知能力的参与者群组，我们提出了一种基于遗传算法的群组招募算法对招募过程进行了优化.

2 相关工作

在移动群智感知中，最常见的问题之一就是参与者招募机制的设计，选择合适的参与者是完成感知任务的前提.目前流行的选择参与者方式主要是考虑参与者个体的各种参数，如参与者时空可用性、参与者信誉等.在本节中，简要讨论现有的招募系统，重点是选择标准和评估指标.

参与者的时空可用性是招募时的主要参数之一.部分文献中提出了几种量化候选参与者的时空可用性和覆盖感知区域范围的方法.例如，通过用户日常工作提供的历史移动轨迹可以估计用户在某些区域的可用性.Hu[13]等人利用强化学习提出了一个新框架，通过逐步积累个体参与者的移动轨迹精准预测参与者的位置，从而选择合适的参与者.Hao等人[14]收集，分析参与者移动轨迹，并使用训练过的系统预测未来移动性，将具有相似流动性的参与者分组，从小组中选择一名参与者执行任务，其余的成员作为备选，避免紧急情况下丢失感知数据.在另一项研究中[15]，根据数据收集任务的时空粒度要求将感知区域划分成多个相同大小的子区域，需要在每个区域多次测量数据样本，当参与者自己在感知区域内收到感知任务时，平台会根据其当前的GPS位置和剩余能量水平进行招募.Song等人[16]提出在选择最合适参与者的同时，需要满足覆盖范围问题，在这种情况下，将感知区域划分成多个子区域，通过收集每个子区域参与者的轨迹来预测未来该参与者的移动范围，达到以最小的激励和预算实现任务的覆盖范围.Yang等人[17]通过模糊逻辑控制得到不同时空下的参与者密度，以计算出特定时空下任务所需的样本数量.文献[18]中提出一种覆盖率最大化算法，该算法记录参与者的轨迹，并选择其活动轨迹与任务覆盖率约束相匹配的参与者.文献[19]中针对参与者优选方法，通过参与者完成任务数量以及空间移动的距离来优化选择参与者，以实现成本最小化.

感知结果是大规模参与者感知并上传结果汇总，因此必须保证感知报告的可信度.可以根据参与者自身的素质，例如，参与者的信誉，专业知识等来衡量感知报告的可信度.这些素质都是平台根据参与者历史执行感知活动行为进行的评估.最流行的评估策略使用信誉和信任框架，文献[20]中，定义信誉为平台对参与者行为值得是否信任的意见，由此评估参与者感知任务结果的准确性，从而构建可靠的参与感测系统.文献[21]对移动群智激励机制的基础上，提出一种信誉模型的用户参与激励机制，通过对参与者评估信誉，在分配任务时，选择信誉度较高的参与者处理任务，从而提高任务的处理效率.其他研究通过跟踪参与者随时间的可靠性来估计感知报告的可靠性，如为每个设备计算信誉分数以反映感知数据的可信度[22].为了减轻恶意或不可靠参与者的影响，可以使用有限数量的高信任参与者以安全的方式建立信誉，从而解决恶意和不可靠的行为[23].但招募高信誉的参与者相应的花费也会提高.我们希望能够在保证提交数据质量的同时，最小化参与者招募的花费.

招募系统根据列举的评估指标从个人角度来选择参与者进行招募，但在移动群智感知中，根据群组集体的感知结果来进行参与者招募的研究很少，文献[24]中，移动众包平台通过专业知识、社交关系，在预算内招募一组参与者共同完成复杂任务，但没有考虑任务的时空覆盖率.文献[25]通过评估参与者空间覆盖率、剩余能量等提出基于稳定性的连续感测小组招募系统以选择参与者群体，并可以动态添加和删除参与者，实现预期的感知结果，但没有考虑参与者的信誉问题.文献[26]所提出的群组更关注于平台预算，提出一种基于预测的参与者招募，通过将参与者分为两组，以应对不同预算时的招募.文献[27]中，展示了一个与位置相关的群智协作的任务分配问题，通过多人协作完成平台分配的复杂任务，但更专注于任务的分配以及调度.本文的工作是综合考虑参与者的空间覆盖率、参与者信誉以及预算，区别于个人招募系统，而是以参与者群组的形式进行招募.

3 系统模型

在本节中提出的系统模型考虑了一个实际场景，即任务请求者发布任务，感知平台从大量候选参与者中选择合适的参与者执行任务，得到结果反馈给请求者.移动群智感知系统基本要素包括任务请求者，系统平台和大量的移动感知网络中的参与者，由于候选参与者人数较多，如何选定合适数量的参与者是必须要考虑的问题，因此招募参与者的过程以群组形式招募，而不是以单个参与者进行招募.具体过程如图1所示.

图1 系统模型Fig.1 System model

首先，任务请求者将任务提交给系统平台，系统平台会根据参与者上传的位置信息以及个人执行任务的历史信息对参与者进行评估.然后，系统平台根据任务信息(例如任务的感知内容以及任务的感知区域)招募合适的参与者.之后，系统平台通过考虑参与者的地理位置、信誉、参与者的积极性以及参与者所携带的传感器组，生成所有符合任务条件的参与者群组，在预算条件下通过遗传算法找出感知能力最大的群组进行招募.进一步地，系统平台将这些任务分配给参与者群组.最后，当群组完成感知任务之后，参与者群组应将感知数据上传到系统平台，然后系统平台处理该数据并将结果反馈给任务请求者.

假设P={p1，p2，…pi，…pn}是包含n个参与者的集合，T={t1，t2，…tj，…tm}是包含m个任务的集合，在我们的模型中，将感知任务T定义为一个二元组tj={Sj，Kj}，其中，Sj代表任务tj的感知范围，Kj代表任务tj所需的传感器类型，即任务类型，将参与者定义为一个六元组pi={Li，Ri，Repi，Pos，Ai，Costi}，每个参与者的特征在于其本身的素质，如信誉、积极性以及设备相关(如参与者所持设备的一组传感器).平台根据任务的感知区域以及任务类型选择某区域的大量参与者，根据以上特征对参与者进行评估，使用这些参数，可以计算参与者群组G的感知能力.

Li代表参与者的地理位置.

Ri代表参与者个人最大活动范围半径.在任务发布时，将参与者当前位置以半径为Ri的区域作为个人感知范围.

Repi代表参与者的信誉，用于确定群组的信誉标准差.

Posi代表参与者的积极性，用来衡量群组执行任务的意愿程度，积极性越高，群组执行任务的意愿越强.

Ai代表参与者所携带智能设备的传感器种类集合，其决定参与者是否能够接受任务.

Costi是平台招募参与者pi所需成本.

如前所述，移动群智感知平台有一个给定的预算限制，用B表示，即招募参与者的总开销不能超过B.首先假定招募单个参与者的开销不会超过B，开销超过B的参与者将会被平台直接过滤掉，不予考虑.目的是在该区域内选择一组参与者在约束下形成参与者群组协作执行感知任务.基于以下特征评估参与者群组G.

定义1.覆盖率(Coverg)，由于移动群智感知中任务质量受时空覆盖的影响，我们根据感知区域内参与者自身的感知范围评估每个参与者，然后根据组内所有参与者在区域内的感知范围C以及分布D衡量小组的覆盖率，表示为：

(1)

首先根据组内所有参与者的感知范围确定群组覆盖面积，每个参与者的感知范围是以自身最大活动范围R为半径的圆.群组覆盖面积为所有参与者感知范围的总和，表示为：

(2)

(3)

其中，S代表任务的感知区域范围，si代表每个参与者个人感知范围.

其次，需要衡量群组内参与者的分布D.我们使用玻尔兹曼熵来衡量参与者的分布情况，在热力学里，熵代表系统内分子热运动的无序性的量度，熵越大，代表系统越无序.举例来说，空气中的分子分布越分散，它的熵越大，空气中分子越无序.在本文中，根据区域内群组成员的地理位置分布情况确定其熵，从而得到群组内参与者的分布，熵越大，代表群组成员在感知区域内越分散.图2展示了在某个感知任务的区域内，参与者群组成员的覆盖与分布.

图2 参与者群组覆盖Fig.2 Participant group coverage

群组内参与者的分布D定义如下：

(4)

(5)

为了更进一步说明群组的分布D，我们用图3展示两种参与者群组的分布情况.

图3 群组分布Fig.3 Group distribution

图3(a)中，N=5，M=2，ρ1=3，ρ2=2，D=0.13，图3(b)中，N=5，M=5，ρ1=ρ2，…，ρ5=2，D=0.34.根据公式(4)和公式(5)可以计算出，图3(b)群组的分布要比图3(a)群组分布更均匀.

定义2.信誉(Repg)，为了确保参与者群组提交任务的感知质量，需要评估群组的整体信誉，在群组信誉均值达到任务所需阈值的前提下，组内成员的信誉越接近，群组执行任务的效率越高.因此我们用组成员信誉的标准差衡量参与者群组的整体信誉.根据时效性、可靠性[28]和数据完整性对每个参与者的信誉进行综合评估，以参与者pi具体分析如下：

时效性ri：我们使用“时效性”一词表征参与者pi完成任务的及时程度.在指定的时间段内，根据参与者提交任务的时效性评估参与者的信誉.时效性取决于任务响应时间和任务期限d.在最近的h次任务联系中系统平台对参与者pi的时效性评估为：

(6)

(7)

可靠性di：参与者在接受任务前会向平台提交相关执行任务的历史信息，信息包含参与者pi在h次执行任务联系中，每个任务的开始时间si和结束时间ei.可靠性di定义为参与者执行任务所花费的时间与平台要求总完成任务时长的比值.该值越大，表明参与者在过去执行任务时花费了更多的时间完成任务，因此可靠性相应的也越大，可靠性定义为：

(8)

其中，D表示整个任务过程的截止时间.di的取值范围为[0，1].

(9)

根据平台对参与者时效性，可靠性和数据完整性的评估，可以得出参与者pi的信誉Repi：

(10)

为了综合评估参与者群组的信誉，我们采用组内参与者信誉的平均值以及信誉的标准差来衡量.目的是招募到一群高信誉且信誉相近的参与者来组成群组.群组的信誉定义如下：

(11)

(12)

定义3.积极性(Posg)，参与者的积极性是平台根据参与者pi以往参与感知任务的次数评以及该参与者是否努力完成分配给他们的任务.积极性定义为组内参与者积极性的平均值：

(13)

(14)

其中，Complete(m)代表参与者pi完成的任务总数，Accpet(m)代表该参与者接受的任务总数.CTi为参与者pi的积极性，Posg表示参与者群组的积极性.

(15)

即组内成员必须满足任务所必须的传感器类型，如果组内参与者均执行不了任务，则为0.

定义5.参与者群组预算Cost(g)，一个参与者群组的费用可以简单计算为群组成员所需的成本之和：

Cost(g)=∑i∈gCost(i)

(16)

其中Cost(i)为平台需要给参与者群组g中参与者pi的成本.

因此，参与者群组的感知能力SA，为：

(17)

我们的目的是在约束条件下找到最大感知能力的参与者群组：

(18)

s.t.：

Cost(g)

4 参与者群组的构建

为了最大化SA，我们使用基于遗传算法的群组招募算法(GR，Group Recuitment algorithm)来选择一组参与者，这些群组内的参与者数量没有先前确定.从任意一个参与者群组开始生成，一直到预算内可供选择的所有群组，该算法将在感知任务的约束范围内选择SA最大的群组.对于每个符合条件的参与者群组，运行算法，并记录当前具有最大SA的群组以及该组参与者人数规模，这称为一个阶段.每个阶段我们通过计算每个群组输出的一组当前最大SA的成员，与其他群组进行交叉和变异，通过筛选参与者进入群组，视为下个阶段.最后，每个阶段将参与者添加到群组中之后，将选择获得最高SA的群组.在下文中，我们将更详细地介绍用于选择给定大小的最佳群体的遗传算法.

1)仿真一个参与者数据集，参与者的ID将随机排列并记录该参与者的信誉，在预算内形成多组一定规模大小的参与者群组，该群组的集合将称为总体.

2)根据适应度函数对第一步中形成的群组进行评估，即在这种情况下评估总体中所有群组预期的SA.

3)将根据感知平台确定的参与者群组感知能力约束检查每个群组，若群组有至少一项违反限制条件，如信誉达不到任务所需阈值，群组接受度达不到任务所需，则认为该组不具备执行感知任务的能力，同时将该组排除在选择之外.

4)根据适应度值和群组是否满足约束条件，设置轮盘赌并旋转轮盘，旋转次数等于参与者群组的规模，即参与者群组总数.这样做使得更有可能选择具有较高适应度的组而不是选择较低适应度的组.

5)从上一步选择的群组中，根据交叉概率对组内参与者进行进行交叉操作，将参与者添加到群组中，生成具有新SA的群组，对于每个交叉操作，必须确定交叉点，并且该交叉点是随机的.然后依次执行对每一对的交叉操作，即将不同群组内的参与者交换.

6)将根据突变概率对新生成种群中的某些群组成员进行突变，这将确定将执行多少次突变操作.这些群组以及要替换的成员的编号将随机生成.不需要突变的组将原样复制到下一代.

7)将评估所有群组中各个群组的适应度值.

8)检查是否有任何群组违反任何约束.

9)重复5)～9)，直到某一群组达到可能最大的SA，或达到最大迭代次数为止，当最大的SA在一定的迭代次数中保持不变时，就会发生收敛.

算法1说明群组招募算法的执行过程.

算法1.群组招募算法(GR)形成过程

1.输入：参与者集P，任务集T，预算B

2.输出：SA

3.Repeat

4.forP≠Ødo

5.ifCost(g)

6. find All Groups from

7.forall Groupsdo：

8. 评估群组的SA

9. 检查群组是否符合要求

10.ifdissatisfy；

11. remove group

12.endif

13. 组内参与者交叉

14. 组内参与者变异

15.ifcurrentGroup>bestGroup：

16. bestGroup=currentGroup

17. bestSA=currentSA

18.endif

19.endfor

20.Return最大SA

5 实验分析

5.1 实验设置

为了进一步说明所提出的模型和算法的优势，我们在Python中对任务分配的性能进行了实验.仿真实验的主要参数在表1中给出.

表1 仿真参数Table 1 Simulation parameters

为了与提出的GR算法进行比较，将其他两种算法(基于贪婪的参与者招募算法(BUR)[29]和最优效用参与者招募算法(TopK)[30]作为基线，并针对在不同预算、参与者数量和任务数量上的情况进行比较.

基于贪婪的参与者招募算法(BUR)-在BUR中，所有参与者根据所需信誉进行排序，BUR采用贪婪的思想，首先招募信誉最高的参与者，同时这些参与者要满足约束条件，即参与者携带传感器种类符合任务所需.

最优效用参与者招募算法(TopK)-在TopK中，参与者根据信誉以及积极性计算出每个参与者的效用，在预算内招募个满足约束条件的参与者，计算参与者总体感知能力.

5.2 实验设置

为了评估所提出的模型有效性，提出执行效率、平均任务质量、任务完成率和招募人数四个指标进行评估.当平台根据预算招募到参与者后，将发布的任务分配给这些参与者，以任务的执行效率、平均任务质量和任务完成率评估各个算法的优缺点.

a)任务执行效率

总执行时间=感知能力×单个任务执行时间×任务数学

我们将任务执行效率定义为在任务期限内，完成任务的剩余时间与任务期限的比值.根据参与者感知能力计算出执行任务时间，通过计算在某一段时间内，参与者执行任务的效率来评估招募算法.

b)平均任务质量

感知质量=感知能力×执行任务理论质量-质量误差

由于参与者存在传感器类型标准不一、设备能量不足等情况，执行任务的质量可能与感知任务的所需的理论质量有差异，因此，平均任务质量是根据参与者感知能力计算出执行任务的理论感知质量减去误差后，与任务所需质量的比值.

c)任务完成率

完成任务数量与参与者的感知能力以及等待时间相关，其中感知能力与参与者的覆盖以及传感器种类进行计算，以一定的预算条件下，根据算法招募到参与者的任务完成率来评估算法.

d)招募人数

招募人数=预算-∑信誉×参与者报价

根据预算和招募参与者所需的花费确定招募人数，其中，参与者所需花费根据参与者自身的信誉决定，信誉越高的参与者，所需花费越多.

5.3 性能评价

5.3.1 任务执行效率

图4显示任务数量对任务完成率的影响.在任务数量一定时，随着预算的增加，BUR算法和GR算法招募到参与者的任务执行效率升高，而TopK算法增幅很小.其中，在预算低于400时，TopK算法与GR算法相差不大，且高于BUR算法，因为当预算较少时，TopK算法招募到的参与者是最优参与者，所以执行效率较高，而GR算法所招募的群组可选参与者较少，因此没有足够的参与者形成感知能力较高的群组.当预算高于400时，GR算法任务执行效率明显优于其他两个算法.其原因是，在预算较高时，GR算法招募群组的选择更多，且感知能力SA随着群组的规模扩大而增强，执行任务时间减少，因此GR算法所招募的参与者执行效率更高，在预算达到2000时，执行效率达到最高，为1.而BUR算法和TopK算法随着预算的增多，执行效率提升较慢，其原因是招募的参与者感知范围较小，执行任务的时间较长，因此执行效率上升较慢.

图4 预算对任务执行效率的影响Fig.4 Effect of budget on task execution efficiency

5.3.2 平均任务质量

图5显示预算对平均任务质量的影响.当预算增多时，GR算法和BUR算法的平均任务质量先上升后稳定，TopK算法先稳定后下降.当预算在200-1000时，GR算法招募的群组的感知能力和覆盖率在升高，BUR算法所招募的参与者覆盖率也在升高，因此感知质量增大，在任务数一定时，平均任务的感知质量会上升，TopK由于招募参与者时只考虑参与者效用，因此质量变化较小.当预算在1000-2000时，GR招募的群组和BUR算法招募的参与者由于感知区域大小以及参与者数量影响，空间覆盖不会有太大变化，因此平均任务质量维持在一定数值，TopK招募的参与者人数增多的同时未考虑参与者自身的空间覆盖，因此可能会出现招募的参与者已在其他参与者感知范围内，从而影响感知质量下降.

5.3.3 任务完成率

图6显示任务数量对任务完成率的影响.预算为1000时，随着任务数量的增加，等待时间变长，任务完成会减慢，GR算法的任务完成率先稳定后下降，BUR算法和TopK算法逐渐下降.当任务数量小于300时，GR算法招募的群组会保持一定感知能力，在任务所需时间内可以有效完成任务.当任务数量上升时，由于参与者数量受预算影响，在不增加预算的前提，3个算法的任务完成率均会下降，但GR算法下降趋势慢，原因为群组内的参与者在感知区域内分布均匀，区域内参与者完成任务数量尽管在减少但下降缓慢.

我们不仅考虑任务数量对任务完成率的影响，还考虑任务的性质与分布.任务性质代表任务所需的传感器种类，当任务较为复杂时，需要多个传感器收集数据完成任务，用传感器种类代表任务的复杂程度.如图7所示，预算为1000，任务数量为200时，GR算法的任务完成率稳定在0.5左右，BUR算法和TopK算法逐渐下降.因为GR算法中群组感知能力中参与者接受度决定了组内参与者可以执行需多个类型传感器的复杂任务才可以形成群组，而BUR算法和TopK算法任务完成率会因为招募到的部分参与者个人能力不足，完成不了复杂任务而逐渐下降.

任务分布用参与者在区域内的覆盖率衡量，当任务在区域的分布稀疏时，即分布任务较少时，候选参与者在该区域内的覆盖率低.当任务在区域的分布密集时，候选参与者在区域内覆盖率较高.如图8所示，预算为1000，任务数量为200时，GR算法的任务完成率平缓上升，BUR算法和TopK算法逐渐上升.因为GR算法群组感知能力中参与者的覆盖率是通过均匀分布决定的，因此群组招募即使人数较少，也可以覆盖整个区域.而BUR算法和TopK算法任务完成率只有当在招募到的参与者覆盖较高的情况下，才可以完成规模较大、分布密集的任务.

图8 任务分布对任务完成率的影响Fig.8 Effect of distribution of tasks on the task completion rate

5.3.4 招募人数

图9为预算对招募人数的影响.在参与者总人数为200时，BUR和TopK算法随预算的增加所需的参与者数量也增加，而GR算法所需的群组人数呈现出先上升后平稳的趋势.原因为BUR和TopK都是在预算内找到信誉最优的参与者和效用最高的参与者，所以人数会随着预算的增加而上升.而GR算法是以群组的方式找到一组参与者，直到在预算内达到最高的感知能力的群组，因此在预算一定时，当群组感知能力达到最大，再增加人数也不会改变感知能力，因此群组招募的参与者数量较少.图4的任务执行效率和图5的平均任务质量中，当预算超过1000时，群组的任务执行效率仍在增长，而平均任务质量增长缓慢，同时，招募人数较少，花费较多.可以看出，在参与者数量一定的情况下，增加过多的预算尽管会提升任务执行效率，但平均任务质量提升较小，也会增加招募花费.

图9 预算对招募人数的影响Fig.9 Effect of budget on the number of participants recruited

6 总 结

在本文中，提出了移动群智感知中一个基于群组的招募机制.与先前文献中提出的参与者选择机制不同，我们提出了一种新的评估方法，招募是基于参与者群组提供的最高感知能力.实验证明，基于个人的参与者选择存在一些缺陷，这些缺陷已经由我们提出的群组招募系统解决，如考虑参与者在感知区域内的覆盖以及参与者信誉，同时以群组感知能力为指标招募合适的参与者群组.群组的感知能力由群组覆盖率、信誉、积极性以及参与者群组接受度组成.选择最大感知能力的群组执行平台发布的任务，通过仿真数据集，证明该招募机制在任务执行效率、任务完成率、平均任务质量上要优于现有的个人招募机制.至于将来的工作，应更多考虑感知任务的特殊性、紧急性以及参与者自身的时间可用性、工作负载能力等属性对参与者群组招募的影响.