技术领域
[0001] 本
发明涉及无线通信领域，特别是一种用于无线电环境地图数据收集的任务分配方法。
背景技术
[0002] 无线电环境地图(REM，Radio Environment Map)是一种描述无线电工作环境的集成
时空数据库，可提供
认知无线电的多个领域的综合信息，基于这些信息对无线环境的更进一步的细节进行测量及建模，可将其扩展到多种上层应用，因此具有巨大的应用潜
力和很好的发展前景。
[0003] 然而，目前对REM的构建存在很大的局限性，通常是根据特定的应用在
指定区域内部署相应的收集设备来获取需要的信息。这种形式下，每引入一种新的应用就要重新构建专
门的数据库，且大量可共用的底层数据被重复收集会导致资源的严重浪费。因此，构建大范围、普适的无线电环境地图具有重要意义。而构建此类REM首先面临的就是数据收集过程中涉及的地域广、数据规模大的问题，且构建REM所需要的数据类型高达十几种，每一类又涉及多个属性，信息维数太高，因此，数据收集还面临数据维数高的问题。然而，现有的REM数据收集方案如：通过集成或者
访问成熟的数据库，通过
软件工具估计无线电传播特性，与认知无线电设备合作或利用外部网络
感知数据等，尚缺乏同时解决地域广、数据规模大和数据维数高等问题的能力。因此，本发明采用能够较好的解决上述问题的移动群智感知技术，来进行REM的数据收集。
[0004] 移动群智感知是以普通人群日常携带的移动设备(手机、
平板电脑及其他可穿戴智能设备等)作为基本的感知单元，通常利用移动终端内嵌的感知模
块进行感测，与传统的数据收集技术如无线
传感器网络相比具有网络部署成本低、维护简单、系统可扩展性强以及采集数据类型广泛等优势。移动群智感知目前广泛应用于社交行为分析、医疗卫生、智能交通、环境监测等领域，是进行大规模、海量数据收集的极佳方案。
[0005] 利用移动群智感知技术进行数据收集的核心思想是将感知任务分配给多个参与用户，使其能够通过协同工作的方式共同完成数据收集的任务。现有的移动群智感知任务分配方法针对的任务类型通常较为简单、明确，系统可直接将感知任务下发给用户，虽然有少量的研究面向的是大规模、复杂的群智感知应用，但此类研究尚缺乏对用户设备感知能力的考虑。即现有的研究始终认为参与用户能够感知所需的数据类型。
[0006] 而实际面对REM数据收集任务时，普通设备的感知功能通常不足以
支撑如此高维度的数据收集任务，大量部署专业的感知设备则又需要较高的开销，使得REM的构建较为困难且成本较高。另一方面，现有的移动群智感知任务分配方法未考虑用户
节点参与的均衡性，在进行任务分配时往往将较多的任务加诸于一些低成本、能力强的用户节点，不仅增加了此类节点的负担，还使得其他用户节点难以获得参与感知任务的机会，不利于维持长期的感知应用。因此，为了降低REM数据收集的难度和开销，本发明考虑先将高维的感知数据
降维以便普通的感知设备也能够参与感知任务，然后根据用户节点可感知的数据类型和报价，对用户节点进行选择，在最小化数据收集的成本的同时提高节点参与的均衡性。
发明内容
[0007] 本发明旨在解决以上
现有技术的问题。提出了一种提高任务完成率，最小化REM数据收集的总成本，提高节点参与的均衡性的用于无线电环境地图数据收集的任务分配方法。本发明的技术方案如下：
[0008] 一种用于无线电环境地图数据收集的任务分配方法，其包括以下步骤：
[0009] 1)建立用户节点协作收集无线电环境数据的任务分配数学模型；
[0010] 2)初始化网络参数，包括：待收集的无线电环境数据的总维数、移动群智感知网络中感兴趣的用户节点的个数、收集每维数据需要的最小数量的用户节点个数、任务分配要划分的子任务个数、随机产生的每个用户节点可感知的数据类型及维数及随机产生的各个节点对其可感知数据类型的报价；
[0011] 3)根据可感知各维数据的用户节点的重合程度，基于K-means聚类方法将高维的无线电环境地图数据收集总任务划分为若干子任务；
[0012] 4)根据子任务划分的结果和各用户节点可感知的数据类型，将用户节点对应划分到各个子任务的任务组中；
[0013] 5)根据任务组划分结果和用户节点对收集各维数据的报价，利用LCBPA
算法将各个子任务分配给各任务组中的用户节点。
[0014] 进一步的，所述步骤1)建立用户节点协作收集无线电环境数据收集任务分配的数学模型的主要步骤如下：
[0015] 11)任务分配问题描述：整个无线电环境REM数据收集任务的数据总维数为m，系统中报名的用户节点个数为N，划分子任务的个数为k；k个子任务的数据维数之和为m；N个用户节点协作至少能完成一个m维的总任务；收集每维数据所需的最小用户节点个数均为C；
[0016] 12)描述系统需要收集的m维数据的集合A,有：
[0017] A＝{G1,...,Gi,,Gm} (1)
[0018] 其中，Gi表示第i维数据的数据向量，有：
[0019]
[0020]
[0021] 其中，gij的值为1或0，为1时表示可收集第i维数据的用户中包含用户节点j，为0则不包含；
[0022] 13)描述用户节点对可感知数据类型的的报价ui，有：
[0023]
[0024] 其中，uij≥0，当uij＞0时，uij的值表示用户节点i对第j维数据的报价，若用户节点i不能感知第j维数据，则uij为0；
[0025] 14)描述系统划分的子任务集S，有：
[0026] S＝{s1,...,si,...sk} (4)
[0027] 其中，si表示第i个子任务，它包含m维数据中的一种或多种数据，任意两个子任务包含的数据类型不重叠，k个子任务的包含的数据维数之和为m；
[0028] 15)描述用户节点可参与的子任务ti，有：
[0029]
[0030] 其中，tij的值为1或0，值为1表示用户节点i可以执行子任务j；
[0031] 16)描述用户节点对各个子任务的报价vi，有：
[0032]
[0033] 其中，vij表示用户节点i对第j个子任务的报价，即对第j个子任务中包含的各维数据的报价和；
[0034] 17)保证高维的REM数据收集任务的合理分配要满足以下约束条件：
[0035]
[0036]
[0037] 其中，tij的值为1或0，为1时表示用户节点i可执行子任务sj；的值为1或0，为1时表示sj被分配给用户节点i执行。
[0038] 进一步的，所述步骤3)基于K-means聚类方法将高维的无线电环境地图数据收集总任务划分为若干子任务，包括以下步骤：
[0039] 31)从数据集A中随机选取k维数据作为初始的聚类中心s1,s2,...,sk；
[0040] 32)根据公式(9)计算其他每维数据与各个聚类中心之间的相似度，用欧几里得距离表示为：
[0041]
[0042] 其中，dist(Gi,Gj)表示第i维数据和聚类中心j之间的欧式距离，j表示第j维数据，距离越近表示可感知这两维数据的共同用户节点越多即相似度越高，将每维数据划分到与其相似度最高的聚类中；
[0043] 33)当任一聚类中的数据维数超过一维，将该类中的各维数据的数据向量的交集x1,x2,...,xk作为新的聚类中心；
[0044] 34)聚类的收敛标准表示为：
[0045]
[0046] 其中，D表示各维数据与聚类中心的距离的方差，当方差达到最小时即不再变化时，划分子任务完成，否则返回步骤32)继续进行
迭代；
[0047] 35)输出子任务划分结果S。
[0048] 进一步的，所述步骤4)根据子任务划分的结果和用户节点可感知的数据类型，将用户节点对应划分到各个子任务的任务组中，包括以下步骤：
[0049] 41)当用户节点i可感知的数据维数包含某一子任务sj中的所有数据类型时，则tij＝1，否则为0，其中，一个用户节点可以属于多个任务组；
[0050] 42)如果tij＝1，根据ui计算vi，vij为用户节点i对子任务sj中的所有数据类型的报价和，否则vij值为0；
[0051] 43)输出ti，vi，
[0052] 5、根据
权利要求4所述的用于无线电环境地图数据收集的任务分配方法，其特征在于，所述步骤5)根据任务组划分结果和用户节点对收集各维数据的报价，利用LCBPA算法将各个子任务分配给各任务组中的用户节点，包括以下步骤：
[0053] 51)对每个任务组中的节点个数进行计数，有：
[0054] 其中，rj为可执行该子任务的用户节点的总个数；
[0055] 52)将每个任务组中用户节点的个数与收集每维数据所需的最小用户节点个数均为C进行比较，如果rj≤C,则 否则进行下一步；
[0056] 53)根据用户节点被分配子任务的个数，利用公式(12)计算调节系数λi：
[0057]
[0058] 其中，λi为用户节点i的参与均衡性的调节系数，当用户节点i被分配的子任务个数超过一个时，调节系数的引入就可以降低该用户节点继续被分配子任务的概率，λi反比与用户节点已被分配的子任务个数；
[0059] 54)根据每个任务组中用户节点的对该子任务的报价，利用公式(13)计算每个用户节点被分配各个子任务的概率：
[0060]
[0061] 其中，pij为用户节点i被分配子任务sj的概率，α(0≤α≤1)为权衡因子，用来权衡感知总花费和节点参与的均衡性；
[0062] 55)对每个任务组中的节点的被分配该子任务的概率进行降序排列，将该子任务分配给概率最大的前C个用户节点，这C个用户节点对应的 值设为1，未被分配该任务的节点其 设为0；输出 完成任务分配。
[0063] 本发明的优点及有益效果如下：
[0064] 与现有技术相比，本发明提供了一种用于无线电环境地图数据收集的任务分配方法，首次提出利用移动群智感知技术进行无线电环境地图数据收集。在移动群智感知网络中，首先如步骤3)所述利用k-means聚类思想将高维的感知总任务划分为多个低维度的子任务，降低了REM数据收集的难度从而提高任务完成率；然后如步骤5)所述根据用户节点可感知的数据类型和对感知各维数据的报价，采用LCBPA算法将降维后的任务分配给合适、适量的用户节点，该算法一方面最小化REM数据收集的总成本，一方面又提高了节点参与感知任务的均衡性。
附图说明
[0065] 图1是本发明提供优选
实施例基于k-means聚类思想进行REM数据降维的算法
流程图；
[0066] 图2是进行子任务分配的LCBPA算法的流程图；
[0067] 图3是任务完成率对比图；
[0068] 图4是感知总花费对比图；
[0069] 图5是节点参与的均衡性的对比图。
具体实施方式
[0070] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
[0071] 本发明解决上述技术问题的技术方案是：
[0072] 本发明提供一种用于无线电环境地图数据收集的任务分配方法，包括以下步骤：
[0073] 1)建立用户节点协作收集无线电环境数据的任务分配的数学模型；
[0074] 2)初始化网络参数；
[0075] 初始化网络参数包括：系统要收集的无线电环境数据的总维数、移动群智感知网络中感兴趣的用户节点的个数、收集每维数据需要的最小数量的用户节点个数、任务分配要划分的子任务个数、随机产生的每个用户节点可感知的数据类型及维数、随机产生的各个节点对其可感知数据类型的报价。
[0076] 3)根据各维数据中可感知其的用户节点的重合程度，基于K-means聚类思想将高维的REM数据收集总任务划分为若干子任务；
[0077] 4)根据子任务划分的结果和用户节点可感知的数据类型，将用户节点划分到对应于各个子任务的任务组中；
[0078] 5)根据任务组划分结果和对用户节点对收集各维数据的报价，利用LCBPA(low-cost&balance-participating algorithm)算法将各个子任务分配给各任务组中合适、适量的用户节点；
[0079] 6)对任务分配方法进行仿真，与不进行高维任务划分的任务分配方法NTD(Non-Task-Division)进行比较，对比任务完成率、感知总花费、节点参与的均衡性。
[0080] 建立REM数据收集任务分配的数学模型的主要步骤如下：
[0081] 11)任务分配问题描述：整个REM数据收集任务的数据总维数为m，系统中报名的用户节点个数为N，划分子任务的个数为k；k个子任务的数据维数之和为m；N个用户节点协作至少能完成一个m维的总任务；收集每维数据所需的最小用户节点个数均为C；
[0082] 12)描述系统需要收集的m维数据的集合A,有：
[0083] A＝{G1,...,Gi,,Gm} (1)
[0084] 其中，Gi表示第i维数据的数据向量，有：
[0085]
[0086]
[0087] 其中，gij的值为1或0，为1时表示可收集第i维数据的用户中包含用户节点j，为0则不包含；
[0088] 13)描述用户节点对可感知数据类型的的报价ui，有：
[0089]
[0090] 其中，uij≥0，当uij＞0时，uij的值表示用户节点i对第j维数据的报价，若用户节点i不能感知第j维数据，则uij为0；
[0091] 14)描述系统划分的子任务集S，有：
[0092] S＝{s1,...,si,...sk} (4)
[0093] 其中，si表示第i个子任务，它包含m维数据中的一种或多种数据，任意两个子任务包含的数据类型不重叠，k个子任务的包含的数据维数之和为m；
[0094] 15)描述用户节点可参与的子任务ti，有：
[0095]
[0096] 其中，tij的值为1或0，值为1表示用户节点i可以执行子任务j；
[0097] 16)描述用户节点对各个子任务的报价vi，有：
[0098]
[0099] 其中，vij表示用户节点i对第j个子任务的报价，即对第j个子任务中包含的各维数据的报价和；
[0100] 17)保证高维的REM数据收集任务的合理分配要满足以下约束条件：
[0101]
[0102]
[0103] 其中，tij的值为1或0，为1时表示用户节点i可执行子任务sj；的值为1或0，为1时表示sj被分配给用户节点i执行。
[0104] 在所述步骤2)中，其初始化网络参数如表1所示
[0105] 表1仿真实验参数
[0106]
[0107] 参照图1，基于k-means聚类思想将高维任务降维主要包括以下步骤：
[0108] 31)从数据集A中随机选取k维数据作为初始的聚类中心s1,s2,...,sk；
[0109] 32)根据公式(9)计算其他每维数据与各个聚类中心之间的相似度，用欧几里得距离表示为：
[0110]
[0111] 其中，dist(Gi,Gj)表示第i维数据和聚类中心j(第j维数据)之间的欧式距离，距离越近表示可感知这两维数据的共同用户节点越多即相似度越高，将每维数据划分到与其相似度最高的聚类中；
[0112] 33)当任一聚类中的数据维数超过一维，将该类中的各维数据的数据向量的[0113] 交集x1,x2,...,xk作为新的聚类中心；
[0114] 34)聚类的收敛标准表示为：
[0115]
[0116] 其中，D表示各维数据与聚类中心的距离的方差，当方差达到最小时即不再变化时，划分子任务完成，否则返回步骤32)继续进行迭代；
[0117] 35)输出子任务划分结果S。
[0118] 根据高维任务划分结果，将用户节点划分任务组的具体步骤如下：
[0119] 41)当用户节点i可感知的数据维数包含某一子任务sj中的所有数据类型时，则tij＝1，否则为0，其中，一个用户节点可以属于多个任务组；
[0120] 42)如果tij＝1，根据ui计算vi，vij为用户节点i对子任务sj中的所有数据类型的报价和，否则vij值为0；
[0121] 43)输出ti,vi,
[0122] 参照图2，利用LCBPA算法进行子任务分配的具体步骤如下：
[0123] 51)对每个任务组中的节点个数进行计数，有：
[0124]
[0125] 其中，rj为可执行该子任务的用户节点的总个数。
[0126] 52)将每个任务组中用户节点的个数与收集每维数据所需的最小用户节点个数均为C进行比较，如果rj≤C,则 否则进行下一步；
[0127] 53)根据用户节点被分配子任务的个数，利用公式(12)计算调节系数λi：
[0128]
[0129] 其中，λi为用户节点i的参与均衡性的调节系数，当用户节点i被分配的子任务个数超过一个时，调节系数的引入就可以降低该用户节点继续被分配子任务的概率，λi反比与用户节点已被分配的子任务个数。
[0130] 54)根据每个任务组中用户节点的对该子任务的报价，利用公式(13)计算每个用户节点被分配各个子任务的概率：
[0131]
[0132] 其中，pij为用户节点i被分配子任务sj的概率，α(0≤α≤1)为权衡因子，用来权衡感知总花费和节点参与的均衡性；
[0133] 55)对每个任务组中的节点的被分配该子任务的概率进行降序排列，将该子任务分配给概率最大的前C个用户节点，这C个用户节点对应的 值设为1，未被分配该任务的节点其 设为0；
[0134] 56)输出 完成任务分配。
[0135] 步骤6)对本发明提出的任务分配方法进行实验，包括以下步骤：
[0136] 61)描述任务完成率η，有：
[0137]
[0138]
[0139] 其中，η为能够完成m维总任务的个数占总任务个数的比率即最终的任务完成率，B为能够完成的m维总任务的个数；
[0140] 62)描述感知总成本，分为以下两种情况：
[0141] 621)未进行高维任务划分的任务分配方法，感知总花费为：
[0142]
[0143] 622)本发明提出的任务分配方法，感知总花费为：
[0144]
[0145] 63)描述节点参与的均衡性，有：
[0146]
[0147]
[0148] 其中，μi为用户节点i参与子任务的个数占全部子任务个数的比例， 为占相同任务个数比例的用户节点占总节点个数的比例。
[0149] 如图3所示，图3为不同网络规模下本发明的任务分配方法与NTD方法的任务完成率对比图，图4为不同网络规模下二者的感知总花费对比图，图5为网络中节点数为300时，二者的节点参与的均衡性对比图。从图3可以看出一定网络规模下，本发明提出的任务分配方法能够显著提高任务完成率；图4显示本发明提出的任务分配方法能够降低感知总花费；图5表明本发明提出的任务分配方法有较好的节点参与的均衡性，即被分配多个子任务的用户节点数明显减少。
[0150] 以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或
修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
