تخصیص وظایف یک مسئله حیاتی در جمع سپاری فضایی است. اگرچه استراتژی دسته‌بندی بهتر از حالت تطبیق بلادرنگ عمل می‌کند، اما همچنان دو اشکال زیر را دارد: (۱) از آنجایی که دانه‌بندی مجموعه اندازه دسته به‌دست‌آمده از بچینگ بسیار درشت است، منجر به دقت تطبیق ضعیف می‌شود. با این حال، تقریباً طراحی اندازه دسته برای تمام تاخیرهای احتمالی منجر به سربار محاسباتی زیادی می شود. (۲) نادیده گرفتن عوامل غیر ثابت منجر به تغییر در اندازه بهینه دسته می شود که در اسرع وقت نمی توان آن را پیدا کرد. بنابراین، این مقاله یک الگوریتم تخصیص کار مبتنی بر دسته‌ای (FGBTA) را با در نظر گرفتن تنظیمات غیر ثابت پیشنهاد می‌کند. در روش دسته ای، الگوریتم ابتدا از اندازه گام متغیر استفاده می کند تا امکان کاوش ریزدانه را در مقدار پیش بینی شده توسط الگوریتم راهزن چند مسلح (MAB) فراهم کند و از نتایج شبه تطبیق برای محاسبه ابزار دسته ای استفاده می کند. سپس، اندازه دسته با کاربرد بالاتر انتخاب می شود و الگوریتم تطبیق حداکثر وزن دقیق برای به دست آوردن نتیجه تخصیص در دسته استفاده می شود. برای مقابله با تغییرات غیر ثابت، از روش پنجره کشویی (SW) استفاده می کنیم تا آخرین ابزار دسته ای را حفظ کنیم و اطلاعات تاریخی را که خیلی دور هستند کنار بگذاریم تا در نهایت به دسته بندی تصفیه شده دست یابیم و با تغییرات زمانی سازگار شویم. علاوه بر این، ما مزایای متقاضیان، کارگران و پلت فرم را نیز در نظر می گیریم. آزمایش‌ها بر روی داده‌های واقعی و داده‌های مصنوعی نشان می‌دهند که این روش می‌تواند تکلیف جمع‌سپاری فضایی را به طور موثر انجام دهد و می‌تواند در اسرع وقت با تنظیمات غیر ثابت سازگار شود. این مقاله عمدتاً بر وظیفه جمع‌سپاری فضایی سواری-تگرگ متمرکز است.

کلید واژه ها:

جمع سپاری فضایی ; تکلیف آنلاین ؛ الگوریتم راهزن چند مسلح ; الگوریتم بچینگ ریزدانه

۱٫ مقدمه

جمع سپاری یک الگوی محاسباتی است که به موجب آن انسان ها به طور فعال یا منفعلانه در فرآیند محاسبات شرکت می کنند، به ویژه برای کارهایی که ذاتا برای انسان ها آسان تر از رایانه ها هستند [ ۱ ]. با رواج دستگاه های تلفن همراه پیشرفته، یک چارچوب جدید جمع سپاری، جمع سپاری فضایی (SC) [ ۲ ، ۳ ، ۴ ، ۵ ، ۶ ، ۷ ، ۸ ]، از پتانسیل جمعیت برای انجام وظایف دنیای واقعی با فضایی قوی استفاده می کند. طبیعتی که توسط تکنیک های جمع سپاری مرسوم پشتیبانی نمی شوند [ ۹ ]. در پلتفرم‌های جمع‌سپاری فضایی عالی مانند Uber [ ۱۰ ]، Waze [11 ]، GrubHub [ ۱۲ ] و Gigwalk [ ۱۳ ]، درخواست‌کنندگان وظیفه می‌توانند وظایف فضایی را به سرورهای SC ارسال کنند، که از حامل‌های دستگاه هوشمند به‌عنوان کارگر برای حرکت فیزیکی به مکان‌های تعیین‌شده برای تکمیل این وظایف فضایی استفاده می‌کنند. کارگران جمع سپاری شرکت کنندگان در فرآیند تخصیص وظایف جمع سپاری فضایی هستند که به عنوان مجریان وظیفه نیز شناخته می شوند.

نحوه اختصاص وظایف در مقیاس بزرگ به مجریان وظیفه جمع سپاری مربوطه اولین چالشی است که پلتفرم جمع سپاری فضایی با آن مواجه است. یعنی تعیین تکلیف. هدف از انتساب وظیفه، ترتیب دادن وظایف برای انجام دهندگان وظایف مناسب با توجه به اهداف متعدد است. تخصیص وظایف در جمع سپاری فضایی به طور کلی این گونه تعریف می شود: با توجه به گروهی از وظایف و گروهی از انجام دهندگان وظیفه، تخصیص وظیفه فرآیندی است که وظایف و انجام دهندگان وظایف را برای اهداف خاص با فرض برآوردن محدودیت های مکانی، محدودیت های زمانی یا سایر محدودیت ها تنظیم می کند. . روش تطبیق بلادرنگ [ ۱۴ ، ۱۵ ، ۱۶ ] می تواند نتیجه تخصیص را در اسرع وقت ارائه دهد.

در واقع، یک برنامه واقعی ممکن است به شدت نیاز به تخصیص سریع وظایف نداشته باشد. با انتظار برای مدت زمان نسبتاً کوتاهی، برای سیستم امکان پذیر است که تخصیص استاتیک محلی را در حالت دسته ای پیاده سازی کند. با این حال، نحوه انتخاب تئوری تک دسته بهینه یا تنظیم اندازه دسته در زمان واقعی برای بهبود قابل توجه اثربخشی الگوریتم تخصیص کار هنوز یک مشکل باز است. اکثر حالت‌های دسته‌ای جمع‌سپاری فضایی موجود عمدتاً اندازه دسته‌ای ثابت را اتخاذ می‌کنند و تأثیر اندازه‌های دسته‌ای مختلف را بر روی الگوریتم تخصیص کار در مرحله آزمایشی آزمایش می‌کنند.

کاظمی و همکاران [ ۱۷ و ۱۸ ] استراتژی دسته ای را اتخاذ کرد و نمودار دوبخشی را به عنوان نمونه ای از مسئله جریان حداکثر ساده کرد و با استفاده از استراتژی پایه بر اساس الگوریتم فورد-فولکرسون، نتایج دقیقی به دست آورد. با این حال، حالت دسته ای ثابت در کاربرد عملی، با چگالی تقاضا در حال تغییر به خوبی عمل نمی کند، بنابراین استراتژی تنظیم دسته ای در زمان واقعی توجه بیشتر و بیشتری را از سوی محققان جلب کرده است [ ۱۹ ، ۲۰ ، ۲۱ ، ۲۲ ، ۲۳ ]. کیان و همکاران [ ۲۴] یک مکانیسم پردازش دسته‌ای تطبیقی مبتنی بر جمع‌سپاری فضایی برای مراقبت بهتر از تجربه کاربر و موقعیت‌های واقعی‌تر پیشنهاد کرد. با توجه به مزایای مکانیسم طراحی، برخی از روش‌های سنتی تخصیص وظیفه را نیز می‌توان با مکانیسم پردازش دسته‌ای تطبیقی ترکیب کرد که کارایی تخصیص وظیفه پویا آنلاین را بهبود می‌بخشد و سازگاری خوبی را نشان می‌دهد. با توجه به این چارچوب، آنها یک طرح تنظیم دسته ای پویا بر اساس الگوریتم راهزن چند مسلح (MAB) طراحی کردند، که الگوریتمی است که برای استنتاج مناسب ترین اندازه دسته بعدی از طریق داده های تاریخی استفاده می شود. در همان زمان، آنها همچنین میانگین زمان انتظار کاربران را به عنوان هدف بهینه‌سازی در نظر گرفتند تا تجربه کاربر را بهبود بخشند و نیازهای وضعیت واقعی را بهتر برآورده کنند.

با این حال، این الگوریتم به طور کامل غیر ثابت بودن اندازه دسته بهینه را در نظر نمی گیرد. در تحقیق خود، ما اثر تخصیص وظیفه جمع‌سپاری فضایی را با ردیابی تغییر دینامیک اندازه دسته بهینه بهینه می‌کنیم. علاوه بر این، اگر تعداد زیادی از دسته های اختیاری در الگوریتم MAB وجود داشته باشد، سربار الگوریتم بسیار افزایش می یابد. تعداد بسیار کمی از انواع دسته های اختیاری وجود دارد که بر دقت دسته بندی تأثیر می گذارد و منجر به تأثیرات ضعیف تخصیص کار می شود. ما یک رویکرد دسته بندی ریز دانه را در پیش می گیریم و مزایای چند ذینفع را به طور همزمان در نظر می گیریم. به طور کلی، مشارکت های اصلی این مقاله به شرح زیر است:

ما یک الگوریتم تخصیص کار مبتنی بر بچینگ ریز (FGBTA) برای مشکل تخصیص آنلاین در حالت دسته ای (OAPB) برای دستیابی به دسته بندی دقیق و بهبود کارایی تخصیص پیشنهاد می کنیم.
ما تنظیمات غیر ثابت را برای در نظر گرفتن تغییرات دینامیکی محیط معرفی می‌کنیم و از دو رانش مفهومی (پدیده‌ای که متغیر هدف در طول زمان تغییر می‌کند) برای تأیید اثربخشی الگوریتم در آزمایش‌ها استفاده می‌کنیم.
ما اثربخشی و کارایی الگوریتم را بر روی داده های مصنوعی و داده های واقعی تأیید می کنیم. نتایج تجربی نشان می‌دهد که روش ما از نظر کاربرد کلی و زمان انتظار نسبت به روش‌های مقایسه شده برتری دارد.

در ادامه مقاله، مطالعات مربوطه را در بخش ۲ مرور می کنیم و به طور رسمی مشکل OAPB را در بخش ۳ تعریف می کنیم . بخش ۴ به طور رسمی روش FGBTA را معرفی می کند. بخش ۵ آزمایش هایی را برای ارزیابی راه حل های ما تنظیم می کند. بخش ۶ این مقاله را خلاصه می کند و مشتاقانه منتظر تحقیقات بیشتر است.

۲٫ کارهای مرتبط

در چارچوب جمع‌سپاری فضایی، مسئله تخصیص آنلاین بر اساس حالت دسته‌ای مورد مطالعه قرار می‌گیرد و یک روش پردازش دسته‌ای تطبیقی مبتنی بر MAB اتخاذ می‌شود. لذا در بخش تحقیق مرتبط به بررسی سه موضوع زیر می پردازیم.

۲٫۱٫ جمع سپاری و جمع سپاری اطلاعات جغرافیایی

جمع سپاری [ ۲۵ ، ۲۶ ، ۲۷ ، ۲۸ ، ۲۹ ] به فرآیند جمع آوری اطلاعات یا وارد کردن وظایف از تعداد زیادی از جمعیت، معمولاً از طریق اینترنت [ ۳۰ ] اشاره دارد. جمع سپاری یک پارادایم حل مسئله توزیع شده آنلاین است که در آن یک فرد، شرکت یا سازمان وظایف تعریف شده را از طریق یک فراخوان باز انعطاف پذیر برای استفاده از هوش، دانش، مهارت، کار و تجربه انسانی برای جمعیت پویا منتشر می کند [ ۳۱ ] . در حال حاضر، به طور گسترده از برنامه های کاربردی مختلف پشتیبانی می کند و دستاوردهای قابل توجهی داشته است.

بسیاری از محققین جمع سپاری در مورد اطلاعات جغرافیایی را مطالعه کرده اند [ ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ]. گودچایلد و همکاران [ ۳۶ ] نقش بالقوه اطلاعات جغرافیایی داوطلبانه (VGI) [ ۳۷ ، ۳۸ ] را در مدیریت بلایا مورد مطالعه قرار دادند، که ارتباط نزدیکی با مفهوم جمع سپاری دارد. آنها نه تنها زمینه VGI را بررسی کردند، بلکه همبستگی بین کیفیت داده های جمع سپاری و مدیریت بلایای طبیعی را مورد مطالعه قرار دادند و چهار آتش سوزی جنگلی را که منطقه سانتا باربارا را تحت تأثیر قرار داد به عنوان مثال مورد بحث قرار دادند. بصیری و هاکلی و همکاران. [ ۳۹] بر چالش‌ها و جهت‌گیری‌های آینده جمع‌سپاری داده‌های مکانی، به‌ویژه روی مشکلات ناشی از کیفیت داده و انحراف VGI متمرکز شد. آنها معتقد بودند که VGI نه تنها می تواند به عنوان روشی برای ساختن نقشه ها استفاده شود، بلکه می تواند به عنوان یک سیستم پیچیده، دموکراتیک، قابل تکرار، باز و قابل اعتمادتر، که می تواند جامعه را درگیر کند و تنوع، همکاری و مشارکت گسترده تر را ارتقا دهد، مورد استفاده قرار گیرد. هاکلی و همکاران [ ۴۰ ] علم شهروندی جغرافیایی را حوزه‌ای می‌دانست که در آن اطلاعات جغرافیایی جمع‌سپاری و علم شهروندی با هم ترکیب می‌شوند و جمع‌سپاری به مردم عادی اجازه می‌دهد در کارهای علمی شرکت کنند، زیرا داده‌هایی که تولید می‌کنند دارای ویژگی‌های جغرافیایی آشکار است. خواجوال و همکاران [ ۴۱] اثربخشی جمع سپاری را در ارزیابی خسارت پس از فاجعه با افزایش محتوا و قابلیت اطمینان اطلاعات جمع آوری شده از طریق مشارکت عمومی بهبود بخشید. این تحقیق چارچوب جدیدی را برای کمی سازی و کاهش عدم اطمینان در نتیجه ارزیابی آسیب مشارکتی ارائه کرد. وربیک [ ۴۲ ] فرآیند جمع آوری نام مکان های غیر استاندارد را در دو شهر جمهوری چک معرفی کرد. فرآیند جمع آوری توسط جمع سپاری با استفاده از یک برنامه نقشه شبکه که مخصوص این منظور ایجاد شده است انجام می شود.

برنامه های کاربردی جمع سپاری فضایی متعددی در مناطق توسعه یافته مانند آمریکای شمالی و اروپا ظاهر شده است. از سال ۲۰۰۹، پروژه موفق Geo-Wiki [ ۴۳ ] اجرا شده است. پروژه Geo-Wiki یک شبکه داوطلبانه آنلاین است که برای از بین بردن ناسازگاری های مکان و افزایش دقت نقشه های جهانی پوشش زمین ایجاد شده است. پروژه مدل جهانی زلزله (GEM) [ ۴۴ ] از مفهوم جمع سپاری استفاده می کند. این یک انجمن بین المللی است که در آن سازمان ها و افراد گرد هم می آیند تا ابزارها و منابع را توسعه دهند، استفاده کنند و به اشتراک بگذارند تا یک ارزیابی بی طرفانه از خطر زلزله انجام دهند. پروژه آزمایشی Clickworkers [ ۴۵] توسط ناسا در سال ۲۰۰۰ راه اندازی شد. این پروژه با هدف شناسایی و طبقه بندی دهانه های مریخ انجام شد و هزاران نفر از شرکت کنندگان هر تصویر موجود در پایگاه داده را تجزیه و تحلیل کردند. در پروژه های فوق، داده ها به طور فعال تولید و ارسال می شوند، به این معنی که یک برنامه یا سرویس تلفن همراه خاص برای جمع آوری گزارش های تولید شده توسط کاربران ایجاد می شود. به این جمع سپاری، جمع سپاری فعال می گویند. حتی بدون مشارکت‌کنندگان داوطلب، جمع‌سپاری ممکن است فعال شود. به این جمع سپاری، جمع سپاری غیرفعال می گویند. به عنوان مثال، مردم اکنون اطلاعات جغرافیایی را به عنوان منابع جدید اطلاعات جغرافیایی در هر زمان از طریق فلیکر، توییتر، فیس بوک و اینستاگرام مصرف می کنند و تولید می کنند.

۲٫۲٫ تخصیص آنلاین در حالت دسته ای

کاظمی و همکاران [ ۱۷ ] ابتدا روش دسته‌ای را برای حل مشکل تخصیص کار جمع‌سپاری فضایی به کار برد و سه راه‌حل برای مشکل حداکثر کاردینالیته در حالت دسته‌ای پیشنهاد کرد: استراتژی حریصانه (GR)، اولویت آنتروپی مکان اجاره (LLEP)، و استراتژی اولویت نزدیک‌ترین همسایه. (NNP). اگرچه آنها به وضوح و به طور کامل روش‌های تطبیق خاص، وظایف فضایی و مشارکت کارگران جمع‌سپاری در تطابق را در بازه‌های زمانی ثابت توصیف کردند، اما تأثیر طول بازه (اندازه دسته) را بر عملکرد تطبیق در نظر نگرفتند.

در چارچوب زمان‌بندی مبتنی بر پردازش دسته‌ای، وانگ و همکاران. [ ۴۶ ] روش یادگیری تقویتی یادگیری Q را برای تغییر انطباقی اندازه دسته ای اتخاذ کرد و نتایج تحلیل نظری را ارائه داد که نسبت رقابت را تضمین می کرد. متفاوت از وانگ و همکاران، که بر کاربرد کلی پلتفرم تمرکز داشتند، Qian و همکاران. [ ۲۴ ] روی تأثیرات تجربه کاربر و عرضه و تقاضا بر روی دسته بندی متمرکز شد. آنها مسئله MAB را وارد مکانیسم بچینگ کردند و روش ϵ -greedy را بهبود بخشیدند. در کار خود، ما به طور جامع الزامات درخواست‌ها، کارگران جمع‌سپاری و پلتفرم‌ها را در نظر می‌گیریم و با ایجاد اهداف بهینه‌سازی معقول، مزایای همه این جنبه‌ها را متعادل و بهبود می‌بخشیم. سان و همکاران [۴۷ ] ابتدا تعداد وظایف فضایی آینده و کارگران جمع‌سپاری را از طریق مدل یادگیری عمیق GRU پیش‌بینی کرد و سپس استراتژی دسته‌بندی تطبیقی مبتنی بر DQN و DDQN را برای حل مشکل تخصیص کار مطالعه کرد. برای کاربردهای خاص جمع‌سپاری فضایی و کاربردهای سواری، Qin و همکاران. [ ۲۱ ] مجموعه ای از روش ها را بر اساس یادگیری تقویتی برای غلبه بر مشکلات بعدی نفرین و پاداش پراکنده سفارشی کرد. در همین حال، این کار همچنین راه حلی برای تعادل تقسیم فضایی بین خطای نمایش حالت تطبیق ناهمزمان و شکاف بهینه ارائه کرد. وانگ با هدف مشکل تطبیق تنگنا [ ۴۸] یک استراتژی نگهداری تطبیقی مبتنی بر یادگیری تقویتی پیشنهاد کرد و نتایج نظری الگوریتم تصادفی مرز عملکرد را ارائه کرد. با توجه به ویژگی های دینامیکی وظایف فضایی و ورود کارگران جمع سپاری، ثابت نبودن اندازه دسته بهینه به طور کامل در تحقیق فوق در نظر گرفته نشده است. با ردیابی تغییرات دینامیکی اندازه دسته بهینه، اثر تخصیص وظیفه جمع سپاری فضایی را می توان بهینه کرد.

۲٫۳٫ راهزن چند مسلح (MAB)

مسئله MAB یک مسئله کلاسیک در نظریه احتمال است که به دسته یادگیری تقویتی تعلق دارد. مشکل به شرح زیر است: یک قمارباز وارد یک کازینو می شود و با یک دستگاه قمار روبرو می شود بازوها او از قبل سود واقعی هر بازو را نمی داند. هر بار که بازی می کند، می تواند یک دستش را پایین بکشد و سود دریافت کند. او باید هر بار یک بازو را انتخاب کند تا حداکثر بازده (یا حداقل پشیمانی) را برای دور بدست آورد .

با تنظیم ثابت [ ۴۹ ، ۵۰ ، ۵۱ ]، توزیع پاداش از هر بازو در همه دور ثابت است یک راه ساده و موثر برای مقابله با مشکل این است -حریص. بازوی بهینه (به نام “استثمار”) را با احتمال ۱- انتخاب می کند. و به طور تصادفی بازویی را انتخاب می کند (به نام “اکتشاف”) با احتمال . محدودیت این روش این است که احتمال انتخاب همه سلاح ها در حین اکتشاف برابر است و از اطلاعات پاداش مشاهده شده به طور کامل استفاده نمی شود. حد بالای اطمینان (UCB) [ ۵۲ ، ۵۳ ، ۵۴ ، ۵۵ ، ۵۶ ] یک استراتژی خوش بینانه برای مقابله با محیط های نامطمئن است. حد بالایی اطمینان با شمارش زمان های انتخابی هر بازو محاسبه می شود و این الگوریتم می تواند مقدار پشیمانی را بدست آورد. . محدودیت این روش این است که باید حد بالایی فاصله اطمینان هر بازو را محاسبه و به روز کرد. وقتی تعداد بازوها خیلی زیاد باشد، هزینه محاسباتی بسیار زیاد است. نمونه گیری تامپسون [ ۵۷ , ۵۸ , ۵۹ , ۶۰ , ۶۱] اولین بار توسط تامپسون در سال ۱۹۳۳ مطرح شد که به عنوان نمونه برداری پسین و تطبیق احتمال نیز شناخته می شود. ایده اصلی آن این است: اولاً فرض کنید که پارامتر توزیع پاداش هر بازو یک توزیع قبلی ساده است و سپس بازوی بهینه را با توجه به احتمال به روز شده پسین انتخاب کنید. الگوریتم نمونه برداری تامپسون به خوبی کار می کند، اما عملکرد آن در مسائل حساسیت زمانی ضعیف است. اگرچه تحقیقات فراوان و مؤثری در مورد الگوریتم‌های MAB در محیط‌های ثابت انجام شده است، روش‌های زیادی هنوز برای محیط‌های غیر ثابت واقعی‌تر در حال بررسی هستند.

در شرایط غیر ثابت، توزیع پاداش از هر بازو در دور ممکن است در طول زمان تغییر کند. کائو و همکاران [ ۶۲ ] تغییرات در محیط را با تشخیص تغییرات در مقدار متوسط تجربه پاداش بازو درک کرد. آنها الگوریتم M-UCB را توسعه دادند که روش UCB را با یک جزء تشخیص نقطه تغییر بر اساس پنجره کشویی (SW) ترکیب کرد و مشکل MAB را با پایداری تکه‌ای حل کرد. این روش از یک الگوریتم تشخیص تغییر برای نظارت بر تغییرات محیطی و اجرای مجدد راه اندازی استفاده می کند که یک استراتژی تطبیقی فعال است. استراتژی دیگر به عنوان استراتژی تطبیقی منفعل شناخته می شود. تروو و همکاران [ ۶۳ ] از روش نمونه برداری تامپسون (SW-TS) در SW برای مقابله با دو شکل مختلف محیط غیر ثابت استفاده کرد: تغییر ناگهانی و تغییر صاف به روشی یکپارچه. این روش از توزیع پاداش بازوی به روز رسانی اطلاعات در آخرین بار استفاده می کندn دور کاونقی و همکاران [ ۶۴ ] سه نسخه از الگوریتم F-DSW TS را پیشنهاد کرد: نسخه بدبینانه، نسخه خوش بینانه و نسخه متوسط. عامل تخفیف و روش SW به تابع پاداش اضافه شد، که نه تنها تأثیر جوایز اخیر را افزایش داد، بلکه تأثیر جوایز تاریخی را نیز حفظ کرد، تا به هدف ردیابی تطبیقی تخصیص جوایز بهینه دست یابد.

رانش مفهومی [ ۶۵ ، ۶۶ ، ۶۷ ، ۶۸ ، ۶۹ ] به تغییر غیرقابل پیش بینی ویژگی های آماری متغیرهای هدف اشاره دارد که مدل سعی می کند با گذشت زمان پیش بینی کند. وجود رانش مفهومی نتیجه پیش‌بینی را نادرست می‌کند و در نتیجه تصمیمی بهینه نمی‌شود [ ۷۰ ]]. در این مطالعه، ما پیشنهاد می کنیم که توزیع پاداش بازو در طول زمان تغییر می کند. رانش مفهومی دارای چهار نوع زیر است: (۱) رانش ناگهانی که به طور ناگهانی در مدت زمان کوتاهی رخ می دهد و مفهوم جدید جایگزین مفهوم قبلی می شود. (۲) رانش تدریجی، که در آن مفهوم جدید به تدریج در یک دوره زمانی جایگزین مفهوم قدیمی می شود. (۳) رانش افزایشی: مفهوم قدیمی به تدریج در یک دوره زمانی به مفهوم جدید تبدیل می شود. (۴) رانش مجدد: مفهوم قدیمی پس از مدتی دوباره ظاهر می شود.

۳٫ بیان مشکل

در این بخش، ما تعریف اولیه تخصیص وظیفه جمع سپاری فضایی را ارائه می دهیم و سپس به طور رسمی هدف بهینه سازی تخصیص کار را تعریف می کنیم.

۳٫۱٫ تعاریف مربوط به تخصیص SC

تعریف ۱

(درخواست کننده) . درخواست‌کننده ابتدا کار را طراحی می‌کند و محدودیت‌هایی را که باید هنگام اجرای کار برآورده شوند، تعیین می‌کند و سپس آن را در بستر جمع‌سپاری فضایی منتشر می‌کند و منتظر می‌ماند تا کارگران جمع‌سپاری کار را بپذیرند.

تعریف ۲

(کارگر) . کارگر جمع‌سپاری مشارکت‌کننده در فرآیند تخصیص وظایف جمع‌سپاری فضایی است. پس از قبول تکلیف لازم است در اسرع وقت برای انجام وظیفه فضایی به یک مکان جغرافیایی خاص حرکت کند. یک کارگر توسط .

نشان دهنده مهر زمانی است که در آن ظاهر می شود مختصات جغرافیایی با توجه به اینکه در کاربردهای عملی، کارگران (مانند رانندگان تاکسی) تمایل به حرکت پویا دارند و مختصات جغرافیایی آنها دائماً در حال تغییر است، فرض می‌کنیم که اگر در مدت معینی به کارگری تکلیف مناسبی محول نشود، کارگر باید به روز شود. موقعیت جغرافیایی او و زمان ظهور مربوطه ، و سپس به عنوان یک کارگر جدید روی سکو ظاهر می شود، یعنی ناپدید می شود و ظاهر می شود.
سرعت حرکت کارگران به محل کار را نشان می دهد.
و به ترتیب نشان دهنده طول و عرض جغرافیایی موقعیت جغرافیایی کارگران در .
به این معنی است که کارگران جمع سپاری نزدیک به مختصات جغرافیایی هستند در این دوره، و هنوز هم می توانند از این مختصات برای بیان موقعیت جغرافیایی خود استفاده کنند. شایان ذکر است که اگر کارگران جمع سپاری نتوانند وظیفه مناسبی را برای مطابقت در طول آن بیابند ، آنها مجدداً در فرآیند تطبیق پلت فرم در یک مهر زمانی جدید و یک مکان جدید شرکت خواهند کرد.
نشان دهنده شعاع سفارش قابل قبول برای کارگران جمع سپاری است. اگر فاصله سفارش از شعاع قابل قبول بیشتر شود، فکر می کنیم که موقعیت وظیفه خیلی دور است و ارسال بی پروا تجربه هر دو طرف را به شدت کاهش می دهد.

تعریف ۳

(وظیفه فضایی) . متفاوت از وظایف سنتی، وظایف فضایی حاوی اطلاعات جغرافیایی است و نیاز به حضور کارگران جمع سپاری در محل ماموریت دارد. یک کار توسط تعریف می شود .

نشان دهنده زمان انتشار وظیفه است، یعنی زمانی که کار به سرور می رسد.
و نشان دهنده طول و عرض جغرافیایی موقعیت جغرافیایی کار است.
مدت زمان کار را نشان می دهد و مهر زمان انقضای کار است.
نشان دهنده توصیف خاص وظیفه فضایی است. در کاربرد ارسال سفارش تاکسی، توضیحات خاص آن عمدتاً از مقصد مشتری تشکیل شده است. ، جایی که نشان دهنده عرض جغرافیایی مقصد کار و طول جغرافیایی مقصد کار را نشان می دهد.

تعریف ۴

(تطبیق سه گانه) . سه گانه منطبق شامل کارگران جمع سپاری، وظایف مکانی و زمان تخصیص است، یعنی . زمان تطبیق کار فضایی است و کارگر .

۳٫۲٫ تعاریف مسئله

تعریف ۵

(اندازه دسته) . اندازه دسته با نشان داده می شود ، به این معنی که پلتفرم وظایف را هر b واحد زمانی یک بار اختصاص می دهد. نشان دهنده فاصله زمانی بین -ام و تکالیف -ام. دسته ثابت به این معنی است که اندازه دسته یک مقدار ثابت است و با تغییر جریان ورودی داده تغییر نخواهد کرد. . دسته متغیر به این معنی است که اندازه دسته با تغییر جریان ورودی داده افزایش یا کاهش می یابد. یک مجموعه دسته ای است که اندازه هر دسته را ثبت می کند. به صورت بیان می شود .

تعریف ۶

(زمان انتظار) . در این مقاله، ما عمدتاً بر وظیفه جمع‌سپاری فضایی سواری-هیلینگ تمرکز می‌کنیم. بنابراین، زمان انتظار در این سناریو از سه مرحله عبور می کند: (۱) اولاً درخواست کننده تکلیف فضایی را صادر می کند. ; (۲) سپس، در فرآیند تخصیص کار، پلت فرم یک کارگر جمع سپاری مناسب پیدا می کند برای درخواست کننده؛ (۳) در نهایت، کارگر جمع سپاری درخواست کننده را در مهر زمانی دریافت می کند . زیرنویس که در نشان دهنده مهر زمانی است که درخواست کننده با کارگر جمع سپاری ملاقات می کند و انتظار را به پایان می رساند.

زمان انتظار درخواست کننده از دو بخش تشکیل شده است: (۱) زمان انتظار برای تعیین تکلیف، یعنی تفاوت بین زمان تعیین تکلیف و زمان انتشار به صورت بیان می شود. . (۲) زمان دریافت انتظار مصرف شده توسط کارگران جمع سپاری برای دریافت درخواست کنندگان، یعنی نسبت فاصله مکانی به سرعت، به صورت بیان شده است. . نشان دهنده فاصله بین وظیفه فضایی و کارگر است. بنابراین، کل زمان انتظار درخواست کننده به صورت تعریف می شود

(۱)

تعریف ۷

(پاداش سفارش) . پاداش سفارش به سودی اشاره دارد که کارگران جمع سپاری می توانند هنگام تکمیل کار فضایی به دست آورند. در کاربرد راید-هیلینگ، پاداش کارگران اغلب با فاصله تا مقصدشان مرتبط است. بنابراین، ما از فاصله برای بیان پاداش سفارش استفاده می کنیم که با نمایش داده می شود

(۲)

تعریف ۸

(میزان موفقیت تخصیص) . برای پلتفرم‌های جمع‌سپاری، هرچه وظایف بیشتری را به خود اختصاص دهند، می‌توانند مزایای بیشتری کسب کنند. ما استفاده می کنیم برای نشان دادن میزان موفقیت تخصیص، که در آن و به ترتیب مجموعه وظایف فضایی و مجموعه جفت تطبیق را پس از تکمیل همه کارها نشان می دهد و معنای تابع شمارش شمارش تعداد کل مجموعه ها است.

تعریف ۹

(مطابق ابزار) . درخواست‌کنندگان، کارگران و پلتفرم‌ها سه طرف مرتبط تخصیص وظیفه جمع‌سپاری فضایی هستند و اهمیت متفاوتی به عوامل تخصیص می‌دهند. در کاربرد ride-hailing، درخواست کننده امیدوار است که کارگر جمع سپاری در اسرع وقت راننده را تحویل گرفته و زمان انتظار را کاهش دهد. کارگران جمع سپاری به احتمال زیاد به سفارش های راه دور اختصاص داده می شوند که باعث افزایش درآمد و کاهش نرخ بیکاری خودروها می شود. این پلتفرم امیدوار است نرخ موفقیت تطبیق را بهبود بخشد، نیازهای طرف عرضه و تقاضا را برآورده کند و سود بیشتری به دست آورد. در این مقاله، امتیاز ابزار تطبیق به طور جامع مزایای سه طرف را با استفاده از سه عامل اندازه‌گیری می‌کند: زمان انتظار کاربر، پاداش سفارش و میزان موفقیت تخصیص.

ارزش وزنی:

زمان انتظار کاربر:
پاداش سفارش:
میزان موفقیت تطبیق:

عملکرد نرمال شده:

دو دلیل برای استفاده از تابع نرمال سازی در اینجا وجود دارد: اول اینکه نرمال سازی می تواند بیان ابعادی را به عبارت بدون بعد تبدیل کند. داده های نرمال شده به همان ترتیب بزرگی هستند. می تواند تأثیر ابعاد و واحدهای ابعادی بین شاخص ها را از بین ببرد. در مرحله دوم، نرمال سازی می تواند داده ها را به اعشار بین (۰، ۱) تبدیل کند، که برای پردازش داده ها راحت است.

عملکرد عادی سازی زمان انتظار :
تابع عادی سازی پاداش سفارش :
میزان موفقیت تطبیق تابع عادی سازی :

به منظور حفظ سازگاری با سایر شاخص‌ها، ما همچنین نرمال‌سازی را برای میزان موفقیت محاسبه کردیم، جایی که مقدار پیش‌فرض از آن است ۱ است و مقدار پیش فرض آن است ۰ است.

امتیاز سودمندی یک مسابقه با فرمول زیر محاسبه می شود:

(۳)

شایان ذکر است که زیرنویس مثل این هست که که در در بالا. زیرنویس که در نشان دهنده مهر زمانی است که درخواست کننده با کارگر جمع سپاری ملاقات می کند و انتظار را به پایان می رساند.

نمره کل سودمندی با فرمول زیر محاسبه می شود که در آن مطلوبیت متوسط است و وزن است .

(۴)

(۵)

تعریف ۱۰

(مشکل تخصیص آنلاین در حالت دسته ای، OAPB) . در یک سناریوی ایستا (همچنین به عنوان سناریوی آفلاین نیز شناخته می‌شود)، فرض بر این است که پلتفرم از ابتدا تمام اطلاعات مکانی-زمانی شرکت‌کنندگان، از جمله زمان رسیدن و مکان وظایف و کارگران را می‌داند. متفاوت از یک سناریوی آفلاین، یک سناریوی آنلاین بیشتر سناریوهای واقعی جمع‌سپاری فضایی را نشان می‌دهد، که در آن وظایف مکانی و کارگران جمع‌سپاری به صورت پویا وارد می‌شوند و اطلاعات مکانی و زمانی آنها را نمی‌توان از قبل قبل از پایان زمان به دست آورد. با توجه به اطلاعات محدود به دست آمده توسط الگوریتم حریصانه تطبیق فوری، ما جریان زمانی را به مجموعه برش دادیم. با پردازش دسته ای هدف یک مشکل تخصیص آنلاین در حالت دسته ای یافتن مجموعه ای از جفت های منطبق است برای به حداکثر رساندن ابزار تطبیق .

(۶)

۴٫ الگوریتم تخصیص وظایف مبتنی بر دسته بندی ریز (FGBTA)

در این بخش ابتدا ایده اولیه دسته بندی دانه بندی ریز را معرفی می کنیم و سپس الگوریتم FGBTA را با یک الگوریتم تطبیق درون دسته ای برای حل مشکل تخصیص آنلاین در حالت دسته بندی طراحی می کنیم.

۴٫۱٫ ایده پایه

فرآیند تعیین تکلیف در حالت دسته ای شامل دو مرحله است. اولاً، ما برای تعیین تکلیف عجله نداریم و به طور فعال زمان تصمیم‌گیری را به تأخیر می‌اندازیم، و به کارگران اجازه می‌دهیم تا حد امکان اطلاعات فضایی را به دست آورند. در عین حال، زمان تاخیر باید سرکوب شود تا از طولانی شدن زمان انتظار کار جلوگیری شود. ثانیاً، هنگامی که اندازه دسته تعیین می شود، وظایف مکانی و کارگران جمع سپاری در دسته می توانند به عنوان گره ها برای ساخت یک نمودار دوبخشی استفاده شوند و الگوریتم کوهن-مونکرس (KM) برای حل تطابق بهینه استفاده می شود. از آنجایی که مورد دوم را می توان با استفاده از الگوریتم حداکثر جریان کلاسیک یا الگوریتم مجارستانی حل کرد، تمرکز ما بر تعیین زمان بندی بچینگ مناسب است.

شکل ۱ معماری کلی الگوریتم را نشان می دهد. پارامترها و مقادیر بازگشتی در چهار بلوک مستطیلی بزرگ منتقل می‌شوند که به ترتیب از الگوریتم‌های MAB ϵ-greedy، batching ریز دانه، KM و SW استفاده می‌کنند. این چهار قسمت را یکی یکی معرفی می کنیم.

اجرای الگوریتم ϵ -greedy MAB: الگوریتم اندازه دسته اختیاری را با احتمال ϵ بررسی می کند و از اندازه دسته بهینه با احتمال ۱- ϵ استفاده می کند. کادر مستطیلی خاکستری در کادر الگوریتم ϵ -greedy MAB فهرستی از اندازه دسته اختیاری ذخیره شده را نشان می دهد. دایره نشان دهنده اندازه دسته اختیاری و دایره زرد نشان دهنده اندازه دسته بهینه است. الگوریتم یک اندازه دسته ای را برمی گرداند به عنوان ورودی الگوریتم بعدی.
الگوریتم بچینگ ریز دانه را اجرا کنید:
- اولین مرحله تقسیم اندازه دسته به دست آمده است به قطعات.
- مرحله دوم، هر بار که از این مرحله می گذرد، الگوریتم منتظر می ماند چند ثانیه برای ورود به وظایف فضایی جدید و کارگران جمع سپاری. جعبه کوچک در گوشه سمت چپ بالای جعبه بچینگ ریز دانه این فرآیند را بیان می کند. هر قطعه پازل آبی در صف سمت چپ نشان دهنده یک کار فضایی است و هر قطعه پازل زرد رنگ در صف سمت راست نشان دهنده یک کارگر جمع سپاری است.
- مرحله سوم استفاده از الگوریتم حریص برای انجام شبه تطبیق و محاسبه مطلوبیت است. در فرآیند تطبیق شبه، ما از اصل اولین خدمت برای یافتن کارگران جمع سپاری مناسب برای وظایف استفاده می کنیم. جعبه در گوشه سمت چپ پایین جعبه بچینگ ریز دانه این فرآیند را بیان می کند. قسمت بالای جعبه نشان دهنده وظایف و کارگران موجود است و اعداد ترتیبی در قطعات پازل نشان دهنده ترتیب رسیدن آنها به سکو است. قسمت پایین روند تطبیق الگوریتم را نشان می دهد. وظیفه ۱ ابتدا می رسد، ابتدا انتخاب می کند و کارگر جمع سپاری ۳ را انتخاب می کند. سپس، هنوز دو گزینه برای کار ۲ وجود دارد و کارگر جمع سپاری ۲ را انتخاب می کند. در نهایت، تنها کارگر جمع سپاری ۱ برای کار ۳ موجود است و فقط می تواند جمع سپاری را انتخاب کند. کارگر ۱٫
- مرحله چهارم، اگر ابزار دسته ای محاسبه شده کاهش نیابد، به این معنی که وظایف و کارگران جمع سپاری بیشتری را می توان در دسته ذخیره کرد، به مرحله دوم باز می گردد. اگر کاربرد دسته کاهش یابد، داده های جمع سپاری بیشتری را نمی توان در دسته ذخیره کرد و الگوریتم بعدی وارد می شود. این فرآیند در جعبه قضاوت در سمت راست جعبه بچینگ ریز دانه بیان می‌شود، که برای قضاوت در مورد کاهش کاربرد دسته‌ای استفاده می‌شود. اگر نه، به مرحله دوم بازگردید. در غیر این صورت الگوریتم بعدی را وارد کنید.
اجرای الگوریتم KM: اجرای الگوریتم KM: این یک فرآیند تطبیق دو بخشی است. قطعات پازل آبی سمت چپ در کادر KM وظایف فضایی موجود را نشان می‌دهند و قطعات پازل زرد در سمت راست نشان‌دهنده کارگران جمع‌سپاری موجود هستند. یک قطعه کمتر از پازل در سمت راست برای نشان دادن اینکه تعداد گره های چپ و راست در صحنه تخصیص کار واقعی اغلب نابرابر است استفاده می شود.
اجرای الگوریتم SW برای به‌روزرسانی ابزار دسته‌ای: برای یک محیط غیر ثابت، روش SW امتیازهای ابزار کوتاه‌مدت دسته‌ها را حفظ می‌کند تا اثرات نامطلوب ناشی از کاربرد تاریخی را حذف کند. خط زمانی سمت چپ در SW نشان دهنده گذر زمان است. با گذشت زمان، ابزار جدید وارد صف می شود. جعبه متحرک زرد نشان دهنده پنجره کشویی و طول جعبه متحرک نشان دهنده طول پنجره کشویی است. لغزش پنجره به سمت راست به معنای دریافت داده های جدیدتر است.

در استناد [ ۲۴]، نویسنده یک روش دسته‌بندی تطبیقی مبتنی بر MAB برای انطباق با تغییر عرضه و تقاضای بلادرنگ پیشنهاد کرد. سرعت اکتشاف این الگوریتم به طور مداوم کاهش می یابد. اگرچه این عمل می‌تواند به انتخاب دسته‌های کارآمد در شرایط پایدار تمایل داشته باشد، اما زمانی که اندازه بهینه دسته تغییر کند، منجر به اثر تخصیص ضعیف می‌شود. به منظور ردیابی تغییرات دینامیکی اندازه دسته بهینه، یک الگوریتم MAB ناپایدار را برای انجام وظایف دسته‌ای معرفی می‌کنیم و از SW برای حفظ ابزار دسته‌ای اخیر استفاده می‌کنیم. علاوه بر این، اگر تعداد زیادی از دسته ها در الگوریتم MAB وجود داشته باشد، سربار الگوریتم بسیار افزایش می یابد. انواع دسته ها بسیار کم و بسیار پراکنده هستند که بر دقت دسته ها تأثیر می گذارد و در نتیجه اثر تخصیص وظایف ضعیفی دارد.

بنابراین، تمرکز پژوهشی این مقاله تصمیم گیری دقیق در چارچوب MAB است. ما اندازه دسته پیش بینی شده را تقسیم می کنیم به زیر محدوده ، زمانی که زمان به پایان یک زیر محدوده خاص می رسد، از الگوریتم حریص برای تقریب الگوریتم KM برای تطبیق شبه استفاده می کنیم. الگوریتم حریصی که در اینجا استفاده می‌شود، برخلاف الگوریتم حریص تطبیق فوری، با تابع ابزار دسته‌ای کار می‌کند. می توان مشاهده کرد که با افزایش اندازه دسته ای، میانگین مطلوبیت تطبیق روند کلی افزایش نوسانی اولیه و سپس کاهش نوسانی دارد. از آنجایی که زمان نمی‌تواند به عقب برگردد، نقطه تصمیم را در زمانی قرار می‌دهیم که ابزار برای اولین بار کاهش می‌یابد، و سپس از الگوریتم KM برای انجام رسمی تطابق برای به دست آوردن بالاترین سود ممکن استفاده می‌کنیم.

۴٫۲٫ الگوریتم دسته بندی ریز دانه

از نظر دانه بندی ریز، مجموعه ای از اندازه های دسته ای قابل انتخاب را با توجه به زمان انقضا طراحی می کنیم از وظیفه از آنجایی که حداقل فاصله زمانی یک ثانیه است، وجود دارد انواع دسته هایی که می توانند انتخاب شوند اگر طراحی هر یک ثانیه انجام شود، که بسیار گران است. بنابراین، ما دسته های اختیاری را در فواصل زمانی مشخص تنظیم می کنیم. با فرض اینکه طول فاصله است ، مجموعه ای از اندازه دسته اختیاری است . سپس از الگوریتم MAB برای پیش‌بینی اندازه دسته مناسب استفاده می‌کنیم و آن را به چند دوره زمانی تقسیم کنید . با گذشت زمان در دنیای واقعی، پلتفرم وظایف فضایی و کارگران جمع‌سپاری را جمع‌آوری می‌کند، از تطبیق شبه الگوریتم ۱ استفاده می‌کند و سودمندی را با توجه به نتایج شبه تطبیق محاسبه می‌کند. در این مقاله، کاربرد دسته ای، امتیاز سودمندی اندازه دسته است. روند محاسبه ابزار دسته ای به شرح زیر است:

(۷)

جایی که امتیاز سودمندی تطبیق یک جفت است، نشان دهنده امتیاز ابزار اندازه دسته است، نشان دهنده تمام جفت های منطبق تشکیل شده در این دسته است، نشان دهنده تعداد تمام جفت های منطبق است، نشان دهنده اندازه دسته این دسته است، یک پارامتر قابل تنظیم است.

آخرین ترم به عنوان یک اصطلاح جریمه برای جلوگیری از انتخاب اندازه دسته ای که بیش از حد طولانی است استفاده می شود. ظاهراً، هرچه اندازه دسته طولانی‌تر باشد، اطلاعات بیشتری می‌توان به دست آورد و با تطبیق در اندازه دسته، امتیاز مفیدتری را به دست آورد. با این حال، بسیاری از کارهایی که مدت‌ها منتظر آن بودند و کارگران جمع‌سپاری باطل می‌شوند، که بر اثر تخصیص کلی تأثیر می‌گذارد، بنابراین افزودن موارد جریمه برای تخصیص کلی کار مفید است.

در نهایت، زمانی که مطلوبیت افزایش می‌یابد و شروع به کاهش می‌کند، به طور کلی، ما فکر می‌کنیم که نقطه تصمیم‌گیری بهینه گذشته است و در اینجا نزدیک‌ترین موقعیت موجود به نقطه بهینه است. بنابراین، تطبیق واقعی الگوریتم KM را در این مرحله انجام می دهیم.

الگوریتم ۱ تطبیق شبه با الگوریتم حریص

ورودی : یک مجموعه از ترتیب وظایف بر اساس مُهر زمانی، مجموعه ای از کارگران
خروجی : مقدار کاربرد اندازه دسته ای
۱: مجموعه تطبیق اولیه درون دسته ای ;
۲: برای که در :
۳: کارگر پیدا کنید برای به حداکثر رساندن امتیاز سودمندی از جانب
۴: حذف کنید از جانب
۵:
۶: مقدار ابزار اندازه دسته را محاسبه کنید با ست کبریت ;
۷: بازگشت ;

الگوریتم ۱ از الگوریتم حریص برای ایجاد شبه تطبیق آزمایشی برای تقریب الگوریتم مجارستانی برای یافتن اندازه دسته ای استفاده می کند که کاربرد دسته ای را به حداکثر می رساند. ابتدا با توجه به ترتیب ورود کارها، کارگر جمع سپاری با حداکثر سودمندی برای هر کار انتخاب می شود (خط ۳)، سپس کارگر حذف می شود (خط ۴) تا دوباره کارگر انتخاب نشود، سپس مطابقت به کار اضافه می شود. کل مجموعه تطبیق (خط ۵)، و در نهایت ابزار دسته ای محاسبه می شود (خط ۶).

ما از یک مورد برای توضیح بچینگ ریز دانه استفاده می کنیم. لطفاً شکل ۲ را ببینید .

با فرض اینکه اندازه بهینه دسته فعلی ۲۰ ثانیه باشد، اندازه دسته پیش بینی داده شده توسط الگوریتم MAB 40 ثانیه است و اندازه بازه (مرحله اکتشاف) س

در ابتدا، الگوریتم ۱۰ ثانیه اول وظایف فضایی و کارگران جمع سپاری را جمع آوری کرد و با استفاده از تطبیق شبه به یک ابزار دسته ای ۰٫۶ دست یافت. هدف شبه تطبیق فقط محاسبه سود دسته ای است و سه گانه منطبق را تشکیل نمی دهد. سپس ۱۰ ثانیه داده بعدی جمع آوری شد و به مجموعه وظایف و مجموعه کارگر اضافه شد و سود دسته ای ۰٫۷ به دست آمد. به دلیل افزایش کاربرد دسته ای، ما به کاوش ادامه دادیم. هنگامی که اندازه دسته به ۳۰ ثانیه می رسد، کاربرد دسته ای منطبق برای وظایف فضایی و کارگران جمع سپاری در پلت فرم جمع سپاری ۰٫۶۵ است، که در مقایسه با ۰٫۷ زمانی که اندازه دسته ۲۰ ثانیه است، شروع به کاهش می کند. اگرچه می دانیم که وقتی اندازه دسته ۲۰ ثانیه است، ابزار بهتر است، نمی توانیم زمان را به عقب برگردانیم. وظایف و کارگران در دسته منتظر بوده اند،

۴٫۳٫ استفاده از رویکرد پنجره کشویی (SW) برای مقابله با تنظیمات غیر ثابت

برای محیط غیر ثابت، ما از روش SW برای حفظ امتیاز کوتاه‌مدت اندازه دسته و حذف اثرات نامطلوب ناشی از مطلوبیت تاریخی بسیار طولانی استفاده می‌کنیم.

ما از یک صف اندازه استفاده می کنیم (در اینجا مسیر داغ نامیده می شود) در هر اندازه دسته برای ذخیره امتیاز ابزار اخیر . هنگام انتخاب اندازه دسته بهینه، مقدار متوسط از امتیاز سودمندی برای نشان دادن ابزار فعلی اندازه دسته استفاده می شود تا بچ بهینه را در نقطه زمانی فعلی ردیابی کند. فرمول محاسبه از است:

(۸)

در نهایت FGBTA را در الگوریتم ۲ ارائه می کنیم.

الگوریتم ۲ الگوریتم تخصیص وظایف مبتنی بر دسته بندی ریزدانه با در نظر گرفتن تنظیمات غیر ثابت

ورودی : یک مجموعه از وظایف، یک مجموعه از کارگران، مهر زمانی تنظیم شده است ، نرخ اکتشاف ، پارامتر قابل تنظیم ,
خروجی : ردیابی انتخاب اندازه دسته ای کل جریان داده
۱: مقدار اولیه اکتشاف ، مجموعه وظایف خالی است ، کارگران خالی مجموعه ، اندازه دسته = ۰، مجموعه دسته ای اختیاری ;
۲: مقدار اولیه ردیابی داغ در هر اندازه اختیاری برای ثبت اخیر مقدار ابزار اندازه دسته ای، مجموعه مسابقات ;
۳: هنگام دریافت مهر زمانی انجام دهید :
۴: اگر سپس :
۵: کاوش: ;
۶: else
۷: اندازه دسته بهینه را با میانگین مقدار ردیابی داغ پیدا کنید ;
۸: بهره برداری: ;
۹: پایان
۱۰: مجموعه فاصله: ;
۱۱: مقداردهی اولیه ، ;
۱۲: برای فاصله در :
۱۳: جمع آوری وظایف و کارگران از جانب ;
۱۴: الگوریتم ۱ را اجرا کنید و مقدار ابزار اندازه دسته ای را دریافت کنید با فرمول (۷) و (۸)؛
۱۵: اگر :
۱۶:
۱۷ : شکستن
۱۸: else :
۱۹: ;
۲۰: پایان
۲۱: برای کارهای ورودی و کارگران ورودی که در do :
۲۲: جمع آوری وظایف و کارگران: ;
۲۳: اجرای الگوریتم انتساب وظیفه و ، ;
۲۴: اندازه دسته ای را پیدا کنید کدام نزدیک به پله
۲۵: مقدار کاربرد اندازه دسته ای را دریافت کنید با فرمول (۷) و (۸)؛
۲۶:
۲۷: اگر :
۲۸: حذف اولین عنصر از
۲۹: پایان
۳۰: ;

الگوریتم ۲ الگوریتم FGBTA را توصیف می کند. ابتدا، نرخ اکتشاف، مجموعه اندازه دسته اختیاری، مجموعه تطبیق و مسیر حرارتی دسته اختیاری (خط ۱-۲) را مقداردهی اولیه می کنیم. سپس، از روش ϵ-greedy برای انتخاب یک اندازه دسته تصادفی یا اندازه دسته بهینه فعلی (خط ۴-۹) استفاده کنید. سپس از الگوریتم حریص با هزینه زمانی کم برای تطبیق شبه استفاده می شود. هنگامی که ابزار دسته ای برای اولین بار کاهش می یابد، اندازه مرحله در این زمان به عنوان اندازه دسته واقعی بعدا انتخاب می شود (خط ۱۰-۲۰). در نهایت، الگوریتم تطبیق مجارستانی برای محاسبه ابزار واقعی دسته ای و به روز رسانی مسیر داغ، مجموعه تطبیق و مهر زمانی فعلی (خط ۲۱-۳۰) انجام می شود.

۵٫ مطالعه تجربی

در این قسمت از الگوریتم پیشنهادی FGBTA برای انجام آزمایش‌ها بر روی مجموعه داده‌های مصنوعی و مجموعه داده‌های واقعی استفاده می‌کنیم و نتایج تجربی را نشان می‌دهیم.

۵٫۱٫ راه اندازی آزمایشی

در آزمایش، ما از هر دو مجموعه داده مصنوعی و واقعی استفاده کردیم.

دو مجموعه داده واقعی وجود دارد:

داده‌های سفارش آنلاین غیرحساسیت‌زدایی شده خودرو از رقابت برنامه‌های باز و نوآورانه امنیت داده بزرگ Xiamen [ ۷۱ ] آمده است. بازه زمانی از ۳۱ مه ۲۰۱۹ تا ۹ ژوئن ۲۰۱۹، و محدوده مکانی از عرض جغرافیایی ۲۴٫۲ درجه تا ۲۴٫۸ درجه، طول جغرافیایی ۱۱۷٫۷ درجه تا ۱۱۸٫۷ درجه، با کل داده ۳,۰۲۷,۴۸۸ قطعه است. با توجه به اطلاعات سفارش آنلاین خودرو در Xiamen در تاریخ ۱ ژوئن ۲۰۱۹، ما نقشه حرارتی توزیع سفارش را ترسیم کردیم. هرچه رنگ در افسانه قرمزتر باشد، عدد بزرگتر است، که نشان دهنده تراکم سفارش بالاتر است. نقشه حرارتی در شکل ۳ الف نشان داده شده است.
داده های سفارش تاکسی حساسیت زدایی شده از طرح بازگشایی داده های Gaia [ ۷۲ ] آمده است. محدوده زمانی از ۱ نوامبر ۲۰۱۶ تا ۳۰ نوامبر ۲۰۱۶ است. محدوده فضا از عرض جغرافیایی ۳۰٫۵۷۱۵۳۲ درجه تا ۳۰٫۷۹۱۹۱۹ درجه و طول جغرافیایی ۱۰۳٫۹۳۸۲۱۵ درجه تا ۱۰۴٫۲۱۵۳۴ درجه است. مقدار کل داده ها ۶۸۴۴۲۵۳ است. طبق داده های سفارش تاکسی ها در چنگدو در تاریخ ۱ نوامبر ۲۰۱۶، ما یک نقشه حرارتی از توزیع سفارش رسم کردیم که در آن هر چه رنگ در افسانه قرمزتر باشد، عدد بزرگتر است، به این معنی که بیشتر است. تراکم سفارش نقشه حرارتی در شکل ۳ نشان داده شده استب شایان ذکر است که دو شکل از حداکثر چگالی و حداقل چگالی متفاوت استفاده می کنند، بنابراین رنگ یکسان به معنای تراکم ترتیب یکسان نیست. تشخیص سفارش آنلاین خودرو یا سفارش کروز از ویژگی‌های سفارش تاکسی دشوار است، بنابراین ما سفارش‌های تاکسی را به همین ترتیب انجام می‌دهیم، خواه سفارشات آنلاین خودرو باشند یا نه، زیرا اطلاعات ویژگی دیگری وجود نداشت که به ما کمک کند تشخیص دهیم. آیا این یک سفارش سفر دریایی بود یا نه.

داده‌های سفارش از ویژگی‌هایی مانند مهر زمان تحویل مشتری، طول و عرض جغرافیایی تحویل، مهر زمان خروج، و طول و عرض جغرافیایی پیاده‌شدن تشکیل شده است. ما مهر زمان دریافت و طول و عرض جغرافیایی وانت را به عنوان زمان رسیدن در نظر می گیریم از ترتیب و اطلاعات جغرافیایی کار جمع سپاری ، به ترتیب. ترکیب طول و عرض جغرافیایی پیاده شدن از تاکسی و مهر زمانی پیاده شدن از تاکسی به عنوان زمان ظهور در نظر گرفته می شود. کارگران جمع سپاری در یک مکان جغرافیایی خاص . علاوه بر این، طول و عرض جغرافیایی پیاده شدن از ماشین در اینجا نیز به عنوان مقصد کار در نظر گرفته می شود . از آنجایی که مجموعه داده شامل زمان انقضای هر گره نمی شود، ما به صورت دستی دوره معتبر را تولید می کنیم .

از آنجایی که داده‌های واقعی ما محدود است، زیرا به‌دست آوردن داده‌هایی که کاملاً با اطلاعات مورد نیاز مقاله مطابقت دارند دشوار است، مجبور شدیم پردازشی انجام دهیم. در بخش بعدی، فرآیند پردازش داده، نگاشت بین داده های واقعی و داده های مورد نیاز و فرآیند جمع سپاری مکانی را از دیدگاه درخواست کنندگان، کارگران جمع سپاری و پلتفرم ها توضیح می دهیم.

مشابه روش‌های پردازش در سایر متون تحقیقاتی [ ۲۴ ، ۴۶ ، ۴۸ ]، ما به تطابق بین گره‌های چپ و راست در نمودار دوبخشی توجه کردیم و پردازش فازی را برای معنای فیزیکی واقعی بین آنها انجام دادیم. اطلاعات داده‌های زیر را می‌توان از داده‌های واقعی به‌دست آورد: مُهر زمانی وانت، طول جغرافیایی وانت، عرض جغرافیایی وانت، مهر زمانی پیاده‌شدن، از طول جغرافیایی، پیاده‌شدن. بنابراین، اطلاعات فوق را از یک سفارش جدا کرده، به ترتیب در اختیار درخواست کننده یا کارگر قرار می دهیم و سپس بر اساس ترتیب زمانی مرتب می کنیم. همانطور که در جدول ۱ و جدول ۲ نشان داده شده است، نگاشت زیر را ایجاد کردیم :

اطلاعات باقی مانده (مدت کار) با توجه به وضعیت واقعی تنظیم می شود. (توضیح با مقصد) را می توان با سفارشی یا پیاده شدن از عرض و طول جغرافیایی تنظیم کرد. از نقطه نظر درخواست کننده، ما تخصیص وظیفه جمع سپاری فضایی را توضیح می دهیم. درخواست کننده درخواستی برای رسیدن به سرور سیستم ارسال می کند ، و منتظر است تا پلت فرم کارگران مناسب را در مدت زمان تعیین کند . پس از اتمام تکلیف، درخواست کننده صبورانه منتظر می ماند تا کارگر کار را تمام کند و نتیجه را ارسال کند. در برنامه ride-hailing، درخواست کننده منتظر می ماند تا کارگر جمع سپاری به مکان جغرافیایی بارگذاری شده برسد. و با تاکسی به مقصد می رسد .

اطلاعات دیگر مانند ، و ، با توجه به وضعیت واقعی تنظیم می شوند. از دیدگاه کارگر، ما تخصیص وظیفه جمع سپاری فضایی را توضیح می دهیم. کارگر جمع سپاری رایگان به طور خودکار اطلاعات مکان را ارسال می کند تا پلتفرم بتواند وظیفه مناسبی را به او محول کند. پس از تکمیل تکلیف، کارگر جمع سپاری برای تکمیل کار به محل تعیین شده می رود و نتایج را ارائه می دهد. در برنامه ride-hailing، یک کارگر جمع‌سپاری ابتدا به مکان تعیین‌شده می‌رود تا درخواست‌کننده را تحویل بگیرد و سپس با هم به مقصد می‌رود.

از منظر پلت فرم، ما تخصیص وظیفه جمع سپاری فضایی را توضیح می دهیم. این پلتفرم با استفاده از الگوریتم تخصیص مناسب وظیفه دریافت اطلاعات وظایف مکانی و کارگران جمع سپاری بیکار و تطبیق وظایف با کارگران را بر عهده دارد. مکانیسم تشویقی الگوریتم اغلب به استراتژی توسعه پلت فرم مربوط می شود. علاوه بر این، در پلت فرم واقعی، اغلب امکان تنظیم حداکثر زمان شکست وظایف فضایی یا شعاع جستجوی کارگران و غیره وجود دارد.

برای مجموعه داده های مصنوعی، اندازه دسته بهینه را برای آزمایش قابلیت ردیابی الگوریتم تغییر می دهیم. ما دو نوع رانش مفهومی را در نظر می گیریم: (۱) رانش ناگهانی. (۲) رانش افزایشی. همه این تغییرات احتمالاً در دنیای واقعی اتفاق می‌افتند، و در بلندمدت، اغلب مخلوط می‌شوند.

مقایسه الگوریتم ها: الگوریتم FGBTA را با الگوریتم زیر مقایسه می کنیم:

الگوریتم حریص (GR). این الگوریتم کمی با الگوریتم ۱ در این مقاله متفاوت است. این یک الگوریتم بلادرنگ ساده است که مؤثرترین تطابق را برای کارهای فضایی یا جمع‌سپاری کارگران بدون دسته‌بندی انتخاب می‌کند. در یک مورد سفارش متوسط، این یک الگوریتم رقابتی است.
الگوریتم دسته ای ثابت (FB). اندازه دسته ای الگوریتم یک مقدار ثابت است. در محیط غیر ثابت، اندازه بهینه دسته ثابت با ورود ورودی‌های جدید تغییر می‌کند. بنابراین، اندازه دسته بهینه را برای هر آزمایش آزمایش می کنیم. تطبیق درون دسته ای از الگوریتم KM استفاده می کند.
ϵ-الگوریتم MAB حریص (G-MAB). این الگوریتم از استراتژی ϵ-greedy برای متعادل کردن اکتشاف و بهره برداری، همراه با الگوریتم MAB استفاده می کند تا دسته مناسبی را برای جریان ورودی در طول زمان انتخاب کند تا حداکثر سود ممکن را به دست آورد.
ϵ-MAB حریص با اکتشاف متغیر (GV-MAB). این الگوریتم به صورت پویا نرخ کاوش را بر اساس الگوریتم قبلی تنظیم می‌کند، که می‌تواند کارایی تخصیص وظیفه پویا را در کل بهبود بخشد و سازگاری خوبی را نشان دهد [ ۲۴ ].

ارزیابی و پیاده سازی: همه الگوریتم ها بر اساس زمان انتظار کار، بازده سفارش، میزان موفقیت تخصیص و امتیاز کل ابزار ارزیابی می شوند. ما نگرانی های متقاضیان، کارگران جمع سپاری و پلت فرم را در نظر گرفتیم. همه الگوریتم‌ها با زبان جاوا پیاده‌سازی شدند و آزمایش‌ها روی دستگاهی با سیستم‌عامل Windows 7، پردازنده ^Intel® Core™ I7-3540M 3.00 گیگاهرتز و حافظه اصلی ۸ گیگابایت انجام شد.

۵٫۲٫ نتایج تجربی

۵٫۲٫۱٫ عملکرد الگوریتم در مجموعه داده های مصنوعی

مجموعه داده های مصنوعی که در این قسمت استفاده کردیم از مجموعه داده های واقعی گسترش یافته است. می‌توانیم داده‌های تصادفی را اضافه کنیم تا چگالی داده‌ها را افزایش دهیم و برخی از داده‌های موجود را حذف کنیم تا تراکم داده‌ها را کاهش دهیم. نسبت عرضه به تقاضا با تنظیم تعداد کارگران جمع‌سپاری و وظایف فضایی برای ارزیابی عملکرد الگوریتم تحت تأثیر رانش مفهومی کنترل می‌شود. ما همچنین مدت زمان، شعاع جستجوی کارگر جمع‌سپاری، نرخ اکتشاف و پارامتر قابل تنظیم را در الگوریتم ارزیابی کردیم تا تأثیر این عوامل را بر امتیاز کل سودمندی آزمایش کنیم.

تاثیر دریفت مفهومی

ما می توانیم تراکم وظایف مکانی و جمع سپاری کارگران را در واحد زمان و فضای واحد و همچنین نسبت عرضه و تقاضا را برای تنظیم امتیاز کل مطلوبیت کنترل کنیم که منجر به رانش ناگهانی و رانش افزایشی می شود. تجربه ما این است که، زمانی که تعداد کارگران جمع‌سپاری در واحد زمان و فضای واحد بسیار بیشتر از تعداد وظایف است، نمره کل ابزار اغلب بیشتر است. از آنجایی که وظایف کمتر و کارگران بیشتری وجود دارد، وظایف فضایی شانس بیشتری برای مطابقت با کارگران مناسب دارند. برعکس، وقتی وظایف بیشتر و کارگران کمتر باشد، برخی از وظایف منقضی می‌شوند زیرا نمی‌توانند با کارگران مناسب مطابقت داشته باشند. در عین حال، وظایف همسان به دلیل تراکم کم کارگران، زمان انتظار بیشتری خواهند داشت.

استفاده از داده های مصنوعی برای ایجاد رانش ناگهانی: در عمل، بی ثباتی عرضه و تقاضا در مدت زمان کوتاهی رخ می دهد. از کمبود عرضه تا مازاد عرضه، با افزایش تراکم داده ها، در مدت زمان کوتاهی نمره کل سودمندی از وضعیت پایین تر به وضعیت بالاتر ارتقا می یابد. برعکس، امتیاز کل مطلوبیت را می توان از حالت بالاتر به حالت پایین تر کاهش داد.

استفاده از داده‌های مصنوعی برای ایجاد رانش ناگهانی: بر اساس رانش ناگهانی، سرعت فزاینده کارگران جمع‌سپاری کاهش می‌یابد تا اثر بهبود تدریجی امتیاز کل مطلوبیت حاصل شود.

در مجموعه داده‌های مصنوعی، عملکرد الگوریتم را در یک رانش مفهومی ناگهانی و افزایشی نشان می‌دهیم. شرایط آزمایشی در جدول ۳ نشان داده شده است.

در شکل ۴ الف، دسته بهینه را برای الگوریتم FB قبل و بعد از رانش ناگهانی انتخاب می کنیم، بنابراین کاربرد دسته ثابت در دو مرحله یک خط مستقیم صاف است. از محور افقی برای نشان دادن تغییر زمان استفاده می شود. برای مثال، رانش ناگهانی مستلزم آن است که تغییر در زمان کوتاهی رخ دهد، در حالی که رانش افزایشی می تواند تدریجی باشد. مطلوبیت در محور عمودی نشان دهنده امتیاز کل مطلوبیت است. پس از رخ دادن رانش ناگهانی، الگوریتم FGBTA از یک الگوریتم ابتکاری شبه تطبیق ترکیب شده با SW استفاده می کند تا اندازه دسته عالی اخیر را حفظ کند تا ابزار بهینه را در سریع ترین زمان ممکن به دست آورد. در شکل ۴ب، امتیاز کل ابزار در طول زمان افزایش می‌یابد و الگوریتم FGBTA نیز گام به گام به‌روزرسانی می‌شود و سعی می‌کند اندازه بهینه دسته را که بهترین است، ردیابی کند. اگر چه امتیاز سودمندی سایر الگوریتم‌ها نیز در حال افزایش است، دلیل این افزایش این نیست که اندازه دسته‌ای بهینه به دست می‌آید، بلکه این است که کارگران ورودی و وظایف احتمال بیشتری برای تولید مطلوبیت بالاتر دارند.

تاثیر مدت زمان

شرایط آزمایشی به شرح زیر است: داده های مصنوعی بر اساس داده های واقعی و ویژگی اضافه می شود و به ترتیب به ۵۰، ۱۰۰، ۱۵۰، ۲۰۰ و ۲۵۰ ثانیه تغییر می کند تا تغییر امتیاز کل سودمندی هر الگوریتم تحت شرایط مختلف آزمایش شود. . شرایط آزمایشی در جدول ۴ نشان داده شده است.

با افزایش مدت زمان، وظایف فضایی بیشتر و کارگران جمع‌سپاری برای مدت طولانی در پلتفرم وجود خواهند داشت و به سرعت توسط سیستم کنار گذاشته نمی‌شوند، که همچنین باعث افزایش تعداد اعضای شرکت‌کننده در تطبیق می‌شود. در نتیجه، میزان موفقیت تخصیص افزایش می یابد، زمان تخصیص انتظار افزایش می یابد افزایش خواهد یافت، زمان برداشت کاهش می یابد و درآمد سفارش افزایش می یابد، که به طور کلی افزایش امتیاز کل ابزار را نشان می دهد، همانطور که در شکل ۵ نشان داده شده است. در شکل ۵ ، محور افقی نشان دهنده تغییر در مدت زمان، و محور عمودی نشان دهنده امتیاز کل سودمندی است. با توجه به رشد مدت زمان، اندازه دسته اختیاری افزایش می یابد و وظایف می توانند برای مدت طولانی در پلت فرم وجود داشته باشند و در تطبیق شرکت کنند، که هزینه محاسباتی الگوریتم را افزایش می دهد و زمان اجرا را طولانی تر می کند. از شکل می توان دریافت که تاثیر الگوریتم FGBTA مشابه الگوریتم FBTA است، اما الگوریتم FGBTA بهتر است.

تاثیر شعاع

شرایط آزمایشی به شرح زیر است: داده های مصنوعی بر اساس داده های واقعی است، و ویژگی اضافه می شود و به ترتیب به ۲، ۳، ۴، ۵ و ۶ کیلومتر تغییر می کند تا تغییر کل امتیاز مطلوبیت هر الگوریتم تحت شرایط مختلف آزمایش شود. . شرایط آزمایشی در جدول ۵ نشان داده شده است.

در مورد شعاع کوچک، الگوریتم GR حتی بهتر از الگوریتم G-MAB است، زیرا شعاع جستجوی کارگران جمع‌سپاری محدود است. حتی اگر زمان تاخیر بیشتر باشد، ممکن است نتوانند سفارشات مناسب را دریافت کنند. همانطور که در شکل ۶ نشان داده شده است، همانطور که شعاع افزایش می یابد، تعداد نامزدهای تطبیق افزایش می یابد، و الگوریتم بیشتر طول می کشد و کاربرد بیشتری دارد . در شکل ۶ ، محور افقی تغییر در شعاع را نشان می دهد و محور عمودی نشان دهنده امتیاز کل سودمندی است. الگوریتم FGBTA و الگوریتم FB بهتر از سایر الگوریتم ها هستند و کاربرد بیشتری دارند.

تاثیر نرخ کاوش و پارامتر قابل تنظیم

شرایط آزمایشی به شرح زیر است: داده های مصنوعی پس از گسترش توسط داده های واقعی بدون تغییر است. با تنظیم پارامترهای الگوریتم، نرخ کاوش از ۰٫۱ به ۱٫۰ تغییر می کند و اندازه گام ۰٫۱ است. پارامتر قابل تنظیم از ۰٫۰۰ به ۰٫۰۵ تغییر می کند و اندازه گام ۰٫۰۱ است. شرایط آزمایشی در جدول ۶ و جدول ۷ نشان داده شده است.

نرخ اکتشاف الگوریتم FGBTA برای وزن کردن اکتشاف و بهره برداری در فرآیند انتخاب اندازه دسته بهینه استفاده می شود. در شکل ۷ الف، محور افقی تغییر در نرخ اکتشاف را نشان می دهد و محور عمودی نشان دهنده امتیاز کل ابزار است. همانطور که در شکل ۷ الف نشان داده شده است، نرخ بهینه اکتشاف ۰٫۶ است. هنگامی که نرخ اکتشاف به ۱٫۰ می رسد، انتخاب اندازه دسته کاملاً تصادفی است و نمی توان از اطلاعات گذشته استفاده کرد، بنابراین ابزار به کمترین مقدار کاهش می یابد. به طور مشابه، هنگامی که نرخ اکتشاف پایین است، اگر اندازه دسته ای کمتر از حد بهینه انتخاب شود، عدم به روز رسانی طولانی مدت به اندازه دسته بهینه نیز باعث کاهش کاربرد خواهد شد. پارامتر قابل تنظیم از همانطور که در شکل ۷ ب نشان داده شده است در موقعیت ۰٫۰۱ بهترین عملکرد را دارد . در شکل ۷ ب، محور افقی نشان دهنده تغییر در پارامتر قابل تنظیم است و محور عمودی نشان دهنده امتیاز کل ابزار است.

۵٫۲٫۲٫ عملکرد الگوریتم در مجموعه داده های واقعی

با گذشت زمان و افزایش حجم داده ها، ما عملکرد این پنج الگوریتم را بر روی امتیاز کل ابزار، زمان انتظار کار، پاداش سفارش و میزان موفقیت تخصیص مقایسه می کنیم. شرایط آزمایشی در جدول ۸ نشان داده شده است.

در شکل ۸ a، محور افقی تغییر در کاردینالیته را نشان می دهد و محور عمودی نشان دهنده امتیاز کل سودمندی است. از شکل ۸ الف می توان مشاهده کرد که وقتی مقدار داده ها در حال افزایش است، امتیاز کلی الگوریتم FGBTA همیشه بالاتر از چهار الگوریتم دیگر و به دنبال آن الگوریتم FB است. از آنجا که اندازه دسته انتخاب شده توسط الگوریتم FB اندازه دسته بهینه است که با تنظیم پارامتر غربال شده است، اندازه دسته بهینه را نمی توان در زمان واقعی تعیین کرد. در همان زمان، متوجه می‌شویم که اگرچه الگوریتم GV-MAB می‌تواند به صورت پویا نرخ اکتشاف را تنظیم کند، اما زمانی که نرخ اکتشاف تا حدی کاهش می‌یابد و در اندازه دسته‌ای زیر بهینه تثبیت می‌شود، امتیاز کاربردی آن خوب نیست.

در شکل ۸ ب، محور افقی نشان دهنده تغییر در کاردینالیته، و محور عمودی نشان دهنده میانگین زمان انتظار است. در نمودار مقایسه میانگین زمان انتظار وظایف در شکل ۸ ب، میانگین زمان انتظار وظایف محاسبه شده توسط الگوریتم FGBTA کمترین و پس از آن الگوریتم FB است. الگوریتم حریص (GR) بیشترین میانگین زمان انتظار را دارد، زیرا الگوریتم دسته‌ای بلادرنگ باید فوراً مطابقت داشته باشد و اطلاعات به‌دست‌آمده محدود است، بنابراین نمی‌تواند تخصیص را برای منتظر ماندن برای یک شی منطبق مناسب‌تر به تاخیر بیندازد. از آنجایی که زمان انتظار کار متشکل از زمان انتظار برای تخصیص و زمان تحویل کارگران جمع‌سپاری است، می‌توانیم جزئیات بیشتری را از شکل ۹ ببینیم.الف، ب.

در شکل ۹ ، الگوریتم GR کمترین زمان انتظار را برای تخصیص دارد، زیرا فوراً تخصیص داده می شود، اما فاصله بین دو طرف منطبق بسیار طولانی است و در نتیجه زمان رانندگی بسیار طولانی است (زمان انتظار وانت). برعکس، الگوریتم GV-MAB دسته ای را برای طولانی ترین زمان به تاخیر می اندازد، اطلاعات جمع سپاری زیادی را به دست می آورد و کوتاه ترین زمان دریافت را دارد. در معاوضه بین این دو عامل، الگوریتم FGBTA کوتاه ترین زمان انتظار را با زمان تاخیر دسته ای کمتر و زمان تحویل کوتاه تر معامله می کند.

در شکل ۱۰ الف، الگوریتم حریص بالاترین میزان موفقیت را از نظر میزان موفقیت تخصیص مربوط به پلت فرم دارد، عمدتاً به این دلیل که تعداد کمی از وظایف فضایی یا کارگران جمع سپاری وجود دارد که به دلیل دوره عقب افتاده نمی توانند مطابقت داشته باشند. میزان موفقیت تخصیص الگوریتم FGBTA نزدیک به الگوریتم FB است که بهتر از دو روش دسته ای تطبیقی دیگر است. الگوریتم GV-MAB باعث می‌شود که وظایف یا کارگران بیشتری به دلیل زمان تاخیر طولانی منقضی شوند. شکل ۱۰ ب نشان می دهد که تفاوت زیادی بین الگوریتم ها در درآمد سفارش وجود ندارد.

از شکل ۱۱ می توان دریافت که الگوریتم GR کمترین زمان اجرا را داشت که به قوانین تطبیق ساده الگوریتم تطبیق بلادرنگ نیز بستگی داشت و نیازی به استفاده از الگوریتم تطبیق حداکثر وزن دقیق نداشت. ما در تمام طول‌های دسته‌ای اختیاری برای الگوریتم FB تکرار کردیم و نتیجه بهینه را انتخاب کردیم، و به نظر می‌رسید که الگوریتم FB بهتر از الگوریتم FGBTA عمل کند. با این حال، در یک محیط عملیاتی واقعی، سیستم فرصت تکرار بیش از همه احتمالات را نخواهد داشت. الگوریتم FGBTA به طور کلی نسبت به G-MAB و GV-MAB برتری دارد و کمی پایین تر از الگوریتم FB است زیرا الگوریتم قبل از پردازش دسته ای واقعی، یک استراتژی آزمایشی و شبه تطبیق خاصی را اتخاذ می کند.

نتایج تجربی نشان می‌دهد که الگوریتم FGBTA در هر دو مجموعه داده‌های واقعی و مصنوعی از نظر امتیاز کلی و میانگین زمان انتظار وظایف مکانی بهینه یا تقریباً بهینه است. الگوریتم FGBTA از نظر میزان موفقیت تخصیص و درآمد سفارش نیز قوی است.

۶٫ بحث

الگوریتم FGBTA تخصیص وظیفه جمع سپاری فضایی را از منظر دسته بندی ریزدانه مدیریت می کند. این روش قابل اجرا است و می تواند در مواجهه با تغییرات ناپایدار عملکرد خوبی داشته باشد. در مرحله بعد، الگوریتم FGBTA را با برخی از الگوریتم‌های موجود در تحقیقات مرتبط مقایسه می‌کنیم.

الگوریتم FGBTA یک الگوریتم بلادرنگ خالص نیست، زیرا در یک الگوریتم بلادرنگ [ ۱۴ ، ۱۵ ، ۱۶ ]، وظایف بلافاصله پس از رسیدن به سیستم مطابقت داده می شوند. این روش ها در الگوریتم مقایسه در این مقاله مشابه GR هستند. اگرچه تطبیق بلادرنگ بسیار سریع است، اغلب فضای کمی برای عملیات وجود دارد و اثر تطبیق بهبودیافته محدود است که بر تجربه کاربر تأثیر می‌گذارد. FGBTA نیز یک الگوریتم دسته ای ثابت نیست. الگوریتم دسته ثابت [ ۱۷ ، ۱۸ ] از یک بازه زمانی ثابت به عنوان اندازه دسته استفاده می کند که مشابه FB در الگوریتم مقایسه در این مقاله است. الگوریتم های LLEP و NNP در [ ۱۷] برخی ایده های اکتشافی را برای به دست آوردن حداکثر مطلوبیت اضافه کنید، اما روش تعیین طول دسته بهینه ارائه نشده است و تنها با تلاش مداوم در آزمایش می توان به مقدار بهینه پی برد. الگوریتم FB در این مقاله برای مقایسه با الگوریتم ما تحت اندازه بهینه دسته است.

نقص تحقیق ما این است که این روش یک الگوریتم آنلاین بدون راهنمایی دانش آفلاین است. اندازه دسته را فقط می توان با بازخورد تاریخی الگوریتم آنلاین و افزایش و کاهش کاربرد دسته ای تحت تطبیق شبه کنترل کرد. مقالات [ ۲۱ ، ۴۶ ، ۴۷ ، ۴۸ ] از اطلاعات آفلاین آموزش دیده به عنوان اطلاعات راهنمایی برای تطبیق آنلاین استفاده کردند. با این حال، آموزش آفلاین در این مقاله در نظر گرفته نشده است.

در تحقیق [ ۲۱ ]، پلت فرم سواری می‌تواند از ساختار استراتژی آموخته‌شده به‌عنوان جدول جستجو برای تصمیم‌گیری تطبیقی در مورد زمان استفاده از استراتژی تطبیق تاخیر و مدت زمان این تأخیرهای تطبیق استفاده کند. اطلاعات آفلاین یک ساختار استراتژی آموخته شده است.
در تحقیق [ ۴۶ ]، این مقاله یادگیری Q محدود (RQL) را طراحی کرد که یک الگوریتم مبتنی بر یادگیری تقویتی است و می تواند یک استراتژی پردازش دسته ای تقریباً بهینه تولید کند. اطلاعات آفلاین یک استراتژی پردازش دسته ای است که در جدول Q ذخیره می شود.
در تحقیق [ ۴۷ ]، روشی با ترکیب یادگیری عمیق و یادگیری تقویتی پیشنهاد شد. با در نظر گرفتن داده های تاریخی، مدل GRU برای پیش بینی تعداد وظایف آینده آموزش داده می شود. الگوریتم مجارستانی به صورت دسته ای پذیرفته شد. دانش آفلاین تعداد پیش‌بینی‌شده کارهای آینده است.
در تحقیق [ ۴۸ ]، با هدف مشکل تطبیق گلوگاه آنلاین با تاخیر، نویسنده یک استراتژی نگهداری تطبیقی را پیشنهاد می‌کند که مبتنی بر یادگیری تقویتی است و روشی به نام تطبیقی-h را در بالای استراتژی نگهداری جدید توسعه می‌دهد. دانش آفلاین استراتژی نگهداری است که به خوبی آموخته شده است.

در روش های فوق به پیش بینی وظایف آینده و یا آموزش جدول استراتژی بهینه توجه می شود و تاثیر خوبی دارد. ما فکر می کنیم که این مطالعات تحقیقاتی از دانش آفلاین برای هدایت تطابق آنلاین استفاده می کنند. از آنجایی که این مقاله به پردازش دسته ای ریز دانه در موقعیت های آنلاین و برخورد با موقعیت های ناپایدار توجه بیشتری دارد، کسب دانش آفلاین زیادی را در نظر نمی گیرد که تفاوت این مقاله با این مطالعات تحقیقاتی نیز می باشد.

پژوهش [ ۲۴ ] بر کنترل نرخ اکتشاف در الگوریتم MAB ϵ-greedy متمرکز شد، به این امید که استفاده از اندازه بهینه دسته شناخته شده را به حداکثر برساند. با این حال، در مقایسه با روش ما، نقطه ضعف روش آنها این است که نمی تواند طول دسته بهینه را با دقت بیشتری تعیین کند. از طرفی روش آنها برای محیط غیر ساکن احتمالی بیهوده است. روش ما در این دو نقطه عملکرد بهتری دارد.

۷٫ نتیجه گیری و کار آینده

نتایج تجربی نشان می‌دهد که در مقایسه با الگوریتم‌های GR، FB، G-MAB و GV-MAB، الگوریتم FGBTA هم در مجموعه داده‌ها و هم در مجموعه داده‌های مصنوعی بهینه یا تقریباً بهینه است. الگوریتم FGBTA همچنین دارای مزایای قوی در میزان موفقیت تخصیص و درآمد سفارش است، اما در زمان اجرا کندتر از GR، یک الگوریتم بلادرنگ، و FB، یک الگوریتم دسته ای ثابت با اندازه دسته بهینه است.

مزایای الگوریتم FGBTA به شرح زیر است: (۱) الگوریتم آنلاین خالص، که فقط از مکانیزم بازخورد خاصی برای تنظیم اندازه دسته استفاده می کند، بدون دانش آموزش آفلاین زیاد. (۲) استفاده از این الگوریتم می‌تواند امتیاز کل سودمندی بالاتر و زمان انتظار کوتاه‌تری برای کاربران به دست آورد و تجربه درخواست‌کنندگان، کارگران جمع‌سپاری و پلتفرم‌ها را افزایش دهد. (۳) در مواجهه با تغییرات ناپایدار، سریعتر پاسخ خواهد داد.

معایب الگوریتم FGBTA به شرح زیر است: (۱) ما تصمیم گرفتیم تطابق دو بخشی را در دسته اجرا کنیم که ابزار دسته ای برای اولین بار کاهش یافت. اگرچه آزمایش نشان می‌دهد که اثر نهایی این استراتژی بد نیست، ممکن است بهترین استراتژی نباشد که زمانی را که ابزار دسته‌ای برای اولین بار کاهش می‌یابد به عنوان نقطه تصمیم تطابق دو جانبه در نظر بگیریم. (۲) در این مقاله، کاربرد اعزام تاکسی به عنوان مورد کلیدی برای مطالعه در نظر گرفته شده است، و مکانیسم پاداش کار فاقد کلیت است و توسعه پذیری نیاز به بهبود دارد.

این روش می تواند به صورت تجاری در سرویس عمومی نیز پیاده سازی شود. از آنجایی که این روش (FGBTA) یک الگوریتم تخصیص کار آنلاین است، می تواند به سرعت با وظایف مکانی و کارگران جمع سپاری مطابقت داشته باشد. ما می‌توانیم مکانیسم تشویقی را گسترش دهیم تا آن را برای انطباق با انواع مختلف خدمات عمومی متنوع‌تر کنیم. علاوه بر کاربردهای سواری، می توان آن را برای جمع سپاری و جمع سپاری پیک، به ویژه اعزام راهنمای تور در پلت فرم گردشگری نیز اعمال کرد.

در این مقاله، ما یک الگوریتم تخصیص کار جمع‌سپاری فضایی بر اساس دسته‌بندی ریزدانه پیشنهاد کردیم که تجربه درخواست‌کنندگان، کارگران جمع‌سپاری و پلتفرم‌ها و یک محیط غیر ثابت واقعی‌تر را در نظر گرفت. آزمایش‌ها نشان داد که الگوریتم ما هم در داده‌های واقعی و هم در داده‌های مصنوعی خوب عمل می‌کند. از آنجایی که ما رویکرد منفعل SW را برای مقابله با رانش مفهومی اتخاذ کردیم، جهت تحقیق آینده ما این است که رویکرد فعال را در پیش بگیریم، تشخیص دهیم که آیا رانش رخ می دهد یا خیر، بفهمیم چه زمانی، کجا و چگونه رانش رخ می دهد، و سازگاری با رانش.

منابع

تانگ، YX; ژو، ZM; Zeng، YX; چن، ال. شهابی، ج. جمع سپاری فضایی: بررسی. VLDB J. ۲۰۲۰ ، ۲۹ ، ۲۱۷-۲۵۰٫ [ Google Scholar ] [ CrossRef ]
عبدالله، ن.ا. رحمان، م.م. رحمان، م.م. Ghauth، KI چارچوبی برای انتخاب بهینه کارگر در جمع سپاری فضایی با استفاده از شبکه بیزی. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۱۲۰۲۱۸–۱۲۰۲۳۳٫ [ Google Scholar ] [ CrossRef ]
علوفی، ا. الحارتی، ر. زهدی، م. الصولامی، د. الرشدی، ط. اولاوویین، آر. یک رویکرد کارآمد برای انتساب وظایف در جمع سپاری فضایی. در مجموعه مقالات کنفرانس بین المللی IOT، الکترونیک و مکاترونیک IEEE (IEMTRONICS)، ونکوور، هند، ۱۲ سپتامبر ۲۰۲۰؛ صص ۶۱۹-۶۲۳٫ [ Google Scholar ]
بهاتی، اس اس. فن، جی اچ. وانگ، KR؛ گائو، XF؛ وو، اف. چن، GH یک الگوریتم تقریبی برای مسئله انتساب کار محدود در جمع سپاری فضایی. IEEE. ترانس. اوباش محاسبه کنید. ۲۰۲۱ ، ۲۰ ، ۲۵۳۶-۲۵۴۹٫ [ Google Scholar ] [ CrossRef ]
لی، ال. وانگ، LL; Lv، WF تطبیق تنگناهای بلادرنگ در جمع سپاری فضایی. علمی چین-اینف. علمی ۲۰۲۱ ، ۶۴ ، ۲٫ [ Google Scholar ] [ CrossRef ]
لی، YH; چانگ، ال. لی، ال. بائو، XG; Gu، TL TASC-MADM: تکلیف در جمع سپاری فضایی بر اساس تصمیم گیری چند ویژگی. امن اشتراک. شبکه ۲۰۲۱ ، ۲۰۲۱ ، ۱۴٫ [ Google Scholar ] [ CrossRef ]
اوگبی، م. لوجالا، ص. جمع سپاری فضایی در مدیریت درآمد منابع طبیعی. منبع. خط مشی ۲۰۲۱ ، ۷۲ ، ۱۱٫ [ Google Scholar ] [ CrossRef ]
وانگ، ز. لی، YB; ژائو، ک. شی، دبلیو. Lin, LL; ژائو، JZ Worker برآورد گروهی مشارکتی در جمع‌سپاری فضایی. محاسبات عصبی ۲۰۲۱ ، ۴۲۸ ، ۳۸۵-۳۹۱ . [ Google Scholar ] [ CrossRef ]
گممیدی، SRB; Xie، XK; Pedersen, TB A Survey of Spatial Crowdsourcing. ACM Trans. سیستم پایگاه داده ۲۰۱۹ ، ۴۴ ، ۴۶٫ [ Google Scholar ] [ CrossRef ]
اوبر. در دسترس آنلاین: https://www.uber.com/ (دسترسی در ۲۰ دسامبر ۲۰۲۱).
ویز. در دسترس آنلاین: https://www.waze.com/ (دسترسی در ۲۰ دسامبر ۲۰۲۱).
گراب هاب. در دسترس آنلاین: https://www.grubhub.com/ (دسترسی در ۲۰ دسامبر ۲۰۲۱).
گیگووالک. در دسترس آنلاین: https://www.gigwalk.com/ (دسترسی در ۲۰ دسامبر ۲۰۲۱).
Xu، ZT; یین، YF; بله، JP در منحنی عرضه سیستم های سواری-تگرگ. ترانسپ Res. قسمت B-روش. ۲۰۲۰ ، ۱۳۲ ، ۲۹-۴۳٫ [ Google Scholar ] [ CrossRef ]
آهنگ، TH; خو، ک. لی، JN; Li، YM; تانگ، YX تکلیف چند مهارتی آگاهانه در جمع سپاری فضایی بلادرنگ. Geoinformatica ۲۰۲۰ ، ۲۴ ، ۱۵۳-۱۷۳٫ [ Google Scholar ] [ CrossRef ]
چنگ، ی.آر. لی، توسط; ژو، XM; یوان، ی. وانگ، GR; Chen, L. تطبیق متقابل آنلاین در زمان واقعی در جمع سپاری فضایی. در مجموعه مقالات سی و ششمین کنفرانس بین المللی IEEE در مهندسی داده (ICDE)، دالاس، TX، ایالات متحده، ۲۰-۲۴ آوریل ۲۰۲۰؛ صص ۱-۱۲٫ [ Google Scholar ]
کاظمی، ل. شهابی، سی. Geocrowd: فعال کردن پاسخ پرس و جو با جمع سپاری فضایی. در مجموعه مقالات بیستمین کنفرانس بین المللی پیشرفت در سیستم های اطلاعات جغرافیایی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، ۶-۹ نوامبر ۲۰۱۲٫ ص ۱۸۹-۱۹۸٫ [ Google Scholar ]
به، اچ. شهابی، ج. کاظمی، L. یک چارچوب جمع سپاری فضایی اختصاص داده شده به سرور. ACM Trans. تف کردن سیستم الگوریتم ۲۰۱۵ ، ۱ ، ۱-۲۸٫ [ Google Scholar ] [ CrossRef ]
که، جی. شیائو، اف. یانگ، اچ. Ye, J. یادگیری تأخیر در سیستم‌های منبع‌یابی سواری: چارچوب یادگیری تقویتی عمیق چند عاملی. در IEEE Transactions on Knowledge and Data Engineering ; IEEE: Piscataway Township، NJ، ایالات متحده، ۲۰۲۰؛ پ. ۱٫ [ Google Scholar ] [ CrossRef ]
یانگ، اچ. Qin، XR; Ke، JT; بله، JP بهینه سازی بازه زمانی تطبیق و شعاع تطبیق در بازارهای بر اساس تقاضای سواری. ترانسپ Res. قسمت B-روش. ۲۰۲۰ ، ۱۳۱ ، ۸۴-۱۰۵٫ [ Google Scholar ] [ CrossRef ]
Qin، GY; لو، کیو. یین، YF; سان، ج. بله، JP بهینه سازی فواصل زمانی تطبیق برای خدمات سواری-تگرگ با استفاده از یادگیری تقویتی. ترانسپ Res. قسمت C-Emerg. تکنولوژی ۲۰۲۱ ، ۱۲۹ ، ۱۸٫ [ Google Scholar ] [ CrossRef ]
آذر، ی. گانش، ع. جنرال الکتریک، آر. پانیگراهی، دی. سرویس آنلاین با تاخیر. ACM Trans. الگوریتم ها ۲۰۲۱ ، ۱۷ ، ۳۱٫ [ Google Scholar ] [ CrossRef ]
اشلگی، آی. برق، م. دوتا، سی. Jaillet، P. صابری، ع. Sholley، C. حداکثر وزن مطابق آنلاین با ضرب الاجل.arXiv ۲۰۱۸ , arXiv:1808.03526. [ Google Scholar ]
کیان، ال. لیو، جی اف. زو، اف. Li، ZX; وانگ، ی. لیو، الف. افزایش تجربه کاربر از انتساب وظایف در جمع سپاری فضایی: یک رویکرد دسته‌ای خود تطبیقی. IEEE Access ۲۰۱۹ ، ۷ ، ۱۳۲۳۲۴–۱۳۲۳۳۲٫ [ Google Scholar ] [ CrossRef ]
نوو، دی. Kotlarsky، J. جمع سپاری به عنوان یک پدیده استراتژیک منبع یابی است: بررسی انتقادی و بینش برای تحقیقات آینده. جی. استراتژی. Inf. سیستم ۲۰۲۰ ، ۲۹ ، ۱۰۱۵۹۳٫ [ Google Scholar ] [ CrossRef ]
دسایی، ع. وارنر، جی. کودرر، ن. تامپسون، ام. نقاش، سی. لیمن، جی. Lopes, GJNC Crowdsourcing یک پاسخ بحران برای COVID-19 در انکولوژی. نات. سرطان ۲۰۲۰ ، ۱ ، ۴۷۳-۴۷۶٫ [ Google Scholar ] [ CrossRef ]
پاندی، اس آر. تران، NH; بنیس، م. تون، YK; منظور، ع. Hong, CS چارچوب جمع سپاری برای یادگیری فدرال روی دستگاه. IEEE Trans. سیم. اشتراک. ۲۰۲۰ ، ۱۹ ، ۳۲۴۱-۳۲۵۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، ی. گائو، ی. لی، ی. تانگ، XJCN یک مکانیسم تشویقی برای انتخاب کارگر برای بهینه‌سازی سیستم‌های جمع‌سپاری موبایل مبتنی بر پلت‌فرم. شبکه کامپیوتری ۲۰۲۰ , ۱۷۱ , ۱۰۷۱۴۴٫ [ Google Scholar ] [ CrossRef ]
مدرس نژاد، م. ایر، ال. پالویا، پی. تاراس، فناوری اطلاعات VJIP (IT) جمع سپاری را فعال کرد: یک چارچوب مفهومی. Inf. روند. ۲۰۲۰ ، ۵۷ ، ۱۰۲۱۳۵٫ [ Google Scholar ] [ CrossRef ]
هاو، جی. ظهور جمع سپاری. مگ سیمی ۲۰۰۶ ، ۱۴ ، ۱-۴٫ [ Google Scholar ] [ CrossRef ]
بهاتی، اس اس. گائو، ایکس. چارچوب کلی چن، GJJoS، فرصت‌ها و چالش‌ها برای تکنیک‌های جمع‌سپاری: یک نظرسنجی جامع. جی. سیست. نرم افزار ۲۰۲۰ , ۱۶۷ , ۱۱۰۶۱۱٫ [ Google Scholar ] [ CrossRef ]
مقدس، م. رجبی فرد، ع. فکته، ا. Kötter, T. چارچوبی برای مقیاس بندی تاب آوری تحول آفرین شهری از طریق استفاده از اطلاعات جغرافیایی داوطلبانه. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۱۱۴٫ [ Google Scholar ] [ CrossRef ]
هرولد، اچ. بهنیش، م. هچت، ر. لیک، SJIIJoG-I. رویکردهای مدلسازی جغرافیایی به سکونتگاههای تاریخی و تحلیل منظر. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۷۵٫ [ Google Scholar ] [ CrossRef ]
هاکار، MJIIJoG-I. تجزیه و تحلیل رفتار داوطلبان OpenStreetMap در نقشه برداری چند ضلعی های ساختمان با استفاده از رویکرد یادگیری ماشینی. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۷۰٫ [ Google Scholar ] [ CrossRef ]
کائو، اس. دو، اس. یانگ، اس. Du, S. طبقه‌بندی عملکردی پارک‌های شهری بر اساس منطقه عملکردی شهری و داده‌های جغرافیایی با منبع جمعیت. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۸۲۴٫ [ Google Scholar ] [ CrossRef ]
Goodchild، MF; Glennon، JA جمع سپاری اطلاعات جغرافیایی برای واکنش به بلایا: یک مرز تحقیقاتی. بین المللی جی دیجیت. زمین ۲۰۱۰ ، ۳ ، ۲۳۱-۲۴۱٫ [ Google Scholar ] [ CrossRef ]
الوود، اس. Goodchild، MF; Sui, D. چشم انداز تحقیقات VGI و پارادایم چهارم در حال ظهور. که در جمع سپاری دانش جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۳; صص ۳۶۱-۳۷۵٫ [ Google Scholar ]
لی، دبلیو. باتی، م. Goodchild، MF GIS بلادرنگ برای شهرهای هوشمند. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۰ ، ۳۴ ، ۳۱۱-۳۲۴٫ [ Google Scholar ] [ CrossRef ]
بصیری، ع. هاکلی، م. فودی، جی. Mooney, P. کیفیت داده‌های جغرافیایی جمع‌سپاری شده: چالش‌ها و مسیرهای آینده. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۹ ، ۳۳ ، ۱۵۸۸-۱۵۹۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هاکلی، ام. دانش شهروندی و اطلاعات جغرافیایی داوطلبانه: بررسی اجمالی و گونه‌شناسی مشارکت. در جمع سپاری دانش جغرافیایی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۳; صص ۱۰۵-۱۲۲٫ [ Google Scholar ]
خواجوال، AB; نوشادروان، الف. چارچوبی آگاه از عدم قطعیت برای ارزیابی قابل اعتماد آسیب بلایا از طریق جمع سپاری. بین المللی J. کاهش خطر بلایا. ۲۰۲۱ ، ۵۵ ، ۱۰۲۱۱۰٫ [ Google Scholar ] [ CrossRef ]
وربیک، دی. Lábus, V. جمع سپاری نام های نامی رایج: نحوه جمع آوری و حفظ نام های نامی در استفاده گفتاری. بین المللی J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۳۰۳٫ [ Google Scholar ] [ CrossRef ]
ژئو-ویکی. در دسترس آنلاین: https://www.geo-wiki.org/ (در ۱ مارس ۲۰۲۲ قابل دسترسی است).
مدل جهانی زلزله (GEM). در دسترس آنلاین: https://www.globalquakemodel.org/ (در ۱ مارس ۲۰۲۲ قابل دسترسی است).
ClickWorkers. در دسترس آنلاین: http://www.nasaclickworkers.com/ (در ۱ مارس ۲۰۲۲ قابل دسترسی است).
وانگ، YS; تانگ، YX; لانگ، سی. خو، پی. خو، ک. Lv، WF تطبیق گراف پویا دو جانبه تطبیقی: یک رویکرد یادگیری تقویتی. در مجموعه مقالات سی و پنجمین کنفرانس بین المللی IEEE در مهندسی داده (ICDE)، ماکائو، چین، ۸ تا ۱۱ آوریل ۲۰۱۹؛ ص ۱۴۷۸-۱۴۸۹٫ [ Google Scholar ]
Sun، LJ; یو، XJ; Guo, JC; یان، ی. یو، ایکس. یادگیری تقویتی عمیق برای انتساب وظایف در جمع سپاری و سنجش فضایی. IEEE Sens. J. ۲۰۲۱ , ۲۱ , ۲۵۳۲۳–۲۵۳۳۰٫ [ Google Scholar ] [ CrossRef ]
وانگ، ک. لانگ، سی. تانگ، ی. ژانگ، جی. Xu, Y. برگزاری تطبیقی برای تطبیق گلوگاه آنلاین با تاخیر. در مجموعه مقالات کنفرانس بین المللی SIAM 2021 در مورد داده کاوی (SDM)، آنلاین، ۲۹ آوریل تا ۱ مه ۲۰۲۱؛ صص ۲۳۵-۲۴۳٫ [ Google Scholar ]
Manome, N.; شینوهارا، س. سوزوکی، ک. توموناگا، ک. Mitsuyoshi, S. الگوریتم راهزن چند مسلح موجود در محیط های ثابت یا غیر ثابت با استفاده از نقشه های خودسازماندهی. در مجموعه مقالات بیست و هشتمین کنفرانس بین المللی شبکه های عصبی مصنوعی (ICANN)، مونیخ، آلمان، ۱۷ سپتامبر ۲۰۱۹؛ صص ۵۲۹-۵۴۰٫ [ Google Scholar ]
رحمان، AU; قاتک، گ. De Domenico، A. یک الگوریتم آنلاین برای بارگذاری محاسباتی در محیط های غیر ثابت. IEEE Commun. Lett. ۲۰۲۰ ، ۲۴ ، ۲۱۶۷-۲۱۷۱٫ [ Google Scholar ] [ CrossRef ]
ژائو، YP; کیان، اچ. کانگ، ک. جین، YL استراتژی راهزن غیر ثابت برای تطبیق نرخ با بازخورد تاخیری. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۷۵۵۰۳–۷۵۵۱۱٫ [ Google Scholar ] [ CrossRef ]
Xia، WC; Quek، TQS؛ گوو، ک. Wen، WL; یانگ، اچ. زو، HB برنامه ریزی مشتری مبتنی بر راهزن چند مسلح برای یادگیری فدرال. IEEE Trans. سیم. اشتراک. ۲۰۲۰ ، ۱۹ ، ۷۱۰۸-۷۱۲۳٫ [ Google Scholar ] [ CrossRef ]
لیو، XC; درخشانی، م. لامبوتاران، اس. van der Schaar، M. راهزنان چند مسلح آگاه از خطر با محدودیت های بالای اطمینان. فرآیند سیگنال IEEE Lett. ۲۰۲۱ ، ۲۸ ، ۲۶۹-۲۷۳٫ [ Google Scholar ] [ CrossRef ]
روی، ک. ژانگ، Q. گاور، م. شیت، الف. دانش، گرادیان‌های خط‌مشی را با مرز اطمینان بالایی برای راهزنان رابطه‌ای ایجاد کرد. در مجموعه مقالات کنفرانس اروپایی یادگیری ماشین و اصول و تمرین کشف دانش در پایگاه‌های داده (ECML PKDD)، آنلاین، ۱۳ تا ۱۷ سپتامبر ۲۰۲۱؛ صص ۳۵-۵۰٫ [ Google Scholar ]
رادوویچ، ن. Erceg، M. اجرای سخت‌افزار الگوریتم کران اعتماد بالا برای یادگیری تقویتی. محاسبه کنید. برق مهندس ۲۰۲۱ ، ۹۶ ، ۹٫ [ Google Scholar ] [ CrossRef ]
واسوانی، س. محرابیان، ع. دوراند، ع. کوتون، بی. سگ قدیمی ترفندهای جدیدی یاد می گیرد: UCB تصادفی برای مشکلات راهزن. در مجموعه مقالات بیست و سومین کنفرانس بین المللی هوش مصنوعی و آمار (AISTATS)، آنلاین، ۲۶ تا ۲۸ اوت ۲۰۲۰٫ [ Google Scholar ]
تامپسون، WRJB با توجه به شواهد دو نمونه، احتمال اینکه یک احتمال مجهول بیشتر از دیگری باشد. Biometrika ۱۹۳۳ ، ۲۵ ، ۲۸۵-۲۹۴٫ [ Google Scholar ] [ CrossRef ]
زو، زی؛ هوانگ، LS; Xu، HL مشارکتی تامپسون نمونه برداری. شبکه موبایل. Appl. ۲۰۲۰ ، ۲۵ ، ۱۳۵۱-۱۳۶۳٫ [ Google Scholar ] [ CrossRef ]
زو، زی؛ هوانگ، LS; Xu، HL خود شتاب نمونه تامپسون با حد بالایی پشیمانی نزدیک به بهینه. محاسبات عصبی ۲۰۲۰ ، ۳۹۹ ، ۳۷-۴۷٫ [ Google Scholar ] [ CrossRef ]
مرادی پری، ع. علیزاده، م. ترامپولیدیس، سی. نمونه برداری خطی تامپسون تحت محدودیت های خطی ناشناخته. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد آکوستیک، گفتار و پردازش سیگنال، بارسلون، اسپانیا، ۴ تا ۸ مه ۲۰۲۰؛ صص ۳۳۹۲–۳۳۹۶٫ [ Google Scholar ]
بانجویچ، دی. نمونه برداری کیم، ام جی تامپسون برای کنترل تصادفی: مورد پارامتر پیوسته. IEEE Trans. خودکار کنترل ۲۰۱۹ ، ۶۴ ، ۴۱۳۷–۴۱۵۲٫ [ Google Scholar ] [ CrossRef ]
کائو، ی. ون، ز. کوتون، بی. Xie, Y. رویه تطبیقی تقریباً بهینه با تشخیص تغییر برای راهزن تکه ای-ایستا. در مجموعه مقالات بیست و دومین کنفرانس بین المللی هوش مصنوعی و آمار (AISTATS)، ناها، ژاپن، ۱۶ تا ۱۸ آوریل ۲۰۱۹؛ ص ۴۱۸-۴۲۷٫ [ Google Scholar ]
تروو، اف. پالادینو، اس. رستلی، م. Gatti، N. نمونه برداری از پنجره کشویی تامپسون برای تنظیمات غیر ثابت. جی آرتیف. هوشمند Res. ۲۰۲۰ ، ۶۸ ، ۳۱۱-۳۶۴٫ [ Google Scholar ] [ CrossRef ]
کاونقی، ای. سوتوکورنولا، جی. استلا، اف. زنکر، ام. راهزن چند مسلح غیر ثابت: ارزیابی تجربی یک مفهوم جدید الگوریتم رانش آگاه. Entropy ۲۰۲۱ , ۲۳ , ۳۸۰٫ [ Google Scholar ] [ CrossRef ]
گالمئانو، اچ. Andonie, R. انطباق دریفت مفهومی با SVM افزایشی-کاهشی. Appl. علمی ۲۰۲۱ ، ۱۱ ، ۹۶۴۴٫ [ Google Scholar ] [ CrossRef ]
ژنگ، XL; لی، پی پی; هو، XG; Yu, K. طبقه بندی نیمه نظارت شده در جریان داده با رانش مفهومی تکرارشونده و تکامل مفهوم. سیستم مبتنی بر دانش ۲۰۲۱ ، ۲۱۵ ، ۱۶٫ [ Google Scholar ] [ CrossRef ]
هالستد، بی. Koh، YS; ریدل، پ. گلابی، ر. پچنیزکی، م. بیفت، ا. اولیوارس، جی. Coulson, G. تجزیه و تحلیل و تعمیر انطباق رانش مفهومی در طبقه بندی جریان داده. ماخ فرا گرفتن. ۲۰۲۱ ، ۱-۳۵٫ [ Google Scholar ] [ CrossRef ]
Wan، JSW; Wang, SD Concept Drift Detection بر اساس پیش خوشه بندی و آزمایش آماری. J. فناوری اینترنت. ۲۰۲۱ ، ۲۲ ، ۴۶۵-۴۷۲٫ [ Google Scholar ] [ CrossRef ]
گوئل، ک. Batra, S. یادگیری آنلاین تطبیقی برای طبقه بندی تحت رانش مفهومی. بین المللی جی. کامپیوتر. علمی مهندس ۲۰۲۱ ، ۲۴ ، ۱۲۸-۱۳۵٫ [ Google Scholar ] [ CrossRef ]
محمود، ح. کوستاکوس، پ. کورتس، ام. آناگنوستوپولوس، تی. پیرتیکانگاس، اس. گیلمن، ای. تکنیک‌های تطبیق دریفت مفهومی در محیط توزیع‌شده برای جریان‌های داده در دنیای واقعی. شهرهای هوشمند ۲۰۲۱ ، ۴ ، ۳۴۹–۳۷۱٫ [ Google Scholar ] [ CrossRef ]
رقابت برنامه نوآوری باز امنیت داده بزرگ Xiamen. در دسترس آنلاین: https://data.xm.gov.cn/opendata-contest/#/ (در ۲۰ دسامبر ۲۰۲۱ قابل دسترسی است).
طرح بازگشایی داده گایا. در دسترس آنلاین: https://outreach.didichuxing.com/research/opendata/ (در ۲۰ دسامبر ۲۰۲۱ قابل دسترسی است).