机会式群智感知中覆盖最大化的去中心化任务分配
研究背景与问题
1.领域基础：移动群智感知 (MCS) 广泛应用于环境监测、智慧交通、城市规划等领域，任务分配是决定系统实用性的核心环节。其中机会式感知因无需改变用户日常轨迹、参与度高且成本低，成为当前研究热点。
2.集中式方案的核心缺陷：性能瓶颈：大规模节点和任务场景下，中心平台计算成本极高，甚至无法满足实时性要求。单点失效：云服务节点故障会直接导致感知任务中断。 动态适应性差：无法实时响应节点的加入、离开或失效，重规划r资源消耗大。 隐私风险：收集用户历史移动轨迹会暴露位置隐私，抑制用户参与意愿。
3.去中心化的核心挑战：在全局预算约束（参与感知的节点总数不超过 bp）下，实现任务覆盖最大化，同时避免状态空间指数爆炸或约束松弛带来的负面影响。
研究核心贡献
论文针对上述问题，提出了四项创新性成果：
问题转化创新：将带全局约束的集中式任务分配问题，转化为感知节点自主决策是否参与的多智能体协同系统，实现完全去中心化。
算法创新一：提出去中心化蚁群算法 (DCACO)，利用蚁群算法的分布式计算特性，通过节点间通信共享最优解和更新信息素，适配去中心化场景。
算法创新二：设计基于 QMIX 框架的决策通信方法 (QMIX-DCOM)，在 "集中式训练、分布式执行" 基础上引入决策通信层，严格满足全局预算约束。
实验验证：在真实数据集上证明，两种方法的任务覆盖率接近集中式离线规划算法，且在耗时、综合性能上优于基线去中心化算法。
核心技术方法
去中心化蚁群算法 (DCACO)
一.问题映射：将感知节点集合作为蚂蚁可到达的 "城市"，蚂蚁探索的路径对应候选任务分配方案，限制蚂蚁路径长度为全局预算 bp，天然满足约束条件。
二.预沟通机制：仅轨迹与任务集有交集的节点创建蚂蚁进行探索，节点广播自身可覆盖的任务信息，用于后续计算路径的任务覆盖度。
三.算法核心流程:1.初始化：构建全连接有向图，初始化信息素矩阵、本地最优解与最优值2.路径探索：蚂蚁根据信息素浓度通过轮盘赌选择节点，生成长度为 bp 的路径3.质量评估：计算路径对应的任务覆盖度，与本地及其他节点广播的最优解对比4.信息素更新：加强最优解路径的信息素，挥发其他路径的信息素5.终止决策：连续 Tc 次最优值不变时停止，节点根据最优路径判断自身是否参与。
四.关键参数：信息素挥发因子 ρ=0.2，停止标志 Tc=20（综合覆盖率、耗时、通信开销后最优）
QMIX-DCOM 方法
一.QMIX 基础建模:
局部观测：节点自身轨迹对各感知任务的覆盖情况。
全局状态：所有节点的局部观测集合。
动作空间：参与感知 (1) 或不参与感知 (0)。
奖励函数：结合任务覆盖率与预算约束惩罚，超预算时惩罚力度更大。
二.决策通信层创新:
1.每个智能体网络输出建议动作与个体 Q 值
2.节点间通信交换上述信息，对建议参与的节点按 Q 值从高到低排序，选出前 bp 个节点
3.若建议参与的节点数量不足 bp，从建议不参与的节点中选 Q 值最小的补足
4.所有节点根据最终筛选结果修改动作，严格满足全局预算约束
实验设计与结果
一.实验设置:
数据集：筛选后的Geolife 轨迹数据集（60 位北京用户），感知任务为北京市 34 个空气质量监测站点
评估指标:
任务覆盖率 (Cov)：核心指标，实际有效覆盖度与总需求覆盖度的比值
耗时 (Time)：算法执行的总时间
信息交换量 (IEL)：节点间通信的总数据量
综合指标：Z-Score 标准化后加权求和，Cov 权重 δ 可调，Time 和 IEL权重各为 (1-δ)/2
对比算法：
集中式：线性规划 (LP)、贪心 (Greedy)、随机 (Random)
去中心化：原始 QMIX、去中心化贪心 (D-Greedy)
二.核心实验结果
n=20,任务数 h=4,预算 bp=4,覆盖度 kp=2下的各算法的表现结果
n=60,任务数 h=8,预算 bp=8,覆盖度 kp=2下的各算法的表现结果
