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

  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。
  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。

  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。

论文贡献

  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
  本文实验采用Geolife 轨迹数据集，筛选出60位北京市用户的有效GPS轨迹，以北京市34个空气质量监测站点作为感知任务点，选取任务覆盖率、算法耗时、信息交换量作为核心评估指标，并通过Z-Score 标准化结合权重计算综合性能指标。实验将提出的DCACO和QMIX-DCOM算法与LP、Greedy、Random、QMIX、D-Greedy五种基线算法对比，分别在感知节点数为20和60 的不同规模场景下，设置对应的任务数量、全局预算约束与覆盖度约束，所有测试结果均取 20 组随机生成任务的平均值。
二. 核心实验结果

  感知节点数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:

成果列表

• 【论文】陈杨辉，於志勇，黄昉菀，郝勇涛，涂淳钰，吴越钟. 机会式群智感知中覆盖最大化的去中心化任务分配[J/OL]，小型微型计算机系统，2024.
• 【专利】於志勇，涂淳钰，陈杨辉，黄昉菀，吴越钟. “基于遗传算法的机会式感知满足全局约束的去中心化任务分配方法” ，中国专利，2025年申请， 202510124683.X.