本發(fā)明涉及群智感知領(lǐng)域，尤其涉及一種面向自組織群智感知系統(tǒng)的在線任務(wù)分派方法。

背景技術(shù)：

近些年，隨著電子技術(shù)和通訊技術(shù)的發(fā)展，智能手機已經(jīng)完全地融入了人們的生活。由于智能手機通常集成多種傳感器，例如：加速度傳感器、陀螺儀、亮度傳感器、全球定位系統(tǒng)(gps)等。這些傳感器在大多數(shù)時間都處于空閑狀態(tài)，因此可以將它們在群智感知系統(tǒng)中加以利用，一方面，參與者能通過執(zhí)行任務(wù)獲得收益，另一方面，不需要安裝額外的專用傳感器即可以采集到數(shù)據(jù)，降低了設(shè)備開銷。群智感知的概念是由raghuk.ganti在2011年提出的，由請求者向云端提出請求，云通過招募大量智能移動設(shè)備在請求者要求的區(qū)域和時間段內(nèi)采集數(shù)據(jù)和計算，從而完成任務(wù)，這種收集模式能被廣泛地應(yīng)用于路況監(jiān)控，環(huán)境監(jiān)控以及室內(nèi)定位導(dǎo)航等方面。全球市場研究機構(gòu)trendforce的研究報告指出，2016年全球智能手機的出貨量將達(dá)到13.4億支，這意味著有大量的手機用戶能夠參與到群智感知系統(tǒng)中，因此群智感知成為了新興起的研究方向和應(yīng)用模式。

現(xiàn)在廣泛研究的群智感知系統(tǒng)主要由三部分組成：請求者，云管理控制平臺和參與者。請求者將希望通過群智感知完成的任務(wù)傳輸?shù)皆贫耍辉乒芾砜刂破脚_查看現(xiàn)有的已登錄的參與者的性能，應(yīng)用調(diào)度算法選擇合適的參與者，然后利用無線機會網(wǎng)絡(luò)通知被選擇的參與者并且將任務(wù)發(fā)送給他們；參與者完成任務(wù)后同樣利用無線機會網(wǎng)絡(luò)向云端返回結(jié)果，云管理控制平臺再將結(jié)果返回給請求者；請求者向云管理控制平臺支付酬勞，由其向參與者發(fā)放他們應(yīng)該獲得的報酬。雖然，云管理控制平臺擁有大量的處理能力，能夠快速完成復(fù)雜度高的調(diào)度算法，但是這種群智感知系統(tǒng)同樣會帶來不可避免的缺陷，主要有如下三點：一、參與者與云管理控制平臺之間的通訊都是經(jīng)過機會網(wǎng)絡(luò)，如果附近沒有無線wifi接入點或者參與者沒有打電話(無法攜帶式傳輸數(shù)據(jù))就會帶來實時性差的缺點。二、云管理控制平臺沒有廣告機制，不能針對任務(wù)的特殊性招募合適的參與者，只能被動地在已經(jīng)登錄的參與者中進行挑選，因此可能帶來采集結(jié)果低效的缺點。三、現(xiàn)在的群智感知系統(tǒng)是中央化的并且有平臺特殊性，因此靈活性和魯棒性都受到限制。

考慮到現(xiàn)在主流的群智感知系統(tǒng)的以上三個缺點，2015年一種面向自組織網(wǎng)絡(luò)的群智感知系統(tǒng)應(yīng)運而生，這種系統(tǒng)只包含兩個組成部分：請求者r和參與者p。r和p在無線局域網(wǎng)中的交互過程如圖1所示，在r向p發(fā)送任務(wù)描述(1)并且p確認(rèn)有足夠的處理能力且同意r所提供的酬勞(2)后，r執(zhí)行調(diào)度算法確定是否選擇p為自己完成任務(wù)，如果p被r所選擇，則r向p發(fā)送需要完成的任務(wù)(3)，待p完成后返回結(jié)果(4)，r向p支付酬金(5)。在這種只由請求者和參與者組成的系統(tǒng)中，請求者所持有的計算資源遠(yuǎn)沒有云管理控制平臺那么多，因此如何選擇合適的調(diào)度算法即為系統(tǒng)實現(xiàn)的關(guān)鍵。

然而，面向自組織網(wǎng)絡(luò)的群智感知系統(tǒng)的調(diào)度算法并沒有得到應(yīng)有的關(guān)注。mingjunxiao等人的文獻(xiàn)中提出了在此種群智感知架構(gòu)中的多任務(wù)放置算法，包括離線放置算法和在線放置算法，該算法采用貪心的策略并證明這種策略能實現(xiàn)任務(wù)平均執(zhí)行時間最少。但是，在這篇文獻(xiàn)中，每個任務(wù)并沒有副本也沒有考慮參與者是否可信，當(dāng)執(zhí)行某個任務(wù)的參與者只想獲得酬金而不愿真正執(zhí)行任務(wù)，并且為了蒙蔽請求者而給出錯誤的結(jié)果時，請求者并沒有機制能保證結(jié)果的正確性。

因此，需要找出一種適合于自組織網(wǎng)絡(luò)的群智感知系統(tǒng)的任務(wù)分派方法，該方法能夠兼顧選擇信譽度高的參與者和在多副本情況下盡可能地減少任務(wù)的平均執(zhí)行時間兩個目標(biāo)，以達(dá)到避免上述調(diào)度算法的缺陷的目的。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種面向自組織網(wǎng)絡(luò)的群智感知系統(tǒng)的在線任務(wù)分派方法，結(jié)合移動社交網(wǎng)絡(luò)中人群移動軌跡的特性，實現(xiàn)兼顧選擇信譽度高的參與者和在多副本情況下盡量減少任務(wù)的平均處理時間。

本發(fā)明提供的技術(shù)方案為：

一種面向自組織群智感知系統(tǒng)的在線任務(wù)分派方法，包括如下步驟：

步驟一：根據(jù)移動社交網(wǎng)絡(luò)中的歷史信息，按照信譽度值對將遇到的所有參與者進行排序，并計算所有參與者的信譽度的平均值；

步驟二：通過比較參與者信譽度和所述平均值的關(guān)系，將大于信譽度平均值的參與者放入候選者集合；

步驟三：計算候選者集合中參與者個數(shù)；

若參與者個數(shù)小于任務(wù)副本數(shù)，則向候選者集合內(nèi)補充信譽度高的參與者，達(dá)到候選者集合內(nèi)參與者個數(shù)與任務(wù)副本數(shù)相同；

若參與者個數(shù)大于任務(wù)副本數(shù)，通過比較參與者與請求者的間隔時間對候選者進行篩選，采用分層求解方法，以得到信譽度高和當(dāng)前執(zhí)行時間小的參與者；

步驟四：按照貪心策略，為每個任務(wù)副本選擇合適的候選者，從而決定目前相遇的參與者上的任務(wù)副本集合。

優(yōu)選的是，所述步驟一中的參與者按照信譽值降序排列。

優(yōu)選的是，所述步驟一任務(wù)分派的過程中，每個參與者的信譽度值保持不變。

優(yōu)選的是，所述步驟三中包括：

a.將經(jīng)過步驟一排序后的參與者存入集合cr中，計算集合cr中所有參與者的信譽度平均值，并將信譽度大于等于信譽度平均值的參與者存入集合g中；

b.比較參與者集合g中的元素個數(shù)|g|和所有副本個數(shù)sumc，其中，m為請求者提交的任務(wù)個數(shù)，cq表示第q個任務(wù)的副本個數(shù)；

c.若|g|≥sumc，進一步設(shè)置篩選條件，采用分層求解方法，以得到信譽度高和當(dāng)前執(zhí)行時間小的參與者；

若|g|＜sumc，增加參與者個數(shù)，將參與者集合cr中前sumc-|g|個元素放入g中。

優(yōu)選的是，所述分層求解方法，包括：

首先，計算g中前sumc個元素的相遇間隔時間的平均值mave，并且設(shè)置一個集合prcan，初始情況下所述集合prcan為空集；

然后.從g中第sumc+1個元素開始尋找相遇間隔時間小于等于mave的元素，將它們放入prcan集合中，并按相遇間隔時間的升序排序；然后將它們從g中刪除；

接著，按照相遇間隔時間的降序排列g(shù)中的參與者,依次掃描g中的元素的相遇間隔時間，當(dāng)掃描到某個參與者的相遇間隔時間大于mave且當(dāng)且prcan集合不為空時，將這個參與者與prcan中相遇間隔時間最小的參與者替換，同時刪去prcan中的當(dāng)前參與者；

最后，將g中所有的元素放入候選者集合can中，候選者集合can中存放的是經(jīng)過挑選的信譽度高的參與者。

優(yōu)選的是，在步驟四中的貪心策略，包括：

a.為can集合中每個候選者設(shè)置初始化值，并將它的初始執(zhí)行時間設(shè)置為它與請求者之間的相遇間隔時間，并且其上放置的任務(wù)集設(shè)置為空集，按照執(zhí)行時間，對參與者進行排序；

b.然后，將所有任務(wù)副本按照它們的處理時間從小到大排序，存放在集合js中，并將處理時間最短的任務(wù)放到當(dāng)前執(zhí)行時間最短的參與者上；

c.計算參與者的當(dāng)前執(zhí)行時間，即為初始執(zhí)行時間與任務(wù)處理時間之和，并重新按照當(dāng)前執(zhí)行時間對參與者進行排序；

d.仍將處理時間最短的任務(wù)放到當(dāng)前執(zhí)行時間最短的參與者上；最終只有被分配到當(dāng)前相遇的候選者上的任務(wù)副本能夠真正被分派到移動設(shè)備上，其它任務(wù)仍然留在請求者任務(wù)隊列里；當(dāng)遇到其他候選者時，重新執(zhí)行該在線分派方法，為遇到的候選者分派任務(wù)。

優(yōu)選的是，在步驟a中，如果相遇的參與者已被選為候選者，則將它的初始執(zhí)行時間設(shè)置為零，即將處理的任務(wù)副本集合設(shè)置為空集；對于還沒有相遇的候選者來說，初始執(zhí)行時間設(shè)置為這個候選者和請求者之間的相遇間隔時間，并且即將處理的任務(wù)副本集合初始設(shè)置為空集。

優(yōu)選的是，在步驟b中，任務(wù)的描述方式是其處理時間，無論該任務(wù)被放到哪個參與者上，所述處理時間都是相同的。

優(yōu)選的是，對所有任務(wù)副本按照處理時間從小到大排序，依照候選者當(dāng)前的執(zhí)行時間，按升序排列候選者。

本發(fā)明的有益效果是：本發(fā)明提出的一種面向自組織群智感知系統(tǒng)的在線任務(wù)分派方法，與現(xiàn)有技術(shù)相比，該方法不僅考慮減少任務(wù)平均執(zhí)行時間，還考慮多任務(wù)副本和選擇信譽度高的參與者以保證任務(wù)結(jié)果正確性，在提高任務(wù)結(jié)果質(zhì)量的前提下縮減任務(wù)的平均執(zhí)行時間。

附圖說明

圖1是面向自組織網(wǎng)絡(luò)的群智感知系統(tǒng)中請求者和參與者交互示意圖。

圖2是本發(fā)明的一種面向自組織網(wǎng)絡(luò)的群智感知系統(tǒng)的在線調(diào)度方法的流程圖。

圖3是根據(jù)歷史信息選擇信譽度高于平均值的參與者的流程圖。

圖4是根據(jù)歷史信息選擇合適的參與者作為候選者的流程圖

圖5是將任務(wù)副本放置到相遇的候選者上的流程圖。

圖6是請求者根據(jù)參與者的信譽度值和相遇間隔時間進行任務(wù)分派的實施例。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進一步的詳細(xì)說明，以令本領(lǐng)域技術(shù)人員參照說明書文字能夠據(jù)以實施。

本發(fā)明提供了一種面向自組織網(wǎng)絡(luò)的群智感知系統(tǒng)的在線任務(wù)分派方法,具體包括以下步驟：

步驟一：根據(jù)歷史信息，按照信譽度值的降序?qū)磳⒂龅降乃袇⑴c者排序，計算所有參與者的信譽度的平均值。

在本輪任務(wù)分派的過程中，每個參與者的信譽度值保持不變，因為信譽度的改變發(fā)生在參與者完成任務(wù)后，根據(jù)其執(zhí)行的結(jié)果情況增加或降低其信譽度值。

根據(jù)移動社交網(wǎng)絡(luò)中的歷史記錄，請求者能夠知道即將與之相遇的參與者，請求者和參與者的相遇間隔時間服從參數(shù)為λi的指數(shù)分布，其中i為參與者的索引號。

步驟二：設(shè)置選擇信譽度高的參與者的條件，將滿足條件的參與者放入候選者集合。

其中，候選者的個數(shù)最多為所有任務(wù)的副本數(shù)的和，因為最多需要這些數(shù)目的候選者即可確保完成所有的任務(wù)及其副本；當(dāng)平均信譽度值過小，從而導(dǎo)致候選者數(shù)目過少時，候選者的數(shù)目也可以少于所有任務(wù)副本數(shù)的總和，代價是增加任務(wù)的平均執(zhí)行時間。

步驟三：查看當(dāng)前遇到的參與者是否為候選者，如果是候選者，繼續(xù)執(zhí)行該方法，否則丟棄當(dāng)前參與者，等待下一個即將遇到的參與者。

如果相遇的參與者已被選為候選者，則將它的初始執(zhí)行時間設(shè)置為零，它的即將處理的任務(wù)副本集合設(shè)置為空集；對于還沒有相遇的候選者來說，它們的初始執(zhí)行時間設(shè)置為這個候選者和請求者之間的相遇間隔時間，它們的即將處理的任務(wù)副本集合初始設(shè)置為空集。

步驟四：按照貪心策略，為每個任務(wù)副本選擇合適的候選者，從而決定目前相遇的候選者上的任務(wù)副本集合，該策略的目的是盡量減少所有任務(wù)的平均執(zhí)行時間。

對于候選者的選擇需要根據(jù)信譽度高和當(dāng)前執(zhí)行時間小兩個目標(biāo)，求解多目標(biāo)問題采用分層求解的思想。任務(wù)的描述方式是其處理時間，這是因為任務(wù)類型是多種多樣的，但是它們都可以用處理時間描述。

首先，對所有任務(wù)副本按照處理時間從小到大排序，并且依照候選者當(dāng)前的執(zhí)行時間，按升序排列候選者。然后，根據(jù)貪心策略，將當(dāng)前處理時間最短的任務(wù)分配到目前執(zhí)行時間最短的移動設(shè)備上，前提是這個移動設(shè)備沒有執(zhí)行該任務(wù)的任何副本。由于是在線算法，最終只有被分配到當(dāng)前相遇的候選者上的任務(wù)副本能夠真正被分派到移動設(shè)備上，其它任務(wù)仍然留在請求者的任務(wù)隊列里。當(dāng)遇到其他候選者時，重新執(zhí)行該在線分派方法，為遇到的候選者分派任務(wù)。

具體過程如下：首先,為面向自組織網(wǎng)絡(luò)的群智感知系統(tǒng)建模:

考慮有(n+1)個智能手機用戶的群智感知系統(tǒng)，其中包括一個請求者r和n個參與者，參與者集合為p＝{p1,p2,…，pi…,pn},請求者r提交了m個任務(wù)，則任務(wù)集合為j＝{j1,j2,…，jq…jm},由于智能設(shè)備被廣泛使用的特性，我們假設(shè)n遠(yuǎn)遠(yuǎn)大于m。

對于每個任務(wù)來說，按照它們不同的質(zhì)量要求，它們的副本數(shù)也不同，我們以cq表示第q個任務(wù)的副本個數(shù)，則第q個任務(wù)的第k個副本的處理時間設(shè)置為tqk，所有任務(wù)副本的集合可以表示為：

其中，同一個任務(wù)的所有副本的處理時間都是一致的，因此，可以將原來的放置任務(wù)集合j的問題轉(zhuǎn)化成放置所有任務(wù)副本js的問題，但是需要添加兩個約束條件，第一，每個參與者只能執(zhí)行同一個的任務(wù)的一個副本；第二，每個副本只能被放置一次。本方法的目的是找到一種合適的放置任務(wù)副本的策略x，在結(jié)果正確的情況下盡可能地減少所有任務(wù)的平均執(zhí)行時間。

綜上所述，可以將任務(wù)副本放置問題形式化成如下目標(biāo)和約束條件：

f1(x)＝max∑(aui×xiqk)

xiqk＝{0,1}

其中，xiqk表示是否將第q個任務(wù)的第k個副本放到參與者i上，如果決定放置任務(wù)，則xiqk的值為1；否則為0。放置策略x＝{x1,x2,…,xi,…,xn}，xi代表在第i個參與者上放置的任務(wù)副本集合。aui是第i個參與者的信譽度值。

考慮到請求者希望能在得到正確采集結(jié)果的前提下盡可能減少任務(wù)的平均執(zhí)行時間，我們采用求解多目標(biāo)問題中的分層求解的思想，因此，第一個目標(biāo)的優(yōu)先級高于第二個目標(biāo)。

如圖3和圖4所示，步驟一和步驟二為完成第一個目標(biāo)所做的工作，具體的流程如下：

步驟一：先根據(jù)歷史信息，對請求者即將遇到的所有參與者按照它們的信譽度值的降序進行排序并存入集合cr中，如果兩個參與者的信譽度值相同，將相遇間隔時間少的參與者排在前面的位置，并且計算所有參與者的信譽度的平均值aave。

步驟二：設(shè)置選擇信譽度高的參與者的條件，將滿足條件的參與者放入候選者集合。

具體的，先將信譽度大于等于aave的參與者存入集合g中，并從cr集合中刪除這些參與者，比較g集合中的元素個數(shù)|g|和所有副本個數(shù)sumc，其中，

進一步的，若|g|≥sumc，說明有足夠的信譽度高的參與者，可以從中挑選與請求者相遇間隔時間短的參與者，其過程如下：

首先，計算g中前sumc個元素的相遇間隔時間的平均值mave，并且設(shè)置一個集合prcan備用，初始情況下prcan為空集；

然后，從g中第(sumc+1)個元素開始尋找相遇間隔時間小于等于mave的元素，將它們放入prcan集合中，并按相遇間隔時間的升序排序；然后，無論該參與者的相遇間隔時間是否小于等于mave，都將該元素從g中刪除；接著，按照相遇間隔時間的降序排列g(shù)中的參與者；

然后，依次掃描g中的元素的相遇間隔時間，當(dāng)掃描到某個參與者的相遇間隔時間大于mave且當(dāng)且prcan集合不為空時，將這個參與者與prcan中當(dāng)前參與者替換，同時刪去prcan中的當(dāng)前參與者；

最后，將g中所有的元素放入候選者集合can中，can中存放的是經(jīng)過挑選的信譽度高的參與者。

進一步的，若|g|＜sumc，說明需要放寬參與者的信譽度的要求，增加參與者的個數(shù)，其過程如下：首先，將g中所有元素都添加到候選者集合can中；然后，將cr集合中前(sumc-|g|)個元素放入g中。此時，can中存放的是經(jīng)過放寬條件后挑選的信譽度高的參與者。

步驟三：查找當(dāng)前遇到的參與者是否為候選者，如果是候選者，繼續(xù)執(zhí)行步驟四，否則丟棄當(dāng)前參與者，等待下一個即將遇到的參與者。該步驟的目的是保證每一個被分配任務(wù)的參與者都在候選者范圍內(nèi)，有足夠的信譽度值。

步驟四：依照貪心策略，為每個任務(wù)副本選擇合適的候選者，從而決定將哪些任務(wù)副本放到目前相遇的參與者上，該策略的目的是盡量減少所有任務(wù)的平均執(zhí)行時間。

具體的，如圖5所示，對于當(dāng)前相遇的候選者pi，它的初始執(zhí)行時間設(shè)置為0，其上放置的任務(wù)集為空集，并且，將這個候選者從候選者集合can中刪除；為can集合中每個候選者設(shè)置初始化值，將它的初始執(zhí)行時間設(shè)置為它與請求者之間的相遇間隔時間，并且其上放置的任務(wù)集設(shè)置為空集。

進一步的，將所有任務(wù)副本按照它們的處理時間從小到大排序，存放在集合js中，所以js中第一個任務(wù)副本為目前還沒有分發(fā)出去的任務(wù)副本中處理時間最小的。由于同一個任務(wù)的所有副本，它們的處理時間都相同，因此存在當(dāng)前還沒有分派出去的任務(wù)副本中有多個任務(wù)副本處理時間相同的情況。

進一步的，順序掃描js中的所有任務(wù)副本，制定放置策略，欲將當(dāng)前任務(wù)副本jqk放到包括pi和can集合中的某個候選者上。從pi和can集合中選出目前執(zhí)行時間最短的候選者p′，并且p′沒有執(zhí)行任務(wù)jq的任何副本，在策略中，將jqk添加到p′的任務(wù)隊列xp′中，并且這個候選者的執(zhí)行時間需要增加tqk，接著繼續(xù)掃描js中的任務(wù)副本。如果在can集合中有多個候選者的目前執(zhí)行時間相同，則從中挑選出信譽度最好的候選者放置任務(wù)。

進一步的，將策略中預(yù)放到pi中的任務(wù)副本放到pi上，其余任務(wù)副本仍保存在請求者隊列中，等待下一個相遇的候選者。當(dāng)遇到下一個候選者時，重新執(zhí)行該在線任務(wù)分派方法，為這個候選者分派任務(wù)。

綜合上述步驟，本發(fā)明方法根據(jù)即將相遇的參與者的歷史數(shù)據(jù)，選擇出信譽度高且有足夠能力的參與者，從而提高系統(tǒng)魯棒性；由請求者自行完成任務(wù)分派的工作，無需通過云管理控制平臺，并且在任務(wù)結(jié)果正確的情況下盡可能地減少任務(wù)平均執(zhí)行時間，從而提高系統(tǒng)實時性。

如圖6所示，實施例1：本發(fā)明是一種面向自組織群智感知系統(tǒng)的在線任務(wù)分派方法，用以執(zhí)行由請求者直接向參與者分派任務(wù)的過程。在本實施例中，著重介紹請求者如何根據(jù)參與者信譽度值和相遇間隔時間選擇合適的參與者完成任務(wù)。

請求者r有三個任務(wù)，其中c1＝3,c2＝1,c3＝2，且t1＝2,t2＝6,t3＝9，則任務(wù)副本集合js＝{j11,j12,j13,j21,j31,j32}。根據(jù)歷史數(shù)據(jù)，有8個參與者即將到達(dá)，他們的信譽度值和相遇間隔時間分別是{{0.5,2.5}，{0.6,2}，{0.4,3.5}，{0.9,1}，{0.8,2.5}，{0.7,1.5}，{0.5,4}，{0.6,1}}。

首先，按照信譽度值排序參與者，按序存入集合cr中，則cr＝{p4，p5，p6，p2，p8，p1，p7，p3}；計算平均信譽度值：

則g集合中包括p4，p5，p6三個參與者，少于任務(wù)副本數(shù)的總數(shù)，因此將g集合中所有參與者存入can集合后，將p2，p8，p1加入can集合中，can集合中的元素{p4,p5,p6,p2,p8,p1}即為候選者，假定候選者到達(dá)的順序依次為p6，p4，p2，p5，p8，p1。

如圖6所示，按照貪心算法的思想制定將任務(wù)副本放到候選者上的策略。當(dāng)p6到達(dá)時，則將它的初始執(zhí)行時間設(shè)置為0，按初始執(zhí)行時間從小到大的順序排序can集合中的參與者，則參與者的順序為p6，p4，p8，p2，p5，p1，根據(jù)貪心的思想，總是將處理時間最短的任務(wù)放到當(dāng)前執(zhí)行時間最短的參與者上，將j11放在p6上，此時，p6的執(zhí)行時間為t1＝2，而p4和p8的執(zhí)行時間為其相遇間隔時間，即為1，因此，參與者的順序為：p4，p8，p6，p2，p5，p1。當(dāng)前p4和p8的執(zhí)行時間最短，所以分別將j12和j13放在p4和p8上。此時，p4和p8,的執(zhí)行時間變?yōu)?，目前，按照執(zhí)行時間升序排序can集合中參與者的順序為p6，p2，p5，p1，p4，p8，因此將j21分配給p6，則p6的執(zhí)行時間增加為8。目前，按照執(zhí)行時間升序排序can集合中參與者的順序為p2，p5，p1，p4，p8，p6，所以j31和j32分別被分配到p2和p5上。經(jīng)過上述過程可得到圖6中的第一個圖。因為p6已經(jīng)與請求者相遇，所以將任務(wù)j11和j21分派到p6上，即x6＝{j11,j21}，并且can集合中將不再包含p6，但是在本次執(zhí)行貪心策略的過程中，其它未相遇的候選者不予分派任務(wù)。以此類推，每當(dāng)有can集合中的參與者到達(dá)時，執(zhí)行一次貪心策略，可得到

x4＝{j12,j31},x2＝{j13},x5＝{j32},x8＝x1＝φ

綜上所述，本發(fā)明能夠適應(yīng)由請求者自行組織的群智感知系統(tǒng)，并且在結(jié)果正確的前提下，盡可能較少任務(wù)的平均執(zhí)行時間。

盡管本發(fā)明的實施方案已公開如上，但其并不僅僅限于說明書和實施方式中所列運用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對于熟悉本領(lǐng)域的人員而言，可容易地實現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細(xì)節(jié)和這里示出與描述的圖例。