Cooperative-Rationality-Based Multiplatform Task Assignment Mechanisms for Mobile Crowdsensing
Notice bibliographique
Résumé
Task assignment is a key issue in mobile crowdsensing (MCS). Most existing work in this area has focused on the task assignment for the single platform scenario, which can cause considerable waste of limited human resources or reduced task completion rate due to potential spatial mismatching between distributions of users and tasks. In this article, we study multiplatform cooperative task assignment. The design goal is to maximize the social welfare while ensuring cooperative and individual rationality. We formulate this problem, transform it to a maximum value flow problem, and prove its NP-hardness. We first propose a greedy-maximum-flow-based task matching (GMTA) mechanism for interplatform task matching. In GMTA, there are two phases in each time slot: 1) in the former phase, earliest-deadline-first-based intraplatform optimal task assignment is carried out at each individual platform and 2) in the second phase, greedy-maximum-flow-based task matching is carried out to perform interplatform cooperative task assignment for those overloaded tasks in the first phase. We then enhance GMTA by designing an iterative-maximum-flow-based task matching (IMTA) mechanism, which is to achieve enhanced social welfare at the cost of increased computational overhead. We deduce time complexities of both mechanisms, and prove that they satisfy cooperative and individual rationality. Extensive simulations are conducted and the simulation results demonstrate the effectiveness of our proposed mechanisms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».