典型文献
基于强化学习的稀疏群智感知参与者招募策略
文献摘要：
稀疏群智感知通过选择部分子区域进行数据采集并推测其他子区域的数据,在保证全局数据质量的同时节省了感知成本.然而现有的稀疏群智感知研究工作总是优先选择具有较高价值的子区域,没有考虑被招募的参与者是否能够采集到所需子区域的数据,也忽略了参与者采集的其它数据价值.为了解决子区域选择具有的局限性,本文从参与者的角度出发,提出了应对稀疏群智感知下的用户招募这一问题的新思路,考虑每个参与者采集到的数据对整个采集任务的贡献程度.鉴于每人每天的移动轨迹基本稳定,而不同人在其各自轨迹上采集的数据具有不同的价值,本文利用这种规律性和差异性,研究如何直接招募可采集到高价值数据的参与者.我们采用强化学习框架解决该问题,将用户招募系统作为强化学习的智能体,并且对招募系统的状态、动作和奖励进行建模.本文中使用深度强化学习算法Deep QNetwork(DQN)来训练回报函数,旨在给出在特定的状态下,判断招募哪些用户是最好的选择.该框架在北京市两个月空气质量和一百多名用户移动轨迹的真实数据集上进行了验证,所提出的用户招募策略相比若干基准策略,在用户数量限定下,可获得更高的数据推测精度.
文献关键词：
群智感知;用户招募;压缩感知;粒子群优化;强化学习
中图分类号：
作者姓名：
涂淳钰;於志勇;韩磊;朱伟平;黄昉菀;郭文忠;王乐业
作者机构：
福州大学数学与计算机科学学院 福州 350108;福建省网络计算与智能信息处理重点实验室(福州大学) 福州 350108;西北工业大学计算机学院 西安 710072;高可信软件技术教育部重点实验室(北京大学) 北京 100871;北京大学计算机学院 北京 100871
文献出处：
引用格式：
[1]涂淳钰;於志勇;韩磊;朱伟平;黄昉菀;郭文忠;王乐业-.基于强化学习的稀疏群智感知参与者招募策略)[J].计算机学报,2022(07):1539-1556
A类：
用户招募,QNetwork
B类：
群智感知,招募策略,子区域,局数,数据质量,时节,感知成本,感知研究,优先选择,高价值,数据价值,区域选择,贡献程度,每人每天,移动轨迹,基本稳定,接招,智能体,使用深度,深度强化学习算法,Deep,DQN,空气质量,一百多名,真实数据,干基,用户数量,量限,定下,压缩感知,粒子群优化
AB值：
0.283705
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
