OTAP:预测驱动的机会群智能感知多任务在线分配算法优化

OTAP: Online Multi-task Assignment Algorithm with Prediction for Opportunistic Crowd Sensing (OTAP) 是一项针对无线传感器网络（Wireless Sensor Networks, WSNs）中机会群智感知场景的研究论文。在机会群智感知网络中，节点之间的相遇是不规则的，且不同节点执行任务所需的时间存在显著差异，这直接影响了任务分配效率和平均完成时间。为了优化任务分配，研究人员李卓、徐哲、陈昕和李淑琴提出了OTAP算法，其目标是通过预测节点间的相遇间隔来实现更高效的任务分配。 该算法首先通过分析真实移动轨迹数据集，揭示节点间相遇间隔的分布模式，设计了一个子算法来识别节点相遇的规律。然后，OTAP利用这些预测结果，在每次节点与任务分发者预计的下一次相遇之前，动态地为执行节点分配可以在此时间段内完成的最大任务量。这种在线分配策略允许算法根据实时环境变化动态调整任务分配，提高了任务处理的灵活性和响应速度。 实验部分，作者使用了ONE模拟器对OTAP算法进行了深入的验证和性能分析，对比了它与已有的多任务分配算法（NTA）的效果。实验数据来自四个不同的真实移动轨迹数据集，结果显示OTAP在所有数据集上都表现出了明显的性能提升。具体来说，平均任务完成时间相比NTA分别缩短了50.49%、45.34%、32.71%和32.23%，显示出OTAP在任务完成时间上的显著优势。此外，OTAP在其中两个数据集上还提高了任务完成率，表明其在实际应用中的综合性能优越。 OTAP的关键技术包括节点间相遇间隔的预测模型、动态任务分配策略以及对多任务处理的在线优化。这篇论文不仅提供了新的算法设计思路，也为未来在机会群智感知网络中优化任务分配和提升整体系统效率提供了有价值的研究参考。该研究对于无线传感器网络中的资源管理和任务调度具有重要的理论价值和实践意义。