·1928· 工程科学学报，第39卷，第12期 其中，-n为山：最大可发送时间，E为其移动 L个参与者内选择最佳朋友为。转发感知数据，即 设备总能量 E(C-》为取值在0，】范围内 根据式(19)依次计算u。与U血中参与者之间信任 E(iy-ta+n） 程度R后，u。“选择与其信任程度最大的参与者转发 的归一化剩余能量时间比，且此值越接近1时，“：直接 感知数据，如下式所示： 发送感知数据的概率越大，而越接近0时，间接转发概 u=arg max Ri (20) 率越大，故以0.5作为判别阈值. 根据式(20)可知参与者u可选择u,血为其转发 根据式(17)将参与者进行分类后，用集合U= 感知数据，同时，u,接收到。的感知数据后为其进 {u,,…小和={u,,…小分别表示直接 行标记以示区分，此时感知区域内全部任务参与者均 发送和间接转发参与者，即Um中参与者。需借助 可将感知数据直接发送或间接转发到服务器.为满足 心严中参与者““为其转发感知数据，此处通过衡量 感知任务较高的准确性要求，服务器需要判断是否接 u。和u之间信任程度，选择最佳u为u。转发感 收参与者感知数据，假设参与者“：下次感知任务为 知数据. Va切，由此根据u:当前信誉度定义其下次感知数据 首先，若参与者和。咖之间存在朋友关系，则 的可信程度Da,如下式所示： u更愿意为“转发感知数据，由于朋友间经常保 “:∈U: 持一定的交互，且朋友间交互时间远远多于非朋友间 Di(n+= (21) y",4,e且u,eU. 交互时间，故根据“和“g交互时间量化两者朋友 其中，D,an表示4，下次参与感知任务Nan所获取感 关系F。().将u和u之间朋友关系Fe(t)定义 知数据可信程度，、和r分别为参与者u、u 在D,1]范围内，总体上朋友关系随着两者交互时间 和最佳朋友u“的当前信誉度，上式表示当w:直接发 的增加而增强，并且初期时随着交互时间增加朋友关 送感知数据时，此时感知数据可信程度为其当前信誉 系增强较快，随后朋友关系缓慢增强并保持相对稳定 度：当选择““为其转发感知数据时，则感知数据可信 且稳定期较长.根据以上变化规律，用龚伯兹函数四 程度为·r血.另外，根据参与者当前信誉度取值范 描述两者间朋友关系F(),如下式所示： 围，可知服务器对感知数据的可信程度也在D,1]范 Fg(t）=ae-e. (18) 围内. 式中，a,b,c为函数参数且Fg(t)=a为Fg(t)水平渐 3.2感知数据收集机制 近线，又因为朋友关系F。(）定义在D,1]范围内，故 本节在量化感知数据可信程度的基础上，在多任 可确定参数a等于l.同时由于t=ln/c为Fe(t)拐 务并发场景下通过建立多目标规划模型，分析并提出 点，为简单起见，此处取b=e,c=l,从而将和。 数据收集机制，从而使得服务器以最小总奖励开销实 之间交互时间量化成朋友关系Fa(t)=ee” 时准确完成感知任务，使得参与者所获奖励最大化 其次，参与者当前信誉度越高，越有利于服务器实 3.2.1感知任务的数据收集 时准确完成感知任务，因此。更倾向于选择当前信 同一时刻按照感知任务数量的不同，将其分为单 誉度较高的朋友”为其转发数据.另外当“血移动 任务和多任务并发两种场景.如图2(a)所示，单任务 设备当前剩余能量E有限时，在接收到u的数据 场景表示某时刻最多存在一个感知任务，下次感知任 后，随着耗电的增加难以保证将“。感知数据成功转 务N={Nn1.N.2,,N2}之间在时域内没有冲突，参 发到服务器，反之，若u移动设备当前剩余能量E 与者接收到广播任务消息后，只需决定是否参与任务： 在多任务并发场景下，由于某时刻可能同时存在多个 越大，则被选择为转发数据的概率也越大.综上， 根据u和u。之间朋友关系Fe(),u当前信誉度 感知任务，下次感知任务之间N={N1.N2,…,Nn} 在时域内存在冲突，例如图2(b)中[3,2]时间段 ·及其移动设备当前剩余能量E衡量和。 内下次感知任务N.2和N。以及5，]时间段内 之间的信任程度R,如下式所示： 下次感知任务N.4和N。5·假设在多任务并发场景下 Rg=Fa(i）·r 八 (19) 参与者至多参与一个任务，此时参与者接收到广播任 务消息后，不仅需要决定是否参与，而且还需根据自身 式中，E血为参与者“血移动设备总能量，上式表示当 条件选择适合的感知任务使其奖励最大化. u。与u存在朋友关系时，且u当前信誉度越高、 由于单任务场景是多任务并发场景的特例，因此 移动设备归一化剩余能量越大时，。对越信任. 本文考虑更为普遍的多任务并发场景.用布尔变量 最后，假设U中与存在朋友关系的参与者 xan表示参与者山：是否参与下次感知任务N。y,即当 集合为U血={u,u,…,u},此时需要在血中 山，下次参与Nn时，xa+》=1,否则xa+功=0.当xa+工程科学学报，第 39 卷，第 12 期 其中，t e n + j － t p i( n + j) 为 ui 最大可发送时间，Etotal i 为其移动 设备总能量，Er i ( t e n + j － t p i( n + j) ) Etotal i ( t e n + j － t u i( n + j) ) 为取值在［0，1］范围内 的归一化剩余能量时间比，且此值越接近 1 时，ui 直接 发送感知数据的概率越大，而越接近 0 时，间接转发概 率越大，故以 0. 5 作为判别阈值． 根据式( 17) 将参与者进行分类后，用集合 Udir = { udir 1 ，udir 2 ，…} 和 Uindir = { uindir 1 ，uindir 2 ，…} 分别表示直接 发送和间接转发参与者，即 Uindir中参与者 uindir β 需借助 Udir中参与者 udir i 为其转发感知数据，此处通过衡量 uindir β 和 udir i 之间信任程度，选择最佳 udir i 为 uindir β 转发感 知数据． 首先，若参与者 udir i 和 uindir β 之间存在朋友关系，则 udir i 更愿意为 uindir β 转发感知数据，由于朋友间经常保 持一定的交互，且朋友间交互时间远远多于非朋友间 交互时间，故根据 udir i 和 uindir β 交互时间量化两者朋友 关系 Fiβ ( t) ． 将 udir i 和 uindir β 之间朋友关系 Fiβ ( t) 定义 在［0，1］范围内，总体上朋友关系随着两者交互时间 的增加而增强，并且初期时随着交互时间增加朋友关 系增强较快，随后朋友关系缓慢增强并保持相对稳定 且稳定期较长． 根据以上变化规律，用龚伯兹函数［23］ 描述两者间朋友关系 Fiβ ( t) ，如下式所示: Fiβ ( t) = ae － be － ct ． ( 18) 式中，a，b，c 为函数参数且 Fiβ ( t) = a 为 Fiβ ( t) 水平渐 近线，又因为朋友关系 Fiβ ( t) 定义在［0，1］范围内，故 可确定参数 a 等于 1． 同时由于 t = lnb / c 为 Fiβ ( t) 拐 点，为简单起见，此处取 b = e，c = 1，从而将 udir i 和 uindir β 之间交互时间量化成朋友关系 Fiβ ( t) = e － ee － t ． 其次，参与者当前信誉度越高，越有利于服务器实 时准确完成感知任务，因此 uindir β 更倾向于选择当前信 誉度较高的朋友 udir i 为其转发数据． 另外当 udir i 移动 设备当前剩余能量 Er_dir i 有限时，在接收到 uindir β 的数据 后，随着耗电的增加难以保证将 uindir β 感知数据成功转 发到服务器，反之，若 udir i 移动设备当前剩余能量 Er_dir i 越大，则被选择为 uindir β 转发数据的概率也越大． 综上， 根据 udir i 和 uindir β 之间朋友关系 Fiβ ( t) ，udir i 当前信誉度 r dir i 及其移动设备当前剩余能量 Er_dir i 衡量 udir i 和 uindir β 之间的信任程度 Ｒiβ，如下式所示: Ｒiβ = Fiβ ( t)·r dir i ·Er_dir i Et_dir i . ( 19) 式中，Et_dir i 为参与者 udir i 移动设备总能量，上式表示当 uindir β 与 udir i 存在朋友关系时，且 udir i 当前信誉度越高、 移动设备归一化剩余能量越大时，uindir β 对 udir i 越信任． 最后，假设 Udir中与 uindir β 存在朋友关系的参与者 集合为 U' dir = { u'1 dir，u'2 dir，…，u'L dir } ，此时需要在 U' dir中 L 个参与者内选择最佳朋友为 uindir β 转发感知数据，即 根据式( 19) 依次计算 uindir β 与 U' dir中参与者之间信任 程度 Ｒ'iβ后，uindir β 选择与其信任程度最大的参与者转发 感知数据，如下式所示: u'i dir = arg max Ｒ'iβ ． ( 20) 根据式( 20) 可知参与者 uindir β 可选择 u'i dir为其转发 感知数据，同时，u'i dir接收到 uindir β 的感知数据后为其进 行标记以示区分，此时感知区域内全部任务参与者均 可将感知数据直接发送或间接转发到服务器． 为满足 感知任务较高的准确性要求，服务器需要判断是否接 收参与者感知数据，假设参与者 ui 下次感知任务为 Ni( n + j) ，由此根据 ui 当前信誉度定义其下次感知数据 的可信程度 Di( n + j) ，如下式所示: Di( n + j) = r dir i ， ui∈Udir ; r indir i ·r'j dir， ui∈Uindir且 u'i dir∈U' { dir ． ( 21) 其中，Di( n + j) 表示 ui 下次参与感知任务 Ni( n + j) 所获取感 知数据可信程度，r dir i 、r indir i 和 r'j dir分别为参与者 udir i 、uindir i 和最佳朋友 u'j dir的当前信誉度，上式表示当 ui 直接发 送感知数据时，此时感知数据可信程度为其当前信誉 度; 当选择 u'j dir为其转发感知数据时，则感知数据可信 程度为 r indir i ·r'j dir ． 另外，根据参与者当前信誉度取值范 围，可知服务器对感知数据的可信程度也在［0，1］范 围内． 3. 2 感知数据收集机制 本节在量化感知数据可信程度的基础上，在多任 务并发场景下通过建立多目标规划模型，分析并提出 数据收集机制，从而使得服务器以最小总奖励开销实 时准确完成感知任务，使得参与者所获奖励最大化． 3. 2. 1 感知任务的数据收集 同一时刻按照感知任务数量的不同，将其分为单 任务和多任务并发两种场景． 如图 2( a) 所示，单任务 场景表示某时刻最多存在一个感知任务，下次感知任 务 N = { Nn + 1，Nn + 2，…，N2n } 之间在时域内没有冲突，参 与者接收到广播任务消息后，只需决定是否参与任务; 在多任务并发场景下，由于某时刻可能同时存在多个 感知任务，下次感知任务之间 N = { Nn + 1，Nn + 2，…，N2n } 在时域内存在冲突，例如图 2( b) 中［t s n + 3，t e n + 2］时间段 内下次感知任务 Nn + 2和 Nn + 3以及［t s n + 5，t e n + 4］时间段内 下次感知任务 Nn + 4和 Nn + 5 ． 假设在多任务并发场景下 参与者至多参与一个任务，此时参与者接收到广播任 务消息后，不仅需要决定是否参与，而且还需根据自身 条件选择适合的感知任务使其奖励最大化． 由于单任务场景是多任务并发场景的特例，因此 本文考虑更为普遍的多任务并发场景． 用布尔变量 xi( n + j) 表示参与者 ui 是否参与下次感知任务 Nn + j ，即当 ui 下次参与 Nn + j时，xi( n + j) = 1，否则 xi( n + j) = 0． 当 xi( n + j) · 8291 ·