原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
石河子科技总第280期
无线通讯MCS任务推荐协同排序学习优化
潘超
（南阳职业学院，计算机与信息技术学院，河南省南阳市，474550）
摘要无线通讯技术离不开群体移动设备之间的相互交流，移动群智感知（MobileCrowdSensing，
MCS）的参与者积极性仍然存在一定的计算效率的问题，为此设计了一种基于混合模型（Hybridmodel，
HM）与列表级排序（List-WiseRanking，LWR）算法相结合的同排序任务推荐方法HM-LWR，并在
MATLAB平台下测试各项参数变化。研究结果表明：HM-LWR算法相较于MSC与LWR算法在分配效率上
有显著提升，总体准确率达到约96%。任务数量变化仅导致算法执行时间出现了轻微波动，当参与者数量增
多后，算法达到了更大复杂度，进而延长了运行时间。
关键词移动群智感知；任务推荐；协同排序；混合模型
中图分类号：TP393文献标识码：B的研究。
文章编号：1008-0899（2025）04-0020-02本研究基于列表级别排序原理，提出了一种新
型同类别排序推荐算法，将其命名为HM-LWR。该
随着当前无线通讯技术的快速发展和多种智算法是利用隐性反馈数据筛选的方式去除无效用
能便携式设备的普及应用，为移动环境下的群体智户，并根据不同相似度指标构建混合模型。
能感知创造了重要基础，多种类型的传感器为群体1问题定义
智能感知创造必要物理条件，也促进了人类社会和图1为对MCS任务推荐问题描述，将整个任务
[1]分配流程分为训练、排序、推荐环节。进行训练时，
移动设备之间的互动交流效率。移动群智感知
（MCS）是通过智能便携设备与移动网络进行数据系统依据参与者完成任务特征匹配，并根据参与者
[2]偏好排序，提高了算法的整体运算效率。
收集的方式。此类设备能够保持灵活移动状态，
并能适应各类环境的扩展要求，在多种传感检测场
合都获得广泛运用。在对MCS任务实施分配时，细
致分析用户偏好，确保偏好与分配任务之间实现最
优匹配，进而提高任务的分配效率，实现更佳数据
[3]
感知效果。
[5]
杨桂松等提出了一种基于感知质量优先级的
图1MCS任务推荐示意图
在线任务协作方法，对全部任务进行筛选以保证任
2本文方法
务完成率，病通过强化学习算法求出最优协作策
考虑到在算法处理过程中，用户个性化信息相
略，所提方法能够减少依赖任务的平均完成时间。
[6]对匮乏，本研究通过推荐算法及概率分布矩阵来构
申晓宁等建立MCS异构任务分配模型，通过寻找
建完善的稀疏数据矩阵，目的是在用户缺乏足够历
最优任务分配方案，提出引入了预测信息的离散烟
史行为数据的前提下，依然能够提高预测准确性。
花算法，所提算法在MCS异构任务分配上能够搜索
在此基础上，本文利用据列表级别排序（LWR）策
到更优分配方案。以上研究取得了一定的成果，但
文档评论（0）