beat365

信息技术研究生论坛

时间：2022年6月10日（星期五）15:00-17:00

地点：beat365604教室

报告题目一：基于边缘计算的移动群智感知中混合任务分配

报告人：张显

报告简介：首先介绍群智感知和边缘计算的相关背景和课题来源。为了解决在大规模感知任务和有限的预算约束下选出有能力的工人并确保任务的完成率问题。提出基于执行能力的感知混合任务分配框架，在总预算约束下分为机会式和参与式两种模式执行。通过与其他三种算法在真实数据集中的比较，我们的表现优异，赢得比赛。

报告题目二：基于Informer-XGBoost-GA的多步时间序列预测

报告人：陈嘉元

报告简介：产品销售计划制定的主要依据是产品销量的预测。如果不能准确的预测长期的产品销量，导致制定的产品销售计划不合理。会对导致在生产过程中频繁进行计划调整，过多的插单使整个生产效率难以提升，管理混乱，精益生产难以实现。首先会介绍目前销量预测的相关工作，其次针对存在的问题提出了一种基于Informer-XGBoost-GA的多步预测模型，最后在未来一年的销量预测结果上与其他模型进行对比，实验表明本方法有效地提高了预测结果的精度。

报告题目三：车辆群智感知中基于深度学习的机会式招募研究

报告人：覃小琼

报告简介：车辆群智感知的目标是利用智能车辆上大量的车载传感器和资源，在大范围内收集传感数据。车辆的移动性使得它可以实现大规模的移动数据传感，但是如何招募合适的参与车辆，如何积极地最大化传感效益，仍然是一个具有挑战性的问题。首先介绍车辆群智感知招募算法相关的工作，其次介绍群智感知中的机会式车辆招募算法，最后为了在有限的预算中最大化传感效益，提出了一种基于深度学习的机会式车辆招募算法使得能招募最合适的车辆按照自己的日常移动模式收集传感数据。基于真实世界数据集的广泛评估表明，本研究在各种设置下都比其他基线方法实现了更高的传感效益。

报告题目四：基于改进竞争机制与信息素机制的多目标黑寡妇优化算法
报告人：许励强
报告简介：黑寡妇优化算法是一种通过模拟黑寡妇蜘蛛群体运动规律提出来的群体智能优化算法，该算法收敛速度快、收敛精度高。但黑寡妇优化算法因所采用的个体位置更新策略较为简单，在求解复杂优化问题时容易陷入局部最优；其次在多维空间中因种群结构单一，影响了搜索能力，算法的收敛性和多样性有待改善。为了使黑寡妇优化算法能够应用于求解多目标优化问题，并提高算法的综合性能，并本文提出一种角逐和改进信息素机制的多目标黑寡妇优化算法(Multi-objective Black Widow Optimization Algorithm，MBWOA)。MBWOA与4个前沿的多目标对比算法在IGD、HV、Spread三个指标上进行实验，证明MBWOA具有良好的收敛性、多样性和收敛速度。最后，通过实验验证了角逐机制和改进信息素机制在确保MBWOA性能的有效性。

报告题目五：基于深度强化学习的移动群智感知多目标动态任务分配研究
报告人：沈煜鸣
报告简介：首先介绍移动群智感知和深度强化学习的相关背景和课题来源。移动群智感知自问世以来，一直是一个热点问题，受到很多国内外学者的密切关注，其中任务的合理分配更是重点问题。而现在移动群智感知任务分配领域的研究大多数是在于对传统的贪婪和元启发式算法的优化和改进，存在理论缺失、性能不足、可塑性差等缺点。针对这一问题，我们综合考虑时空因素，对动态任务分配过程进行MDP建模，并尝试采用深度强化学习方法来寻找更有效的任务分配解决方案。

报告题目六：基于深度强化学习的群智感知动态任务分配框架
报告人：祁康恒
报告简介：随着移动互联网的普及率持续增长，微型传感器、5G等技术的发展，各类移动设备的使用场景和功能也在不断丰富，群智感知正是在此背景下诞生的全新数据感知模式。移动群智感知（MCS）在城市动态感知、环境监测、交通规划、公共安全等领域有着广泛的应用。研究将群智感知中经典的FPMT问题扩展到具有时空限制的动态场景，应用强化学习方法对历史数据进行训练，考虑当前决策对未来收益的影响的问题，构造了一种动态任务分配框架，解决了在实际场景不具备完备信息条件下平台的任务分配。在真实数据集上的实验表明，我们的策略优于基线策略。

欢迎广大师生踊跃参加！