学位论文简介
任务分配是空间众包中的基础研究课题，其有助于众包平台高效地指导指导工人完成指定任务获得高额回报。在滴滴出行，美团外卖，饿了么等的实际平台中发挥着关键作用。本文以空间众包作为研究课题应用，探索任务分配中的关键技术，取得了以下主要创新性研究成果：
1) 基于满意度的任务分配。
针对多工作者协同完成复杂任务的场景，本研究旨在实现用户满意度最大化的任务分配结果。为此，我们通过量化工作者协作的熟练程度，进而衡量用户满意度，并构建了以最大化用户满意度为目标的研究模型。为了有效地得出任务分配方案，设计了两种算法：一种是基于贪心策略的分配算法，另一种则采用了博弈论原理。本研究不但证明了该问题为NP难问题，并证明了所提出的贪心算法的近似度。此外，本研究同样证明了所提出的基于博弈论的算法可以达到纳什均衡，并证明该解可实现满意度最大化的分配结果。
2) 基于众包工作者轨迹的联盟任务分配。
在考虑工作者轨迹的任务联盟分配方面，现有研究常常假设众包工作者投入全职工作，但在共享经济的背景下，参与众包任务的多为兼职人员，他们有自己的工作时间和路线安排。为此，将任务自然融入到他们日常轨迹和时间表中，便成为有效利用兼职资源的关键。本研究依托于工作者的固定轨迹，对周边任务进行打包，形成任务联盟，并嵌入到工作者的日常路线中，从而达到最大化任务完成率。本研究证明了为众包任务分配任务联盟是NP难问题。并提出了MEG算法为每个工作者规划了一条完成分配任务联盟的最优路径。
3) 基于双边偏好预测的稳定匹配。
现有任务分配算法虽然可快速且实现高效益的分配结果，但是分配过程中往往仅考虑其中一方的利益，或者工人，或者用户。已有的研究工作鲜有同时考虑多方的利益从而实现平台的长远发展。因此，本研究旨在于实现双方都有选择权利的稳定匹配。此外，传统的研究通常基于工作者与任务之间的地理位置信息，忽略了工人和用户有各自偏好的场景。我们通过预测众包工作者以及任务请求者的潜在偏好，根据这些预测来实现一个双方都满意的稳定匹配任务分配，从而超越了仅基于地理定位的传统分配方法，为复杂偏好环境中的任务分配问题提供了全新的解决途径。
主要学术成果
Xie Y, Wang Y, Li K, et al. Satisfaction-aware task assignment in spatial crowdsourcing[J]. Information Sciences, 2023, 622: 512-535. (SCI一区, 第一作者)
Xie Y, Wu F, Zhou X, et al. Trajectory-aware Task Coalition Assignment in Spatial Crowdsourcing[J]. IEEE Transactions on Knowledge and Data Engineering, 2023. (CCF A类期刊, 第一作者)
Xie Y, Wu F, Zhou X, et al. Trajectory-aware Task Coalition Assignment in Spatial Crowdsourcing (Extended Abstract). IEEE International Conference on Data Engineering (ICDE).（第一作者，CCF A 类会议）
