移动群智感知是一种利用广大普通用户随身携带的移动智能终端作为基本感知单元的新型感知模式，可被应用于环境监测、智能交通、公共安全、健康服务等方面。如何在有限预算和可用移动用户数量不断变化的条件下，将感知任务合理分配从而获得高质量的感知数据，对于移动群智感知系统至关重要。
近日，信控学院智能优化与控制课题组吉建娇博士、郭一楠教授和巩敦卫教授在该领域取得研究进展，研究成果形成论文“Q-Learning-Based Hyperheuristic Evolutionary Algorithm for Dynamic Task Allocation of Crowdsensing”，以中国矿业大学为第一单位，发表在中科院一区Top期刊IEEE Transactions on Cybernetics （IF: 11.507）。
论文首先给出了移动用户对不同类别任务的感知能力评价指标，并综合考虑感知任务和移动用户的时变特性，构建了移动群智感知的动态任务分配模型，保证感知任务的完成质量不受任务要求和用户可用性的变化影响。同时，针对上述搜索空间不断变化的约束动态优化问题，提出了基于Q-learning的超启发任务分配算法。利用历史时段最优解中的高质量用户，生成有潜力的初始种群，加快收敛速度；提出基于用户综合能力的邻域搜索算子，并将其与五种现有的局部搜索算子相结合，共同构成底层算子库；综合考虑约束违反情况和适应值收敛程度，给出一种新型Q-learning状态描述，并定义相应的Q-learning选择策略，从而在动态变化的搜索空间中，根据问题特性自主选择最恰当的搜索算子。
该成果首次面向动态约束优化问题提出一种Q-learning超启发算法，并应用于移动群智感知任务分配问题。实验结果表明，相比于现有先进超启发算法，所提超启发算法能够在较短的时间内找到感知质量更好的可行分配方案，且对动态环境具有较好鲁棒性。
