基于纳什竞价的空间众包任务定价算法

任务定价是众包平台解决利润驱动的任务分配、最大化利润的重要步骤.然而关于工人期望的任务定价研究相对较少,现有大多数研究并不考虑工人与任务的动态需求.此外,出于工人隐私和传感器限制,获取完整的工人信息是困难的.为解决上述难题,提出了基于纳什竞价的空间众包任务定价算法.首先通过机器学习算法获取任务的价格范围,然后在价格区间上进行纳什竞价.为了解决动态供需造成的价格大幅波动问题,设计调整机制来稳定任务均价.最后为模拟纳什均衡点,采用了两种不同的梯度递减函数,来搜索匹配数最大的任务定价.分别在gMission数据集和合成数据集进行了实验,结果表明所提算法的匹配数量和任务均价分别是MCMF算法的 60%和 1.57 倍,时间花费是MCMF算法的 9.6%,验证了所提算法的有效性.