王 忱

（南京邮电大学，南京 210003）

1 研究背景

利用移动设备进行信息感知，即移动群智感知，可以融合人的主动感知能力和设备丰富的传感器资源，因而具有信息种类丰富、感知水平高和部署成本极低的优势，将成为5G的重要业务之一。群智感知是智慧城市的一个重要的解决方案。例如，群智感知会方便政府部门监测河流污染状况。监测任务会通过基站定期向河流覆盖区域进行发布，用户随后可以上传反映河水水质和周围工业情况的照片，服务器在收集到所有用户的感知信息后，通过一定的检测算法确定污染情况和污染源。

由于用户参与群智感知需要花费一定的网络流量、设备电量、交通成本甚至机会成本，因此需要设计一定的群智感知激励机制，主要包括拍卖、信誉和定价三种方式。由于定价机制具有客观性和直接性，近来越来越多的学者聚焦在定价激励机制的研究上。例如，文献[1]将定价机制用于指纹定位系统。文献[2]将基于用户参与感知概率的定价机制用于车辆系统中。文献[3]和[4]在服务器有限预算背景下，基于到任务现场的距离成本，设计了激励用户参与感知的定价。文献[5]和[6]也假设服务器的预算是有限的，并基于Stackelberg博弈设计了Q学习定价机制，文献[3]研究了智慧城市背景下的群智感知应用，但采用了社会关系这样一种单一的激励方式。本文中，我们基于对智慧城市应用的认识，假设服务器的预算是一个固定的预期值，基于Stackelberg博弈研究了多精度群智感知的最优定价的存在条件，并设计了基于Q学习的优化定价方法，能有效提升算法的用户适应性、成本节约性和感知安全性。……