群体智能2.0研究综述

文献标志码：+2019年12月December 2019中图分类号：TP18-热点与综述-群体智能2.0研究综述赵健，张鑫％,李佳明，贺晨(西北大学信息科学与技术学院，西安710127 )摘 要：在物联网、移动互联网的快速发展和大数据的深层驱动下，群体智能进入2.0时代$通过介绍群体智 能2.0的定义，分析国内科研团队在群智感知计算、联邦学习及众包等方面的研究成果,明确群体智能2.0的发展 趋势，并指出群智 与 技术将成为群体智能2.0的主要研究方向，数据获取、数据 为需要 的 技术 $及用户隐关键词：群体智能；众包；移动众包；群智感知计算；联邦学习开放科学(资源服务)标志码(OSID) : |中文引用格式：赵健，张鑫S,李佳明，等.群体智能2.0研究综述:J].计算机工程，2019，45 (12) ：1-7.英文引用格式：ZHAO Jian, ZHANG Xinti,LI Jiaming，et al. Reseerch review of crowd intelligence 2. 0 [J] . Computer Engineering，2019，45 (12) ： 1 -7.Research Review of Crowd Intelligence 2. 0ZHAO Jin，ZHANG Xinti,LI Jiaming,HE Chen(School of Information Science and Technology &Northweet University,Xi' an 710127，China)[Abstract] With the rapid developmeni of Interne* of Thingt (IoT) at well at mobile Interne* and the deep drive of big

daa， ciowd in eligencehaeen eied *he 2. 0 eia.Thiepapeiin ioduce e*he definiion ofciowd in eligence 2. 0， and analyzet the reseerch result of Chinese reseerch teeme on crowd intelligence sensing and computing, federated leerning and crowdsourcing. On this basis, this paper clearly indicates the development trend of crowd intelligencc 2. 0, where crowdsourcing technologies and crowd intelligencc sensing and computing will become the focus of research, whil data

acquisition, date proccssing and user privacy protection will become the key technologiccl challenges to be solved.[Key words] crowd intelligencc；crowdsourcing；mobill crowdsourcing；crowd intelligencc sensing and computing；federated learning DOn：10. 19678/j. issn. 1000-3428.00564100概述群体智能是基于人 自然界群居生物的观岀的一种智能 ，其具有群体 岀的智慧其 体智慧的 $ 学专 群体 行为 的研究，并 为 岀一系列具备群体智能 的 ， 群优化算法[1]'[2]及 群 ⑶。年，在物联网、移动互联网快速发展和大数据深度驱动下，

群体智能的发展方向 移到将人类智能与智能互 的 。中国科学院院士李 岀了群体智能的新 ，即群体智能是在 基于互联网的 下 进 的大体 用 生的超越个体智能局限性的智能形，这标志着群体智能迈入了 2. 0时代[4] $人机物三元 ， 生的思想为群体智能发展注入了新的动力$人物 5]智能即通过物 联网、移动互联网， 大数据 、通信、人工智 能*技术使物与物之间、物与人之间实现互联，将智能 入万物实现无缝对接、协 $人物 打造新一代工业生产模式，推动社会发展，期间人 r熟知的数字经济、智城市都是人机物推动社会发

展所岀现的阶段性表现，如今 群体智能更是要将打造“群智空间”列入其中$人 智能深入人日常生活，如医疗保健、银行智能服务、智能家居、 可移动智能穿戴设 $基于互联网 和大

基金项目：国家自然科学基金(61701401 )；陕西省自然科学基金(2019KJXX-061 )$作者简介：赵健(1973 ―)，男，教授、博士后、科技创新2030 “新一代人工智能”重大项目群体智能方向会评专家，主研方向为人工智能

及其应用；张鑫S、李佳明，硕士研究生；贺 [，教授、博士 $收稿日期：2019-09-05

修回日期：2019-10-05 E-mail：zjctec@nwu. edu. cn2计算机工程2019年12月15日数据驱动下人机物共融的发展越来越深入，尤其是 在群智感知计算和众包方面利用人与机器之间的互 补性使人机物共融共生的思想得到延伸。移动设备的广泛普及为群体数据带来了新的产 生方式和类型，借助万物互联的物联网和互联网的 实时网络共享功能，各类众包系统层出不穷$人群 与智能设备紧密相连的关系使得群体智能为人群服 务的方式不断更新换代，如科技服务人类,人类推动 科技发展一样，在群智感知计算方面也秉行着数据 来源于人群服务于人群的思想$群体智能感知计算 也被广泛用于智能交通、医疗保健及社会管理等方 面。本文对群体智能的国内发展现状与研究成果进

行介绍，分析群体智能2.0时代的主要研究方向，并 明确群体智能2. 0时代的发展趋势$1国内发展现状随着物联网、移动互联网发展带来的万物互联、

共建共享和大数据的深层驱动，群体智能迎来了新 的黄金发展时期，步入群体智能2.0时代$与国外发展现状相比，国内在群体智能的理论 发展及所取得技术成果方面都有一定的差距。 2017年，人工智能正式迈入2.0时代，并居于国家战 略的高度。属于人工智能重要发展方向之一的群体 智能也受到了高度关注，在0新一代人工智能发展规 划》*6］中明确提出，关于群体智能的研究需分别从理

论基础和关键共性技术两方面入手建立完善的群体 智能 论与技术体 ， 为 国 群体智 能研究 出技术性突破打下坚实基础$论研究方向主要分为群体智 能的 论与组织方法、群体智能激励机制与涌现机理、群体智能 学习理论与方法、群体智能通用计算范式与模型 4个方面。关键共性技术方面主要分为群体智能的 主动感知与发现、知识获取与生成、协同与共享、评 估与演化、人机整合与增强、自我维持与安全交互、 构建群智空间的服务体系结构、移动群体智能的协

同决策与控制技术8个方向$1.1群体智能1.0与群体智能2.0对比针对群体智能，分别给出群体智能1.0时代和群 体智能2.0时代的定义:群体智能1.0时代（基于生物 群体行为），大量的简单个体按照一定规则进行的活 动表达出了超越个体智能限制的集体智慧;群体智能 2.0时代（基于移动互联网），基于互联网的组织结构 下被激励进行计算任务的大量独立个体共同作用下生的 体智能 限性的智能 $基于不同定义，本文对比两个时代群体智能发 展的不同方向，如表1所示$群体智能1 • 0时代侧 重 群体生 物 为 模型 的 研究， 群体生 物 的、 为进 建模并 出 ， 得出实 的 ， 取得的 群 、、 群 $表1群体智能算法的群体行为与应用领域算法群体行为应用领域蚂蚁优化算法群TSP问题、皇后问题等蚂蚁聚坤法蚂蚁墓的形成聚类划分、数据分析等粒子群优解法群函数优化、电力系统等狼群算法群医学、三维传感器优化、

人工神经网络等群鸽群自主归巢无人机编队、控制参数、此外，群体智能1.0时代在群体机器人、群智系 统构建机制等方面也有相关研究*7］，其中群体机器 人的研究基 群体生物 为$群体智能2.0时代侧重于与物联网、互联网、大 数据、协 及人 物 技术和 想 交发展的领域，将针对群体生物行为模型的研究转为人群智 能的 $从群体智能1.0和群体智能2.0所处的背景出 发，笔者认为群体智能2.0时代较群体智能1.0时 代具有网络速率高、用户范围广、数据多样化、数据 安全性高的特点。在5G万物互联的助力下，更多的 移动设备被接入网络，群体智能2.0具有多终端、用与 的 势$1.2现有成果国内对于群体智能的研究主要以李未院士及其

团队为主。2012年，李未院士将研究方向转为基于人 机物结合的群体智能系统研究,参与了人工智能国家 重大专项的论证并提出推进群体智能相关研究，被列

入2016年中国工程院发布的《中国人工智能2.0计 划》，成为国家\"科技创新2030”重大计划的重要内容$ 目前该实验室取得的重大成果有首创众包动态任务 分配理论、结合并开创群体软件工程新方向等$国内在群体智能结合人群智能方面也取得了显 著成果。在群体智能结合协同计算方面，李未院士及 其团队针对微博这一平台，对社交网络情绪传播进行 分析，取得成果引起国际高度关注并纳入多科教材； 在软件开发方面,李未院士提出了群体软件工程的研 究，并且针对这一研究课题，国家自然科学基金委员 会、科技部等先后立项了多个群智化软件开发方法的 重大/重点项目；在群体智能结合大数据、协同计算方 面，清华大学的刘云浩教授提出群智感知计算；在众 包数据管理方面，清华大学的李国良副教授及其团队 构建了众包任务处理平台ChinaCrowd，北京航空航天 大学的 教授及其 统时空 数据管 方 取得 一 研究 $2群体智能2.02.12. 1 . 1#群智感知计算群智

取 的数据 数据有重要影响，因此如何更快速有效地获取大规模数第45卷第12期赵 健,张鑫S,李佳明，等:群体智能2.0研究综述的上下文

3据信息成为数据信息收集的发展目标。2012年，

大学 教授提出群智 一 。群智 利用物联网、移动互联网、移动设备和群体智能等技术实现的一种新型获取数据信息的 方式，其 体是在基于移动互联网的 和大用户群体的驱动下，以每 用户的移动设备为感

数据，如位置信息、健康数据、天气状况等。移动 和人群 供了一种大规模、分布式的 方法，并将其应用于实 ，如医疗保健、环境、智城市建设、智能交通、人群管 理、社交网络、公安全和军事应用等方面11在公共安全和军事方面，文献* 12 +出利用移 动 实 效目标追踪定位的方法， 通过摄像头 捉目标信息，该方 人群获取信息的角度，建 应的 ，并利用群体感知*知单元实 的分发和数据的收集8 由人群 活动范围广、分布随 性使得 丁新型的数据 取方式与以往基 网和物联网的 方式相比更适宜应对数据需求灵活 、模大的情况。*的方 追踪目标。 用 目标照片和时间位置信息，并以时间为轴建立信息网来实现目标

2.1.2群智感知计算系统典型架构群智 统的典型构架9 +（见图1）括与者、网络层和 用户三部分，这三 分分用 供数据、数据采集与传输、数据 与计、取发布的 及收 的 。数据的来源除了智能 ，还 与 的群体用户，称为 与者。整 统的工作流程为： 用通过网络下发 与者，参与 选择并通过网络传输反馈 数据，网络层对数据进行存储、传输、 及 ，将最 发送*追踪。在人群管理方面，对人群行为和

进行监测研究。文献* 13 +将 为分析应用于商业客户分析$

不同客户的需求，将客 分为不 型，根据不 型客 应的市场制定相应的方案。划分客型是进行客户分析的 ， 基群体智能的 （ ）的 心个数是自动产生的，相比 统 ，群智更能发 否存在其他划分可能性的优势， 分也会影响客户群体分析的有效性$李 院士及 其

新浪微博 为例，研究选取 博用户。7 000万条数据， 发 为交互信息，对群体行为 群体 的影响情况进行研究$将用 i绪分为高兴、愤怒、低落、厌恶4种，利用构建的交互网 络进行分析，发 在网络中最容易 的 愤怒，这一论的得出 各界广泛 $2.1.4群智

群智

感知任务 移动设备图1群智感知计算系统典型构架在群智 ，将 与 供数据的方发展的影响因素的 数据 源 及其分覆 广、随 性强的 ，可应对大规模数据需求， 时数据 不齐和数据 样给带 ，用的安 也 $为 ，需要在 用 与 性、加强数据 方 式 、 不 用 和 用 安的 下 实 群智 $1 ） 用 的 与 性为 用 与 性并能得 应 的数据， 方入手，即在采用一定 制的前下对用户群体进 $在 过 人群心 快可以适 用户的参与感，同时 用户进 选可 效控制数据 和减少数据冗余$式分为线上和线下 ，线下通过人在回路（human inthe loop）的 模式提供数据，即通过用 与任务供数据;线 通过收集用户使用社交媒体过 产生的数据，各移动社交媒体将现实与虚拟空间相连

进行用户实时数据传输10 +，也将 参与式（主动 ）和会式（被动

*与方式称为）$各项功2.1.3群智 的 应用随着移动设备的普及，智能

能强大的 ，如GPS、罗盘、陀螺仪、加速 、麦克风、镜头 （除智能 外，移动设备还包括智能车辆、医疗设备、可穿戴设 ）$在移动设与传统 的协调工作下， 网络的规模扩大到一个新的 ，不仅可在人群参与 得数据信息，还可通过社交网络等应用程序 用户2 ） 用 安 与用户数据泄露事件频发导致的数据 安 〕广 泛 ， 在 用 安 的 基实现数据共享成为群智 发展的一大 $数据安 ，谷 出联邦学习，即用户数据的安 监督，在 数据 性的前下实现数据共享，其 进 间参数交换将用户数据

在本地，

泄露$4计算机工程表22019年12月15日联邦学习分类特用一致不一致2.2联邦学习用户数据泄露事件的频发

随即数据

公众的 ，重视。

类别横向联邦学习纵向联邦学习用交不一安 国内外 实《通用数据 条例》，国 在《国家网络安 》 及《 通》上也出

一不一定。并， 商移联学不一业机密性、 性导致无法进行数据共享，因 出现大数据驱动的群2.2.1联邦学习结构数据 的 。 大 体智能带 大 $为 谷 出联邦学 ， 分 据集，在 数据

，2016年方设备的数横向、纵向和迁移联邦学习结构具体如下：1)横向联邦学和安全的情况下进行联合建文献* 14 +的横向联邦学习结构如图3所示，

模。简单来说，假设有〃个数据集2 \"1，\"2，•••，\" 4 进行联 模型，每 数据集之间互不公开，也其中数据库B„(!-1，2，…,#)由#个参与者提供，它

的数据

不得向服

，参与者通过参数 服务$

数据 在一起进

一 模型的方法，将！个协作训练器学习模型，并且此过程中要求参与

，能 效 数据'架，杨强教授 <架*⑷。联学习泄露$基于谷 出的联邦学 定义了一个更 的联邦学

泄漏信息$服务端②③④的提出为打破数据 出极大贡献，群智 1计可以利用联邦学习的模式 用户数据的安全和 性， 用 与 性$根据数据分布特 不同，将联邦学 分为3类，并不 型的联学 技术及应用进行论述$根据数据分 [

①③① 加密梯度发送② 安全聚合③ 模型更新发回④ 更新模型④的不同，文献* 14 +将联邦学习分为横向联邦学习、 向联邦学习、迁移联邦学习$联学习分 亍果2

，联邦学习分

表2

数据库b数据库色数据库比$图3横向联邦学习结构模型训练步骤具体如下：(1 )参与在本地

A方数据，使用加密、差B方数据标签异隐私或Secret Sharing技术对所选梯度进行掩码，

并将 后的结果发送到服 $( 2 ) 服 安 ， 并 无

用户特征维度#与 的信息 $(3 )服务器将聚合后的结果发送给参与者$

⑻横向联邦学习(4 )参与者用解密的 通过

更新各自的模型$步骤进 代， 数收敛，从而完成整 过程$2 ) 向联 学文献* 14 +的在纵向联邦学习结构如图4所

(b)纵向联邦学习A方数据示，其 A、B

2方想联 一 学习模型，数据 和安 因，双方不能直接交换数

据$为

迁移联邦学习仓过程中数据的保密性，引入了第三方 C，并设C 实可信的。系统 J由分组成。系统B方数据加密实体 和加密模型 同用户，

通过基于加密的用户ID对齐技术来确认双方的共

用户特征维度使得A和B不会暴露各自的数据$学 模型 $(c)迁移联邦学习在确定了公共实体后，使用这些公共实体的数据来

图2联邦学习分类结果第45卷第12期赵 健,张鑫S,李佳明，等:群体智能2.0研究综述5众包拓展了人群智能的应用范围，促进了人类 智能与 智能的 。近年，随着移动设备的 发展,文献［15 ］提出 移动 的 ，即通过移动 设备的移动性和上下文

势 取数据,并将$基

群体智能融入到移动 的 发模式在 得到广泛应用$2.3.1移动众包移动 指用户借助移动设备自愿收集和共 享数据的模式*15 +，并利用移动设

图4纵向联邦学习结构智能移动设 的 应用程序 取数据信息$移动 L

模型训练步骤具体如下：(1) 第三方

广泛用于环境监测、 管、基 设施监测、社*16C创建加密对，将公钥发送

医疗、交通等方面及近年来出现的02O + $给A和B。(2) A、B对计算梯度和损失所需要的中间结果 进行加密与交换。移动 模式工作流程(见图5 )体为:1 \"任

务发 案;3 \"收

出 ；2 \"将 在互联网上发布并传,求互联网上的 4)选出最优的解决方案$与 出 的 方；(3) A、B分别计算加密梯度并添加额外的掩与 出的 方案并

码， 标签数据的B还需要 加密 。在计后,A和B向C发送加密值$(4) 第三方 度和

应地更新模型参数$C进 密并将解密后的梯发送回A、B$ A和B去除 的 ,3)移联邦学；构为使得纵向联邦学习中的训练数据集不再局限

于重 分， 扩展到整个样本空间，引入迁移学与纵向联邦学

,其整体 ，但在A、B图5移动众包的工作流程方 交换 间 的 方 不 $2.2.2 联邦学习应用文 献 * 15 + 基 的 基 本 想 ， 出 移 动,

通用 ， 6 称为客 -服务联邦学习为打破数据壁垒、解决数据孤岛问题提 供了新方法，为数据安

， 其 的数据 取和数据 为 步 $供 ，在大数据驱动的时代 重大的意义。目，联学习在医疗、金、通信、人工智能、机器学习、 方面都 I图6移动众包的通用结构应用，对于群体智能的发展也有重要的影响。2.3众包人机物的结合为解决计算机难以独立完成的任

针对移动众包应用,研究人 出一 架,务提供了新 统$

，其 最具代表性的成垛如 Medusa*17 +、Vita*18 +、MoCoMapps*19 +、PRISM*20 + 和

的思想是利用互联网来汇聚群体智慧解决AnonySense*21 + ,分别在任务管理、数据获取与 I 及

方 不同的侧重$

实 ，具体

技术

， 的发出者将

通过

发布在互数据 ！联网上供参与者选择， 进行信因素为群体方式的不同，文献* 16 + 序 和从业者的角 出息交互$ 能 供

可行性的最

广 义 式 和分 式 移动 架 $ 广 义 式 移统一 -体的创新能力,并利用群体提供动 架构分为移动 采集层、网络连接层、数据架构使

的数据可得 效可靠的预测能力，被广泛应用于、信息 、 设 发、识、平面设计、创

层及 用户层,整个数据处理过 化在云服

数据 、自然 。相反地,分散式移动

测试、 分

、社交网络的 与通信 都

过

体的 应 在 本 地方面$,使得位置信息与 ，分 式的

6计算机工程2019年12月15日其具有低时延、高宽带的特性，在应对突发灾害造成 的人员失踪等紧急情况时具有明显优势*22+$ 5G时 代互联网的大范围、高吞吐量与计算能力使移动众 包更具优势，成为目前乃至未来众包模式发展的

方向$ 2. 3. 2利用众包技术开发软件被广泛用于学术界和商 业界，针对不同目标的软件开发的侧重不同$软件

众包的开发员水平参差不齐,并且与传统软件开发

方式相比，通过网络协作方式存在较大的不可控性, 如何保证开发员之间工作的协调性也是众包软件开

发亟待解决的难题之一。在文献*23 +中，TopCoder*24〕

和GetACoder*25〕这两种软件开发平台分别代表了竞 赛和竞价两种不同的开发模式。竞赛模式在保证任

务完成质量的基础上存在开发周期长的问题，而竞

价模式适用于各种规模的开发任务，但存在人工成 本相对高昂的问题。软件众包的不同模式为不同的

软件开发目的和需求提供了多种选择$

2.3.3众包发展的影响因素众包发展的影响因素主要包括：1) 数据管理及分类移动设备携带的用户上下文数据使得数据来源

不仅局限于用户主动参与,还可将时间、地理、社交 等信息汇聚成一张时空交错的信息网$因此,移动 众包又被称为时空众包或空间众包$时空众包的数

据结构复杂多变，数据管理成为其重点研究问题，如 文献* 26 +并先后提出将传统数据库管理系统、经典

查询处理技术等与众包数据管理相结合的方法$由 于获取的数据先进行分类能提高数据处理效率,因

此文献* 27 +提出平均交换误差最低的概率基础事实 (PGT)方法，并使用其在众包数据问题中进行模型

选择$2)众包系统能够有效工作得益于众包平台的构

建。众包平台是一个提供多方在线进行任务交互的 网络平台，其中较成熟的众包平台有维基百科、Amazon

Mechaniccl Turk (Mturk )、CloudCrowd、Facebook 等 $ 文献* 28 +对众包平台如何影响众包参与过程进行研

究，得出参与过程由于参与驱动的激励会产生更高

水平的积极情绪唤醒，从而促进情感承诺的发展和

直接或间接的价值贡献，说明了激励机制的不可或 缺性。激励机制的调控因素可分为酬劳、声誉、兴趣 和利他性*4+，通过刺激用户不同需求来调动用户的

与 性$3) 分分 在 模式

重要 用$的任务分配主要分为动态分配和静态分配两种方

式，任务分配效率将直接影响任务执行效率。近年 来，研究者不断提出对任务分配的优化方法，如文

献* 23 +对匈牙利算法*29〕进行改进，先构建二分图结 构，再用匈牙利算法求解二分图最优匹配，并且通过 协作候选组替换策略动态地改变二分图结构，从而 获得与协同约束的最优匹配$3结束语本文通过对群智感知计算、联邦学习、众包等研

究成果的介绍和分析,明确群体智能2.0时代的发

展趋势，指出群智感知计算和众包将成为群体智 能2.0时代的重点研究方向。由于5 G时代带来更 高网络速率的同时万物互联也加快了移动设备的发

展，移动设备的多样化和普及化使得感知网络的覆 盖范围更广，数据类型更丰富，因此处理复杂数据和

保障用户隐私安全将成为群智感知计算的主要研究 方向，而构建更强大的数据管理与分类系统和提出

更有效的激励措施,加强用户隐私保护并建立完善 的安全协议也将成为众包及数据安全领域的下一步 研究重 $参考文献[1 ] COLORNI A, DORIGO M, MANIEZZO V. Distributed

optimizztion by ant colonies * C ] //Proccedings of

European Conference on AreificialLife.Pari ， France：

Elsevier Publishing ,1991 ：134-142.* 2 ] CHU Shuchuan,RODDICK J F,SU C J. Constrained antcolony optimization for date clustering * C]//Proceedings of

tie 10 th Pacifie Rim International Conferencc on Artificial

Intelligence. Berlin,Germany:Springer,2004 ：534-543.* 3 ] KENNEDY J, EBERHART R C. Particle swarmoptimization * C ] ///roceedings of HEE International

Conference on Neural Networks. Washington D. C.,

USA:HEE Press, 1995 ：1942-1948.* 4 ] LIWei, WU Wencun, WANG Huaimin, etal Crowdintelligence in AI 2. 0 era * J ]. Frontiers of Information

Technology and Electronic Engineering, 2017, 18 (2)：

15-3.* 5 ] LICKLIDER JC R. Man-computer symbiosis * J] .IRETransactionson Human Factors in Electronics, 1960,

1 (2) ：4-11.* 6 ] Development planning foranew generation ofartificialintelligence * EB/OL ]. * 2019-09-24 ]. http：//www.

gov. cn/zhengce/content/2017 -07/20/content.5211996. htm. ( in Chin+s+)

第45卷第12期赵 健，张鑫S,李佳明，等：群体智能2.0研究综述7新一代人工智能发展规划* EB/OL]. [ 2019-0974 ]. http：//www. gov. cn/zhengce/content/2017-07/20/con

tent_5211996. htm.[7 + WANG Mei, ZHU Yunlong, HE Xiaoxian. A survey of

swarm intelligence [ J ]. Computer Engineering, 2005 ,

31 (22) ：204-206. (in Chinese)

王玫，朱云龙,何小贤•群体智能研究综述[J] •计算机 工 ,2005,31(22) ：204-206.[8 + LIU Yunhao. Crowd sensing and computing [ J +.

Communicetions of the CCF, 2012 & 8 ( 10 ) : 38-41. ( in

Chinese)刘云浩•群智感知计算* J] •中国计算机学会通讯&

2012,8 (10) ：3871.[9 + GUO Wenzhong & ZHU Weiping, YU Zhiyong & et al. A

survey of task avocation： contrastive perspectives from wireless sensor networks and mobile crowdsensing [ J +. SEEE A ee+ss,2019 ,7 ：78406-78420.[10 + GUO Bin, ZHAS Shuying, YU Zhiwen, et al.

Crowdsensing big data： sensing& data selection& and understanding [ J + . Big Data Reseerch, 2017 & 3 ( 5 ) : 57- 69. ( in Chinese)郭斌，翟书颖,於志文，等.群智大数据：感知、优选与

理解* J] •大数据,2017 ,3 (5) ：57-69.[11 + ABUALSAUD K. A survey on mobile crowd-sensing

and its appecations in the IoT era [ J +. ISEE Acccss & 2019,7：3855-3881.[12 + LUAN Dongming, YANG Yongjia, WANG En, et al. An eficienttargettracking approach through mobieecrowdsen-

sing [J], SEE Access,2019 ,7 ： 110749-110760.[ 13 ] WU Bin, ZHENG Yi, FU Weipeng, etae.A customerbehavior

anaeysisaegorithm based on swarm inteeigence [ J] .Chinese

Journa eof Computers ,2003 , 26 ( 8) ：913-918. ( in Chinese)

吴斌，郑毅,傅伟鹏，等.一种基于群体智能的客户行

为分析算法* J] •计算机学报,2003 ,26 (8) ：913-918.[14 + YANG Qiang, LS Yang, CHEN Tianjian, et al. Federated

machine eearning： concept and appeications [ J ] .ACM Transactions on Intelligent Systems and Technology ,2019 &

10 (2) ：1 -19.[15 + FUCHS-KISTOWSKI F, FAUST D, BALOIAN N, et al.

Architectura of mobil. crowdsourcing systems [ C + // Proceedings of CYTED-RISOS InWrnational Workshop

on Groupwar+. B+r.in, G+rmany： Spring+r, 2014：

121-136.[ 16] PHUTTHARAK J, LOKE S W.A r+viw ofmobi.

crowdsourcing archieceur+s and cha.ng+s： eoward crowd-+mpow+r+d inern+e-of-ehings [ J] .IEEE Acc+ss,

2019,7：304-324.[ 17] RAM R, LIU Bin, GOVINDAN R, +ea..M+dusa： a pro­

gramming fram+work forcrowd-s+nsing app.icaeions[ C] cc

Proc++dings of eh+10 eh Inernaeiona.Confrnc+on Mobi.Sysem App.icaeion S+rvic+s.N+w York, USA： ACM Pr s,

2012：337-350.[ 18] HU XIPING, CHU T H S, CHAN H C B, +ea..Viea： a

crowds+nsing-orined mobi. cyb+r-physica.sysem [ J] . IEEE Transaceionson Em+rging TopicsCompueing, 2013,

1(1) ：148-165.[ 19] HUPFERS, MULLER M.MoCoMapps： mobi. co .aboraeiv+

map-based applications [ C + //Proceedings of CSCW - 12. N+wYork,USA：ACM Pr+s,2012：43-44.[ 20] DAST,MOHAN P, PADMANABHAN V N, +eal.PRISM：

platforni for remote sensing using smartphones [ C + //

ProceedingsofIneernaeionalConferenceon MobileSyseems,

Applicaeionsand Services.New York, USA： ACM Pres,

2010：63-76.[ 21 ] CORNELIUSC, KAPADIA A, KOTZD, eeal.AnonySense：

privacy-awarr people-cent/c sensing [ EB/OL]. [ 2019-09­

24 +. hteD ^^/www. doc88. com/p-9943363761284. html.[ 22] RODRIGUESJ, MARQUES E R B, LOPESL M B, eeal

Towards a middleware for mobile edge-cloud applica-

eions[ C] //Proceedingsofehe 2nd Workshop on Middle-

wareforEdge Cloudsand Cloudlees$New York, USA： ACM Pre s,2017：1-10$[ 23] YU Dunhui, ZHOU Zhuang, WANG Yi Crowdsourcing

sofeware eask assignmene meehod for co laboraeive developmene[ J] $IEEE Access,2019,7：35743-35754$[ 24] LAKHANILR,GARVINDA,LONSTEINE$Topcoder( a)：

developing sofeware ehrough crowdsourcing [ EB/OL ] $

[2019-09-24 +. https [//papes. ssm. com/sol/papers. cfm? abstracted =2002884.[ 25] ZANATTA A L, MACHADO L S, PEREIRA G B, eeal

Sofewarecrowdsourcing plaeforms[ J] $IEEE Sof eware , 20 1 6 , 33(6) ：112-116$[26 + TONG Yongxin, YUAN Ye, CHENG Yurong, et al.

Survey on spaeioeemporalcrowdsourced daea managemene

techniques[ J +. Journal of Softwara, 2017 & 28 ( 1 ) : 35-58.

( in Chinese)童咏昕，袁野，成雨蓉，等.时空众包数据管理技术研

究综述[J] •软件学报,2017 ,28 (1) ：35-58.[27 + URKULLU A,PEREZ A,CALVO B. On the evaluation

and seleceion of clasifier learning algoriehms wieh

crowdsourced daea[ J] $Applied Sof eCompu eing , 2019, 80：832-844$[ 28] TROLLJ,BLOHM I,LEIMEISTER JM$Why incorporaeing

a platform- intermediary can increase crowdsourcees - engage-

m+ne[ J ] .Busin+sand Informaeion SysemsEngin++ring, 2019,61：433-450.[ 29] MUNKRESJ. Algoriehms for eh+ asignm+ne and

transportation problems [ J +. Journal of the Society for

Industrial and Applied Mathematics & 1957 ,5 (1) ：32-38.编辑陆燕菲