阅读说明：本技术 众包定价体系的评估方法、装置、设备及可读存储介质 (Appraisal procedure, device, equipment and the readable storage medium storing program for executing of crowdsourcing pricing structure ) 是由 胡龙 周康 刘江蓉 刘朔 杨华 高婧 任宏伟 范世纪 于 2019-09-04 设计创作，主要内容包括：本发明公开了一种众包定价体系的评估方法、装置、设备及可读存储介质,包括：从待评估众包定价体系中提取原始体系参数,根据所述原始体系参数建立初始群体集合；通过遗传算法对所述初始群体集合进行数据优化,获取新群体集合；根据所述新群体集合确定对应的适应度函数值；根据所述适应度函数值对所述待评估众包定价体系进行评估。通过上述方式,可以调整原有用户的众包价格,对新的用户点给出众包价格,并能根据实时完成的众包数据优化众包定价体系的参数,大大提高了任务完成率。(The invention discloses appraisal procedure, device, equipment and the readable storage medium storing program for executing of a kind of crowdsourcing pricing structure, comprising: extracts original system parameter from crowdsourcing pricing structure to be assessed, establishes initial population set according to the original system parameter；It is data-optimized to initial population set progress by genetic algorithm, obtain new group's set；Corresponding fitness function value is determined according to new group's set；The crowdsourcing pricing structure to be assessed is assessed according to the fitness function value.By the above-mentioned means, the crowdsourcing price of adjustable original user, provides crowdsourcing price to new user's point, and can substantially increase task completion rate according to the parameter for the data-optimized crowdsourcing pricing structure of crowdsourcing completed in real time.)

众包定价体系的评估方法、装置、设备及可读存储介质

技术领域

本发明涉及众包定价体系的评估领域，尤其涉及一种众包定价体系的评估方法、装置、设备及可读存储介质。

背景技术

众包指的是一个公司或机构把过去由员工执行的工作任务，以自由自愿的形式外包给非特定的(而且通常是大型的)大众志愿者的做法。众包的任务通常是由个人来承担，如果涉及到需要多人协作完成的任务，也有可能以依靠开源的个体生产的形式出现。

目前众包定价体系的评估多采用基于统计思想的数据分析方法，该方法可以通过众包过程的价格和实施的信息分析来发现众包定价规律，找出定价的影响因素。该方法也适用于当今社会经济、科技技术以及文化各个领域。但是基于统计思想的数据分析方法无法给出可操作的价格体系，并且任务完成率低，无法给新的用户点提供众包价格，使用不方便。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

发明的主要目的在于提供了一种众包定价体系的评估方法、装置、设备及可读存储介质，旨在解决现有技术高成本和长周期的技术问题。

为实现上述目的，本发明提供了一种众包定价体系的评估方法，所述方法包括以下步骤：

从待评估众包定价体系中提取原始体系参数，根据所述原始体系参数建立初始群体集合；

通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合；

根据所述新群体集合确定对应的适应度函数值；

根据所述适应度函数值对所述待评估众包定价体系进行评估。

优选地，所述通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合之前，所述众包定价体系的评估方法还包括：

根据所述原始体系参数获取对应的初始适应度函数值；

根据所述初始适应度函数值获取选择概率；

所述通过遗传算法对所述初始群体集合进行计算并获取新参数，具体包括：

根据预设交叉概率、预设变异概率以及所述选择概率通过遗传算法，对所述初始群体集合进行数据优化，获取新群体集合。

优选地，所述根据预设交叉概率、预设变异概率以及所述选择概率通过遗传算法，对所述初始群体集合进行数据优化，获取新群体集合，具体包括：

根据所述预设交叉概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取交叉参数；

根据所述预设变异概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取变异参数；

根据所述选择概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取新参数；

将所述交叉参数、所述变异参数以及所述新参数组合为一个群体集合，并将所述群体集合作为新群体集合。

优选地，所述根据所述预设交叉概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取交叉参数，具体包括：

根据所述遗传算法从所述初始群体集合中提取所述原始体系参数，根据所述预设交叉概率对所述原始体系参数进行交叉操作，以获得交叉参数。

优选地，根据所述预设变异概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取变异参数，具体包括：

根据所述遗传算法从所述初始群体集合中提取所述原始体系参数，根据所述预设变异概率对所述原始体系参数进行变异操作，以获得变异参数。

优选地，所述根据所述选择概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取新参数，具体包括：

根据所述选择概率通过所述遗传算法从所述初始群体集合中提取所述原始体系参数，将提取的原始体系参数作为新参数。

优选地，所述根据所述适应度函数值对所述待评估众包定价体系进行评估，具体包括：

将所述适应度函数值与所述初始适应度函数值进行比较，根据比较结果对所述待评估众包定价体系进行评估。

此外，为实现上述目的，本发明还提出一种众包定价体系的评估装置，所述装置包括：

获取模块，用于从待评估众包定价体系中提取原始体系参数，根据所述原始体系参数建立初始群体集合；

优化模块，用于通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合；

计算模块，用于根据所述新群体集合确定对应的适应度函数值；

评估模块，用于根据所述适应度函数值对所述待评估众包定价体系进行评估。

此外，为实现上述目的，本发明还提出一种众包定价体系的评估设备，所述设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的众包定价体系的评估程序，所述众包定价体系的评估程序配置为实现如上文所述的众包定价体系的评估方法的步骤。

此外，为实现上述目的，本发明还提出一种可读存储介质，所述可读存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有众包定价体系的评估程序，所述众包定价体系的评估程序被处理器执行时实现所述众包定价体系的评估方法的步骤。

本发明公开了一种众包定价体系的评估方法、装置、设备及可读存储介质，包括：从待评估众包定价体系中提取原始体系参数，根据所述原始体系参数建立初始群体集合；通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合；根据所述新群体集合确定对应的适应度函数值；根据所述适应度函数值对所述待评估众包定价体系进行评估。通过上述方式，可以调整原有用户的众包价格，对新的用户点给出众包价格，并能根据实时完成的众包数据优化众包定价体系的参数，大大提高了任务完成率。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的众包定价体系的评估设备的结构示意图；

图2为本发明众包定价体系的评估方法第一实施例的流程示意图；

图3为本发明众包定价体系的评估方法第二实施例的流程示意图；

图4为本发明众包定价体系的评估方法第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的众包定价体系的评估设备结构示意图。

如图1所示，该众包定价体系的评估设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对众包定价体系的评估设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及众包定价体系的评估程序。

在图1所示的众包定价体系的评估设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明众包定价体系的评估设备中的处理器1001、存储器1005可以设置在众包定价体系的评估设备中，所述众包定价体系的评估设备通过处理器1001调用存储器1005中存储的众包定价体系的评估程序，并执行本发明实施例提供的众包定价体系的评估方法。

本发明实施例提供了一种众包定价体系的评估方法，参照图2，图2为本发明众包定价体系的评估方法第一实施例的流程示意图。

本实施例中，所述众包定价体系的评估方法包括以下步骤：

步骤S10：从待评估众包定价体系中提取原始体系参数，根据所述原始体系参数建立初始群体集合。

可理解的是，从所述待评估众包定价体系中提取的所述原始体系参数是指对任务定价有影响的多维度因素，所述多维度因素包括：价格，参与人数，区域总价格等，而所述初始群体集合则是通过随机抽取所述原始体系参数建立。

步骤S20：通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合。

可理解的是，所述遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。

此外，应当理解的是，在实际应用中，遗传算法通过交叉、变异以及复制等操作对初始种群集合进行数据优化，获取新群体集合。本实施例中，遗传算法通过交叉、变异以及复制等操作分别对初始种群集合进行数据优化，以获得新群体集合。

步骤S30：根据所述新群体集合确定对应的适应度函数值。

需要说明的是，在遗传算法中,适应度函数值是描述个体性能的主要指标.根据适应度函数值的大小,对个体进行优胜劣汰。适应度函数值是驱动遗传算法的动力。从生物学角度讲,适应度相当于“生存竞争、适者生存”的生物生存能力，在遗传过程中具有重要意义。将优化问题的目标函数与个体的适应度建立映射关系，即可在群体进化过程中实现对优化问题目标函数的寻优。适应度函数也称评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准，总是非负的，任何情况下都希望它的值越大越好。

此外，应当理解的是，本实施例中，所述适应度函数值用于对待评估众包定价体系进行评估，适应度函数值越高，则表示所述待评估众包定价体系评价越好，对于体系参数而言，适应度函数值越高则表示所述体系参数对所述待评估众包定价体系的适应度越高，对所述待评估众包定价体系的评估越有利。

步骤S40：根据所述适应度函数值对所述待评估众包定价体系进行评估。

将所述适应度函数值与所述初始适应度函数值进行比较，根据比较结果对所述待评估众包定价体系进行评估。

为了更好的理解本发明提供的众包定价体系的评估方法，以下进行具体说明：

步骤一、随机的建立由n个个体组成的初始群体S＝{x₁,x₂,...,x_n}；

步骤二、规定定价体系函数m为原始定价体系中定价规模的大小，x_r＝{a_r,b_r,...,d_r}，a_r,b_r,...,d_r为对任务定价有影响的多维度因素；

步骤三、定义为原始定价体系中的定价，k为可调控参数；计算各个个体的适应度函数值其中

步骤四、设置交叉概率p_c＝50％，变异概率p_m＝0.001以及选择概率p_r；其中

步骤五、进行遗传概率产生新群体：

1、交叉：通过轮盘赌选择操作方法选出两个个体x_i、x_j，将个体x_i与x_j分别对应的多维度因子{a_i,b_i,...,d_i}、{a_j,b_j,...,d_j}转化成二进制进行编码，并根据交叉概率p_c一一对应的对其进行交叉操作，随后将产生的两个个体放入新群体S^*中；

2、变异：通过轮盘赌选择操作方法在新种群S^*选出一个体根据变异概率p_m进行变异操作，若产生新个体，随后将新个体添入新群体S^*中，否则进行下一步；

3、复制：通过轮盘赌选择操作方法将优良个体复制到新群体S^*，若满足种群规模，则更新种群S＝S^*；

步骤六、如果出现适应度值大于0.9的个体则终止算法，并将其作为定价体系的多维度参数；否则转入步骤三。

应当理解的是，本发明通过建立创新定价模型来实现对众包定价体系进行评估，本发明的创新定价模型的建立过程如下：

建立目标函数约束条件如下：

在上述模型的建立过程中，Max F则是代表目标函数，即对众包定价体系进行评估后输出的值，代表原始定价体系中的定价，k为可调控参数，(t₁,t₂,L,t_m)这类参数代表原始定价体系中的影响因子，m为原始定价体系中定价规模的大小，x＝(a,b,L,d)代表着对任务定价有影响的对维度因素，F≥0.9代表着模型建立的最后，目标函数要达到的预期值。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

通过上述描述不难发现，本实施例从待评估众包定价体系中提取原始体系参数，根据所述原始体系参数建立初始群体集合；通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合；根据所述新群体集合确定对应的适应度函数值；根据所述适应度函数值对所述待评估众包定价体系进行评估。通过上述方式，可以调整原有用户的众包价格，对新的用户点给出众包价格，并能根据实时完成的众包数据优化众包定价体系的参数，大大提高了任务完成率。

参考图3，图3为本发明众包定价体系的评估方法第二实施例的流程示意图。

基于上述第一实施例，本实施例众包定价体系的评估方法在所述步骤S20之后，还包括：

步骤S301，根据所述预设交叉概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取交叉参数。

可以理解的是，预设交叉概率是用户或许系统预先设定好的，用于对体系参数进行交叉操作的概率，交叉操作则是以某一概率相互交换某两个个体之间的部分染色体，在实际操作中，可以交换部分编码。

在实际应用中的操作过程可以如下：

首先对群体进行随机配对；

其次随机设置交叉点位置；

租后在相互交换配对染色体之间的部分基因；

比如，现在有编号1～4的4个个体需要进行交叉操作，“01|1101、11|1001、1010|11、1110|01”，其中“|”代表交叉点的位置，配对情况是1号个体和2号个体进行配对，3号个体和4号个体进行配对，最后得到的交叉结果，1号个体为011001，2号个体为111101，3号个体为101001，4号个体为111011，如果以“1”的数量代表适应度的高低，数量越多适应度越高，那么可以看出交叉操作后产生的2号个体和4号个体适应度要高于原来的个体。

步骤S302，根据所述预设变异概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取变异参数。

可以理解的是，变异概率同交叉概率一样是用户或者系统预先设定好的，用于对体系参数进行变异操作的概率，变异操作是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也是产生新个体的一种操作方法。

在实际应用中的操作过程可以如下：

首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在改基因座处；

然后依照某一概率将变异点的原有基因值取反。

个体编号	交叉结果	变异点	变异结果	子代群体p
					1	011001	4	011101	011101
2	111101	5	111111	111111
					3	101001	2	111001	111001
4	111011	6	111010	111010

表1个体基因变异表

从上表可以看出，群体经过一代变异后，如果以“1”的数量代表适应度的高低，数量越多适应度越高，那么可以看出变异操作后产生个体适应度要高于原来的个体。

步骤S303，根据所述选择概率，通过所述遗传算法对所述初始群体集合进行数据优化，获取新参数。

可以理解的是，选择概率是通过系统根据当前环境下的个体适应度计算得来，选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。

在实际应用中的操作过程可以如下：

先计算出群体中所有个体的适应度其中

上述公式中，定义为原始定价体系中的定价，k为可调控参数；

规定定价体系函数m为原始定价体系中定价规模的大小，x_r＝{a_r,b_r,...,d_r}，a_r,b_r,...,d_r为对任务定价有影响的多维度因素；

然后计算选择概率它即为每个个体被遗传到下一代群体中的概率；

每个概率值组成一个区域，全部概率值之和为1；

最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数，如下表所示。

表2初始群体选择表

从上表可以看出，选择运算会选择适值较高的个体遗传到下一代群体中。

通过上述描述不难发现，本实施例本实施例从待评估众包定价体系中提取原始体系参数，根据所述原始体系参数建立初始群体集合；通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合；根据所述新群体集合确定对应的适应度函数值；根据所述适应度函数值对所述待评估众包定价体系进行评估。通过上述方式，可以调整原有用户的众包价格，对新的用户点给出众包价格，并能根据实时完成的众包数据优化众包定价体系的参数，大大提高了任务完成率。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有众包定价体系的评估程序，所述众包定价体系的评估程序被处理器执行时实现如上文所述的众包定价体系的评估方法的步骤。

参照图4，图4为本发明众包定价体系的评估装置第一实施例的结构框图。

如图4所示，本发明实施例提出的众包定价体系的评估装置包括：获取模块10、优化模块20、计算模块30、评估模块40。

其中，所述获取模块10，用于从待评估众包定价体系中提取原始体系参数，根据所述原始体系参数建立初始群体集合；

所述优化模块20，用于通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合；

所述计算模块30，用于根据所述新群体集合确定对应的适应度函数值；

所述评估模块40，用于根据所述适应度函数值对所述待评估众包定价体系进行评估。

本实施例本实施例从待评估众包定价体系中提取原始体系参数，根据所述原始体系参数建立初始群体集合；通过遗传算法对所述初始群体集合进行数据优化，获取新群体集合；根据所述新群体集合确定对应的适应度函数值；根据所述适应度函数值对所述待评估众包定价体系进行评估。通过上述方式，可以调整原有用户的众包价格，对新的用户点给出众包价格，并能根据实时完成的众包数据优化众包定价体系的参数，大大提高了任务完成率。

本发明众包定价体系的评估装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。