面向隐私保护的多平台移动群智感知定价策略

摘要

在移动群智感知(MCS)研究中，单平台MCS中隐私保护方法由于未考虑平台间竞争的影响，难以直接应用于多平台环境，而多平台MCS中尚未有针对平台隐私保护的相关研究.为解决这一问题，本文提出了一种面向隐私保护的多平台定价策略.具体而言，本文将平台定价问题建模为多领导者-多追随者的斯塔克尔伯格博弈：平台作为领导者设定价格，工人作为追随者根据价格优化其服务贡献.此外，提出了一种基于多智能体强化学习的去中心化定价机制(DMRL-PM),使平台无需透露私有信息，仅通过公开报价信息自主学习最优定价策略.该机制引入并改进了WoLF-PHC算法中的“赢或快速学习”机制，实现了策略学习率的自适应动态调整.实验结果表明，与现有方法相比，DMRL-PM在收敛性与有效性等方面具有显著优势.

关键词

移动群智感知 / 隐私保护 / 定价机制 / 多智能体强化学习 / 斯塔克尔伯格博弈