此次笔记主要针对三篇文章进行记录，学习的主要方向是众包任务的分配策略以及实验方案的设计。
1、《软件“众包”任务分配方法》 李勇军、郭基凤、缑西梅
此文主要提出一种众包环境下的个性化任务分配方法，该方法在进行任务分配时，不仅考虑接包方的技术能力，同时也考虑到接包方的性格及在线信誉，从而使任务分配过程更有针对性。
实验方案：
（1）利用调查问卷进行统计分析，得到性格能力需求集以及性格因子与性格能力关系表。
（2）策略初始化：初始情况下，任务的技术能力需求、性格能力需求及需要的接包方信誉等作为匹配原则，三者比例分别为5:3:2。策略动态配置：如果发包方对接包方的信誉要求比较高，我们可以将接包方的信誉比例提高，也即是可以重新设置技术能力、性格能力、信誉三者的比例；或者将信誉提升为必要条件，只在信誉满足要求，才再依据技术能力与性格能力进行任务分配。
（3）为进行任务的合理分配，本文给出了技术能力匹配算法、非技术能力匹配算法及综合匹配算法。最后，实验针对同一任务，对三位接包方分别采用三种方法得到匹配值并进行对比。
2、《众包环境下的任务分配技术研究》 孙信昕，扬州大学，计算机软件与理论，学术型硕士论文
本文主要对两种分配方法进行了实验分析，基于多臂赌博机（MAB）的任务分配和基于定价机制的任务分配。主要用到python语言。
（1）基于多臂赌博机的任务分配实验方案
对不同预算下的总收益数据进行对比，A列和B列的预算值为500，C列的预算值为1000，D列的预算值为10000。
以及不同预算下，原算法与改进算法结果的对比。
（2）基于定价机制的任务分配
对预算为500的情况下的数据做对比分析，给出了理想情况和真实情况下此算法产生的收益情况。真实情况与理想情况的区别在于是否谎报成本或者完成任务的数量。
3、《空间众包环境下的3类对象在线任务分配》 宋天舒，童永昕，王立斌，许可，软件学报
本文提出了一类新型动态任务分配问题，即，空间众包环境下的3类对象在线任务分配。该问题不但囊括了任务分配中的3类研究对象，即众包任务、众包工人和众包工作地点，而且关注动态环境。进而设计了随机闪值算法，给出了该算法在最差情况下的竟争比分析。采用在线学习方法进一步优化了随机闪值算法，提出自适应随机闪值算法，并证明该优化策略可逼近随机闪值算法使用不同闪值所能达到的最佳效果。最终通过在真实数据集和具有不同分布人造数据集上进行的大量实验，验证了算法的效果与性能。
实验方案：
语言：C++
通过在真实数据和具有不同分布数据上进行实验，验证算法的运行效果。
（1）对不同分布数据的实验
改变任务报酬分布情况（改变任务报酬在生态分布下的均值、标准差，幂律分布下的Shape），改变对象数量（正态分布、幂律分布和均匀分布），改变任务半径（正态分布、幂律分布和均匀分布），改变众包工作地点容量（正态分布、幂律分布和均匀分布），改变服务质量均值（正态分布、幂律分布和均匀分布）。
以改变对象数量为例，展示实验结果。
（2）对真实数据的实验
使用空间众包平台gMission上收集到的数据进行实验。在gMission平台上指定了300个工作地点，设置了3000个任务，并收集了前3000个工人的数据。工人和任务的范围设置为1000m-3000m不等。
