It is more common for multiple users to collaborate to develop a software application in a P2P collaborative working environment. In collaborative software development, the rational allocation of software development tasks is of great significance. However, heterogeneous of software development tasks, such as the value of the task, the skill required, the effort required and difficulty, increase the complexity of task allocation. This paper proposes an allocation approach of crowd intelligence software development task in which multiple individuals collaborate to complete software development tasks. The heterogeneous task allocation problem in the crowd intelligence software development system is formulated as an optimization problem. Then, the process of task allocation is modelled using the hidden Markov model. In our study, due to the insufficiency of data characteristics, we propose to construct a generator using Generative Adversarial Networks(GANs) to solve this problem. Then, the Baum-Welch algorithm is used for detailed analysis and calculation of model parameters. And on this basis, effective task allocation strategies for maximizing the total value of tasks obtained by the workers are explored through the Viterbi algorithm. Based on the Agile Manager (AM) dataset, which contains a large scale real human task allocation strategy, the model learns from human decision-making strategies that have achieved good outcomes. Based on the Agile Manager dataset, this approach is evaluated experimentally. The results show that it outperforms the artificial intelligence (AI) player in the AM game platform.

在P2P协作工作环境中，多个用户进行协作以开发软件应用程序更为普遍。在协同软件开发中，合理分配软件开发任务具有重要意义。但是，软件开发任务的异构性（例如任务的价值，所需的技能，所需的工作量和难度）增加了任务分配的复杂性。本文提出了一种人群智能软件开发任务的分配方法，其中多个人共同完成软件开发任务。人群智能软件开发系统中的异构任务分配问题被表述为优化问题。然后，使用隐马尔可夫模型对任务分配过程进行建模。在我们的研究中 由于数据特征的不足，我们建议使用生成对抗网络（GANs）构造一个生成器以解决此问题。然后，将Baum-Welch算法用于模型参数的详细分析和计算。在此基础上，通过维特比算法探索了使工人获得的任务总价值最大化的有效任务分配策略。该模型基于包含大规模实际人工任务分配策略的敏捷管理器（AM）数据集，该模型从已取得良好成果的人工决策策略中学习。基于Agile Manager数据集，对该方法进行了实验评估。结果表明，其性能优于AM游戏平台中的AI播放器。我们建议使用生成对抗网络（GANs）来构建发电机以解决此问题。然后，将Baum-Welch算法用于模型参数的详细分析和计算。在此基础上，通过维特比算法探索了使工人获得的任务总价值最大化的有效任务分配策略。该模型基于包含大规模实际人工任务分配策略的敏捷管理器（AM）数据集，该模型从已取得良好成果的人工决策策略中学习。基于Agile Manager数据集，对该方法进行了实验评估。结果表明，其性能优于AM游戏平台中的AI播放器。我们建议使用生成对抗网络（GANs）来构建发电机以解决此问题。然后，将Baum-Welch算法用于模型参数的详细分析和计算。在此基础上，通过维特比算法探索了使工人获得的任务总价值最大化的有效任务分配策略。该模型基于包含大规模实际人工任务分配策略的敏捷管理器（AM）数据集，该模型从已取得良好成果的人工决策策略中学习。基于Agile Manager数据集，对该方法进行了实验评估。结果表明，其性能优于AM游戏平台中的AI播放器。Baum-Welch算法用于模型参数的详细分析和计算。在此基础上，通过维特比算法探索了使工人获得的任务总价值最大化的有效任务分配策略。该模型基于包含大规模实际人工任务分配策略的敏捷管理器（AM）数据集，该模型从已取得良好成果的人工决策策略中学习。基于Agile Manager数据集，对该方法进行了实验评估。结果表明，其性能优于AM游戏平台中的AI播放器。Baum-Welch算法用于模型参数的详细分析和计算。在此基础上，通过维特比算法探索了使工人获得的任务总价值最大化的有效任务分配策略。该模型基于包含大规模实际人工任务分配策略的敏捷管理器（AM）数据集，该模型从已取得良好成果的人工决策策略中学习。基于Agile Manager数据集，对该方法进行了实验评估。结果表明，其性能优于AM游戏平台中的AI播放器。该模型基于包含大规模实际人工任务分配策略的敏捷管理器（AM）数据集，该模型从已取得良好成果的人工决策策略中学习。基于Agile Manager数据集，对该方法进行了实验评估。结果表明，其性能优于AM游戏平台中的AI播放器。该模型基于包含大规模实际人工任务分配策略的敏捷管理器（AM）数据集，该模型从已取得良好成果的人工决策策略中学习。基于Agile Manager数据集，对该方法进行了实验评估。结果表明，其性能优于AM游戏平台中的AI播放器。