arXiv 0810.05322008-10-17cs.MAcs.AIcs.CCcs.GT

资源分配问题复杂性的三个新结果

Three New Complexity Results for Resource Allocation Problems

Bart de Keijzer

摘要：

我们证明了以下结果的任务分配不可分割的资源：-找到一个leximin最大的资源分配的问题是在P，如果代理有最大效用函数和原子的需求。- 对于具有（1-）加性效用函数的代理，判定资源分配是否为帕累托最优是coNP完全的。- 对于具有（1-）可加效用函数的代理，判定是否存在帕累托最优且无嫉妒的资源分配是Sigma_2^p-完全的。

英文摘要：

We prove the following results for task allocation of indivisible resources: - The problem of finding a leximin-maximal resource allocation is in P if the agents have max-utility functions and atomic demands. - Deciding whether a resource allocation is Pareto-optimal is coNP-complete for agents with (1-)additive utility functions. - Deciding whether there exists a Pareto-optimal and envy-free resource allocation is Sigma_2^p-complete for agents with (1-)additive utility functions.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

今天是我，明天是你：竞争环境中的有效资源分配

Today Me, Tomorrow Thee: Efficient Resource Allocation in Competitive Settings using Karma Games

ETH Zurich（苏黎世联邦理工学院）

我们提出了一种新型的协调机制，多个代理之间的分配有限的资源，如分配时隙通过一个十字路口。我们考虑这样一种设置，其中我们将一个计数器与每个代理相关联，我们称之为业力值，并且其中存在一个已建立的机制来基于代理交换业力来决定资源分配。这个想法是，代理人可能倾向于通过使用今天的资源，以换取业力，这将使他们更容易在未来要求资源使用。为了了解这样的系统是否可以健壮地工作，我们只设计协议，而不是代理的策略。我们采取博弈论的角度来看，并计算相应的策略的纳什均衡的游戏。我们发现，令人惊讶的是，纳什均衡的社会的自利代理人是非常接近的社会福利集中合作的解决方案。这些结果表明，许多资源分配问题可以有一个简单的，优雅的，和强大的解决方案，假设一个因果报应会计机制的可用性。

2019-07-22cs.AIcs.GTcs.MA

在能源资源分配中平衡公平性与效率

Balancing Fairness and Efficiency in Energy Resource Allocations

针对分布式能源分配中因异构用户群体导致的公平性缺失与不成比例支付问题，本文形式化了公平能源资源分配问题，提出聚合商框架，通过联合优化总资源与个体分配，实现公平与效率的最佳权衡。

2024-03-22cs.GTcs.MAcs.SY

资源分配的完全比例表示：近似性结果

Fully Proportional Representation as Resource Allocation: Approximability Results

我们的门罗和Chamberlin和柯朗的多赢家投票系统作为一个特定的资源分配问题。我们发现，对于这个问题的许多限制性的变种，在标准的复杂性理论假设下，没有恒定因子的近似算法。然而，我们也展示了良好的近似算法存在的情况下（简单地说，这些变量对应于优化总选民的满意度下Borda分数，在门罗和Chamberlin和柯朗的投票系统）。

2013-01-27cs.GTcs.MA

资源分配的多代理规划的协调MDP方法及其在医疗保健中的应用

A Coordinated MDP Approach to Multi-Agent Planning for Resource Allocation, with Applications to Healthcare

University of Waterloo（滑铁卢大学）

本文考虑了一种新的方法，可扩展的多智能体资源分配在动态设置。我们提出了一个近似的解决方案，其中每个资源消费者是由一个独立的基于MDP的代理，模型预期效用使用的平均模型，其预期访问资源只提供有限的信息，所有其他代理。提出了一种基于拍卖的全球机制，用于基于预期遗憾的分配。我们假设真实的投标和合作协调机制，因为我们正在考虑医疗保健方案。我们说明了我们的协调MDP方法的性能对蒙特卡洛为基础的规划算法，旨在为大规模的应用程序，以及其他方法适合分配医疗资源。评估结果表明，在一定的时间限制下，使用我们的算法时，所有消费者代理的全局效用值更接近最优，计算成本低。因此，我们提供了一个很有前途的方法来解决复杂的资源分配问题，出现在医疗环境。

2014-07-07cs.AIcs.MA

资源分配与种群动力学

Resource Allocation with Population Dynamics

IBM Research – Ireland（IBM研究院爱尔兰）

针对资源分配问题中种群模型过于简化的问题，提出基于马尔可夫链的异质种群行为模型，并证明在特定条件下智能体分布依分布收敛，具有广泛适用性。

2016-04-12cs.AIcs.MAmath.OC

论以共享促进资源分配

On Improving Resource Allocations by Sharing

给定初始资源分配，一些代理人可能会嫉妒其他代理人，或者不同的资源分配可能会导致更高的社会福利，我们的目标是在不重新分配资源的情况下改善分配。我们认为，共享的概念，允许资源与资源所有者的社交网络邻居共享。为此，我们引入了一个正式的模型，允许一个中央权威计算的基础上的初始分配邻居之间的最佳共享。倡导这一观点，我们专注于最基本的情况下，资源可能会被共享的两个邻居在一个社会网络和每个代理可以参与有限数量的共享。我们提出的算法，优化功利主义和平等主义的社会福利的分配，并减少嫉妒代理的数量。特别是，我们研究的计算复杂性与几个自然参数。此外，我们研究了有限的社会网络结构的情况下，除其他外，设计多项式时间算法的路径和树状（分层）社交网络。

2021-12-14cs.CYcs.GTcs.MA

更多相关论文收起更多论文

Tycoon：一个基于市场的分布式资源分配系统

Tycoon: A Distributed Market-based Resource Allocation System

像Grid和PlanetLab这样的P2P集群在原则上为计算提供了与Internet为网络提供的相同的统计复用效率增益。未解决的关键问题是资源分配。现有的解决方案在经济上并不高效，并且需要高延迟来获取资源。我们设计并实现了基于拍卖份额调度算法的基于市场的分布式资源分配系统Tycoon。初步结果表明，Tycoon实现了低延迟和高公平性，同时为策略用户提供了讲真话的激励。

2004-04-05cs.DCcs.MA

基于深度强化学习的不确定系统环境下资源分配建模

Modelling resource allocation in uncertain system environment through deep reinforcement learning

Pandit Deendayal Energy University（潘迪特·德恩达亚尔能源大学）

强化学习在机电一体化、机器人等资源受限的控制系统中有着广泛的应用。资源分配问题主要使用传统的预定义技术和现代深度学习方法来解决。用于资源分配的预定义和大多数深度学习方法的缺点是在不确定系统环境的情况下无法满足需求。利用深度强化学习，可以在遵循一定准则的前提下，解决不确定系统环境中的资源分配问题。此外，强化学习具有长时间适应新的不确定环境的能力。本文对各种深度强化学习方法进行了详细的比较分析，通过应用不同的组件来修改强化学习的架构，使用噪声层，优先重放，装袋，决斗网络和其他相关组合，以获得性能的改善和计算成本的降低。通过对给定的资源分配仿真环境的探索，证明了采用Noisy Bagging对偶双深Q网络可以有效解决不确定环境下的资源分配问题，通过最大化报酬，效率达到97.7%.

2021-06-17cs.AIcs.LGcs.MA

DECAF：在多智能体资源分配中学习公平性

DECAF: Learning to be Fair in Multi-agent Resource Allocation

Washington University in St Louis（圣路易斯华盛顿大学）

本文提出DECAF方法，将资源分配问题形式化为DECA问题，并基于双重深度Q学习设计三种策略，在多智能体资源分配中实现公平与效用的灵活在线权衡，优于现有公平MARL方法。

2025-02-06cs.CYcs.LGcs.MA

分布式资源分配的改进收敛速度

Improved Convergence Rates for Distributed Resource Allocation

在本文中，我们开发了一类分散的算法来解决一个凸的资源分配问题的$n$代理网络中，代理的目标是解耦的，而资源约束是耦合的。代理通过连接的无向图进行通信，它们希望协作确定整个网络问题的解决方案，而每个代理只与其邻居通信。我们首先研究了分散资源分配问题和分散共识最优化问题之间的联系。然后，使用一类算法解决共识最优化问题，我们提出了一类新的分散计划解决资源分配问题的分布式方式。具体来说，我们首先提出了一个算法，用于解决资源分配问题时，$o(1/k)$收敛速度保证代理的目标函数一般凸（可能是不可微的）和每个代理的局部凸约束是允许的;然后我们提出一个梯度-的算法来解决每个代理的局部约束缺失时的资源分配问题，并表明这种方案可以实现几何速率时，目标函数是强凸的，并且具有Lipschitz连续梯度。我们还提供了可扩展性/网络依赖性分析。在这两种算法的基础上，我们进一步提出了一种基于梯度投影的算法，该算法能够更有效地处理光滑目标和简单约束。数值实验证明了所提出的算法的可行性和性能。

2018-12-16cs.DCcs.MAmath.OC