A Fully Polynomial-Time Approximation Scheme for Speed Scaling with Sleep State
我们研究了经典的基于最后期限的抢占式调度任务的计算环境中配备了动态速度缩放和睡眠状态的能力：每个任务指定的发布时间，最后期限和处理量，并已被调度在一个单一的，速度可扩展的处理器，提供了一个睡眠状态。在休眠状态下，处理器不消耗能量，但需要恒定的唤醒成本才能转换回活动状态。与单独的速度缩放相比，添加睡眠状态有时有利于加速任务的处理，以便将处理器转换到睡眠状态更长的时间，并进一步节省能量。目标是输出一个可行的时间表，使能源消耗最小化。自从Irani等人提出这个问题以来。[16]，其确切的计算复杂性一直是一个悬而未决的问题（参见例如[2，8，15]）。目前最著名的上限和下限是4/3-近似算法和NP-硬度，分别由于[2]和[2，17]。我们关闭上述差距之间的上限和下限的速度缩放与睡眠状态的计算复杂性提出了一个完全多项式时间的近似方案的问题。该计划是基于一个转换到一个非抢占式的变种的问题，和离散化，利用一个精心定义的字典序之间的时间表。
2014-07-03 cs.DS
Speed Scaling on Parallel Processors with Migration
研究了在并行速度调节处理机上调度一组具有发布日期、截止期和加工要求（或工件）的工件，以使总能耗最小的问题.我们认为先占和迁移工作都是允许的。在椭球算法的基础上，提出了一种多项式时间的精确算法。在这里，我们制定的问题作为一个凸规划，我们提出了一个更简单的多项式时间的组合算法，这是基于减少最大流问题。我们的算法在$O(nf(n)logP)$时间内运行，其中$n$是作业数，$P$是处理器速度的所有可能值除以期望精度的范围，$f(n)$是计算具有O（n）个顶点的分层图中的最大流的复杂度。独立地，Albers等人\cite{AAG11}提出了利用与最大流问题相同关系的$O(n^2f(n))$时间算法。我们将我们的算法扩展到多处理器速度缩放问题的迁移，其目标是最小化的最大完工时间下的预算的能量。
2011-07-12 cs.DS
An Experimental Comparison of Speed Scaling Algorithms with Deadline Feasibility Constraints
我们认为，第一个，也是最好的研究，在算法文献中的速度缩放问题：其中的调度服务质量措施是一个最后期限的可行性约束，并在电源的目标是最大限度地减少所使用的总能量。在算法文献中已经提出了四个在线算法。基于竞争比的最佳上界，在线算法的优劣排序为：$\qOA$，$\OA$，$\AVR$，$\BKP$ .作为竞争分析的有效性，以预测最好的在线算法的测试案例，我们报告这些算法之间的实验“赛马”使用实例的基础上，Web服务器的痕迹。我们的主要结论是，我们的算法在我们的实验中的性能的基础上的排名是相同的竞争分析预测的顺序。这种排序在大范围的可能功率函数上保持不变，即使功率目标是温度。
2013-07-01 cs.DS
Speed scaling with power down scheduling for agreeable deadlines
我们考虑在单处理机上调度一组给定的n个工件的问题.每个作业j都有一个工作负载w_j和一个释放时间r_j。处理器可以改变它的速度并休眠以减少能量消耗。在一个最小化总消耗能量的调度中，可能会有一些作业在任意远离其发布时间的情况下完成。因此，为了保证一定的服务质量，我们希望为每个作业j强加一个截止日期d_j=r_j+F，其中F是对 * 流时间 * 的保证。我们提供了一个O（n^3）的算法，用于更一般的情况下 * 同意的最后期限 *，其中作业有释放时间和最后期限，并且可以排序，使得对于每个i<j，r_i<=r_j和d_i<=d_j。
2012-10-19 cs.DS
Multiple Server SRPT with speed scaling is competitive
流行的最短剩余处理时间（SRPT）算法是否可以在多台服务器上实现恒定的竞争比，当服务器速度相对于流时间加能耗度量可调（速度缩放）时？这个问题已经有一段时间没有解决了，众所周知，在没有速度缩放的情况下会产生负面结果。本文的主要结果是表明，多服务器SRPT可以是恒定的竞争，与竞争比，只取决于服务器的功率使用功能，而不是对作业/服务器的数量或作业大小（不像当速度缩放是不允许的）。当所有的工作大小是统一的，我们表明，循环路由是最佳的，可以达到相同的竞争比，最有名的算法为单服务器的问题。最后，我们证明了一类贪婪的分派政策，包括政策，路线最少的负载或最短的队列，不承认一个恒定的竞争比。当工件到达是随机的，泊松到达和独立同分布。作业大小，我们表明，随机路由和一个简单的门静态速度缩放算法实现了恒定的竞争比。
2020-05-05 cs.DS cs.PF
Energy-efficient algorithms for non-preemptive speed-scaling
我们改进了单处理器和多处理器情况下的节能速度调度问题的复杂性界限。节能已经成为一个主要的问题，因此重新审视传统的调度问题，考虑到能源消耗一直是调度社区在过去几年的议程的一部分。我们认为，能源最小化的速度缩放问题介绍了姚等。我们希望安排一组作业，每个发布日期，截止日期和工作量，在一组相同的处理器。处理器可以根据时间改变速度，并且它们消耗的能量是其速度的$α$次方。然后，目标是找到一个可行的时间表，最大限度地减少使用的总能量。我们表明，在设置与任意数量的处理器，所有的工作量是相等的，有一个$2(1+\varepsilon)(5(1+\varepsilon))^{α-1}\tilde{B}_α=O_α(1)$近似算法，其中$\tilde{B}_α$是广义贝尔数。这是求解该问题的第一个常数因子算法。该算法扩展到一般不等的处理器相关的工作量，直到在近似中丢失因子$(\frac{(1+r)r}{2})^α$，其中$r$是两个工作量之间的最大比率。然后，我们表明后一个问题是APX困难的，即使在特殊情况下，当所有的发布日期和最后期限是平等的，$r$是4。在单处理器情形下，我们引入了一个新的线性规划速度缩放公式，并证明了它的完整性间隙至多为$12^{α-1}$。作为推论，我们得到了一个$(12(1+\varepsilon))^{α-1}$近似算法，其中有一个单一的处理器，改善了以前的最佳界的$2^{…
2014-02-18 cs.DS
Speed Scaling with Tandem Servers
考虑串联服务器设置的速度缩放，其中存在一系列服务器，并且每个作业必须按顺序由每个服务器处理。服务器具有可变的速度，它们的功耗是速度的凸递增函数。我们考虑了最坏情况下的设置以及随机设置。在最坏的情况下，工作被假定为任意（可能是相反确定的）到达时刻的单位大小。对于这个问题，我们设计了一个在线的速度缩放算法，是不断的竞争，相对于最佳的离线算法，具有非因果关系的信息。所提出的算法在所有活动服务器上始终使用相同的速度，使得总功耗等于未完成作业的数量。在随机设置中，我们考虑一个更一般的串联网络，在每个阶段的服务器的并行银行。在这种情况下，我们表明，随机路由与一个简单的门控静态速度选择是恒定的竞争力。在这两种情况下，竞争比仅取决于幂函数，并且与工作负载和服务器数量无关。
2019-07-10 cs.DS cs.NI
New Online Algorithm for Dynamic Speed Scaling with Sleep State
在本文中，我们考虑一个能量有效的调度问题，$n$作业$J_1, J_2, ..., J_n$需要执行，使这些作业的总能源使用量最小化，同时确保每个作业在它的截止日期内完成。我们在一个在线环境中工作，一个工作只有在它的到达时间，以及它的处理量和最后期限。在这样的设置中，Han等人的当前最著名的算法\cite{han}提供了能量使用的竞争比max $\{4, 2 + α^α\}$。在本文中，我们提出了一种新的在线算法SqOA，它提供了一个竞争比最大$\{4, 2 + (2-1/α)^α2^{α-1}\}$的能源使用。对于$α\geq 3$，我们的算法的竞争比优于任何其他现有的算法。
2013-03-02 cs.DS
Speed Scaling On Parallel Servers with MapReduce Type Precedence Constraints
考虑多服务器设置，其中每个服务器具有可调速度，并且增加速度会导致能量成本。作业到达单个队列，每个作业有两种类型的子任务，map和reduce，以及它们之间的{ \bf优先级}约束：作业的任何reduce任务只能在作业的所有map任务完成后才能处理。除了调度问题，即，以可调速度在哪个服务器上执行哪个任务，附加的决策变量是每个服务器的速度的选择，以便最小化作业/任务的流动时间和总能量成本的线性组合。优先约束提出了新的挑战，多个服务器的速度缩放问题，即可以在任何时候执行的任务的数量可能很小，但未完成的任务的总数可能是相当大的。我们提出了简单的速度缩放算法，具有竞争力的比率，这取决于功率成本函数，和/或最大的任务和最短的减少任务的大小的比率，但不是工作的数量，或服务器的数量。
2021-05-19 cs.DS cs.NI
Throughput Maximization in the Speed-Scaling Setting
我们得到一组$n$作业和一个可以动态改变其速度的处理器。每个作业$J_j$的特征在于其处理要求（作业）$p_j$、其发布日期$r_j$和其截止日期$d_j$。我们也给出了一个预算的能源$E$，我们研究的调度问题，最大化的吞吐量（即按时完成的作业数）。我们提出了一个动态规划算法，解决了抢占的情况下的问题，即当执行的作业可能会被中断，并恢复以后，在伪多项式时间。我们的算法可以适用于解决加权版本的问题，其中每一个工作都与一个权重$w_j$和目标是最大化的权重的总和按时完成的工作。此外，我们提供了一个强多项式时间算法来解决非抢占式未加权的情况下，工件具有相同的加工要求。对于加权的情况下，我们的算法可以适用于解决非抢占式版本的问题在伪多项式时间。
2013-09-06 cs.DS
Learning Augmented Energy Minimization via Speed Scaling
EPFL（洛桑联邦理工学院）；Switzerland（瑞士（此处按要求应为机构，原文中Switzerland作为国家名，但根据上下文应为作者所属国家，可能是格式问题，原文本中EPFL是明确机构，Switzerland为国家，不提取），此处正确提取应为EPFL，Switzerland非机构，所以正确输出为[{）
随着电源管理已成为现代数据中心的主要关注点，计算资源正在被动态地缩放以最小化能耗。我们开始研究经典的在线速度缩放问题的一个变体，其中机器学习对未来的预测可以自然地集成。受最近学习增强在线算法的启发，我们提出了一种算法，该算法以黑盒的方式结合预测，如果准确性高，则优于任何在线算法，但如果预测非常不准确，则保持可证明的保证。我们提供了理论和实验证据来支持我们的主张。
2020-10-22 cs.DS cs.LG
Speed Scaling with Multiple Servers Under A Sum Power Constraint
考虑了在总功率约束下，以最小化流时间+能量为目标的多台服务器的作业调度和速度选择问题。这个问题是具有多个单位速度服务器的流时间最小化问题的推广，当作业可以并行化时，然而，当分配$k$服务器时，具有次线性凹加速函数$k^{1/α}, α>1$，即，作业会因为分配了额外的服务器而收益递减。当所有的工作都可以在时间$0$，我们表明，一个非常简单的算法EQUI，以相同的速度处理所有可用的工作是$\left(2-\frac{1}α\right) \frac{2}{\left(1-\left(\frac{1}α\right)\right)}$ -竞争，而在一般情况下，当工作到达随着时间的推移，基于LCFS的算法被证明有一个常数（仅依赖于$α$）的竞争比。
2021-08-18 cs.DS cs.NI
Throughput Maximization in Multiprocessor Speed-Scaling
我们给出了一组$n$作业，这些作业必须在一组$m$速度可伸缩的机器上执行，这些机器可以使用在[Yao等人，FOCS'95]。每个作业$j$的特征在于它的发布日期$r_j$、它的截止日期$d_j$、它的处理量$p_{i,j}$（如果$j$在机器$i$上执行）及其权重$w_j$。我们还给出了能量$E$的预算，我们的目标是最大化加权吞吐量，即在各自的发布日期和截止日期之间完成的作业的总重量。我们提出了一个多项式时间的近似算法，其中的抢占的工作是允许的，但不是他们的迁移。我们的算法使用原始对偶方法的线性化版本的凸规划与线性约束。此外，我们提出了两个最优算法的非抢占式的情况下，机器的数量是由一个固定的常数。具体而言，我们认为：{ \em（a）}相同处理量的情况，即对于每个$i$和$j$的$p_{i,j}=p$，我们为未加权版本提出多项式时间算法，其变为加权吞吐量版本的伪多项式时间算法，以及{ \em（b）}一致实例的情况，即对于$r_i \le r_j$当且仅当$d_i \le d_j$，我们提出了一个伪多项式时间算法。这两种算法都是基于离散化的问题和使用动态规划。
2014-02-16 cs.DS
Stochastic Network Speed Scaling with Competitive Ratios Independent of the Network
针对网络速度缩放问题，提出一种通过凸规划路由并以固定速度运行服务器的算法，其竞争比仅依赖功率函数，对$P(s)=s^2$至多为黄金比例，并证明现有路由规则可能远非最优。
2026-10-06 cs.DS cs.PF
A Novel Prediction Setup for Online Speed-Scaling
University of Twente（特文特大学）；Sharif University of Technology（谢里夫理工大学）；Max Planck Institut für Informatik（马克斯·普朗克信息学研究所）；Universität des Saarlandes（萨尔大学）
考虑到数据中心和计算系统的能源需求通常快速增长，在设计（调度）算法时考虑能源因素至关重要。机器学习通过基于例如历史数据来预测系统的未来负载，在实践中可以是有用的方法。然而，这种方法的有效性在很大程度上取决于预测的质量，并且当预测低于标准时，这种方法可能远远不是最佳的。另一方面，在提供最坏情况保证的同时，经典在线算法对于实践中出现的大类输入可能是悲观的。本文本着机器学习增强算法这一新领域的精神，试图为经典的、基于最后期限的、在线速度缩放问题获得两全其美的结果：基于一种新的预测设置的介绍，我们开发了算法，（i）在存在足够的预测的情况下获得可证明的低能耗，（ii）对不充分的预测是鲁棒的，（iii）是平滑的，也就是说，它们的性能随着预测误差的增加而逐渐降低。
2021-12-06 cs.DS cs.LG
Robust Online Speed Scaling With Deadline Uncertainty
考虑了一个速度缩放问题，其中时间被划分为时隙，并且具有支付$v$的作业到达具有相关截止日期$d$的时隙的开始。每个作业占用一个时隙进行处理，并且服务器可以在每个时隙中处理多个作业，其中在一个时隙中处理$k$作业的能量成本为$g(k)$。只有当作业在截止日期前完成时，算法才会累计收益。我们考虑一个强大的版本，这个速度缩放问题，在其到来的工作揭示了它的回报$v$，然而，最后期限是隐藏的在线算法，这可能是潜在的选择adversarally和已知的最佳离线算法。我们的目标是得到一个强大的（截止日期）和最佳的在线算法，达到最佳的竞争比。我们提出了一个算法（称为min-LCR），并表明它是一个最优的在线算法的任何凸能量成本函数$g(.)$。我们这样做实际上没有评估的最佳竞争比，并给出了一般的证明，适用于任何凸$g$，这是相当新颖的。对于流行的选择的能量成本函数$g(k) = k^α, α\ge 2$，我们给出了具体的界限上的竞争比的算法，其范围之间的$2.618$和$3$取决于$α$的值。最著名的在线算法相同的问题，但其中的最后期限透露的在线算法的竞争比$2$和下限的$\sqrt{2}$。因此，重要的是，缺乏截止日期的知识并没有使问题退化，和截止日期信息的最优竞争比的影响是有限的。
2017-11-14 cs.DS cs.IT math.IT
Refining the Complexity Landscape of Speed Scaling: Hardness and Algorithms
University of Twente（特温特大学）
本文研究了速度缩放调度中流程时间与能耗的权衡，证明了某些问题变体的NP难性，并展示了在特定顺序下问题的多项式时间解法。
2026-02-12 cs.CC cs.DM cs.DS
Finite size scaling approach to dynamic storage allocation problem
它演示了如何动态存储分配算法可以分析的有限尺寸标度。该方法在三个简单的情况下，它的第一次拟合，下一次拟合和最佳拟合算法，系统工作在满负荷。分析是从两个不同的角度-运行速度和占用内存。在这两种情况下，并为所有的算法，它表明，一个简单的尺度函数存在，并计算相关的指数。该方法也可应用于类似的问题。
2003-07-02 cond-mat.stat-mech cs.DS
Improved quantum lower and upper bounds for matrix scaling
矩阵缩放是一个简单的状态，但广泛适用的线性代数问题：目标是缩放给定非负矩阵的行和列，使得重新缩放的矩阵具有指定的行和列和。最近的结果的动机一阶量子算法矩阵缩放，我们调查的可能性量子加速经典的二阶算法，其中包括国家的最先进的经典设置。我们首先表明，可以基本上没有量子加速方面的输入大小在高精度制度：任何量子算法，解决矩阵缩放问题的$n \times n$矩阵至多$m$非零条目和$\ell_2$错误$\varepsilon=\widetildeΘ(1/m)$必须使$\widetildeΩ(m)$查询矩阵，即使成功概率是指数小的$n$。此外，我们表明，对于$\varepsilon\in[1/n,1/2]$，任何量子算法能够产生$\frac{\varepsilon}{100}$ - $\ell_1$ -近似的行和向量的（密集）规范化矩阵使用$Ω(n/\varepsilon)$查询，并存在一个常数$\varepsilon_0>0$，这个问题需要$Ω(n^{1.5})$查询。为了补充这些结果，我们给出了改进的量子算法在低精度政权：量子图稀疏化和振幅估计，箱约束牛顿方法可以加快在大$\varepsilon$政权，并优于以前的量子算法。对于entrywise正矩阵，我们发现一个$\varepsilon$ - $\ell_1$ -缩放时间$\widetilde O(n^{1.5}/\varepsilo…
2021-09-30 cs.DS math.OC quant-ph
