Cluster Before You Hallucinate: Approximating Node-Capacitated Network Design and Energy Efficient Routing
本文研究节点容量受限的单/多商品网络设计问题,提出结合聚类等技术的多对数近似算法,并将其应用于节点速率可调的节能虚拟电路路由,给出首个多对数近似解。
2024-03-10 cs.DS
Integer and Unsplittable Multiflows in Series-Parallel Digraphs
本文证明在串并联有向图中任意多商品流可表示为不可拆分多商品流的凸组合,证实了Goemans及Morell和Skutella的猜想,并将计算简化为单商品网络流问题。
2025-07-21 cs.DS math.CO
Physarum-Inspired Multi-Commodity Flow Dynamics
在湿实验室实验中,黏菌多头绒泡菌(Physarum polycephalum)已经证明了它解决最短路径问题和设计高效网络的能力。对于最短路径问题,可获得用于粘液演化的数学模型,并且在计算机实验中和通过数学分析表明,动力学解决了最短路径问题。在本文中,我们介绍了一个动态的网络设计问题。我们制定网络设计的问题,构建一个网络,有效地支持多商品流的问题。我们调查的动态计算机模拟和分析。仿真结果表明,该动力学能够构建高效和优雅的网络。在理论部分中,我们表明,动态最小化的目标相结合的网络成本和通过网络的路由需求的成本。我们还给出了最优解的替代表征。
2022-02-09 cs.DS cs.NE
Online Resource Allocation under Partially Predictable Demand
针对在线资源分配问题,提出了一种新的需求到达模型,其中到达序列中同时包含一个对抗分量和一个随机分量。我们的模型不需要需求预测,但是,由于随机成分的存在,我们可以部分预测未来的需求,因为到达的序列展开。在该模型下,我们研究了单一资源在线分配给两类客户的问题,并设计了优于现有算法的在线算法。我们的算法可以根据随机分量的相对大小进行调整,我们的分析表明,随着随机分量的增加,由于在线决策而造成的损失会减少。这突出了在线资源分配的可预测性(即使是部分)的价值。我们不对资源容量如何随客户的最大数量而扩展施加任何条件。然而,我们表明,使用自适应算法-这使得在线决策的基础上观察到的数据-是特别有益的,当容量与客户数量呈线性比例。我们的工作是弥合基于(1)对抗模型和(2)随机模型的在线算法设计和分析的两种研究方法之间长期存在的差距的第一步。使用新的算法设计,我们证明,即使到达序列包含一个敌对的组件,我们可以利用有限的信息,数据揭示,以改善分配决策。我们还研究了经典的秘书问题下,我们提出的到达模型,我们表明,随机多个停止规则可能会增加成功的概率。
2018-09-30 cs.DS
Finding a Feasible Flow in a Strongly Connected Network
研究了在强连通网络中,当供给和需求相等且最小弧容量至少等于需求和时,求一个单商品流的问题.一个快速算法,这个问题的改进Goldberg-Rao最大流方法的最坏情况下的时间界的一个常数因子。Erlebach和Hagerup给出了线性时间可行流算法。我们给出一个可以说是更简单的。
2007-12-03 cs.DS
Online Demand Scheduling with Failovers
受云计算应用的启发,我们研究了如何在功耗和鲁棒性约束下优化部署新硬件的问题。为了模拟在大型数据中心中观察到的情况,我们引入了在线需求调度问题。存在容量受限的$m$相同设备。需求是一个接一个的,为了能够抵御设备故障,需要将其分配给一对设备。当设备发生故障时(在故障转移场景中),分配给它的每个请求都将重新路由到其配对的设备(现在可以以增加的容量运行)。我们的目标是将需求分配给设备,以最大限度地提高总利用率,同时满足正常容量约束和这些新的故障转移约束。这些后者的限制引入了新的决策权衡不存在于经典的分配问题,如多背包问题和AdWords。在最坏的情况下,我们设计了一个确定性的$\approx \frac{1}{2}$竞争算法,并表明这是本质上紧。为了规避这种恒定因素损失,在大型云提供商的背景下,这意味着大量的资本损失,我们考虑了随机到达模型,其中所有需求都是i.i.d.来自未知的分布。在这个模型中,我们设计了一个算法,实现了一个次线性加法遗憾(即OPT或$m$增加,乘法竞争比去$1$)。这需要结合不同的技术,包括配置LP与非平凡的后处理步骤和由Rhee和Talagrand引入的在线单调匹配过程。
2022-09-01 cs.DS
Multi-Commodity Flow with In-Network Processing
现代网络运行“中间盒”,提供从网络地址转换和服务器负载均衡到防火墙、加密和压缩的服务。在被称为网络功能虚拟化(NFV)的行业趋势中,这些中间盒作为虚拟机在任何商用服务器上运行,交换机通过相关的服务链引导流量。网络管理员必须根据流量负载、服务器和网络容量来决定运行多少个中间盒、将它们放置在何处以及如何引导流量通过它们。我们认为,服务器虚拟化允许每个服务器节点托管所有的中间盒功能,而不是在每个处理节点上放置特定类型的中间盒,只是改变了资源的比例致力于每一个。这种额外的灵活性从根本上改变了网络管理员必须解决的优化问题,成为一种新的多商品流问题,其中业务流消耗链路上的带宽以及节点上的处理资源。我们表明,分配资源,以最大限度地提高处理流可以通过线性规划公式进行优化,并通过一个有效的组合算法的任意精度。我们的实验与真实的流量和拓扑结构表明,节点和链路资源的联合优化,导致带宽和处理能力的有效利用。我们还研究了一类设计问题,决定在哪里提供节点的能力,最好的过程和路由一组给定的需求,并证明这些问题的近似算法和硬度的结果。
2018-02-26 cs.DS cs.NI
Group-level Fairness Maximization in Online Bipartite Matching
我们考虑分配有限的资源,以异构客户谁在网上到达的时尚。我们希望“公平”地分配资源,使任何客户群体在整体服务率方面都不会被边缘化。我们研究这是否有可能在网上这样做,如果是这样,什么是一个好的在线分配政策。我们模型这个问题使用在线二分匹配下固定到达,在文献中通常研究的目标下,最大限度地提高客户服务的总数的基本模型。相反,我们研究的目标是最大限度地提高所有群体的最低服务率,并提出两个公平的概念:长期和短期。对于这些公平的目标,我们分析如何竞争力的在线算法可以相比,离线算法知道的顺序的需求提前。为了长期的公平性,我们提出了两个在线算法(采样和池化),它们在不同的制度(没有专门的供应,没有罕见的需求类型,或不平衡的供应/需求)中建立渐近最优。相比之下,在所有这些制度之外,我们表明在线算法的竞争比在0.632和0.732之间。对于短期的公平性,我们证明了完整的二分图,在线算法的竞争比在0.863和0.942之间,我们还推导出一个概率拒绝算法,这是渐近最优的总需求。根据资源的总体稀缺性,我们的采样或池化算法可能是可取的。在线分配最困难的情况发生在总供给刚好满足总需求的时候。我们在公共乘车数据集上模拟了我们的算法,这既证明了我们的算法的有效性,也验证了我们的管理见解。
2021-05-21 cs.DS
Nearly Maximum Flows in Nearly Linear Time
我们介绍了一种新的方法,在无向的,容量限制的图形使用$α$ - \emph{congestion-approximators}:易于计算的功能,近似的拥塞所需的路由图中的单一商品的需求$α$的一个因素。我们的算法保持一个任意的流量,可能有一些剩余的过剩和赤字,同时采取措施,以尽量减少潜在的功能测量的拥塞的当前流量加上高估的拥塞所需的路由剩余需求。由于残差项高估,下降过程逐渐将对我们的势函数的贡献从残差项移动到拥塞项,最终在$\tilde{O}(α\eps^{-2}\log^2 n)$迭代之后实现具有几乎最小拥塞的期望需求的流路由。我们的方法在精神上类似于Spielman和Teng(STOC 2004)用于求解拉普拉斯系统的方法,我们将我们的方法总结为尝试对$\ell_\infty$-流做他们对$\ell_2$ -流所做的事情。再加上一个几乎线性的时间结构的$n^{o(1)}$ -逼近,我们获得$1+\eps$ -最佳的单商品流无向图的时间$m^{1+o(1)}\eps^{-2}$,产生最快的已知算法的问题。我们的要求是相当低的,建议甚至更快,更简单的算法,某些类的图。例如,$α$ -竞争不经意路由树满足我们的定义\emph{even without knowing how to route the tree back in the graph}。对于电导图$ϕ$,一个平凡的$ϕ^{…
2013-04-07 cs.DS
Incorporating Trip Chaining within Online Demand Estimation
时变OD需求流是动态交通分配系统和实时交通管理的基本输入。这项工作引入了一种新的状态空间框架来估计这些需求流在网上的上下文中。具体来说,我们建议明确包括行程链行为的状态空间公式,这是解决了使用完善的卡尔曼滤波技术。虽然现有的作品已经考虑在线需求估计问题的结构信息和递归行为,这些信息一直被认为是在OD水平。在这项研究中,我们介绍了这种结构信息,明确表示在估计框架内的行程链。好处是双重的。首先,可以联合校准属于同一行程的所有行程。第二,给定在特定时间间隔期间的估计,可以获得全天的结构偏差的预测,而不需要运行额外的模拟。所提出的方法的有效性首先在一个玩具网络上,然后在一个大型的现实世界的网络上证明。结果表明,相对于传统的卡尔曼滤波方法,该模型提高了预测性能。我们还表明,该模型可以用来预测晚上的通勤,而不需要运行额外的模拟的基础上,上午通勤的估计。
2019-11-20 cs.DS
Online Algorithm for Demand Response with Inelastic Demands and Apparent Power Constraint
电力系统中的一个经典问题是在不违反电网运行约束的情况下以在线方式分配输入(弹性或非弹性)需求。虽然在线决策问题已经在文献中得到了很好的研究,在电力系统中出现的一个独特的挑战是非线性约束的存在下,从传统的设置。一个特殊的例子是视在功率的容量约束,它产生了二次约束,而不是典型的线性约束。在本文中,我们提出了一个竞争性的随机在线算法,以决定是否可以分配一个序列的非弹性需求的要求的时间间隔内,总的可满足的视在功率随时间变化的容量约束。我们还考虑了一种替代设置与节点电压约束,使用一种变体的在线算法。最后,仿真研究提供了经验评估算法。
2021-10-25 cs.DS math.OC
Scalable Online Betweenness Centrality in Evolving Graphs
介数中心性是一个经典的度量,它根据通过它的最短路径的比例来量化图形元素(顶点或边)的重要性。这个度量是众所周知的计算昂贵,最著名的算法运行在O(nm)时间内。在动态环境中,效率和可扩展性的问题会加剧,其中输入是一个边接边的演进图,目标是保持介数中心性最新。在本文中,我们提出了第一个真正可扩展的算法在线计算的顶点和边缘的介数中心在不断发展的图中,新的边缘被添加和现有的边缘被删除。我们的算法是精心设计的核心技术和定制的现代并行流处理引擎上运行的集群没有共享的商品硬件。因此,它适合于现实世界的部署。我们的实验图是两个数量级大于以前的研究。我们的方法能够在线保持介数中心性度量最新,即,更新测量的时间小于两次连续更新之间的到达间隔时间。
2015-04-28 cs.DS
Online Facility Location with Predictions
我们为在线设施定位(OFL)提供了近乎最优的预测算法。在OFL中,$n$需求点按顺序到达,算法必须在每个需求点到达时将其分配给开放设施点。目标是使从请求点到指定设施的总连接成本加上设施开通成本最小化。我们进一步假设,该算法另外为每个需求点$x_i$给出自然预测$f_{x_i}^{\mathrm{pred}}$,该自然预测被认为是在离线最优解中服务于$x_i$的设施$f_{x_i}^{\mathrm{opt}}$。我们的主要结果是一个$O(\min\{\log {\frac{nη_\infty}{\mathrm{OPT}}}, \log{n} \})$竞争算法,其中$η_\infty$是最大预测误差(即,$f_{x_i}^{\mathrm{pred}}$和$f_{x_i}^{\mathrm{opt}}$之间的距离)。我们的算法克服了基本的$Ω(\frac{\log n}{\log \log n})$下限的OFL(无预测)时,$η_\infty$是小的,它仍然保持$O(\log n)$比,即使当$η_\infty$是无界的。此外,我们的理论分析支持的实证评估之间的权衡$η_\infty$和竞争比在各种不同类型的真实数据集。
2022-08-05 cs.DS
Polylog-Competitive Algorithms for Dynamic Balanced Graph Partitioning for Ring Demands
研究面向环通信模式的在线均衡图划分问题,提出 O(log^3 n) 竞争的随机在线算法,并给出相对静态最优为 O(log^2 n) 竞争的另一算法。
2023-04-20 cs.DS
Hardness of Online Directed Steiner Network
University of Michigan(密歇根大学);Microsoft Research(微软研究院)
该研究证明了在线有向斯坦纳网络问题具有指数级竞争比下界,通过代数编码理论建立信息论难度,表明不确定性本身排除了多对数竞争力的在线算法。
2026-09-22 cs.DS
Improved Throughput for All-or-Nothing Multicommodity Flows with Arbitrary Demands
吞吐量是通信网络中的主要性能目标。本文考虑了一个基本的最大吞吐量路由问题-全有或全无的多商品流(ANF)问题-在任意有向图和实际相关的,但具有挑战性的设置,需求可以(远)大于边缘容量。因此,除了将请求分配给每个路由商品的有效流之外,还需要一种准入控制机制,该机制在路由商品时防止网络过载。我们做出了一些贡献。在理论方面,我们得到了大大改善的双标准近似算法这个NP难问题。我们提出了两个非平凡的线性规划松弛,并展示了如何通过随机舍入将其分数解转换为整数解。一个是指数大小的公式(可在多项式时间内使用分离oracle求解),它考虑了“包装”视图并允许更灵活的方法,而另一个是紧凑的(多项式大小)边流公式,它允许通过标准LP求解器轻松求解。我们得到一个多项式时间的随机算法,产生一个任意好的近似加权吞吐量,同时违反边缘容量约束,只有一个小的乘法因子。我们还描述了一个确定性舍入算法的去随机化,使用悲观估计的方法。我们补充我们的理论结果与概念实证评估的证明。
2022-07-26 cs.DS
Online Bisection with Ring Demands
University of Wrocław(弗罗茨瓦夫大学);Tel-Aviv University(特拉维夫大学);Max Planck Institute for Informatics(马克斯·普朗克 informatics 研究所)
本文提出了一种随机算法,通过资源增强实现环需求下的在线二分问题,竞争比为O(ε⁻³·log²n)。
2026-02-10 cs.DS
Online Inventory Management with Application to Energy Procurement in Data Centers
受电力市场中储能管理应用的启发,研究了带库存管理约束的在线线性规划问题。具体来说,决策者需要满足一定数量的资产作为自己的需求,既可以从一个价格随时间变化的市场中获得,也可以从自己的库存中获得。决策者以逐槽的方式呈现价格,并且必须立即决定当前价格的购买量以满足需求或存储在库存中以满足未来需求。库存的容量是有限的,其关键作用是以低价购买和储存资产,并以高价使用储存的资产来满足需求。决策者的最终目标是满足需求,同时最大限度地降低从市场购买资产的成本。我们提出了蝙蝠侠,简单的库存模型的在线算法,和蝙蝠侠率,率约束的情况下的扩展版本。BatMan和BatManRate都实现了最优竞争比,这意味着没有其他在线算法可以实现更好的理论保证。为了说明结果,我们使用所提出的算法来设计和评估数据中心的能源采购和存储管理策略,包括电网,当地可再生能源发电和储能系统的能源组合。
2019-01-14 cs.DS math.OC
Optimal Online Peak Minimization Using Energy Storage
电费中需求费用的显著存在激励大负载客户利用能量存储来减少从电网的峰值采购。在此,我们研究的问题的能量存储分配峰值最小化,在线设置下,不可撤销的决策顺序不知道未来的需求。这个问题是独特的挑战,由于(i)耦合的在线决策跨时间施加的库存约束和(ii)的非累积性的峰值采购。我们应用CR-追求框架,并解决我们的最小化问题所面临的挑战,设计一个在线算法,实现所有在线算法之间的最佳竞争比(CR)。我们表明,最佳CR可以计算在多项式时间通过解决线性分数问题的线性数量。更重要的是,我们推广我们的方法来开发一个\emph{anytime-optimal}在线算法,实现最好的CR在任何时期,给定的输入和在线决策。该算法保持了最优的最坏情况下的性能,并达到自适应的平均情况下的性能。跟踪驱动的模拟表明,我们的算法可以减少额外的19%的峰值需求相比,在典型的设置下的基线替代品。
2022-09-17 cs.DS math.OC
Online VNF Scaling in Datacenters
网络功能虚拟化(NFV)是一种有前途的技术,其承诺通过将虚拟化网络功能(VNF)部署到商用服务器来代替专用硬件中间盒来显著降低网络服务的操作成本。VNF通常在云基础设施中的虚拟机实例上运行,其中虚拟化技术实现VNF实例的动态供应,以处理需要通过网络服务中的网络功能的波动流量。在本文中,我们的目标是动态配置的企业网服务-表示为一个或多个服务链-在云计算中心,并设计高效的在线算法,而不需要任何信息的未来流量率。关键是决定每次要配置的每个VNF类型的实例数量,同时考虑服务链中相邻VNF之间的服务器资源容量和流量速率。在单服务链的情况下,我们发现了一个优雅的结构的问题,并设计了一个有效的随机算法实现了e/(e-1)的竞争比。针对多个并发服务链,提出了一个O(1)竞争的在线启发式算法。我们证明了我们的算法的有效性,使用坚实的理论分析和跟踪驱动的模拟。
2016-04-05 cs.DS cs.NI
Multidimensional Online Resource Allocation for Large Language Model Services under Nonstationary Demand
University of Science and Technology of China(中国科学技术大学);Nanyang Technological University(南洋理工大学)
研究未知泊松到达的在线广义分配问题,提出基于历史与在线数据的多阶段算法,给出竞争比保证,并推广至多维多需求场景。
2026-10-30 cs.DS cs.GT
Online Smoothed Demand Management
University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校);Stanford University(斯坦福大学);California Institute of Technology(加州理工学院)
本文提出了一种在线平滑需求管理算法PAAD,通过分账与聚合决策策略,实现了最优竞争比率,并结合端到端学习提升性能。
2026-02-20 cs.DS cs.LG cs.SY
A Nonparametric Framework for Online Stochastic Matching with Correlated Arrivals
Sloan School of Management, Massachusetts Institute of Technology(麻省理工学院斯隆管理学院);Graduate School of Business and Data Science Institute, Columbia University(哥伦比亚大学商学院与数据科学研究所)
本文提出非参数框架以建模在线随机匹配中的到达序列,挑战传统序列独立假设,提出Indep和Correl两种模型,通过非参数分布和标准到达模式假设,实现最优性能保证。
2026-05-14 cs.DM cs.DS
Exponentiated Subgradient Algorithm for Online Optimization under the Random Permutation Model
University of Washington(华盛顿大学)
在线最优化问题出现在许多资源分配任务中,其中对每个资源的未来需求和相关联的效用函数随时间而改变并且不是先验已知的,然而尽管未来不确定性,资源仍需要在每个时间点被分配。本文研究了具有一般凹效用的在线最优化问题。我们修改和扩展Devanur等人提出的在线优化算法。线性规划,这一一般设置。我们用于效用和需求到达的模型被称为随机排列模型,其中效用和需求的固定集合以随机顺序呈现给算法。我们证明,在此模型下,该算法实现了一个接近最优的假设,即投标预算比为$O (\frac{ε^2}{\log({m}/ε)})$,其中$m$是资源的数量的竞争比$1-O(ε)$,同时享有显着降低计算成本比Kesselheim等人提出的最优算法。我们绘制了所提出的算法和次梯度方法之间的连接在凸优化。此外,我们提出了数值实验,证明该算法的性能和速度相比,现有的算法。
2015-02-05 cs.DS cs.LG math.OC
Online Resource Allocation with Convex-set Machine-Learned Advice
Sloan School of Management, Massachusetts Institute of Technology(麻省理工学院斯隆管理学院);Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology(麻省理工学院电气工程与计算机科学系);Department of Industrial Engineering and Decision Analytics, Hong Kong University of Science and Technology(香港科学与技术大学工业工程与决策分析系)
本文提出一种在线资源分配框架,结合凸集机器学习建议,平衡一致性与鲁棒性,通过动态保护水平提升在不确定环境下的性能。
2026-05-15 cs.DS cs.LG math.OC