Greedy Approaches to Online Stochastic Matching
在随机探测与承诺的上下文中,我们考虑在线随机匹配问题,也就是说,单侧在线二分匹配问题,其中必须探测与在线节点相邻的边,以确定它们是否存在基于边概率,当一个在线顶点到达时成为已知的。如果存在探测边,则必须在匹配中使用它(如果可能)。我们认为在线算法的竞争力在对抗顺序模型(AOM)和随机顺序模型(ROM)。更具体地说,我们考虑一个二部随机图$G = (U,V,E)$,其中$U$是离线顶点的集合,$V$是在线顶点的集合,$G$具有边概率$(p_{e})_{e \in E}$和边权重$(w_{e})_{e \in E}$。另外,$G$具有探测约束$(\scr{C}_{v})_{v \in V}$,其中$\scr{C}_v$指示可以探测与在线顶点$v$相邻的边的哪些序列。我们假设$U$是预先已知的,并且只有当在线顶点到达时,才显示$\scr{C}_v$以及与在线顶点相邻的边概率和权重。这个模型概括了经典的二分匹配问题的各种设置,所以我们的主要贡献是在理解经典的结果扩展到随机探测模型取得进展。
2021-03-01 cs.DS math.CO
Online Stochastic Max-Weight Bipartite Matching: Beyond Prophet Inequalities
关于在线贝叶斯选择问题的丰富文献长期以来都集中在所谓的先知不等式上,将在线算法的收益与知道未来的“先知”的收益进行比较。一个同样自然,但研究得少得多的基准是最佳在线算法,它可能是万能的(即,“知者,不知者。在线最优解的计算复杂性是多少?一个多项式时间算法能在多大程度上近似它?本文针对顶点到达情况下的在线随机最大权匹配问题研究了上述问题。对于这个问题,一些$1/2$竞争算法是已知的最佳离线。这是这个问题的最佳比例,因为它推广了原始的单项预言者不等式问题。我们提出了一个多项式时间算法,它近似的最佳在线算法的一个因素内的$0.51$ -击败最好的可能的先知不等式。与此相反,我们表明,它是PSPACE困难的近似这个问题内的一些常数$α< 1$。
2021-08-18 cs.DS
Online Stochastic Matching with Unknown Arrival Order: Beating $0.5$ against the Online Optimum
针对未知到达顺序的在线随机匹配问题,设计超越 $0.5$ 竞争比的算法,基于顺序竞争分析,实现 $0.5+Ω(1)$ 竞争比。
2025-03-25 cs.DS
Bipartite Stochastic Matching: Online, Random Order, and I.I.D. Models
在随机探测与承诺的上下文中,我们考虑在线随机匹配问题,也就是说,单边在线二分匹配问题,其中边缘相邻的在线节点必须进行探测,以确定它们是否存在,根据已知的边缘概率。如果存在探测边,则必须在匹配中使用它(如果可能)。我们研究这个问题的一般性的耐心(或预算)的限制,可以使边缘相邻的在线节点的探测器的数量。耐心约束导致建模和计算效率问题,这些问题在单位耐心和完全的特殊情况下不会遇到(即,无限)耐心。随机匹配问题导致各种设置。我们的主要贡献是提供了一个新的LP松弛和一个统一的方法,建立新的和改进的竞争边界在三个不同的输入模型设置(即,对抗,随机顺序,和已知的i.i.d.)。在所有这些设置中,算法对在线节点的排序没有任何控制。我们在这些设置中建立竞争边界,所有这些都概括了标准的非随机设置,当边缘不需要被探测时(即,有确定性)。我们所有的竞争比都适用于任意的边概率和耐心约束:(1)当随机图已知时,$1-1/e$比,离线顶点是加权的,在线到达是对抗的。(2)当随机图已知、边被加权并且在线到达以随机顺序给出时的$1-1/e$比率(即,在ROM中,随机顺序模型)。(3)当在线到达者被i.i.d.抽取时,$1-1/e$比率。从一个已知的随机型图和边缘加权。(4)一个(紧)$1/e$比时,随机图是未知的,边缘加权和在线到达的随机顺序。
2021-01-06 cs.DM cs.DS
Online Stochastic Matching, Poisson Arrivals, and the Natural Linear Program
研究了在线随机匹配问题。考虑一个二分图,其中离线顶点在一侧,而i.i.d.online顶点在另一侧。算法预先知道离线顶点和在线顶点的分布。为了最大化匹配的基数,我们给出了一个$0.711$ -竞争在线算法,它改进了$0.706$的最佳先验比。当离线顶点被加权时,我们引入了一个$0.7009$ -竞争在线算法来最大化匹配的离线顶点的总权重,这改善了$0.662$的最佳先前比率。从概念上讲,我们发现,在线算法的分析简化,如果在线顶点遵循泊松过程,并建立一个近似等价的泊松到达模型和在线随机匹配。从技术上讲,我们提出了一个自然的线性规划的泊松到达模型,并演示了如何利用其结构,通过引入一个逆的詹森不等式。此外,我们设计了一个算法摊销来代替以前的工作中的解析,从而得到了第一个顶点加权的在线随机匹配算法,改善了在较弱的随机到达模型的结果。
2021-03-24 cs.DS cs.GT
Online Stochastic Matching: Beating 1-1/e
我们研究在线随机二部匹配问题,在形式上的动机在互联网上的显示广告分配。在在线但对抗的情况下,Karp、Vazirani和Vazirani的著名结果给出了近似比$1-1/e$。在从已知分布中重复提取节点的在线随机情况下,贪心算法匹配此近似比,但仍然没有已知的算法可以击败$1 - 1/e$界限。我们的主要结果是一个0.67近似随机二分匹配的在线算法,打破了这个$1 - {1/e}$障碍。此外,我们表明,没有在线算法可以产生一个任意小的$ε$这个问题的$1-ε$近似。我们采用了一种新的应用程序的权力的两个选择的想法,从负载均衡:我们计算两个不相交的解决方案,预期的情况下,并使用它们都在网上的算法在规定的优先顺序。为了确定这两个不相交的解决方案,我们解决了一个最大流问题的提升流图,然后仔细分解这个最大流到两个边缘不相交(近)匹配。这两个离线解决方案用于表征在任何情况下的最优上限。这是通过识别一个切割来完成的,我们可以将其值绑定在到达分布下。
2009-05-26 cs.CC cs.DS
Greed Works -- Online Algorithms For Unrelated Machine Stochastic Scheduling
本文建立了性能保证的在线算法,调度随机的,非抢占式的工作不相关的机器,以尽量减少预期的总加权完工时间。先前的工作不相关的机器调度随机工作仅限于离线的情况下,需要线性或凸规划松弛的工作分配给机器。本文介绍的算法是纯组合的。的性能界限是相同的数量级的早期工作,并线性依赖于上界的变异系数的平方作业的处理时间。特别是对于确定性的处理时间,没有和释放时间,竞争比分别为4和7.216。至于技术贡献,本文展示了如何对偶拟合技术可以用于随机和非抢占调度问题。
2020-05-13 cs.DS
Randomized Rounding Approaches to Online Allocation, Sequencing, and Matching
本文系统介绍如何利用随机舍入技术设计在线策略,通过在线竞争解决、随机探测、随机背包和随机匹配四个代表性示例,展示其克服维数灾难并近似保持线性规划松弛规定概率的核心方法。
2024-11-20 cs.DS
Stochastic dominance and the bijective ratio of online algorithms
随机优势是一种用于评估在线算法性能的技术,它在比较的算法之间提供了直观但强大的随机顺序。因此,这适用于双射分析,这可以被解释为随机优势,假设在请求上均匀分布。这些技术已被应用到一些在线问题,并提供了一个明确的分离算法的性能差异显着在实践中。然而,在某些情况下,由于它们规定了比较算法之间的严格关系,因此它们不容易适用。在本文中,我们提出了这些缺点的补救措施。首先,我们建立了充分条件,使我们能够证明双射最优的算法的某一类广泛的问题,我们证明了这种方法的背景下,一些深入研究的在线问题。其次,占的情况下,两个算法是不可比拟的,或者没有明确的最佳,我们引入双射比作为一个自然的扩展(精确)双射分析。我们的定义很容易推广到随机优势。这使得双射分析(和随机优势)的概念适用于所有在线问题,并允许纳入其他有用的技术,如摊还分析。我们证明了适用性的双射比的基本在线问题之一,即连续$k$服务器的问题,如线,圆,和星的度量。在其他结果中,我们表明,贪心算法达到双射比的$O(k)$在这些指标一致。这些结果证实了以前的广泛研究,这些研究证明了该算法在实践中对所述指标的效率,然而,这并没有反映在竞争分析中。
2016-07-20 cs.DS
Online Stochastic Matching: Online Actions Based on Offline Statistics
我们考虑Feldman等人提出的在线随机匹配问题。[FMMM 09]作为显示广告分配的模型。我们给出一个二分图;图的一边对应于一组固定的箱,另一边代表可能的球类型。在每个时间步,一个球独立于给定的分布进行采样,并且需要在它到达空箱子时进行匹配。目标是最大化分配数量。我们提出了一个在线算法,这个问题的竞争比为0.702。在我们的结果之前,竞争比优于$1-1/e$的算法是已知的,假设每种类型的到达球的预期数量是整数。该算法的一个关键思想是使用蒙特卡洛采样收集关于最佳离线解决方案的决策的统计信息,并使用这些统计信息来指导在线算法的决策。我们还表明,我们的算法实现了0.705的竞争比时,利率是整数。在硬度方面,我们证明了没有在线算法可以有一个竞争比优于0.823下已知的分布模型(和此后的置换模型)。这改进了Goel和Mehta \cite{GM08}对置换模型证明的5/6硬度结果。
2011-08-02 cs.DS
Online Stochastic Matching with Edge Arrivals
在线二分匹配与边缘到达仍然是一个主要的开放问题很长一段时间,直到最近的负面结果[Gamlath et al. FOCS 2019],谁表明,没有在线政策比直接的贪心算法,即,没有在线算法具有比$0.5$更好的最坏情况竞争比。在这项工作中,我们考虑的二分匹配问题的边缘到达一个自然的随机框架,即,贝叶斯设置,其中图的每条边根据已知的概率分布独立实现。我们专注于一个自然类修剪和贪婪的在线政策的实际考虑,从众多的在线匹配平台的动机。任何剪枝和贪心算法都包括两个阶段:首先,减少随机实例中某些边的概率,然后在剪枝后的图上运行贪心算法。我们提出了剪枝&贪心算法,$0.552$ -竞争的情况下,可以被修剪到一个$2$ -规则的随机二部图,和$0.503$ -竞争的任意二部图。算法和我们的分析显着偏离先前的工作。我们首先得到分析管理的下限的匹配,这将导致一个非线性优化问题的大小。我们进一步将这个问题简化为具有恒定数量的参数的连续优化,这些参数可以使用标准软件工具解决。
2020-07-15 cs.DS cs.GT
The Power of Multiple Choices in Online Stochastic Matching
我们研究了在线随机匹配中多项选择的能力。尽管有很长的研究路线,现有的算法仍然只考虑两个选择的离线邻居的每个在线顶点,因为在分析多个选择的技术挑战。本文介绍了两种方法来设计和分析算法,使用多个选择。对于未加权匹配和顶点加权匹配,我们将在线相关选择(OCS)技术引入到随机环境中,并将竞争比分别从$0.711$和$0.7$提高到$0.716$。对于边缘加权匹配的自由处理,我们提出了上半采样算法。通过微分不等式,我们直接描述了整个匹配过程,而不是单个顶点。这提高了与$0.706$的竞争比,在文献中首次打破了这种情况下的$1-\frac{1}{e}$障碍。最后,对于更难的边缘加权的问题,没有自由处置,我们证明,没有算法可以是$0.703$竞争,从上述三个分离设置。
2022-03-06 cs.DS cs.GT
An Improved Greedy Algorithm for Stochastic Online Scheduling on Unrelated Machines
大多数实际调度应用都涉及到工件到达时间和长度的不确定性。随机在线调度是一个完善的模型捕捉这一点。在这里,到达发生在线,而处理时间是随机的。对于这个模型,Gupta,Moseley,Uetz和Xie最近设计了一种有效的策略,用于不相关机器上的非抢占式调度,目标是最小化期望的总加权完成时间。我们巧妙地结合贪婪作业分配与$α_j$ -点调度在每台机器上改进了这一政策。通过这种方式,我们得到了一个$(3+\sqrt 5)(2+Δ)$ -竞争的确定性和$(8+4Δ)$ -竞争的随机在线调度策略,其中$Δ$是一个上界上的处理时间的变异系数的平方。我们也给这些政策的所有固定分配政策的类内的恒定性能保证。当已知$Δ$的上界或已知某些$δ\ge 1$的处理时间为$δ$-NBUE时,单机上的$α_j$ -点调度可以得到改进.这意味着提高竞争力的比率无关的机器,但也可能是独立的利益。
2022-12-18 cs.DS
Submodular Norms with Applications To Online Facility Location and Stochastic Probing
该研究提出次模范数概念,证明其可表示或近似多类经典范数,并将其应用于在线设施选址等优化问题,得到多项新的算法与理论结果。
2023-10-06 cs.DS
(Fractional) Online Stochastic Matching via Fine-Grained Offline Statistics
受互联网上显示广告的启发,Feldman,Mehta,Mirrokni和Muthukrishnan提出了在线随机匹配问题(FOCS 2009)。考虑一个随机二部图,它的一面有离线顶点,且独立同分布。另一边的在线顶点。该算法预先知道离线顶点和在线顶点的分布。当每个在线顶点到达时,它的类型被识别,算法立即并可执行地决定如何匹配它。在顶点加权版本的问题中,每个离线顶点都与一个权重相关联,目标是最大化匹配的总权重。在本文中,我们推广的模型,允许不同的在线顶点,并专注于分数版本的顶点加权随机匹配。我们设计的分数算法是$0.718$ -竞争和$0.731$ -竞争的非i.i.d.到达和身份证分别到达。我们还证明了,没有分数算法可以实现比$0.75$非i.i.d.更好的竞争比。到达。此外,我们通过应用Gao等人最近开发的多路在线相关选择(FOCS 2021)来圆化我们的分数阶算法,并实现了非独立同分布的$0.666$ -竞争和$0.704$ -竞争积分算法。到达和身份证到达。我们的结果为非i.i.d.到达是第一个突破经典对抗环境中的$1-1/e \approx 0.632$障碍的算法。我们的$0.704$ -竞争积分算法的i.i.d.到达略微改善了Huang和Shu(STOC 2021)的最新$0.701$竞争比。
2022-04-14 cs.DS
Online matching on stochastic block model
本文在随机块模型框架下研究在线二分匹配,分析了Myopic和Balance两种算法,证明匹配规模分别收敛到常微分方程和微分包含的解,并探讨了在线估计连接概率带来的探索-利用权衡。
2025-06-05 cs.DS
Attenuate Locally, Win Globally: An Attenuation-based Framework for Online Stochastic Matching with Timeouts
University of Maryland(马里兰大学)
近年来,由于电子商务、在线广告、拼车等领域的大量应用,在线匹配问题引起了人们的极大关注。其中许多问题通过在到达过程和匹配过程中引入随机性来捕捉现实世界中的不确定性。Bansal等人提出的超时在线随机匹配问题,(Mammica,2012)模型匹配市场(例如,E-Bay,Amazon)。买家来自独立同分布(i.i.d.)已知的分布在买方简档上,并且可以一次一个地示出物品列表。每个买家都有一定的概率购买每个项目和限制(超时)的项目数量,他们可以显示。Bansal等人,(Adamczyk,2012)给出了由Adamczyk等人改进的0.12-竞争算法,(ESA,2015)至0.24。我们提出了一个在线衰减框架,使用离线随机匹配算法作为黑盒。在上限方面,我们表明,这个框架,结合黑盒改编自Bansal等人,(Jummica,2012年),产生了一个在线算法,该算法几乎将该比率增加了一倍,达到0.46。在下限侧,我们表明,没有算法可以实现一个比0.632更好地使用标准LP这个问题。这个框架有很大的潜力,进一步改进,因为新的算法离线随机匹配可以直接提高在线问题的比率。我们的在线框架也有各种扩展的潜力。例如,我们引入了一个自然的推广:具有双侧超时的在线随机匹配,其中在线和离线顶点都有超时。我们的框架为这个问题提供了第一个算法,实现了0.30的比率。我们再次使用Adamczyk等人的算法,(ESA,2…
2019-06-21 cs.AI cs.DS cs.MA
Improved Competitive Ratio for Edge-Weighted Online Stochastic Matching
本文针对边权在线随机匹配问题提出 Evolving Suggested Matching(ESM)算法,将一般到达率情形下的竞争比从 0.645 提升至 0.650。
2023-11-30 cs.DS
Nearly Optimal Bounds for Stochastic Online Sorting
Institute for Interdisciplinary Information Sciences, Tsinghua University(清华大学交叉信息研究院);Carnegie Mellon University(卡内基梅隆大学)
针对随机在线排序问题,提出一种期望代价为log n·2^(O(log* n))的算法,并证明Ω(log n)的下界,表明该算法近似最优,大幅优于此前Õ(n^(1/4))的最优结果。
2025-10-22 cs.DS
Projection-Free Online Optimization with Stochastic Gradient: From Convexity to Submodularity
Yale Institute for Network Science(耶鲁网络科学研究所);Yale University(耶鲁大学);University of Pennsylvania(宾夕法尼亚大学)
在线优化已经成为解决计算约束和部分信息下的大规模问题的成功框架。目前的在线凸优化方法在每一步都需要投影或精确的梯度计算,这两者对于大规模应用来说都是非常昂贵的。与此同时,在机器学习社区中,非凸优化的趋势日益增长,并且需要在线方法。连续DR-次模函数具有收益递减的性质,是一类可以有效优化的非凸函数。虽然已经引入了在线方法,但它们也存在类似的问题。在这项工作中,我们提出Meta-Frank-Wolfe,第一个在线投影算法,使用随机梯度估计。该算法依赖于在每一轮梯度的仔细采样,并实现了凸和连续子模块优化的最佳$O( \sqrt{T})$对抗遗憾界。我们还提出了一个简单的算法,只需要一个单一的随机梯度估计,在每一轮,并实现了$O(T^{2/3})$随机遗憾界凸和连续的子模块优化。我们应用我们的方法来开发一种新的“提升”框架的在线离散子模块最大化,也看到他们优于目前最先进的技术在各种实验。
2018-06-14 cs.AI cs.DS cs.LG
When Stochastic Rewards Reduce to Deterministic Rewards in Online Bipartite Matching
研究带顶点权重的在线二分匹配随机奖励问题,通过将特例归约为确定性设定给出简洁证明,揭示了 Perturbed Greedy 算法在特定相关奖励下的 $(1-1/e)$ 竞争比保证。
2024-01-09 cs.DS
Stochastic Online Correlated Selection
本文研究随机在线相关选择(SOCS)算法,通过提出类型分解将其归约为双向特例,在在线随机匹配、查询-提交匹配、随机AdWords等多个问题上显著提升了竞争比,并打破了长期存在的1-1/e障碍。
2024-08-22 cs.DS cs.GT
Online Matching with Stochastic Rewards: Advanced Analyses Using Configuration Linear Programs
本文通过刻画离线顶点与所有邻居的联合匹配结果并提出更简洁的 Stochastic Configuration LP,将 Stochastic Balance 算法的竞争比从 0.596 提升至 0.611 乃至 0.613。
2023-09-19 cs.DS
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
Max-Weight Online Stochastic Matching: Improved Approximations Against the Online Benchmark
在本文中,我们研究了在线二部图的顶点和边到达下的最大权随机匹配。我们专注于设计多项式时间近似算法的在线基准,这是第一次考虑由Papadimitriou,Pollner,Saberi和Wajc [EC'21]。在顶点到达版本的问题,目标是找到一个近似的最大权重匹配给定的二分图时,在图的一部分中的顶点到达在线以固定的顺序与独立的失败机会。每当一个顶点到达时,我们都应该决定是否将它与它的一个不匹配的邻居匹配,或者让它永远不匹配。针对离线基准测试(prophet),为该问题的不同变体设计近似算法的工作已经做了很长时间。Papadimitriou等人,然而,提出了替代的在线基准,并表明考虑这个新的基准允许他们提高0.5的近似比,这是相对于离线基准可实现的最佳比率。他们提供了一种0.51-近似算法,后来Saberi和Wajc将其改进为0.526 [ICALP'21]。本文的主要贡献是设计了一个简单的算法,具有显着提高的近似比(1-1/e)为这个问题。我们还考虑了边到达的版本,而不是顶点,图的边到达在线的方式与独立的失败的机会。设计近似算法,这个问题也得到了广泛的研究与最佳的近似比为0.337相对于离线基准。然而,本文是第一个考虑在线基准的边缘到达版本的问题。对于这个问题,我们提供了一个简单的算法,相对于在线基准的近似比为0.5。
2022-06-02 cs.DS
Edge-weighted Online Stochastic Matching: Beating $1-\frac1e$
Department of Computer Science, University of Copenhagen(哥本哈根大学计算机系);Tsinghua University(清华大学)
针对边加权在线随机匹配问题,本文基于LP和Suggested Matching算法设计预处理与调整策略,首次打破$1-\ rac1e$竞争比障碍,达到$0.645$的竞争比。
2025-04-07 cs.DS cs.GT
Computing the Parameterized Burrows--Wheeler Transform Online
参数化字符串是字符串的一种概括,因为它们的字符来自两个不同的字母表,其中一个被认为是静态字符的字母表,另一个被认为是参数字符的字母表。如果在所有字符上存在双射,使得双射将一个字符串转换为另一个字符串,同时保持静态字符(即,其表现为静态字母表上的标识)。Ganguly等人[SODA 2017]提出了参数化Burrows-Wheeler变换(pBWT)作为Burrows-Wheeler变换的变体,用于空间高效的参数化模式匹配。在本文中,我们提出了一个算法,通过从右到左逐个读取给定输入字符串的字符来在线计算pBWT。我们的算法工作在$O(|Π| \log n / \log \log n)$摊销时间为每个输入字符,其中$n$和$Π$分别表示输入字符串的大小和参数字符的字母表。
2022-08-31 cs.DS
Online Stochastic Packing and Combinatorial Allocation with General Correlations
Cornell ORIE(康奈尔大学运筹与信息工程学院);CUHK Shenzhen(香港中文大学(深圳))
该研究针对一般相关性下的在线随机打包等问题,提出了一种与时间范围无关的高效近似最优策略,通过递归随机梯度方法实现,可推广至网络收益管理等多个组合优化场景。
2026-08-28 cs.DS math.OC math.PR
Online $b$-Matching with Stochastic Rewards
针对带随机奖励的$b$-匹配问题,开发了确定性和随机在线算法竞争比的紧上下界,证明随机算法竞争比不超$1-1/e$,且确定性\textsc{StochasticBalance}算法在非消失概率下可达该竞争比。
2024-11-25 cs.DS
Online Stochastic Matching: New Algorithms and Bounds
在过去的15年里,由于与互联网广告的密切联系,在线匹配受到了极大的关注。由于Karp,Vazirani和Vazirani的开创性工作在标准对抗在线模型中具有最佳(1 - 1/e)竞争比,因此已经投入了大量精力开发有用的在线模型,这些模型在到达过程中包含一些随机性。其中一种流行的模式是“已知身份证”。模型”,其中不同的客户类型从已知的分布到达在线。我们开发了具有改进的竞争比的算法,用于具有积分到达率的该模型的一些基本变体,包括(a)一般加权边缘的情况,其中我们将Haeupler,Mirrokni和Zadimoghoughs的最著名的比率0.667提高到0.705;以及(b)顶点加权的情况,其中我们将Jaillet和Lu的比率0.7250提高到0.7299。我们还考虑了随机奖励的扩展,每个边都有一个独立的概率存在的变体。对于具有非整数到达率的随机报酬的设定,我们给出了一个简单的最优非自适应算法,其比率为1 - 1/e。对于特殊的情况下,每个边缘是unweighted,并有一个统一的常数概率存在,我们提出了一个加强的LP基准1 - 1/E的改进。
2019-07-23 cs.DM cs.DS cs.GT
Edge-weighted Online Stochastic Matching Under Jaillet-Lu LP
University of Copenhagen(哥本哈根大学)
本文在Jaillet-Lu线性规划框架下,针对带边权的在线随机匹配问题,给出了竞争比0.663的上界和0.662的下界,并提出了一种通用算法,具有更高的竞争力。
2026-05-11 cs.DS cs.GT