No-regret algorithms for online $k$-submodular maximization
我们提出了一个多项式时间算法在线最大化的$k$ -子模最大化。对于在线（非单调）$k$ -次模最大化，我们的算法实现了一个紧密的近似因子的近似遗憾。对于在线单调$k$ -次模最大化，我们的近似遗憾匹配最知名的近似比，这是紧渐近$k$趋于无穷大。我们的方法是基于Blackwell逼近定理和在线线性优化。
2018-07-13 cs.DS
Asymptotically Robust Learning-Augmented Algorithms for Preemptive FIFO Buffer Management
Department of Computer Science and Information Engineering, National Cheng Kung University（资讯工程系，国立成功大学）；Department of Computer Science, National Tsing Hua University（计算机科学系，国立清华大学）
本文提出一种预发FIFO缓冲管理在线算法，同时实现1-一致性、η-平滑性和渐近√3-稳健性，完美预测时竞争比为1，预测误差增加时平滑退化，任意不准确预测下保持√3竞争比。
2026-04-29 cs.DS cs.LG
The Power of Matching for Online Fractional Hedonic Games
University of Bristol（布里斯托大学）；Technical University of Munich（慕尼黑工业大学）
本文研究在线分数享乐博弈的社会福利最大化，提出两种基于匹配的算法，分别在随机到达和可解散联盟的任意到达设定下达到最优常数竞争比。
2025-10-21 cs.DS cs.GT
Exploring the Tradeoff between Competitive Ratio and Variance in Online-Matching Markets
在本文中，我们提出了一个基于在线匹配的模型来研究在广泛的在线匹配市场中出现的分配问题，包括在线推荐，乘车平台和众包市场。它的特点是，每个分配可以请求一个随机的资源集，并产生一个随机的效用，两者（成本和效用）可以任意相互关联。我们提出了两个基于线性规划的参数化策略，研究之间的权衡\emph{competitive ratio}（CR）的总效用和\emph{variance}的总匹配数（未加权版本）。第一个（SAMP）是根据从千里眼最佳提取的分布对边缘进行采样，而第二个（ATT）具有时间自适应衰减框架，该框架导致对最先进的竞争比结果的改进。我们还考虑了一个大预算的假设下的问题，并表明，SAMP实现渐近最优性能的竞争比。
2022-09-15 cs.DM cs.DS cs.GT
First-Come-First-Served for Online Slot Allocation and Huffman Coding
在不知道底层分布的情况下，人们能在运行中选择一个好的霍夫曼代码吗？在线插槽分配（OSA）模型这个和类似的问题：有n个插槽，每个都有一个已知的成本。有n个项目。物品的申请单是按日抽取的。在每个请求之后，如果项目i先前未被请求，则算法（知道时隙成本和到目前为止的请求，但不知道p）必须将项目放置在某个空闲时隙j（i）中。目标是最小化项目的概率乘以其分配槽的成本的总和。最佳离线算法很简单：将最可能的物品放在最便宜的位置，将第二可能的物品放在第二便宜的位置，等等。最佳在线算法是先到先得（FCFS）：把第一个要求的项目在最便宜的插槽，第二个任何在线算法的最优竞争比对于一般成本是1+H（n-1）~ ln n，对于凹成本是2。对于对数成本，该比率渐进地为1：FCFS给出成本opt + O（log opt）。对于Huffman编码，FCFS产生一个在线算法（根据需要分配码字，而不知道潜在的概率分布），保证渐进最优成本：至多opt + 2 log（1+opt）+ 2。
2013-10-07 cs.DS cs.IT math.IT
The Best of Many Worlds: Dual Mirror Descent for Online Allocation Problems
Columbia University（哥伦比亚大学）；University of Chicago（芝加哥大学）；Google Research（谷歌研究院）
资源约束下的在线分配问题是收入管理和在线广告领域的核心问题。在这些问题中，请求在有限的时间范围内顺序到达，对于每个请求，决策者需要选择消耗一定量资源并产生奖励的动作。目标是在资源消耗总量受限的情况下，最大化累积回报。在本文中，我们考虑一个数据驱动的设置，其中每个请求的奖励和资源消耗是使用决策者未知的输入模型生成的。我们设计了一类通用的算法，在各种输入模型中获得良好的性能，而不知道他们所面临的输入类型。特别是，我们的算法是渐近最优的独立和同分布的输入以及各种非平稳随机输入模型，当输入是敌对的，他们达到一个渐近最优的固定竞争比。我们的算法在拉格朗日对偶空间中运行：它们为使用在线镜像下降更新的每个资源维护一个对偶乘数。通过选择相应的参考函数，我们恢复了对偶子梯度下降和对偶乘性权值更新算法。所得算法简单，快速，不需要凸的收入函数，消费函数和行动空间，在现有的在线分配问题的方法相比。我们讨论的应用程序，网络收入管理，在重复拍卖与预算约束，在线比例匹配与高熵，和个性化的分类优化有限的库存。
2021-11-05 cs.DS cs.LG math.OC
Online Checkpointing with Improved Worst-Case Guarantees
在在线检查点问题中，任务是连续维护一组k个检查点，这些检查点允许比完全重启更快地倒带正在进行的计算。唯一允许的操作是将旧检查点替换为当前状态。我们的目标是最小化倒带成本的检查点放置策略，即，使得在所有时间T，当被请求倒回到某个时间t <= T时，需要重做以从t之前的检查点到达t的计算步骤的数量尽可能小。特别地，我们希望比t更早的最近检查点距离t不超过q_k乘以理想距离T /（k+1），其中q_k是一个小常数。改进了以前的工作，显示1 + 1/k <= q_k <= 2，我们证明了q_k可以选择渐近小于2。我们给出了一个算法，其渐近偏差q_k <= 1.59 + o（1）对所有k都有效，q_k <= ln（4）+ o（1）<= 1.39 + o（1）对k是2的幂次有效.实验表明，对所有k，p_k <= 1.7是一致的.对于小k，我们展示了如何使用线性规划方法来计算好的检查点算法。这给出了对于所有k < 60的小于1.55的差异。我们证明了第一个渐近大于1的下界，即q_k >= 1.30 - o（1）。我们还表明，最佳算法（产生的下确界差异）存在的所有k。
2013-04-30 cs.DS
Online Dynamic B-Matching With Applications to Reconfigurable Datacenter Networks
本文首先研究了最大权$b$匹配问题的在线算法，最大权匹配问题是最大权匹配问题的推广，其中每个节点最多有$b \geq 1$相邻的匹配边。这个问题的动机是新兴的光学技术，允许增强数据中心网络与可重新配置的匹配，提供频繁通信的机架之间的直接连接。这些额外的链路可以通过利用工作负载中的空间和时间结构来提高网络性能。我们发现，潜在的算法问题具有一个有趣的连接到在线寻呼（又名。高速缓存），但是引入了新的挑战。我们的主要贡献是一个在线算法，这是$O(b)$竞争，我们还证明了这是渐近最优的。我们补充了我们的理论结果与广泛的跟踪驱动的模拟，基于现实世界的数据中心工作负载以及合成流量跟踪。
2021-03-14 cs.DS cs.NI
Online Scheduling of Time-Critical Tasks to Minimize the Number of Calibrations
我们研究在线调度问题的机器需要进行校准之前处理任何工作。要校准机器，将以$λ$时间步长作为激活时间，然后机器将在$T$时间步长内保持校准状态。作业只能由处于校准状态的机器处理。给定一组到达在线的作业，每个作业的特征在于发布时间、处理时间和截止日期。我们假设有无限多的机器可供使用。目标是在可行地调度所有作业的同时最小化校准的总数。对于所有工件都有单位加工时间的情况，我们提出了一个$\mathcal{O}(λ)$ -竞争算法，它是渐近最优的。当$λ=0$，问题是退化到租金最小化，我们的算法实现了竞争比$3e+7(\approx 15.16)$，这改善了以前的结果，这样的问题。
2022-02-17 cs.DS
On Online Labeling with Polynomially Many Labels
在具有参数n和m的在线标记问题中，我们呈现来自全序论域U的n个键的序列，并且必须从标签集合{1，2，.，m}，使得标签的顺序（严格地）遵守U上的顺序。随着新钥匙的到来，可能需要更改某些项目的标签;此类更改可随时进行，每次更改的单位成本。目标是使总成本最小化。这个问题的另一种表述是文件维护问题，其中的项目，而不是被标记，在长度为m的数组中以排序的顺序进行维护，我们为移动一个项目支付单位成本。对于m=cn且常数c>1的情况，有已知的算法总共使用至多O（n log（n）^2）个重新标记[Itai，Konheim，Rodeh，1981]，并且最近证明这是渐近最优的[Bulánek，Kouckeln，Saks，2012]。对于C>1的m=Θ（n^C）的情况，已知使用O（n log n）重新标记的算法。[Dietz，Seiferas，Zhang，2004]中提出了一个匹配的下界。这个证明涉及两个不同的步骤：一个他们称之为前缀桶的问题的下限，以及从前缀桶到在线标记的简化。这种简化似乎是不正确的，在证明中留下了一个（似乎很大的）空白。在本文中，我们提出了一个正确的减少前缀桶缩小差距。此外，我们给出了一个简化和改进的分析前缀桶的下限。这种改进使我们能够将在线标记的下限扩展到标签数量m是n中的超多项式的情况。特别是，对于超多项式m，我们得到一个渐进最优下界Ω（（n log n）/（log log m …
2012-10-11 cs.DS
Learning-Augmented Online Algorithms for Nonclairvoyant Joint Replenishment Problem with Deadlines
Johns Hopkins University（约翰斯·霍普金斯大学）；Georgetown University（乔治城大学）；The University of Melbourne（墨尔本大学）
本文提出一种利用预测的在线算法，解决有截止期限的联合补货问题，通过预测减少竞争比并提升性能。
2025-11-20 cs.DS
Online Colored Bin Packing
在彩色装箱问题中，一系列大小为$1$的物品到达并被装入单位容量的箱子中。每个项目都有一个$c\geq 2$颜色和一个额外的约束是，我们不能包装两个项目的相同颜色彼此相邻在同一箱。目标是最小化箱的数量。在重要的特殊情况下，当所有项目的大小为零，我们的特点是最佳值等于颜色差异。作为我们的主要结果，我们给出了一个（渐近）1.5-竞争算法是最优的。事实上，该算法总是使用最多$\lceil1.5\cdot OPT\rceil$箱，我们显示了匹配的下限$\lceil1.5\cdot OPT\rceil$的任何值的$OPT\geq 2$。特别是，我们的算法的绝对比率是$5/3$，这是最优的。对于不受限制的项目的大小，我们给出了一个渐进的$3.5$-竞争算法。当项目的大小最多为$1/d$时，对于真正的$d \geq 2$，渐近竞争比为$1.5+d/(d-1)$。我们还表明，经典算法的第一次适合，最佳适合和最差的适合不是恒定的竞争，这已经为三种颜色和小项目。在两种颜色的情况下-黑白装箱问题-我们证明了所有的Any Fit算法都有绝对竞争比$3$。当一个真正的$d \geq 2$项目的大小在最$1/d$，我们表明，最差拟合算法是绝对$(1+d/(d-1))$-竞争。
2014-12-03 cs.DS
Improved Algorithms for Online Rent Minimization Problem Under Unit-Size Jobs
针对在线租借最小化问题，本文提出一种基于预言机的在线算法框架，在单位规模作业假设下将竞争比从约15.16显著改进至6。
2023-06-29 cs.DS
High dimensional online calibration in polynomial time
Stanford University（斯坦福大学）
针对在线校准存在的维度诅咒问题，提出首个多项式轮数渐近校准策略，实现ε校准仅需T=d^{O(1/ε²)}天，并证明下界为T=d^{Ω(log(1/ε))}轮，解决了相关开放问题。
2025-04-12 cs.DS cs.GT cs.LG
The Power of Arrival Times in Random-Order Online Facility Location
Harvard University（哈佛大学）；Peking University（北京大学）
研究随机顺序模型下在线度量设施选址问题，给出两种改进算法，确定性算法竞争比低于2.42，随机算法竞争比低于2.59且在对抗模型中保留渐近最优比，关键是决策时考虑请求到达时间利用其携带的局部密度信息。
2026-07-14 cs.DS
Tight Bounds for Online Vector Scheduling
现代数据中心面临的一个关键挑战是如何有效地服务在线用户请求。这样的请求本质上是多维的，并且其特征在于在多个资源（诸如处理器周期、存储空间和网络带宽）上的需求向量。通常，不同的资源需要不同的优化目标，负载的$L_r$范数是最受欢迎的目标。为了解决这些问题，我们考虑在线向量调度问题在本文中。由Chekuri和Khanna（SIAM J of Comp.2006）介绍的向量调度是经典负载均衡的推广，其中每个作业具有向量负载而不是标量负载。在本文中，我们解决了向量排序问题的在线复杂性及其重要的推广。我们的主要结果是：- 对于相同的机器，我们证明了最佳竞争比是$Θ(\log d / \log \log d)$，通过给出一个在线下界和一个算法与渐近匹配的竞争比。下界是技术上具有挑战性的，并通过一个在线的最小单色团问题的下界，使用一种新的在线着色游戏和随机编码方案。- 对于不相关的机器，我们表明，最佳的竞争比是$Θ(\log m + \log d)$通过给出一个在线的下限，匹配先前已知的上限。然而，与相同的机器不同，将这些结果，特别是上界，扩展到一般的$L_r$规范需要新的想法。特别是，我们使用精心构造的势函数来平衡单个$L_r$目标与总体（凸化）最小-最大目标，以指导在线算法并跟踪势的变化以限制竞争比。
2015-08-18 cs.DS
Online Knapsack Problems with a Resource Buffer
在本文中，我们介绍了在线背包问题的资源缓冲区。在问题中，我们给出了一个容量为$1$的背包，一个容量为$R\ge 1$的缓冲区，以及一个接一个到达的物品。每一个到达的物品都必须被放入缓冲区，或者在到达时被丢弃。当每个项目都到达时，我们将当前缓冲区中的项目子集转移到背包中。我们的目标是最大化背包中物品的总价值。我们根据缓冲区中的项是否可移除（即，我们可以移除缓冲器中的项）或不可移除的，以及成比例的（即，每个项目的价值与其大小成比例）或一般。对于一般和不可移动的情况下，我们观察到，没有恒定的竞争算法存在任何$R\ge 1$。对于比例和不可移动的情况下，我们表明，一个简单的贪心算法是最佳的每$R\ge 1$。对于一般可去情形和比例可去情形，我们给出了小$R$的最优算法和一般$R$的渐近近优算法.
2019-09-22 cs.DS
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
Tight Bounds for Restricted Grid Scheduling
考虑以下在线装箱问题：给定整数尺寸的物品，可变尺寸的箱子在线到达。当垃圾箱到达时，如果仍有一件物品剩余，则必须使用垃圾箱。目标是最小化所使用的所有箱的总大小。以前，这个问题的竞争比的下限为5/4，是使用大小为S和2S-1的作业实现的。对于这些项目的大小和最大bin大小4S-3，我们得到渐近匹配的上界和下界，这取决于小工作的数量的比例，大的工作。
2018-06-04 cs.DS
Almost Tight Bounds for Online Facility Location in the Random-Order Model
研究了随机序模型下具有统一设施费用的在线设施选址问题。Meyerson的算法[FOCS'01]可以说是最自然和简单的在线算法的问题，有几个优点和吸引人的属性。它在随机序模型中的分析是超越秘书问题的随机序分析的基石之一。Meyerson算法在标准最差情况的逆向阶模型中被证明是（渐近）最优的，而在随机阶模型中是$8$竞争性的。虽然随机顺序模型中的这个界限是长期存在的最先进的，但它并不严格，并且Meyerson算法的真正竞争比在二十多年来一直是一个悬而未决的问题。我们解决了这个问题，并证明了紧界Meyerson算法的竞争比在随机顺序模型，表明它是完全$4$ -竞争。紧接着我们的分析，我们介绍了一个通用的参数化版本的Meyerson的算法，保留了所有的优点，原来的版本。我们表明，在这个家庭中的最佳算法是完全$3$竞争。另一方面，我们表明，没有在线算法，这个问题可以实现比$2$更好的竞争比。最后，我们证明了在这个家庭中的算法是强大的部分对抗到达订单。
2022-11-09 cs.DS
Near-Optimal Bounds for Online Caching with Machine Learned Advice
在Lykouris和Vassilvitskii提出的带有机器学习建议的在线缓存模型中，目标是用一个可以访问下一个到达预测的在线算法来解决缓存问题：当每个输入元素到达时，算法都会预测元素下一次出现的时间。用于在线高速缓存的传统模型受到$Ω(\log k)$竞争比下限（在大小为$k$的高速缓存上）的影响。相比之下，增强模型允许算法在预测具有低误差时击败此下限，并且在预测具有高误差时渐进地匹配下限，即使算法不注意预测误差。特别地，Lykouris和Vassilvitskii表明，当整体$\ell_1$预测误差由$η$限定时，存在竞争比为$O(1+\min(\sqrt{η/OPT}, \log k))$的预测增强缓存算法，并且$OPT$是最佳离线算法的成本。在竞争比中对$k$的依赖是最佳的，但对$η/OPT$的依赖可能远不是最佳的。在这项工作中，我们朝着缩小这一差距取得了进展。我们的贡献是双重的。首先，我们提供了一个改进的算法与竞争比$O(1 + \min((η/OPT)/k, 1) \log k)$。其次，我们提供了一个下界的$Ω(\log \min((η/OPT)/(k \log k), k))$。
2019-10-29 cs.DS
Online Degree-Bounded Steiner Network Design
我们开始研究度有界网络设计问题的在线设置。度有界Steiner树问题（要求连接给定顶点集的子图具有最小度）可能是这类问题中最具代表性的问题之一。本文讨论了其研究广泛的推广称为度有界Steiner森林问题的连通性需求表示的顶点对，需要单独连接。在经典的在线模型中，输入图是在线给出的，但需求对是按在线步骤顺序到达的。所选择的子图从空子图开始，但是必须在每个在线步骤中被扩充以满足新的连通性约束。目标是与预先知道输入的对手竞争。我们设计了一个简单的贪婪算法，实现了O（log n）的竞争比，其中n是顶点数。我们表明，没有（随机）算法可以实现（乘法）竞争比O（log n），因此我们的结果是渐近紧。我们进一步展示了强硬度的结果组斯坦纳树和边加权变量的度有界连通性问题。Fourer和Raghavachari在SODA'92的论文中解决了度有界Steiner森林的在线变体。从那时起，度有界网络设计问题的自然家庭已在文献中得到广泛研究，导致许多有趣的工具和许多论文的主题。我们希望我们的方法在本文中，铺平了道路，为解决这个家庭的网络设计问题的经典问题的在线变种。
2017-04-18 cs.DS
Online Learning in the Random Order Model
Bocconi University（博科尼大学）；Meta, UK（Meta公司）；Sapienza University of Rome（罗马萨皮恩扎大学）
针对随机顺序模型下有限时间非平稳性导致部分随机学习算法失效的问题，提出适配通用模板以保留悔值保证，还证明该模型下在线分类可学习性由VC维刻画。
2025-10-03 cs.DS cs.LG
Competitive Transaction Admission in PCNs: Online Knapsack with Positive and Negative Items
University of Wrocław（弗罗茨瓦夫大学）；TU Berlin（柏林工业大学）；Weizenbaum Institute（魏岑鲍姆研究所）
本文研究了在支付通道网络中如何在线优化交易准入，提出了一种确定性算法，证明其在O(log B)的竞争比下最优，其中B是通道容量。
2026-05-17 cs.DS
Greedy Online Bipartite Matching on Random Graphs
我们研究了$G(n,n,p)$上在线贪婪匹配算法的平均性能，$G(n,n,p)$是一种随机二分图，每一边都有$G(n,n,p)$顶点，边以概率$p=p(n)$独立出现。在在线模型中，图的一侧的顶点被提前放弃，而另一侧的顶点顺序到达;当顶点到达时，其边被显示，并且必须立即匹配或丢弃。我们首先分析\textsc{oblivious}算法，该算法试图将每个到达的顶点与一个随机的邻居匹配，即使邻居已经被匹配。该算法被证明具有至少$1-1/e$为所有单调函数$p(n)$的性能比，其中的性能比被定义为渐近的预期匹配大小的算法所给出的预期最大匹配大小的比率。接下来，我们表明，传统的\textsc{greedy}算法，它将每个顶点分配给一个随机的不匹配的邻居，具有至少0.837的性能比为所有单调函数$p(n)$。在$G(n,n,p)$模型下，\textsc{greedy}的性能与著名的\textsc{ranking}算法的性能相当，因此我们的结果表明，\textsc{ranking}具有至少0.837的性能比。最后，我们考虑顶点加权二分匹配。我们的证明是基于简单的微分方程描述的匹配过程的演变。
2013-07-09 cs.DS
Scheduling in the Random-Order Model
同型机最小化完工时间是在线调度中的一个基本问题。目标是将一系列工件分配给$m$相同的并行机，以最小化工件的最大完工时间。早在20世纪60年代，格雷厄姆就证明了贪婪是$(2-1/m)$竞争性的。目前已知的最佳确定性在线算法的竞争比为1.9201。没有一个确定性的在线策略可以获得小于1.88的竞争力。在本文中，我们研究在线最大完工时间最小化流行的随机顺序模型中，一个给定的输入作为一个随机排列到达的工作。已知贪婪在此设置中不会获得渐近小于2的竞争因子。我们提出了第一个改进的性能保证。具体来说，我们开发了一个确定性的在线算法，实现了1.8478的竞争比。结果依赖于一种新的分析方法。我们确定了一组属性，输入作业的随机排列满足高概率。然后，我们进行了最坏情况下的分析，我们的算法，为各自的类的排列。分析表明，所述竞争力不仅在预期中成立，而且具有很高的概率。此外，它还提供了数学证据，证明导致更高绩效比率的工作序列是极其罕见的病态输入。我们补充的结果的下限，随机顺序模型。我们表明，没有确定性的在线算法可以实现小于4/3的竞争比。此外，没有确定性的在线算法可以以高概率获得小于3/2的竞争力。
2021-10-27 cs.DS
Online Max-min Fair Allocation
我们研究了一个在线版本的最大-最小公平分配问题的不可分割的项目。在这个问题中，物品一个接一个地到达，并且每个物品必须在到达时可分配地分配给其中一个$n$代理，该代理对物品具有附加的估价。我们的目标是让最不快乐的代理尽可能快乐。在研究在线分配问题时，这是一个基本的、自然的问题。我们的主要结果是揭示了问题的渐近竞争比的对抗和i.i.d.输入模型我们设计了一个多项式时间的确定性算法，是渐进的$1/n$竞争的对抗模型，我们证明了这种保证是最佳的。为此，我们首先提出了一个具有相同竞争比的随机算法，然后对其进行去随机化，自然的去随机化不能达到$1/n$的竞争比。相反，我们通过引入一种新的技术来构建算法。当项目是从一个未知的相同和独立的分布，我们构建了一个简单的多项式时间确定性算法，输出一个接近最优的分配。我们分析了严格竞争比，并显示几乎紧界的解决方案。我们进一步提到我们的结果的变种的问题的一些影响。
2021-11-14 cs.DS cs.GT
Competitive Capacitated Online Recoloring
本文研究带容量约束的在线重着色问题，首次给出2-重着色和全动态重着色场景下的竞争算法，并在资源增广和超额供给两种设置下证明了算法的渐近最优性。
2024-08-09 cs.DC cs.DS
Threshold Policies with Tight Guarantees for Online Selection with Convex Costs
本文研究带凸成本的在线选择问题，提出一类简单可实现的阈值策略，证明其在确定性算法中的最优性，并表明其竞争比在产量足够大时渐近达到随机算法下界。
2024-01-23 cs.DS cs.GT
Truth and Regret in Online Scheduling
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Microsoft Research（微软研究院）；Cornell University（康奈尔大学）
我们考虑一个调度问题，云服务提供商有多个单位的资源随着时间的推移。自私的客户端提交作业，每个作业都有到达时间、截止日期、长度和价值。服务提供商的目标是实现一个真实的在线机制调度作业，以最大限度地提高社会福利的时间表。最近的工作表明，在随机假设下，就业到达，有一个单参数家庭的机制，实现接近最优的社会福利。我们表明，任何这样的家庭接近最优的在线机制，存在一个在线机制，在最坏的情况下，执行以及最好的给定的机制。我们的机制是真实的，只要在给定的家庭中的机制是真实的和及时的，并实现最佳（在恒定因素）的遗憾。我们模拟的问题，对一个家庭的在线调度机制的学习专家的意见。一个主要的挑战是，我们所做的任何调度决策不仅会影响当前步骤的收益，还会影响未来步骤的资源可用性和收益。此外，从一个算法（a.k.a.专家）到另一个算法是具有挑战性的，因为它需要与后者算法的状态同步，也因为它影响算法的激励结构。我们进一步展示了如何适应我们的算法，以非千里眼设置工作长度是未知的，直到工作运行完成。再一次，在这种情况下，我们获得了真实性以及渐进最优的遗憾（在多对数因子内）。
2017-03-01 cs.AI cs.DS cs.GT
