Nash Welfare and Facility Location
UNSW（新南威尔士大学）
本研究将纳什福利目标应用于直线分布智能体的设施选址问题，提出多项式时间近似算法求解最优选址，还设计了有界近似比的策略防伪机制，实现公平与效率的平衡。
2023-10-06 cs.AI cs.GT cs.MA
Equitable Mechanism Design for Facility Location
AI Institute, UNSW Sydney（人工智能研究院，新南威尔士大学悉尼分校）
该研究针对设施选址的策略防伪机制的公平性问题，证明最优效用Gini系数近似比的不可能性结果，提出补Gini系数近似比的计算方法，并考察不同机制对补Gini系数及Nash福利的近似效果。
2025-06-12 cs.AI cs.GT
Strategy Proof Mechanisms for Facility Location in Euclidean and Manhattan Space
UNSW Sydney（新南威尔士大学悉尼分校）；Data61
我们研究了从一维移动到两个（或更多）维度和欧几里得或曼哈顿距离的设施位置的机制的影响。我们考虑三个基本的公理性质：匿名性，这是一个基本的公平性，帕累托最优性，这是最重要的效率属性之一，和策略证明，确保代理没有动机误报。我们还考虑如何以及这样的机制可以近似的最优福利。我们的结果有些负面。从一维到二维（或更多维）的移动通常会使这些公理性质更难以实现。例如，在欧几里得空间中有两个设施或在曼哈顿空间中只有一个设施，没有机制是匿名的，帕累托最优的和策略证明。相反，线上的机制存在所有三个属性。我们还表明，近似比可能会增加时，移动到两个（或更多）维。我们所有的不可能结果都是最小的。如果我们放弃三个公理之一（匿名性，帕累托最优性或策略证明性），多个机制满足其他两个公理。
2020-09-17 cs.AI cs.GT
Mechanism Design With Predictions for Obnoxious Facility Location
University of Bucharest（布加勒斯特大学）
本文研究带预测的讨厌型设施选址问题的机制设计，提出在多种拓扑结构上具有鲁棒性与一致性权衡的确定性策略防伪机制，并证明一维情况下的最优性。
2022-12-19 cs.AI cs.GT cs.MA
The Capacity Constrained Facility Location problem
UNSW Sydney（新南威尔士大学悉尼分校）；Data61 CSIRO（澳大利亚联邦科学与工业研究组织数据61中心）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；Harvard University（哈佛大学）
本文从机制设计的角度出发，对容量受限的设施选址问题进行了研究。容量约束的设置导致一个新的战略环境中的设施服务的一个子集的人口，这是内生地确定的诱导子博弈的事后纳什均衡，而不是直接控制的机制设计者。我们的重点是在报告阶段的机制，是事后主导战略激励兼容（DIC）。我们提供了一个完整的表征DIC机制通过家庭的广义中值机制（GERMAN）。一般来说，社会福利最优机制不是DIC。采用最坏情况下的近似措施，我们得到严格的下界上的任何DIC机制的近似比。众所周知的中位数机制被证明是最佳的DIC机制的家庭之间的某些容量范围。令人惊讶的是，我们引入的框架提供了一个新的家庭的特点，并回应了目前的社会选择文献中的差距所强调的边境和约旦（1983年）和Barbar{à}，质量{ó}和芹泽（1998年）。
2019-02-15 cs.AI cs.GT
Facility Location Games Beyond Single-Peakedness: the Entrance Fee Model
本文提出带入场费的新型设施选址博弈模型，突破经典单峰偏好假设，设计了策略防抵赖机制并给出多场景下近似比的上下界与近乎紧的不可能性结果。
2024-04-15 cs.AI cs.DS cs.GT
Facility Location Problem with Capacity Constraints: Algorithmic and Mechanism Design Perspectives
UNSW Sydney（悉尼新南威尔士大学）；Data61 CSIRO（联邦科学与工业研究组织数据61研究所）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；University of Oxford（牛津大学）；TU Berlin（柏林工业大学）
我们考虑设施选址问题中的一维设置，每个设施可以服务于有限数量的代理从算法和机制设计的角度来看。从算法的角度来看，我们证明了相应的优化问题，其中的目标是找到设施，以最大限度地减少所有代理的总成本或任何代理的最大成本是NP难的。然而，我们发现，该问题是固定参数易处理的，最优解可以在多项式时间计算时，设施的数量是有界的，或者当所有设施有相同的能力。然后，我们考虑的问题，从机制设计的角度来看，代理商的战略，不需要透露他们的真实位置。我们发现，在无能力的设置研究的几个自然机制要么失去strategyprofenness或约束的解决方案的质量为总成本或最大成本的目标。然后，我们提出了新的机制，是strategyproof和实现近似保证，几乎匹配的下限。
2019-11-22 cs.AI cs.GT econ.TH
Proportional Fairness in Obnoxious Facility Location
UNSW Sydney（新南威尔士大学悉尼分校）；Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）
针对令人厌恶的设施选址问题，提出基于距离的比例公平性公理层级，分析确定性及随机机制下比例公平性的代价与策略证明性，并给出福利界及模型扩展的存在性结果。
2024-11-07 cs.AI cs.GT cs.MA
Random Rank: The One and Only Strategyproof and Proportionally Fair Randomized Facility Location Mechanism
UNSW Sydney（悉尼新南威尔士大学）
比例是一个有吸引力的公平概念，已被应用于一系列问题，包括设施选址问题，社会选择中的经典问题。在我们的工作中，我们提出了一个称为强比例的概念，它确保了当有两组代理在不同的位置，两组产生相同的总成本。我们表明，虽然强比例性是一个动机良好的基本公理，没有确定性的防策略机制满足的属性。然后，我们确定了一个随机机制，称为随机排名（它统一选择一个数字$k$之间的$1$到$n$和定位设施在$k$的第一个最高的代理位置），满足强比例的期望。我们的主要定理将随机秩描述为在所有随机机制中实现普遍真实性、普遍匿名性和期望中的强比例性的唯一机制。最后，我们通过AverageOrRandomRank机制表明，通过将普遍真实性弱化为预期中的防策略性，可以实现更强的事后公平性保证。
2022-06-14 cs.AI cs.GT cs.MA
An Enhanced Large Neighborhood Search Approach for the Capacitated Facility Location Problem with Incompatible Customers
University of Udine（乌迪内大学）
针对具有客户不兼容约束的容量设施选址问题，提出一种结合混合破坏算子和精确修复的大邻域搜索方法，在所有基准实例上取得了新的最优解。
2026-05-27 cs.AI
Facility Location Games with Scaling Effects
City University of Hong Kong（香港城市大学）
本文研究带位置相关缩放因子的设施选址博弈，刻画单峰偏好条件，并给出连续、防策略、匿名机制的特征及其总成本与最大成本近似比。
2024-12-05 cs.AI cs.GT cs.MA
Optimizing Multiple Simultaneous Objectives for Voting and Facility Location
Rensselaer Polytechnic Institute（伦斯勒理工学院）
我们研究了经典的设施位置设置，在这里我们给出了$n$客户端和$m$可能的设施位置在一些任意度量空间，并希望选择一个位置来建立一个设施。在空间社会选择中也出现了完全相同的设置，其中选民是客户端，目标是选择候选人或结果，从选民到结果的距离表示选民的这一结果的成本（例如，基于他们的意识形态差异）。与大多数以前的工作不同，我们不关注单个目标来优化（例如，从客户端到设施的总距离或最大距离等），而是试图同时优化几个不同的目标。更具体地说，我们考虑$l$ -centrum目标族，其中包括总距离，最大距离和许多其他目标。我们对任何一对这样的目标（例如，max和sum）与它们的最优结果相比可以同时近似。特别是，我们表明，对于任何这样的一对目标，它总是可以选择一个结果，同时接近两个目标的一个因素内的$1+\sqrt{2}$，并给出了一个精确的表征，这个因素如何提高优化的两个目标变得更加相似。对于$q>2$不同的椎体目标，我们表明，它总是可以近似所有的$q$这些目标在一个小的常数，这个常数接近3作为$q\rightarrow \infty$。我们的研究结果表明，当优化只有几个同时的目标，它总是可以形成一个结果，这是一个显着优于3近似所有这些目标。
2022-12-10 cs.AI
Swap-based Deep Reinforcement Learning for Facility Location Problems in Networks
AI Institute Shanghai Jiao Tong University（上海交通大学人工智能研究院）
针对图上设施选址问题，提出结合经典交换方法与深度强化学习的通用框架，在复杂图数据集上超越启发式方法，并引入图生成过程与物理启发初始化策略。
2023-12-25 cs.AI cs.LG math.CO
A Hybrid Evolutionary Algorithm for Reliable Facility Location Problem
Southern University of Science and Technology（南方科技大学）
可靠设施选址问题是运筹学的一个重要研究课题，在现代供应链和物流的决策和管理中起着至关重要的作用。通过求解RFLP，决策者可以在设施中断或故障的风险下获得可靠的选址决策。在本文中，我们提出了一个新的模型的RFLP。与现有的假设不同，我们将分配给每个客户的设施数量设为自变量，这使得模型更接近于现实生活中的场景，但传统方法难以求解。为了解决这个问题，我们提出了EAMLS，一个混合进化算法，它结合了一个难忘的局部搜索（MLS）方法和进化算法（EA）。此外，还提出了一种新的l3-value度量，用于辅助算法收敛速度的分析和进化过程的检验。实验结果表明，我们的EAMLS的有效性和优越的性能，相比CPLEX求解器和遗传算法（GA），在大规模的问题。
2020-06-27 cs.AI cs.NE
Large-scale Urban Facility Location Selection with Knowledge-informed Reinforcement Learning
Tsinghua University（清华大学）
本文提出知识引导的图神经网络强化学习方法，通过模拟局部搜索的交换操作高效求解大规模城市设施选址问题，在四个美国城市上以低于5%的可达性损失达到接近商业求解器的性能，并实现最高1000倍加速。
2024-09-06 cs.AI cs.CY cs.LG
