Rényi-Ulam Games and Online Computation with Imperfect Advice
我们研究的新生设置的在线计算与不完美的建议,其中的在线算法是增强了一些预测编码的形式,可能是错误的二进制字符串。该算法不注意建议错误,但定义了期望的容限,即它可以容忍的错误建议位的数量的上限。这是一个推广不可信建议模型的模型[Angelopoulos et al. ITCS 2020],其中算法的性能仅在错误的极端值下进行评估(即,如果建议没有错误,或者如果它是逆向生成的)。在这项工作中,我们建立了一个说谎的回应者的游戏,也被称为Rényi-Ulam游戏之间的联系,并与不完美的建议在线算法的设计和分析。具体来说,我们演示了如何获得上界和下界的竞争力的比例,如时间序列搜索,在线招标,分数背包等研究在线问题。我们的技术提供了第一个下界在这个模型中的在线问题。我们还强调和利用竞争分析与不完美的建议和容错多处理器系统之间的连接。最后,我们展示了如何放弃对公差参数的依赖,通过资源增加和鲁棒化。
2023-01-04 cs.DS
Optimal Online Edge Coloring of Planar Graphs with Advice
使用建议复杂性的框架,我们研究了在线算法需要对图的边缘进行最佳着色的未来知识量,即,使用尽可能少的颜色。对于最大度$Δ$的图,根据Vizing定理,$O(m\log Δ)$位的建议足以实现最优性,其中$m$是边的数量。我们表明,对于有界退化的图形(一类图形,包括例如树和平面图),只有$O(m)$位的意见需要在线计算的最优解,独立于$Δ$有多大。另一方面,我们表明,$Ω(m)$位的意见是必要的,只是为了实现竞争比最好的确定性在线算法没有意见。此外,我们考虑使用固定数量的建议位每边的算法(我们的有界退化图的算法属于这一类的算法)。我们表明,对于二分图,任何这样的算法必须使用至少$Ω(m\log Δ)$位的意见,以实现最优。
2015-02-12 cs.DS
Online Multi-Coloring with Advice
本文研究了带建议的在线图的多重着色问题。在蜂窝网络中,经常使用多色来建模频率分配。我们给出了几个几乎紧的上限和下限的最标准的蜂窝网络,道路和六边形图的拓扑结构。对于路,负结果平凡地延续到二部图,并且我们的正结果也对二部图有效。所提供的建议代表了可能获得的信息,例如研究了早期类似时期的数据。
2014-09-05 cs.DS
On the Power of Advice and Randomization for Online Bipartite Matching
虽然随机化在线算法可以访问均匀随机位的序列,但是具有建议的确定性在线算法可以访问建议位的序列,即,在处理请求序列之前由全能的oracle设置的位。建议比特至少和随机比特一样有用,但它们有多大帮助呢?在这项工作中,我们调查的权力的建议位和随机位在线最大二分匹配(MBM)。众所周知的Karp-Vazirani-Vazirani算法是用于\textsc{MBM}的最优随机化$(1-\frac{1}{e})$竞争算法,其需要访问$Θ(n \log n)$均匀随机比特。我们表明,$Ω(\log(\frac{1}ε) n)$咨询位是必要的和$O(\frac{1}{ε^5} n)$足够,以获得一个$(1-ε)$竞争确定性的建议算法。此外,对于一个大的自然类的确定性建议算法,我们证明了$Ω(\log \log \log n)$咨询位,以提高$\frac{1}{2}$ -竞争力的最佳确定性在线算法,而它是已知的,$O(\log n)$位是足够的。最后,我们给出了一个随机的在线算法,使用$c n$随机位,整数$c \ge 1$,和一个竞争比,接近$1-\frac{1}{e}$非常迅速的$c$的增加。例如,如果是$c = 10$,则$1-\frac{1}{e}$和所获得的竞争比之间的差小于$0.0002$。
2016-06-21 cs.DS
Advice Complexity of the Online Search Problem
在线搜索问题是金融领域的一个基本问题。众多的直接应用包括为商品交易和外汇交易寻找最佳价格。在本文中,我们分析了这个问题的建议复杂性。特别是,我们感兴趣的是确定所需的最小信息量,以达到一定的竞争力。我们设计了一个算法,它可以读取b比特的建议,并实现(M/m)^(1/(2^b+1))的竞争比,其中M和m是输入中的最大和最小价格。我们也给出了一个匹配的下界。此外,我们比较了这个问题的建议和随机化的力量。
2017-01-08 cs.DS
On the Advice Complexity of Online Unit Clustering
本文研究了在线单位聚类问题,针对1竞争算法,给出了基于$\mathbb{R}^d$和$\mathbb{Z}^d$中点数量的线性建议复杂度上下界。
2024-09-26 cs.DS
Online Bin Covering with Exact Parameter Advice
本文针对在线装箱覆盖问题,提出一种使用O(b+log n)比特建议的渐近2/3竞争比策略,其中b为编码有理值的比特数,n为输入序列长度。
2023-09-24 cs.DS
The Advice Complexity of a Class of Hard Online Problems
在线问题的建议复杂度是衡量在线算法需要多少未来知识才能达到一定的竞争比的指标。使用建议复杂度,我们定义了第一个在线复杂度类AOC。这类问题包括独立集、顶点覆盖、支配集和其他几个完全问题。AOC完全问题是困难的,因为在线算法的一个错误答案可能会产生毁灭性的后果。对于这些问题中的每一个,我们表明,$\log\left(1+(c-1)^{c-1}/c^{c}\right)n=Θ(n/c)$位的意见是必要的和足够的(添加剂项$O(\log n)$),以实现竞争比$c$。这些结果是通过引入一个与Emek et al.(TCS 2011)和Böckenhauer et al.(TCS 2014)相关的新的字符串猜测问题获得的。事实证明,这给出了一个强大但易于使用的方法,用于提供整个在线问题(AOC完全问题)的建议复杂性的上限和下限。Halldórsson等人(TCS 2002)在相关模型中关于在线独立集的先前结果暗示问题的建议复杂度为$Θ(n/c)$。我们的结果改进了这一点,提供了一个精确的公式为高阶项。对于在线不相交路径分配,Böckenhauer等人(ISAAC 2009)给出了建议复杂度的$Ω(n/c)$下限和$O((n\log c)/c)$上限。我们将上界改进了$\log c$倍。对于其余的问题,没有限制他们的建议复杂性是以前已知的。
2016-05-25 cs.DS
On the List Update Problem with Advice
研究了在计算的建议模型下的在线列表更新问题。在这种模型下,在线算法接收输入中未知部分的部分信息,这些信息是由仁慈的离线预言机生成的一些建议。我们表明,建议的线性大小是必要的,足以为一个确定性的算法,以实现最佳的解决方案,甚至比$15/14$的竞争比。另一方面,我们发现,令人惊讶的两个比特的建议是足以打破$2$的确定性在线算法的竞争比的下限,并实现一个确定性的算法与竞争比的$5/3$。在这个上限参数中,建议的比特决定了三个经典在线算法中成本较小的算法,TIMESTAMP和MTF 2算法家族的两个成员。我们还表明,MTF 2算法是$2.5$竞争。
2016-06-03 cs.DS
Weighted Online Problems with Advice
最近,第一个在线复杂性类AOC被引入。这个类包含许多在线问题,每个请求必须被接受或拒绝,目标是最小化或最大化接受的请求的数量,同时保持一个可行的解决方案。所有AOC完备问题(包括独立集、顶点覆盖、支配集和集合覆盖)本质上具有相同的建议复杂度。在本文中,我们研究了AOC中问题的加权版本,即,每个请求都有一个权重,目的是最小化或最大化所接受请求的总权重。与未加权的版本相比,我们表明,在完整的最小化和最大化问题的建议复杂性有显着差异。我们还表明,我们的算法技术处理加权请求可以扩展到工作的非完整AOC问题,如最大匹配(给出更好的结果比一般AOC结果),甚至非AOC问题,如调度。
2017-08-14 cs.DS
Online Algorithms with Randomly Infused Advice
Technion, Israel(以色列理工学院);TU Berlin, Germany(柏林工业大学)
本文提出随机注入建议(RIA)方法,用于评估在线算法性能,不依赖传统最坏情况分析,通过引入可靠但不完全可信的预言机来改进算法在非极端最坏情况下的表现。
2026-04-15 cs.DS
Advice Complexity bounds for Online Delayed F-Node-, H-Node- and H-Edge-Deletion Problems
设F是一个固定的有限阻塞图集,G是一个以在线方式逐点显示的图。在线延迟F-节点删除问题(F-Edge-Deletion Problem)是通过删除节点(边)来保持G不含F中的每个H,直到在G中找不到与F中任何图同构的导出子图为止。任务是保持删除的数量最小。建议复杂度是一种模型,其中在线算法可以访问无限长的二进制磁带,预言机可以在其上编码信息以提高算法的性能。我们感兴趣的是最小数量的建议位是必要的和足够的最佳解决删除问题。在这项工作中,我们首先给出了延迟的F-节点删除问题和F-边删除问题的建议复杂性的本质上紧的界限,其中F由一个单一的,任意的图H组成。然后,我们表明,用于证明这些结果的小工具可以用来给紧界的情况下,节点删除,如果F只包括断开的图形或连接的图形。最后,我们证明了解决一般延迟F节点删除问题所需的建议位数在很大程度上取决于障碍集F。为此,我们提供了一套,这个数字是恒定的,对数或线性的最佳删除数。
2023-03-30 cs.DS
Competitive Sequencing with Noisy Advice
几个研究得很好的在线资源分配问题可以用无穷的、递增的正值序列来表示,其中每个元素都与相应的分配值相关联。例子包括诸如在线投标、在无界线上搜索隐藏目标以及基于重复执行设计可中断算法等问题。在线算法的性能,在这些问题中的每一个,是衡量的竞争比,它描述了乘法的性能损失,由于缺乏充分的信息的情况下的实例。我们研究这样的竞争性排序问题的设置中,在线算法有一些(潜在的)错误的信息,表示为一个$k$位的建议字符串,对于一些给定的$k$。我们首先考虑[Angelopoulos et al,ITCS 2020]的不可信建议设置,其中目标是考虑两个极端来量化性能:建议是无错误的,或者它是由(恶意)对手生成的。在这里,我们展示了一个帕累托最优的解决方案,使用一种新的方法来应用基于函数的下限技术,由于[Gal,以色列数学杂志。1972]。接下来,我们研究一个新生的噪声建议设置,其中许多建议位可能是错误的;在线算法不知道确切的错误,它只能获得悲观估计(即,此错误的上限)。我们给出了改进的上界,但也在此设置中的在线问题的竞争比的第一个下界。为此,我们结合了强大的基于查询的数组搜索和容错合同调度的想法。最后,我们演示了如何将上述技术应用于鲁棒优化而无需预测,并讨论了它们如何适用于更一般的在线问题。
2021-11-09 cs.DS
Improving Online Bin Covering with Little Advice
本文针对在线箱子覆盖问题,通过强化分析和细微改进,将 Boyar 等人基于 O(log log n) 比特建议的策略竞争比由 8/15 提升至 135/242。
2025-06-10 cs.DS
Secretary and Online Matching Problems with Machine Learned Advice
在线算法的经典分析,由于其最坏情况的性质,可以是相当悲观的输入实例时,在手边是远离最坏情况。通常,这不是机器学习方法的问题,它在利用过去输入的模式来预测未来方面表现出色。然而,这样的预测,虽然通常是准确的,可以任意穷人。受最近一系列工作的启发,我们用机器学习的未来预测来增强三个著名的在线设置,并开发考虑到它们的算法。特别是,我们研究了以下在线选择问题:(i)经典的秘书问题,(ii)在线二部匹配和(iii)图形拟阵秘书问题。我们的算法仍然有一个最坏情况下的性能保证的情况下,预测是低于标准的,同时获得一个改进的竞争比(在最著名的经典在线算法的每个问题)时,预测是足够准确的。对于每个算法,我们建立了一个权衡在两个相应的情况下获得的竞争比之间。
2020-10-21 cs.DS
Learning-Augmented Algorithms for Online Concave Packing and Convex Covering Problems
Purdue University(普渡大学);University of Melbourne(墨尔本大学)
本文针对在线凹包装与凸覆盖问题提出学习增强算法框架,通过在建议与经典算法间切换及扩展原始对偶方法,在建议准确时打破不可能性结果,建议错误时仍保持可比性能。
2024-11-13 cs.DS cs.LG math.OC
With a Little Help From My Friends: Exploiting Probability Distribution Advice in Algorithm Design
本文提出利用分布性建议的在线算法框架,应用于在线度量匹配问题,在完美建议下达到最优成本,并随预测质量下降平滑退化,且可扩展至其他在线优化问题。
2025-09-08 cs.DS
Improved online hypercube packing
本文研究了所有项目都是超立方体时的在线多维装箱问题。基于Seiden的一维装箱算法Super Harmonic中的技巧,给出了在线超立方体装箱问题的一个框架,并得到了新的渐近竞争比的上界.对于正方形填充,我们得到的上界为2.1439,优于2.24437。对于立方体填充,我们也给出了一个新的上界2.6852,它优于Epstein和van Stee的上界2.9421。
2006-09-06 cs.DS
Parallel Online Algorithms for the Bin Packing Problem
我们研究了\emph{parallel}在线算法:对于某个固定整数的$k$,一组对同一事件序列进行在线决策的$k$并行进程形成了一个$k$ - \emph{copy algorithm}。对于任何给定的时间和输入序列,整体性能由$k$单个总结果中的最佳结果确定。这种类型的问题已经被认为是在线最大完工时间最小化;它们也与\emph{advice}对未来事件的优化有关,即,预先获得的比特数。我们开发了\textsc{Predictive Harmonic} $_3$(PH 3),一个相对简单的家庭的$k$复制算法的在线装箱问题,其联合竞争因子收敛到1.5,增加$k$。特别是,我们表明,$k=6$足以保证$1.5714$的PH 3,这是优于$1.57829$,最有名的1-拷贝算法\textsc{Advanced Harmonic}的性能的一个因素,而$k=11$足以实现$1.5406$的一个因素,击败已知的下限$1.54278$为一个单一的在线算法。在具有建议的在线优化的上下文中,我们的方法意味着4位足以实现比$1.54278$的该界限更好的因子,该界限显著小于先前的15位界限。
2019-10-08 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
Randomization can be as helpful as a glimpse of the future in online computation
我们提供了简单的,但令人惊讶的有用的直接产品定理证明在线算法的下限与有限的数量的建议,对未来。因此,我们能够将数十年来对随机在线算法的研究转化为建议复杂性模型。这样做可以大大提高许多在线问题的最佳建议复杂度下限,或者提供第一个已知的下限。例如,如果$n$是请求的数量,我们表明:(1)一个分页算法需要$Ω(n)$位的建议,以实现比$H_k=Ω(\log k)$,其中$k$是高速缓存的大小更好的竞争比。以前,只知道$Ω(n)$比特的建议是实现小于$5/4$的恒定竞争比所必需的。(2)每个$O(n^{1-\varepsilon})$ -竞争顶点着色算法都必须使用$Ω(n\log n)$位的建议。以前,只知道$Ω(n\log n)$建议位是最佳的必要条件。对于某些在线问题,包括MTS,$k$ -服务器,分页,列表更新,和动态二叉搜索树问题,我们的研究结果意味着,随机化和次线性的建议是同样强大的(如果底层的度量空间或节点集是有限的)。这意味着,关于随机在线算法的几个长期存在的开放问题可以等效地说成是关于在线算法的问题。例如,我们证明了存在一个确定性的$O(\log k)$竞争$k$ -服务器算法的建议复杂度$o(n)$当且仅当存在一个随机$O(\log k)$竞争$k$ -服务器算法没有建议。从技术上讲,我们的主要直积定理是通过扩展Emek,Fraigniaud,Korman和Rosén […
2016-08-19 cs.CC cs.DS
Quantum versus Classical Online Streaming Algorithms with Advice
我们认为在线算法的竞争比。在这里,我们研究量子和经典的单向自动机与非恒定大小的内存(流算法)作为在线算法的模型。我们构建的问题,可以解决量子在线流算法比经典的对数或sublogarithmic大小的内存的情况下,更好地,即使经典的在线算法得到建议位。此外,我们表明,具有恒定数量的量子位的量子在线算法可以优于具有恒定数量的建议位和无限计算能力的任何确定性在线算法。
2019-06-20 cs.CC cs.DS quant-ph
Improved Lower Bounds for Online Hypercube and Rectangle Packing
以在线方式将给定序列的物品打包到尽可能少的箱子中是一个广泛研究的问题。我们提高了下界包装盒成箱在两个或更多的维度,无论是一般算法的正方形和矩形(在两个维度)和一个重要的子类,所谓的谐波型算法超立方体(在两个或更多维度)。最后,我们表明,两个适应的想法,从一维包装算法到方形包装并没有帮助打破障碍2。
2017-11-06 cs.DS
Online Mixed Packing and Covering
在许多问题中,输入随着时间的推移而到达,并且必须在它们到达时进行处理。这些问题都是网上的问题。在线求解问题的常用方法是先求解相应的线性规划,然后在线对分式解进行四舍五入,得到整数解。我们给出了在线求解具有混合填充和覆盖约束的线性规划的算法。我们首先考虑混合包装和覆盖线性规划,包装约束离线给出,覆盖约束在线接收。目标是在满足覆盖约束的同时,最小化任何填充约束被违反的最大乘法因子。没有以前的次线性竞争算法是已知的这个问题。我们给出了第一个这样的-一个求解混合包装和覆盖线性规划的多变量竞争算法。我们还显示了一个几乎紧的下界。我们的技术上限使用指数罚函数结合乘法更新。以往的线性规划离线近似求解都是使用指数罚函数,而离线算法则事先知道约束条件,可以进行全局优化。相比之下,当约束在线到达时,更新需要更复杂。我们应用我们的技术来解决两个在线的固定收费的拥塞问题。这些问题的动机在机器调度和设施定位的应用。这些问题的线性规划比混合填充和覆盖更复杂,并提出了独特的挑战。我们表明,我们的技术与随机舍入过程相结合,给出了多变量竞争积分的解决方案。这些问题推广了在线集合覆盖问题,它存在一个多对数下界。因此,我们的结果接近于严格。
2012-04-02 cs.DS
Online Unbounded Knapsack
该研究分析了在线无界背包问题的竞争比与建议复杂度,分别针对简单和一般两类无界背包问题,推导了确定性、随机算法及不同建议比特数下的竞争比上下界与相关算法结论。
2024-10-31 cs.DS
Online Convex Covering and Packing Problems
研究了在线凸覆盖问题和在线凸填充问题。(离线)凸覆盖问题由以下凸程序建模:$\min_{x \in R_+^n} f(x) \ \text{s.t}\ A x \ge 1$,其中$f : R_+^n \mapsto R_+$是单调且凸的代价函数,并且$A$是具有非负条目的$m \times n$矩阵。约束矩阵$A$的每一行对应于覆盖约束。在在线问题中,$A$的每一行都在线,算法必须保持可行的分配$x$,并且只能随时间增加$x$。(离线)凸填充问题由以下凸程序建模:$\max_{y\in R_+^m} \sum_{j = 1}^m y_j - g(A^T y)$,其中$g : R_+^n \mapsto R_+$是单调且凸的成本函数。当$g$是$f$的凸共轭时,它是凸覆盖的Fenchel对偶规划.在在线问题中,每个变量$y_j$在线到达,算法必须在其到达时确定$y_j$的值。我们提出了简单的在线算法,这两个问题使用在线原始对偶技术,并获得近最佳的竞争比这两个问题的重要特殊情况下的多项式成本函数。对于任意非负系数的凸多项式代价函数和最大度$τ$,我们引入了一个$O(τ\log n)^τ$ -竞争在线凸覆盖算法和一个$O(τ)$ -竞争在线凸填充算法,分别匹配已知的$Ω(τ\log n)^τ$和$Ω(τ)$下界.有一个大家庭的在线资源分配问题,可以在这个在线凸覆盖和包装框架下建模,包括在…
2015-04-14 cs.DS
Online Strip Packing with Polynomial Migration
我们考虑宽松的在线带包装问题:矩形物品到达在线,并已包装成一个固定宽度的带,使包装高度最小化,没有旋转。因此,允许重新包装先前包装的物品。重新打包的数量由迁移因子来衡量,迁移因子定义为重新打包的项目的总大小除以到达项目的大小。首先,我们证明了没有一个具有常数迁移因子的算法可以产生渐近比优于4/3的解。在此背景下,我们允许分期迁移,即将迁移保存到以后的时间步长。作为主要结果,我们提出了一个AFPTAS与渐近比$1 + \mathcal{O}(ε)$的任何$ε> 0$和摊销迁移因子多项式$1 / ε$。据我们所知,这是第一个算法在线带包装中考虑的重新包装模型。
2018-02-20 cs.DS
Online bin packing with cardinality constraints resolved
基数约束装箱或带基数约束装箱是装箱问题的一种基本形式。在具有参数k \geq 2的在线版本中,具有与其相关联的(0,1]中的大小的物品被逐个呈现以被打包到单位容量箱中,使得不超过箱的容量,并且没有箱接收多于k个物品。我们解决了在线问题的意义上,我们证明了一个下界2的整体渐近竞争比。这解决了这个长期存在的开放问题,因为绝对竞争比2的算法是已知的。此外,我们显着提高了已知的下限的渐近竞争比的每个特定值的k。我们构造的新颖性是基于完全自适应性,在项目大小之间创建了较大的差距。因此,我们的下限输入不遵循在线装箱问题的常见做法,即预先已知由批次组成的输入,算法需要在输入的每个前缀上都具有竞争力。
2016-08-23 cs.DS
Online Circle and Sphere Packing
Universidade Estadual de Campinas(坎皮纳斯州立大学)
本文研究三种在线圆形/球体装填问题,提升了正方形内圆形装填有界空间版本的竞争比,给出另外两类问题的有界空间算法及竞争比下界,还提出了允许小幅重组的无界空间变体算法及对应竞争比。
2017-08-29 cs.DS
Online Algorithms for Multi-shop Ski Rental with Machine Learned Advice
Binghamton University(宾汉姆顿大学);State University of New York(纽约州立大学);IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心)
我们研究了用机器学习(ML)建议增强在线算法的问题。特别是,我们认为\emph{multi-shop ski rental}(MSSR)的问题,这是一个推广的经典滑雪租赁问题。在MSSR,每个商店都有不同的价格购买和租用一对滑雪板,滑雪者必须决定何时何地购买。当使用单个或多个ML预测来做出决策时,我们获得了确定性和随机化在线算法,并且可以证明其性能得到了改善。这些在线算法不知道ML预测的质量或预测误差类型。这些在线算法的性能对于预测器的不良性能具有鲁棒性,但会随着更好的预测而提高。使用合成和真实世界数据跟踪的广泛实验验证了我们的理论观察结果,并显示出对纯粹依赖在线决策的算法更好的性能。
2020-10-23 cs.DS cs.LG
Removable Online Knapsack and Advice
本文研究可移除在线背包问题的建议复杂度,证明仅需常数比特建议即可使竞争比从无界提升至接近最优,并改进了多个相关模型的下界。
2024-02-28 cs.CC cs.DS
Online Stochastic Packing Applied to Display Ad Allocation
受在线广告分配的启发,我们从理论和实践的角度研究了在线随机填充线性规划。首先,我们提出了一个近似最优的在线算法的一般类包装线性规划模型的各种在线资源分配问题,包括在线变种路由,广告分配,广义分配,组合拍卖。作为我们的主要理论结果,我们证明了一个简单的原始-对偶训练算法实现了(1 - o(1))-近似保证随机序随机模型。对于相同问题的对抗性变体,这是对对数或常数因子近似的显著改进(例如,在线广告分配的因子1 - 1/e和在线路由的\log m)。然后,我们专注于在线展示广告分配问题,并研究了各种基于训练和在线分配算法的效率和公平性的数据集,从现实生活中的展示广告分配系统。我们的实验评估证实了基于训练的原始-对偶算法在真实数据集上的有效性,也表明了公平性和效率之间的内在权衡。
2010-02-17 cs.DS
Online bin packing with cardinality constraints revisited
具有基数约束的装箱问题是一种装箱问题,其中除了对装箱的物品的总大小的标准约束之外,还给出了关于装箱到每个箱中的物品的数量的上界k \geq 2。我们研究的在线场景中,项目一个接一个地提出。我们分析它的绝对竞争比,并证明紧界2为任何k \geq 4。我们表明,第一次拟合也有一个绝对的竞争比为2 k=4,但不是更大的值k,我们提出了一个完整的分析,其渐近竞争比的所有值的k \geq 5。此外,我们还研究了小$k$的渐近竞争比和绝对竞争比。
2014-04-03 cs.DS
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
A Robust AFPTAS for Online Bin Packing with Polynomial Migration
在本文中,我们开发了一般的LP和ILP技术找到一个近似的解决方案,改进的目标值接近现有的解决方案。改进近似解的任务与Cook等人在LP和ILP的灵敏度分析中的经典定理密切相关。这一结果经常被应用于设计鲁棒算法在线问题。我们将我们的新技术应用于在线装箱问题,允许重新分配一定数量的项目,由迁移因子来衡量。迁移因子由重新分配项的总大小除以到达项的大小来定义。对于迁移因子受$\frac{1}ε$中多项式约束的在线装箱问题,我们得到了一个鲁棒的渐近完全多项式时间近似格式(AFPTAS)。这肯定地回答了爱泼斯坦和莱文提出的一个悬而未决的问题。作为一个副产品,我们证明了库克在EL的敏感性定理的近似变体。线性规划。
2013-02-18 cs.DS
Online Weighted Degree-Bounded Steiner Networks via Novel Online Mixed Packing/Covering
针对边加权度有界Steiner森林问题及其推广问题,设计了第一个具有多对数竞争比的在线算法。我们得到我们的结果,演示了一个新的通用的方法来解决混合包装/覆盖整数规划的在线范例。在EW-DB-SF中,我们给出了一个边赋权图,每个顶点都有一个度界。预先给定一个根顶点,我们以在线方式接收一个终端顶点序列。在终端到达时,我们需要扩大我们的解子图,以将新终端连接到根。我们的目标是最小化解决方案的总权重,同时尊重顶点的度界限。在离线设置边加权度有界Steiner树(EW-DB-ST)和它的许多变种已被广泛研究,因为八十年代初。不幸的是,在线网络设计问题的最新进展本质上很难适应度有限的问题。与此相反,本文利用最优解的结构性质,将EW-DB-SF问题归结为一个指数规模的混合填充/覆盖整数规划,其中每个变量在覆盖约束中只出现一次,从而得到了我们的结果.然后,我们设计了一个通用的积分算法来解决这个限制家庭的IP。我们展示了一种新的技术解决混合包装/覆盖整数规划。定义一个程序的覆盖频率k为一个变量可以参与的覆盖约束的最大数目。令m表示包装约束的数量。针对混合填充/覆盖整数规划问题,设计了一个竞争比为O(klogm)的在线确定性积分算法.我们相信这种技术可以作为一个有趣的替代标准的原始对偶技术在解决在线问题。
2017-04-19 cs.DS
An Asymptotic Lower Bound for Online Vector Bin Packing
我们考虑在线向量装箱问题,其中由$d$维向量指定的$n$项必须打包在最少数量的相同$d$维箱中。Azar等人(STOC'13)表明,对于任何在线算法$A$,都存在实例I,使得$A(I)$($A$用来打包$I$的箱数)是$Ω(d/\log^2 d)$乘以$OPT(I)$(用来打包$I$的最小箱数)。然而,在这些情况下,$OPT(I)$只是$O(\log d)$,这使得当$OPT(I) \gg d$时具有更好的渐近竞争比的改进算法的可能性是开放的。我们排除了这一点,表明任何任意函数$q(\cdot)$和任何随机在线算法$A$,存在$I$的实例,使$ E[A(I)] \geq c\cdot d/\log^3d \cdot OPT(I) + q(d)$,对于一些通用常数$c$。
2020-08-04 cs.DS
Online Bin Packing with Item Size Estimates
本文提出带尺寸估计的在线装箱模型,给出4/3下界、δ≤1/35时的1.5竞争算法,以及每箱至多两件时最优的4/3策略。
2025-05-14 cs.DS
Online Multidimensional Packing Problems in the Random-Order Model
我们研究在线多维变量的广义分配问题,用于模拟突出的现实世界的应用程序,如分配的虚拟机与多个资源需求的物理基础设施在云计算。这些问题可以看作是众所周知的秘书问题的延伸,因此标准的在线最坏情况模型不能提供任何性能保证。在这种情况下,流行的模型是随机顺序模型,它提供了一个有用的现实和强大的替代方案。利用这个模型,我们研究了$d$维广义指派问题,在这里我们引入了一种新的技术,实现了一个$O(d)$ -竞争算法,并证明了一个匹配的下界$Ω(d)$。此外,我们的算法改进了最有名的竞争比的在线(一维)广义分配问题和在线背包问题。
2019-07-01 cs.DS
Online Page Migration with ML Advice
MIT(麻省理工学院);King’s College London(伦敦国王学院)
我们认为在线算法的{ \em页迁移问题},使用预测,潜在的不完善,以提高其性能。由于Westbrook'94和Bienkowski等人'17,这个问题最著名的在线算法具有严格限制在1之外的竞争比。相比之下,我们表明,如果该算法是给定的输入序列的预测,那么它可以实现一个竞争比,往往是$1$的预测出错率趋于$0$。具体地,竞争比等于$1+O(q)$,其中$q$是预测出错率。我们还设计了一个"回退选项“,确保算法对{ \em any}输入序列的竞争比至多为$O(1/q)$。我们的结果增加了最近的工作,使用机器学习,以提高"经典“算法的性能。
2020-06-09 cs.DS cs.LG
Online bipartite matching with imperfect advice
Industrial Engineering and Operations Research, Columbia University(哥伦比亚大学工业工程与运筹学系);School of Computing, National University of Singapore(新加坡国立大学计算机学院)
研究在线无权二分匹配问题,证明对抗性到达下无学习增强方法兼具1-一致性和优于1/2-鲁棒性,并在随机到达下提出利用分布测试的建议算法,实现竞争比随建议质量在任意比率与1之间插值。
2024-05-23 cs.AI cs.DS cs.LG
Advice Complexity of the Online Induced Subgraph Problem
几个研究得很好的图问题的目的是选择一个最大(或最小)的诱导子图与给定的属性的输入图。这类问题的例子包括最大独立集,最大平面图,和许多其他问题。我们考虑这些问题,其中的顶点在线。对于每个顶点,在线算法必须仅基于到目前为止所呈现的顶点所诱导的子图来决定是否将其包含到所构造的子图中。通过研究广义问题:对于一个遗传性质\pty,找到一个具有\pty的极大导出子图,研究了所有这些问题的共同性质.我们从建议复杂性的角度来研究这个问题。使用Boyar等人[STACS 2015]的结果,我们给出了一个紧密的权衡关系,即对于长度为n的输入,无论选择\pty如何,对于任何c(可能是n的函数),都需要大约n/c位的建议,并且足以获得具有竞争比c的解决方案。令人惊讶的是,对称问题不能得到类似的结果:对于给定的相干性质\pty,找到具有\pty的最小子图。我们发现,这个问题的意见的复杂性显着不同的选择\pty。我们还考虑了抢占式在线模型,其中算法的决策不是完全不可逆的。特别地,该算法可以丢弃先前分配给构造的集合的一些顶点,但是丢弃的顶点不能再次重新插入到集合中。我们发现,对于最大诱导子图问题,抢占不能帮助太多,给出了一个下界的$Ω(n/(c^2\log c))$位的意见,需要获得竞争比$c$,其中$c$是任何递增的功能有界的\sqrt{n/log n}。我们还给出了一个线性下限c接近1。
2015-12-18 cs.CC cs.DS
Green Bin Packing
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Ottawa(渥太华大学);York University(约克大学)
本文提出了绿色装箱问题,一种具有超过固定水平线性成本的在线装箱变体,并针对不同参数条件设计了改进的算法变体,在理论与实验上均验证了其性能优势。
2025-10-30 cs.DS
Robust Online Algorithms for Dynamic Problems
允许少量迁移或追索的在线算法在过去几年中得到了深入研究。它们在动态问题的竞争算法设计中是必不可少的,其中对象也可以离开实例。在这项工作中,我们给出了一个一般的框架,以获得所谓的强大的在线算法,这些动态问题:这些在线算法实现了一个渐进的竞争比$γ+ε$迁移$O(1/ε)$,其中$γ$是最好的离线渐近逼近比。为了使用我们的框架,只需要构建一个合适的在线算法的静态在线的情况下,项目永远不会离开。为了显示我们的方法的有用性,我们提高了最知名的强大的算法的动态版本的概括的条包装和装箱,包括第一个强大的算法一般$d$维装箱和矢量包装。
2019-05-20 cs.DS
Online Disjoint Spanning Trees and Polymatroid Bases
针对在线到达的边,研究多拟阵基打包问题,提出基于多拟阵商的随机算法,实现多对数竞争比,并推广至在线不相交生成树等场景。
2025-03-25 cs.DS
Metrical Task Systems with Online Machine Learned Advice
机器学习算法旨在根据现有数据对未来进行准确预测,而在线算法则试图在不了解未来的情况下限制某些性能指标(通常是竞争比)。Lykouris和Vassilvitskii证明,只要预测器是适当准确的,用机器学习的预测器增强在线算法可以证明降低竞争率。在这项工作中,我们将这个想法应用到在线计量任务系统的问题,这是由Borodin,Linial,和萨克斯作为一个通用的模型,动态系统处理任务,在网上的时尚。我们专注于特定类的统一任务系统的$n$任务,其中最好的确定性算法是$O(n)$竞争和最好的随机算法是$O(\log n)$竞争。通过给出一个在线算法对机器学习预言机的访问权限,并使其绝对预测误差以$η_0$为上界,我们构造了一个$Θ(\min(\sqrt{η_0}, \log n))$竞争算法,用于度量任务系统问题的一致情形.我们还给出了任意随机算法的竞争比的一个$Θ(\log η_0)$下界。
2021-09-29 cs.DS cs.LG
Online Bipartite Matching with Advice: Tight Robustness-Consistency Tradeoffs for the Two-Stage Model
针对两阶段二分匹配问题,提出基于ALPS框架的插值方法,刻画一致性与鲁棒性的紧致权衡,并在合成与真实数据上达到最优性能。
2024-11-04 cs.DS math.OC
Strip Packing vs. Bin Packing
在本文中,我们建立了一个通用的算法框架之间的装箱和条带包装,我们得到了相同的渐近界应用装箱算法的条带包装。更精确地说,我们得到了以下结果:(1)任何离线装箱算法都可以应用于条带装箱,并保持相同的渐近最坏情况比。因此,使用FFD(MFFD)作为一个子程序,我们得到了一个实用的(简单而快速)的算法带包装的上限为11/9(71/60)。一个简单的AFPTAS带包装立即如下。(2)一类基于谐波的装箱算法可以应用于在线条带装箱,且保持相同的渐近竞争比。这意味着在线带包装承认上界的渐近竞争比为1.58889,这是非常接近的下限1.5401,并显着提高了以前的最佳界限1.6910,并肯定地回答了Csirik等提出的一个悬而未决的问题。al.
2006-08-23 cs.DS
Scheduling Appointments Online:\\ The Power of Deferred Decision-Making
最近推出的在线最小高峰预约调度(MPAS)问题是一个变种的在线装箱问题,允许延迟决策。具体地说,它允许将问题分为在线阶段,在该阶段中,预约请求流需要预定时间到达,然后是离线阶段,在该阶段中,这些预约被安排到房间中。与装箱问题类似,目标是在最终配置中使用最少数量的房间。该模型比装箱更准确地捕获调度约会。例如,透析患者需要知道什么时间到达预约,但不需要提前知道分配的站点。以前的工作开发了一个随机算法为这个问题,实现了渐近竞争比最多为1.5,证明了在线MPAS是从根本上不同的在线装箱问题。我们的主要贡献是开发一个新的随机算法的问题,实现了渐近竞争比1.455以下,表明进一步的进展潜力。这种改进是通过修改调度约会的过程来实现的,以增加最坏情况下的包装密度,同时利用装箱线性规划松弛的对偶来执行分析。我们还提出了第一个已知的下限为1.2的确定性和随机在线MPAS算法的渐近竞争比。这些结果表明,如何推迟决策可以被利用,以产生更好的最坏情况下的性能,这种现象应该在更广泛的设置类进行调查。
2021-11-27 cs.DS
Online Packing and Covering Framework with Convex Objectives
我们考虑在线分数覆盖问题的凸目标,覆盖约束随着时间的推移。形式上,我们想要求解$\min\,\{f(x) \mid Ax\ge \mathbf{1},\, x\ge 0\},$,其中目标函数$f:\mathbb{R}^n\rightarrow \mathbb{R}$是凸的,并且约束矩阵$A_{m\times n}$是非负的。$A$的行随着时间的推移而在线,并且我们希望始终保持可行的解决方案$x$,同时仅增加$x$的坐标。我们还考虑“对偶”包装问题的形式$\max\,\{c^\intercal y - g(μ) \mid A^\intercal y \le μ,\, y\ge 0\}$,其中$g$是一个凸函数。在在线设置中,变量$y$和$A^\intercal$的列随时间到达,我们希望保持非递减解$(y,μ)$。我们提供了一个在线的原始-对偶框架,这两类问题的竞争比取决于某些“单调性”和“平滑性”参数的$f$ ;我们的结果匹配或改进的保证,为一些特殊的功能类$f$考虑以前。使用这个分数求解器与问题相关的随机舍入程序,我们获得了以下问题的竞争算法:在线覆盖LP最小化$\ell_p$ -规范的任意包装约束,集覆盖多个成本函数,容量约束的设施位置,容量限制的组播问题,集覆盖与集请求,和利润最大化与不可分离的生产成本。其中一些结果是新的,其他的提供了一个统一的观点,以前的结果,匹配或稍差的竞…
2014-12-29 cs.DS
Colorful bin packing
我们研究了一种在线装箱的变体,称为彩色装箱。在这个问题中,一个接一个地呈现的物品要被打包到大小为1的箱子中。每个项目i具有大小s_i \in [0,1]和颜色c_i \in C,其中C是颜色的集合(不必预先知道)。装入一个箱子的物品的总尺寸不能超过它的尺寸,因此物品i总是可以装入一个新的箱子,但是如果先前装入该箱子的物品具有相同的颜色,或者如果其中占用的空间大于1-s_i,则物品不能装入一个非空的箱子。该问题推广了标准在线装箱和在线黑白装箱(其中|C| =2)。我们证明,彩色箱包装是硬比黑色和白色箱包装的意义上说,一个在线算法为零大小的项目,包装成最小可能数量的箱的输入不可能存在C \geq 3,而它是已知的,这样的算法存在|C| =2。我们表明,经典的装箱算法的自然概括的情况下|C| \geq 3,而且,算法,以及黑色和白色装箱不执行以及,已经为情况|C| =3。我们的主要结果是一个新的算法,我们设计和分析的彩色装箱,其绝对竞争比为4,和一个新的下界2的渐近竞争比的任何算法,这是有效的,即使是黑色和白色装箱。
2014-04-15 cs.DS
On Conceptually Simple Algorithms for Variants of Online Bipartite Matching
我们提出了一系列的结果,概念上简单的算法,在各种在线和相关模型的二分匹配。我们首先考虑一个确定性对抗模型。一次通过确定性在线算法可能的最佳近似比是$1/2$,它可以通过任何贪婪算法实现。Dürr等人最近提出了一种称为Category-Advice的$2$ -pass算法,该算法实现了近似比$3/5$。我们将他们的算法扩展到多个通道。我们证明了$k$通过Category-Advice算法对所有$k \ge 1$的精确逼近比,并证明了当$k$趋于无穷大时,逼近比收敛到黄金比例$2/(1+\sqrt{5}) \approx 0.618$的倒数。收敛速度非常快-$5$ -pass Category-Advice算法已经在黄金比例倒数的$0.01\%$范围内。然后,我们考虑了在线随机IID模型的自然贪婪算法--MinDegree。该算法是一个在线版本的一个著名的和广泛研究的离线算法MinGreedy。我们表明,MinDegree不能实现比$1-1/e$,这是保证任何一致的贪婪算法在已知的IID模型的近似比。最后,在Besser和Poloczek的工作之后,我们从对抗或随机排序出发,研究了优先级模型中的自然随机算法(MinRanking)。虽然优先级模型允许算法以一般但定义良好的方式选择输入排序,但这种自然算法无法获得ROM模型中Ranking算法的近似。
2017-06-29 cs.DS
Online Bin Packing with Per-Bin Maximum Delay
Southern University of Science and Technology(南方科技大学)
研究每箱最大延迟的在线装箱问题,证明强NP困难性,提出常数因子近似及随机算法,竞争比约2.418,并给出泊松到达下的精确基准。
2026-11-20 cs.DS
On Advice Complexity of the k-server Problem under Sparse Metrics
我们考虑的k-服务器问题下的建议模型的计算时,底层的度量空间是稀疏的。一方面,我们证明了对于大小为n的序列,甚至对于路径度量大小为N >= 5的2-服务器问题,需要大小为Ω(n)的建议来获得1-竞争算法。通过另一个下界论证,我们证明了树宽为α的度量空间至少需要(n/2)(log α - 1.22)比特的建议才能得到最优解,其中4 <= α < 2k.在另一方面,我们介绍了广泛的稀疏图,这需要(几乎)线性大小的建议的Θ(1)-竞争算法。也就是说,我们表明,对于图的大小N和树宽α,有一个在线算法,接收$O(n (log α + log log N))$位的意见,并最佳地提供一个序列的长度为n。用另一种方法证明了:如果一个图有一个μ-集合树(q,r)-空间系统,则存在一个(q+r)-竞争算法,它接收O(n(log μ + log log N))比特的建议.在其他结果中,这给出了平面图的3-竞争算法,提供O(n log log N)位的建议。
2013-05-09 cs.DS