Online Matching with KIID Edge Arrivals
University of Macau(澳门大学);State Key Lab of IOTSC, University of Macau(澳门大学物联网与智慧城市国家重点实验室)
研究边到达模型下的在线随机匹配,提出结合Greedy和Suggested Matching的两阶段算法,在积分到达率下竞争比严格高于1-1/e。
2026-06-16 cs.DS
Improved Bounds for Fractional Online Matching Problems
自Karp,Vazirani和Vazirani(STOC 1990)的开创性工作以来,单边到达的在线二分匹配及其变体已被广泛研究。受现实生活中的应用与动态的市场结构,如乘车共享,两个推广的经典单边到达模型,提出了允许非二部图,并允许所有顶点到达在线。也就是说,Wang和Wong(ICALP 2015)介绍了一般顶点到达的在线匹配,Huang等人(JACM 2020)介绍了完全在线匹配。在本文中,我们研究了这两个模型的分数版本。我们改进了两个模型的四个最先进的上限和下限中的三个。对于完全在线匹配,我们设计了一个$0.6$ -竞争算法,并证明了没有任何算法是$0.613$ -竞争的.对于一般顶点到达的在线匹配,我们证明了没有算法可以是$0.584$ -竞争的。此外,我们给出了一个可以说是更直观的算法一般的顶点到达模型,相比,王和黄的算法,而达到相同的竞争比的$0.526$。
2022-02-08 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 Matroid Intersection: Beating Half for Random Arrival
对于定义在同一基集$E$上的两个拟阵$\mathcal{M}_1$和$\mathcal{M}_2$,在线拟阵求交问题是设计一个在线构造大型公共独立集的算法.该算法提出了一个接一个地在一个均匀随机顺序的基集元素。在每一步中,算法必须合理地决定是否选择元素,同时始终保持一个公共的独立集。虽然自然的贪心算法-尽可能选择一个元素-是半竞争性的,没有更好的是以前已知的,即使是在边缘到达模型中的在线二分匹配的特殊情况下。我们提出了第一个随机在线算法,有一个$\frac12 + δ$竞争比的期望,其中$δ>0$是一个常数。期望值超过了算法的随机顺序和抛硬币次数。作为推论,我们也得到了第一个线性时间算法,击败了离线半竞争的拟阵交。
2018-02-19 cs.DS
Space Lower Bounds for Approximating Maximum Matching in the Edge Arrival Model
在线和流媒体环境中的二分匹配问题最近受到了很多关注。经典的顶点到达设置,著名的Karp,Vazirani和Vazirani(KVV)算法实现了$1-1/e$近似,这是相当好理解的:$1-1/e$近似在在线和半流设置中都是最优的,其中算法被约束为使用$n\cdot \log^{O(1)} n$空间。更具有挑战性的边缘到达模型最近在在线算法文献中取得了重大进展。对于严格在线模型(无抢占),已排除优于平凡因子$1/2$的近似值[Gamlath et al'FOCS'19]。对于限制较少的在线抢先模型,已经排除了优于$\frac1{1+\ln 2}$ -近似[Epstein et al'STACS'12]甚至优于$(2-\sqrt{2})$ -近似[Huang et al'SODA'19]的情况。边缘到达模型中的在线抢先匹配的最新硬度结果是基于使用边缘到达将KVV硬实例的多个副本串在一起的想法。在本文中,我们将展示如何实现这样的建设使用的想法在Ruzsa-Szemerédi图的文献中。其结果是,我们表明,任何单程流算法,近似的最大匹配的二分图与$n$顶点的一个因素比$\frac1{1+\ln 2}\approx 0.59$需要$n^{1+Ω(1/\log\log n)}\gg n \log^{O(1)} n$空间。这给出了经典的单侧顶点到达设置和半流模型中的边到达设置之间的第一分离。
2021-03-22 cs.DS
Faster Carry Bit Computation for Adder Circuits with Prescribed Arrival Times
我们考虑的基本问题,构建快速电路进行二进制加法位计算。直到小的加法常数,进位位计算简化为计算\aop,即,$t_0 \land (t_1 \lor (t_2 \land ( \dots t_{m-1}) \dots )$或$t_0 \lor (t_1 \land (t_2 \lor ( \dots t_{m-1}) \dots )$类型的配方。我们提出了一个算法,计算最快的已知布尔电路的\aop ~与给定的到达时间$a(t_0), \dotsc, a(t_{m-1})$的输入信号。我们的目标函数是延迟,这是深度相对于到达时间的自然概括。我们计算的电路的最大延迟是$\log_2 W + \log_2 \log_2 m + \log_2 \log_2 \log_2 m + 4.3$,其中$W := \sum_{i = 0}^{m-1} 2^{a(t_i)}$。注意,$\lceil \log_2 W \rceil$是任何电路延迟的下限,取决于具有规定到达时间的输入$t_0, \dotsc, t_{m-1}$。我们的方法产生了最快的电路\aop s,进行位计算和加法器的延迟已知到目前为止。
2019-10-25 cs.DS
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
DISPATCH: An Optimally-Competitive Algorithm for Maximum Online Perfect Bipartite Matching with i.i.d. Arrivals
本文提出了一种最优竞争算法来求解带独立同分布的最大加权在线完美二部匹配问题。到达。在这个问题中,我们给出了一组已知的工人,一个分布在工作类型,和非负的效用权重为每对工人和工作类型。在每个时间步,以i.i.d.绘制作业。从工作类型的分布来看。到达后,必须将作业合理地分配给工人,并且不能放弃。我们的目标是最大化的期望总和后,所有的工作分配的效用。我们介绍DISPATCH,一个0.5-竞争,随机算法。我们还证明了0.5-竞争是最好的可能。DISPATCH首先选择一个“首选工作者”,并将作业分配给该工作者(如果可用)。优选的工人基于分数运输问题的最优解来确定。如果首选工作者不可用,DISPATCH将从可用工作者中随机选择一个工作者。我们表明,调度保持均匀分布的工人,即使在工作类型的分布是不均匀的。
2018-10-13 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
Online Stochastic Max-Weight Matching: prophet inequality for vertex and edge arrival models
我们提供先知不等式算法在线加权匹配一般(非二分)图,根据两个研究充分的到达模型,即边缘到达和顶点到达。每个边的权重独立于先验已知的概率分布来绘制。在边缘到达下,每个边缘的权重在到达时被揭示,并且算法决定是否将其包括在匹配中。在顶点到达时,显示从新到达顶点到所有先前到达顶点的所有边的权重,并且算法决定将这些边中的哪些(如果有的话)包括在匹配中。为了研究这些设置,我们引入了一个新的批量先知不平等的统一框架,该框架捕获了元素批量到达的在线设置;特别是它捕获了上述两个到达模型下的匹配。我们的算法依赖于合适的在线竞争解决方案(OCRS)的建设。我们首先将OCRS的框架扩展到批处理OCRS,然后建立从批处理先知不等式到批处理OCRS的约简,最后构造了批处理OCRS,边和顶点到达模型的可选比率分别为0.337和0.5。这两个结果都改善了相应设置的现有技术。对于顶点到达,我们的结果是紧的。有趣的是,一个基于定价的预言家不平等与可比的竞争比率是未知的。
2020-02-25 cs.DS cs.GT
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
The Greedy Algorithm is \emph{not} Optimal for On-Line Edge Coloring
近三十年前,Bar-Noy,Motwani和Naor证明了没有在线边着色算法可以最佳地对图进行边着色。事实上,他们的工作,题为“贪心算法是最佳的在线边缘着色”,表明竞争比的$2$的天真贪心算法是最好的在线。然而,他们的下界需要有界度图,最大程度的$Δ= O(\log n)$,这促使他们推测,更好的界限是可能的更高程度的图。虽然已经取得了进展,解决这个猜想的限制输入和到达或随机到达的订单,一个答案完全一般的\emph{adversarial}到达仍然难以捉摸。我们解决了这个30岁的猜想在肯定的,提出了一个$(1.9+o(1))$ -竞争在线边着色算法下的顶点到达度$Δ= ω(\log n)$一般图。在我们的研究结果的核心,并可能独立的兴趣,是一个新的在线算法,四舍五入的分数二分匹配$x$在线下的顶点到达,保证每个边缘$e$匹配概率$(1/2+c)\cdot x_e$,一个常数$c>0.027$。
2021-05-14 cs.DS
Online Batching with Lookahead: Adversarial Limits and Stochastic Gains
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Capital One(第一资本)
该研究针对单服务器在线批处理模型,分析了前瞻在对抗性和泊松到达场景下的极限与增益,证明适度前瞻可缩小在线与离线批处理的流时间差距。
2026-10-14 cs.DS
Secretary Matching with General Arrivals
我们提供了在线算法秘书匹配一般加权图,根据研究模型的顶点和边到达。在这两种模型中,边缘与从一开始就未知的任意权重相关联,并且在线显示。在顶点到达时,顶点以均匀随机的顺序在线到达;在顶点$v$到达时,从$v$到所有先前到达的顶点的边的权重被揭示,并且算法决定将这些边中的哪些(如果有的话)包括在匹配中。在边缘到达下,边缘以均匀随机的顺序在线到达;当边缘$e$到达时,其权重被揭示,并且算法决定是否将其包括在匹配中。我们给出了一个求解顶点到达的$5/12$ -竞争算法,并证明了它是紧的。对于边缘到达,我们提供了一个$1/4$竞争算法。这两个结果都改善了相应设置的现有技术界限。有趣的是,对于顶点到达,一般图中的秘书匹配优于单边到达的二分图中的秘书匹配,其中$1/e$是最好的保证。
2020-11-03 cs.DS cs.GT
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 Weighted Matching with a Sample
研究了二部图中边到达和边到达情况下的边加权匹配算法。这个算法最早是由Korula和Pál在十多年前针对随机序模型中的二分情形进行研究的。虽然加权二分匹配问题在随机顺序模型中得到了解决,但在最近令人兴奋的在线模型中并非如此,在这些模型中,在线玩家被提供了样本,并且到达顺序是对抗性的。基于贪婪的算法可以说是应用于这些模型中最自然和最实用的算法。尽管它的简单性和吸引力,尽管在多个作品中进行了研究,但基于贪婪的算法在任何研究的在线模型中都没有完全理解,其实际性能在十多年内仍然是一个悬而未决的问题。我们提供了一个基于贪婪的算法在几个在线模型进行了深入的分析。对于二分图中的顶点到达,我们描述了该算法在随机顺序模型中的精确竞争比,对于采样阶段之后的顶点的任何到达顺序(特别是对抗和随机顺序)。我们用它来获得严格的分析,在最近的对抗顺序模型的样本(AOS模型)的任何样本大小,提供了第一个结果,在这个模型中超出了简单的秘书问题。然后,我们推广和加强了将随机序模型中的结果转化为单样本预言不等式的黑箱方法,并利用它导出了该问题的最新单样本预言不等式.最后,我们使用我们的新技术来分析基于贪婪的算法在一般图的边缘到达,并得出结果,在所有提到的在线模型。在这种情况下,我们也改进了最先进的单样本预言者不等式。
2021-12-26 cs.DS
Dynamic Batching of Online Arrivals to Leverage Economies of Scale
本研究针对在线到达请求的分批调度问题,在离线场景下通过转化为最短路径问题多项式时间求最优解,在线场景下提出具可证明竞争比的算法并给出竞争比下界,实验验证了算法的有效性。
2025-07-31 cs.DS math.OC
Greedy Bipartite Matching in Random Type Poisson Arrival Model
我们引入了一个新的随机输入模型的二部匹配,我们称之为随机型泊松到达模型。就像已知的身份证一样。模型(由Feldman等人在2009年引入),在线节点在我们的模型中具有类型。与已知的i.i.d.中研究的对抗类型相反。模型,遵循Mastin和Jaillet 2016中研究的随机图,在我们的模型中,每个类型图都是通过将每个离线节点独立地包含在具有概率$c/n$的在线节点的邻域中来随机生成的。在我们的模型中,相同类型的节点连续出现在输入中,并且每个类型节点出现的次数根据参数为1的泊松分布。我们分析了简单的贪心算法在这种输入模型下的性能。性能由参数$c$控制,并且我们能够准确地表征对于制度$c = o(1)$和$c = ω(1)$的竞争比。我们还提供了一个精确的边界上的预期大小的匹配在其余制度的常数$c$。我们将我们的结果与Mastin和Jaillet以前的工作进行了比较,他们分析了$G_{n,n,p}$模型中的简单贪心算法,其中每个在线节点类型只出现一次。我们基本上表明,Mastin和Jaillet的方法可以扩展到随机型泊松到达模型的工作,虽然一些不平凡的技术挑战需要克服。直观地说,可以将随机类型泊松到达模型视为随机性较小的$G_{n,n,p}$模型;也就是说,每个在线节点都有机会重复先前的类型,而不是每个在线节点都有新的类型。
2018-05-02 cs.DS
Stochastic Online Metric Matching
研究在线身份识别到达下的最小代价度量完美匹配问题。我们在每个点上都有一个固定的度量,然后请求在线到达,每个请求都独立于点上的已知概率分布。每个请求都必须匹配到一个免费的服务器,成本等于距离。目标是最小化匹配的预期总成本。这种随机到达模型已被广泛研究的最大化变量的在线匹配问题,然而,唯一已知的结果是一个紧密的$O(\log n)$ -竞争力的随机顺序到达模型的最小化问题。这与对抗模型形成对比,在对抗模型中,$O(\log n)$的最佳竞争比早已被证明,并且仍然是一个诱人的开放问题。在本文中,我们改进的i.i.d到达模型的结果。我们展示了如何i.i.d模型可以用来给更好的算法:我们的主要结果是一个$O((\log \log \log n)^2)$竞争力的算法在这个模型中。在此过程中,我们给出了一个$9$ -竞争算法的线和树的度量。这两个结果都意味着i.i.d模型与对抗和随机顺序模型之间的严格分离,无论是对于一般度量还是这些研究较多的度量。
2019-04-19 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
Online Min-Cost Matching with General Arrivals
Drexel University(德雷塞尔大学);Columbia University(哥伦比亚大学)
研究所有参与者在线到达的完美匹配问题,针对独立同分布到达模型提出O(log^2 n)竞争比算法,并证明对抗和随机顺序模型下竞争比无界。
2026-06-04 cs.DS cs.GT
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
Online Algorithms for Basestation Allocation
设计{ \it online algorithms}用于将移动用户分配到基站,其目标是当与任何一个基站相关联的所有用户平等地共享每个基站的资源时,最大化和速率。每个用户在其到达时揭示了如果连接到每个基站它可以获得的速率,并且问题是将每个用户分配给任何一个基站,使得在所有用户到达结束时总速率最大化,而不知道未来用户到达或速率信息或其在每个用户到达时的统计。与离线算法(即知道用户到达和用户速率配置文件提前)相比,常数因子损失的在线算法。提出的在线算法的动机是著名的在线k-秘书问题和在线最大权匹配问题。
2013-08-06 cs.DS cs.IT cs.NI
Online Multi-level Aggregation with Delays and Stochastic Arrivals
本文研究带延迟和泊松随机到达的在线多层级聚合问题,提出结合周期性访问频繁顶点与贪心服务其余顶点的确定性在线算法,首次实现常数期望比。
2024-09-30 cs.DS
Online Algorithm for Fractional Matchings with Edge Arrivals in Graphs of Maximum Degree Three
University of Waterloo(滑铁卢大学);University of Toronto(多伦多大学)
本文针对最大度数为三的图,提出了一个分数匹配的在线算法,其竞争比为0.5914,并展示了整数匹配与分数匹配之间的竞争比差异。
2026-02-07 cs.DS cs.GT
Online Edge Coloring is (Nearly) as Easy as Offline
本文在对抗性边到达的最一般在线模型下证明$(1+o(1))Δ$-边着色猜想,并将结果推广到在线列表边着色与局部边着色。
2024-02-28 cs.DS
Edge Arrival Online Matching: The Power of Free Disposal on Acyclic Graphs
本文研究边到达在线匹配中自由处置的作用,在 Growing Trees 与 Forests 上改进无权竞争比率,并用简单序数算法将带权情形提升至 1/2。
2024-10-29 cs.DS
Online Graph Matching Problems with a Worst-Case Reassignment Budget
在二部图的在线二部匹配重排序问题中,算法最初只给出二部图顶点集的一侧,另一侧的顶点连同其关联边一起被逐个显示给算法。该算法需要在当前图中保持匹配,其中该算法在每个顶点到达之后通过重新分配顶点来修改匹配。Bernstein、Holm和Rotenberg表明,在线算法可以通过对每个到达执行摊销的$O(\log^2 n)$重新排序来保持最大基数的匹配。在本文中,我们建议考虑的一般问题,如何要求一个非摊销的硬预算$k$的数量重新分配影响算法的性能,在各种模型从文献。我们表明,一个简单的,广泛使用的算法是一个最好的确定性算法,所有这些模型。对于未加权的最大基数问题,该算法是一个$(1-\frac{2}{k+2})$ -竞争算法,这是一个确定性算法在顶点到达和边缘到达的最佳可能。应用于负载均衡问题,这产生了一个双因子在线算法。对于加权的问题,这是传统上研究假设三角不等式,我们表明,权力的重新分配,使我们能够解除这一假设,该算法成为一个$\frac{1}{2}$ -竞争算法$k=4$,改进后的$\frac{1}{3}$以前的算法没有重新分配。我们表明,这也是一个最好的可能的确定性算法。
2020-03-11 cs.DS
Randomized Two-Valued Bounded Delay Online Buffer Management
在有界延迟缓冲区管理问题中,单位大小的数据包到达在线并通过网络链路发送。目标是最大化在截止日期之前发送的数据包的总重量。在本文中,我们感兴趣的问题,其中每个数据包有低(1)或高优先级权重($α$ > 1)的二值变体。我们证明了它对不经意对手的随机竞争比是1 +($α$ - 1)/($α$ 2 + $α$).
2020-11-19 cs.DS
Simple and Asymptotically Optimal Online Bipartite Edge Coloring
本文针对一侧顶点对抗性到达的高最大度二分图,提出一种简单的在线 Δ(1+o(1))-边着色算法,改进并简化了此前唯一的渐近最优方法。
2023-11-08 cs.DS
Learning-Augmented Online Bipartite Matching in the Random Arrival Order Model
Durham University(杜伦大学)
本文提出了一种学习增强的在线二分匹配算法,在随机到达顺序模型中实现高一致性与鲁棒性,无需假设最优匹配大小。
2025-11-28 cs.DS cs.LG
Universal Online Contention Resolution with Preselected Order
针对预选顺序的到达模型,设计了计算高效且最优的通用在线竞争解决机制,并发现了其到拟阵秘书问题的有效归约。
2025-04-23 cs.DS cs.GT
A Match in Time Saves Nine: Deterministic Online Matching With Delays
我们考虑Emek等人(STOC 2016)引入的在线最小成本延迟完美匹配(MPMD)问题。在这个问题中,偶数个请求在不同的时间出现在度量空间中,在线算法的目标是成对地匹配它们。与传统的在线匹配问题相比,在MPMD中,所有请求都在线出现,并且算法可以匹配任何一对请求,但是这样的决定可能被延迟(例如,找到更好的匹配)。代价是匹配距离和引入的延迟之和。我们提出了这个问题的第一个确定性在线算法。它的竞争比率是$O(m^{\log_2 5.5})$ $ = O(m^{2.46})$,其中$2 m$是请求的数量。如果所有请求都在不同的点给出,这是度量空间点数量的多项式。特别是,边界不依赖于度量的其他参数,例如其纵横比。与以前的(随机)解决方案的MPMD问题,我们的算法不需要事先知道的度量空间。
2017-04-23 cs.DS
Improved and Deterministic Online Service with Deadlines or Delay
针对一般度量空间下带截止时间或延迟的在线服务问题,提出竞争比为$O(\log n)$的确定性算法,优于此前$O(\log^2 n)$的最优随机结果,且是首批该场景下具有次多项式竞争比的确定性算法。
2023-06-09 cs.DS
Secretary Matching With Vertex Arrivals and No Rejections
在线匹配问题的大多数先前的工作一直与保持一些顶点不匹配的灵活性。本文研究了三个相关的在线匹配问题,即,没有拒绝。我们采用的模型中,顶点到达的一致随机顺序和非负的边权重是任意的。对于有容量限制的在线二部匹配问题,当图的一方的顶点离线,另一方的顶点在线时,当每个离线顶点的容量为2时,我们给出了一个4.62-竞争算法.对于在线一般(非二分)匹配问题,其中所有顶点到达在线,我们给出了一个3.34-竞争算法。我们还研究了在线室友匹配问题(Huzhang et al. 2017),其中每个房间(离线顶点)容纳2个人(在线顶点)。人们从他们的房间和室友那里获得非负的加性效用。在该模型中,以最大化社会福利为目标,给出了一个7.96-竞争算法。这比(Huzhang等人,2017)中的24.72近似因子有所改进。
2021-12-14 cs.DS cs.GT
A 2-Competitive Largest Job on Least Loaded Machine Online Algorithm based on Multi Lists Scheduling Model
最小化完工时间的同类机在线排序问题一直是文献研究的热点。在联机调度中,调度程序逐个接收作业列表,并在下一个作业到达之前将每个传入作业动态地分配给其中一台机器。在本文中,我们研究了一个变种的在线调度问题,其中要求从k个不同的来源飞行作业。同时到达的工作从多个来源,这是一个不平凡的研究挑战,以确保公平的调度相对于不同的来源,同时优化的整体完工时间表。本文提出了一种新的多列表调度模型(MLS),并基于该模型提出了一种2-竞争确定性在线算法LJLLM(Largest Job on Least Loaded Machine)。
2020-01-20 cs.DS
Online Service with Delay
本文介绍了具有延迟的在线服务问题。在这个问题中,度量空间中有$n$点随时间发出服务请求,还有一个服务器为这些请求提供服务。目标是最小化服务器所经过的距离和服务请求的总延迟之和。该问题模拟了在请求调度以提高局部性和减少延迟以提高响应时间之间的基本权衡,其在操作管理、操作系统、物流、供应链管理和调度中有许多应用。我们的主要结果是显示一个多对数竞争比的在线服务延迟问题。这个结果是通过我们称之为抢占式服务算法的算法获得的。该算法的显着特点是一个过程称为抢占式服务,它使用了一种新的组合(递归)的时间转发和空间探索的度量空间。我们希望这种技术将是有用的相关问题,如重新排序缓冲区管理,在线TSP,车辆路径等,我们还推广我们的研究结果$k > 1$服务器。
2017-08-18 cs.DS
Better bounds for matchings in the streaming model
在本文中,我们提出了改进的边界近似最大匹配的二部图中的流模型。首先,我们考虑的问题,以及最大匹配可以近似在一个单一的通过输入使用$\tilde O(n)$空间,其中$n$是在输入图中的顶点数。在文献中已经考虑了这个问题的两个自然变体:(1)边到达设置,其中边到达流中,以及(2)顶点到达设置,其中图的一侧上的顶点与它们的所有入射边一起到达流中。后一种设置也在在线算法的上下文中得到了广泛的研究,其中每个到达的顶点必须在到达时被匹配或丢弃。在在线设置中,著名的Karp-Vazirani-Vazirani算法实现了$1-1/e$近似。尽管流模型的限制较少,因为算法不被约束为在到达时可匹配地匹配顶点,但是在具有顶点到达和$\tilde O(n)$空间的流模型中最公知的近似是$1-1/e$的相同因子。我们表明,没有一个单通流算法,使用$\tilde O(n)$空间可以实现一个更好的比$1-1/e$近似最大匹配,即使在顶点到达设置。这导致了一个惊人的结论,即没有一个单通道流算法可以做得比在线算法更好,除非它使用明显超过$\tilde O(n)$空间。此外,我们的边界产生最知名的不可能结果近似匹配的边缘到达模型。我们还给出了一个简单的算法,实现近似比$1-e^{-k}k^{k-1}/(k-1)!=1-\frac1{\sqrt{2πk}}+o(1/k)$在$k$通过顶点到达模型使用线性空间,改进以前…
2021-03-17 cs.DS
Revisiting Ranking for Online Bipartite Matching with Random Arrivals: the Primal-Dual Analysis
本文重新审视了随机到达模型下在线二分图匹配的Ranking算法,通过原始对偶分析和变分问题离散化,证明其竞争比介于0.686和0.703之间,并适用于更宽松的随机到达模型。
2025-03-06 cs.DS cs.GT
Competitive Design and Analysis for Machine-Minimizing Job Scheduling Problem
我们探讨了机器最小化作业调度问题,这在研究线上有着丰富的历史,在线设置下。我们考虑具有任意作业到达时间、任意作业截止时间和单位作业执行时间的系统。针对这个问题,我们给出了\emph{any}在线算法的竞争因子的下界2.09,然后设计了一个5.2-竞争的在线算法。我们还指出了一个错误的要求在现有的文件中的石和叶关于进一步限制的情况下考虑的问题。据我们所知,我们提出的是第一个具体的结果,关于在线机器最小化作业调度与任意工件到达时间和截止日期。
2013-09-23 cs.DS
Online Geometric Discrepancy for Stochastic Arrivals with Applications to Envy Minimization
考虑单位间隔$[0,1]$,其中$n$点一个接一个地独立且均匀地随机到达。在到达一个点时,问题是立即以$\{+1,-1\}$对其进行可替换的着色,同时确保每个间隔$[a,b] \subseteq [0,1]$接近平衡。我们将\emph{discrepancy}定义为整个过程中任何时间间隔的最大不平衡。如果所有的到达点都是已知的,那么我们可以交替地对它们进行着色,以实现$1$的差异。当我们在线给点着色时,最小可能的预期差异是多少?我们表明,上述问题的差异是次多项式在$n$,没有算法可以实现一个常数的差异。这是对仅得到$\widetilde{O}(\sqrt n)$差异的平凡随机着色的实质性改进。然后,我们得到了类似的结果,自然推广这个问题的$2$ -维的点均匀随机到达一个单位正方形。这种推广使我们能够改善最近的结果Benade等人。\cite{BenadeKPP-EC18}的在线嫉妒最小化问题时,到达是随机的。
2019-10-02 cs.CG cs.DM cs.DS
Deterministically Simulating Barely Random Algorithms in the Random-Order Arrival Model
University of Toronto(多伦多大学)
研究通过随机顺序到达提取随机位以去随机化算法,提出一种提取过程在最坏情况下偏移为2−√2,用于模拟多种随机算法以理解其与确定性算法的比较优势。
2026-03-26 cs.DS
Online Facility Location with Linear Delay
研究了带时滞的在线设施选址问题。在这个问题中,一系列$n$客户端出现在度量空间中,它们最终需要连接到某个开放设施。客户端不必立即连接,但这样的选择会带来惩罚:每个客户端都会产生等待成本(到达时间和连接时间之间的差异)。在任何时间点,一个算法都可以决定打开一个设施,并将任何客户端的子集连接到它。这是一个研究得很好的问题,既有它自己的问题,也有一般的网络设计问题。我们主要关注的是这个问题的一个新的变体,客户端也可以连接到一个已经打开的设施,但这样的行动会产生额外的成本:算法支付等待的设施(成本分别为每个这样的“晚”连接)。这让人想起了延迟的在线匹配,连接的双方都会产生等待成本。我们称之为双边时滞,以区别于以前研究的单边时滞。我们提出了一个$O(1)$竞争确定性算法的双边延迟变量。在技术方面,我们研究了一个贪婪的策略,增加预算增加等待延迟和开放设施的子集的客户端,一旦这些预算的总和达到一定的阈值。我们的技术是一个很大的扩展的方法所使用的Jain,Mahdian和Saberi [STOC 2002]的离线算法的性能分析设施的位置。然后,我们将展示如何将我们的$O(1)$竞争算法的双边延迟变量的$O(\log n / \log \log n)$竞争确定性算法的单边延迟。我们注意到,所有以前的在线算法的延迟问题,一般度量至少有对数比。
2022-09-28 cs.DS
Online Matching with Set and Concave Delays
本文首次研究具有集合延迟的在线最小成本完美匹配问题,在非透视设定下提出首个在请求数m上具有竞争性的算法,并证明确定性算法Ω(n)与随机化算法Ω(log n)的下界,同时给出透视设定下均匀凹延迟的m-竞争确定性算法。
2023-07-10 cs.DS
Online and Incremental Fractional Vertex Cover on Trees
University of Oxford(牛津大学);Jagiellonian University(雅盖隆大学);TU Darmstadt(达姆施塔特工业大学);University of Sheffield(谢菲尔德大学);University of Warsaw(华沙大学)
本文针对树上的分数顶点覆盖问题,在边到达的在线模型中提出11/6≈1.83竞争比的算法,在更新预先已知的增量模型中提出1.5竞争比的算法并给出匹配下界。
2026-08-26 cs.DS
Optimal Online Stochastic Matching
Google Research, Zurich(谷歌研究院);Tel Aviv University(特拉维夫大学)
该研究确定了已知到达律下无权重在线随机匹配的最优竞争比,建立了泊松匹配与指数调度的对应关系,还明确了未知到达律下的最优竞争比更低,区分了两类到达模型。
2026-10-14 cs.DS cs.GT
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
Online Allocation with Multi-Class Arrivals: Group Fairness vs Individual Welfare
本文研究多类别在线资源分配中的群体公平问题,提出两种基于阈值的在线算法并证明其最优性,同时揭示群体公平与个体福利的权衡,设计预留多阈值算法实现帕累托最优,并在网络缓存等真实场景中验证。
2025-01-27 cs.DS cs.GT
Online Matching on $3$-Uniform Hypergraphs
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Centrum Wiskunde & Informatica(荷兰数学与计算机科学中心);Boston University(波士顿大学)
研究3-均匀超图上的在线匹配问题,提出最优对偶分数算法,实现竞争比约0.4621,并展示其最优性。对于k≥3,给出优于贪心的整数算法,在在线节点度数受限时表现更优。
2026-04-17 cs.DS math.OC
A New Lower Bound for Online Vertex Cover under Vertex Arrivals
该研究针对顶点到达下的在线顶点覆盖问题,将Wang和Wong的构造扩展后证明了新的竞争比下界约为1.824,改进了此前的约1.753下界,还验证了该下界是递推式的精确极限。
2026-08-11 cs.DS cs.GT math.OC
Prophet Inequalities for Matching with a Single Sample
我们认为先知不等式问题(不一定是二分的)匹配问题的独立的边缘值,根据边缘到达和顶点到达。我们展示了常数因子预言家不平等的情况下,在线算法只有有限的访问值分布通过样本。首先,我们给出了一个$16$ -近似先知不等式匹配一般图下的边缘到达,只使用一个单一的样本从每个值分布作为先验信息。然后,对于二分匹配和(单侧)顶点到达,我们展示了一个改进的$8$,也只使用一个单一的样本从每个分布的范围。最后,我们展示了如何把我们的$16$近似单样本先知不等式变成一个真实的单样本机制,用于在线二分匹配与顶点到达。
2021-07-31 cs.DS cs.GT
Online energy efficient packet scheduling for a common deadline with and without energy harvesting
在线分组调度的问题,以最大限度地减少所需的传统电网能量传输固定数量的数据包给定一个共同的最后期限。在最后期限内到达的数据包总数是已知的,但数据包到达时间是未知的,并且可以是任意的。所提出的算法试图完成每个数据包的传输,假设所有未来的数据包将在剩余时间内以相等的时间间隔到达。所提出的在线算法被证明具有竞争力的比率是对数的数据包到达的数量。还考虑了混合能源模式,其中除了电网能源之外,还可以通过从可再生能源中提取能源。这里的目标是最大限度地减少电网能源使用。一个适当的修改版本的前一个算法也被证明具有竞争力的比率是对数的数据包到达的数量。
2016-02-04 cs.DS cs.IT math.IT
A Unified Model for the Two-stage Offline-then-Online Resource Allocation
Southeast University(东南大学);University of Victoria(维多利亚大学);New Jersey Institute of Technology(新泽西理工学院)
随着互联网的普及,传统的线下资源分配演变成了一种新的形式,叫做线上资源分配。它的特点是系统中的代理人在线到达,并在每个在线代理人到达时进行实时决策。离线和在线资源分配在从拼车到众包的各种现实匹配市场中都有广泛的应用。有一些新兴的应用,如自行车共享中的再平衡和拼车中的出行车辆调度,涉及两阶段的资源分配过程。该过程由一个离线阶段和另一个连续的在线阶段组成,这两个阶段竞争同一组资源。在本文中,我们提出了一个统一的模型,将离线和在线资源分配到一个单一的框架。我们的模型假设在线代理在第二在线阶段的非均匀和已知的到达分布,这可以从历史数据中学习。我们提出了一个参数化线性规划(LP)为基础的算法,这是最多的$1/4$从最佳的一个常数因子。在真实数据集上的实验结果表明,我们基于LP的方法在鲁棒性和有效性方面优于LP不可知算法。
2020-12-12 cs.AI 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