Online Edge Coloring Algorithms via the Nibble Method
近30年前,Bar-Noy,Motwani和Naor [IPL'92]证明了对于最大度$Δ=ω(\log n)$的$n$ -节点图存在在线$(1+o(1))Δ$ -边着色算法。这个猜想在一般情况下仍然是开放的,尽管最近Cohen等人在\emph{one-sided vertex arrivals}下证明了它。[FOCS'19]。在类似的静脉,我们研究边着色广泛研究松弛的在线模型。我们的主要结果是在\emph{random-order}在线模型。对于这个模型,已知的结果达不到Bar-Noy等人的结果。猜想,无论是在度界[Aggarwal等人~ FOCS'03],或使用的颜色数量[Bahmani等人~ SODA'10]。我们实现了两全其美,从而解决了Bar-Noy等人的问题。这是对这个模型的肯定。我们的第二个结果是使用\emph{recourse}的对抗在线(和动态)模型。Duan等人最近提出的一种算法~ [SODA'19]得到了具有聚$(\log n/ε)$资源的$(1+ε)Δ$ -边缘着色。我们用聚$(1/ε)$资源实现了相同的效果,从而消除了对$n$的所有依赖。我们的结果是一个常见的离线算法,我们展示了如何实现这两个在线模型。我们的算法,基于Rödl半字节方法,是Dubhashi等人的分布式算法的一个适应。[TCS'98]。Nibble方法已被证明是成功的分布式边着色。我们显示其…
2020-10-30 cs.DS
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
Low-Memory Algorithms for Online and W-Streaming Edge Coloring
本文针对在线与W-流式边着色问题,利用随机排列设计低内存算法,在边到达和顶点到达模型下以O(1)竞争比显著降低空间开销,并首次在亚线性内存中实现O(Δ)着色。
2023-05-31 cs.DS
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
Online Edge Coloring: Sharp Thresholds
该研究在在线边着色领域取得突破,提出了新的确定性和随机算法,确立了贪心算法可被超越、达到近似最优着色保证的尖锐阈值,匹配了经典的不可能性结果。
2025-07-29 cs.DS
Online Edge Coloring of Paths and Trees with a Fixed Number of Colors
我们研究了一个版本的在线边着色,其目标是尽可能多的边着色,只使用给定的数量,$k$,可用的颜色。我们所有的结果都是关于竞争分析的。以前的尝试,以确定此问题的最佳算法都失败了,即使是二分图。因此,在本文中,我们分析了更多的限制图类,路径和树。对于路径,我们考虑$k=2$,对于树,我们考虑任何$k \geq 2$。我们证明了一个自然的贪心算法称为第一次适合是最佳的确定性算法,路径以及树。对于路径,我们给出了一个随机算法,它是最优的,并且优于最好的可能的确定性算法。对于树,我们证明了为了获得比First-Fit更好的竞争比,算法必须是随机的和不公平的(即,拒绝可能已经着色的边缘),即使这样的算法也不会比First-Fit好得多。
2016-10-25 cs.DS
Online Rainbow Coloring In Graphs
彩虹着色是边着色的一种特殊情况,其中在由不同颜色边组成的每对不同顶点之间必须至少有一条路径。在这里,我们可以使用相同的颜色来表示来自单个顶点的两条不同路径的图的相邻边。在在线彩虹着色中,我们没有关于图的顶点和边的先验知识,实际上边是一个接一个可用的。我们必须在一条边到达时并且在下一条边到达之前对它着色。我们不能撤销着色决定一旦作出。据我们所知,目前还没有关于图的在线彩虹染色的研究。在本文中,我们首次尝试提出一个在线算法命名为最近最少使用的颜色(LRUC)的在线彩虹着色。我们通过竞争分析来分析LRUC的性能。我们表明,LRUC是最佳的线图,树和星形图。对于1-圈图,证明了LRUC是(2-2/n)-竞争图,其中n>3.我们得到了轮图和完全图的竞争比分别为(n-1)/3和n-1,其中n为顶点数.
2019-12-28 cs.DM 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
Tight Bounds for Online Coloring of Basic Graph Classes
我们解决了在线图着色中一些长期存在的问题。更具体地说,我们开发的基本图形类的在线算法的性能上紧的下限。一个重要的贡献是,我们的界限也举行随机在线算法,其中几乎没有任何结果是已知的。从技术上讲,我们构造弦图的下界。的建设,然后让我们得到以下进一步的图形类的随机在线算法的性能结果:树,平面,二分,归纳,有界树宽和磁盘图。结果表明,确定性算法和随机在线算法的最佳竞争比均为$Θ(\log n)$,其中$n$为图的顶点数.此外,我们证明,这种保证不能得到改善,如果一个在线算法有一个前瞻性的大小$O(n/\log n)$或访问一个重排序缓冲区的大小$n^{1-ε}$,任何$0<ε\leq 1$。我们的研究结果的一个后果是,除了二分图,自然$\textit{First Fit}$着色算法实现了最佳性能,确定性和随机在线算法之间的常数因子。
2017-07-03 cs.DM cs.DS
On the FirstFit Algorithm for Online Unit-Interval Coloring
本文通过推广邻域界并提出关键区间计数方法,分析了FirstFit算法在在线单位区间着色问题中的性能,证明了整数端点情形下2ω种颜色的紧确界及一般情形下⌈7/3ω⌉−2种颜色的上界。
2025-02-10 cs.DS
Deterministic Online Bipartite Edge Coloring
本文研究在线二分图边着色,提出可对抗自适应对手的随机化算法,并据此导出确定性算法,在 $Δ=ω(\log n)$ 时达到 $e/(e-1)+o(1)$ 竞争比,推翻随机化必要性。
2024-10-25 cs.DS
A Note on Circular Arc Online Coloring using First Fit
在Raman(2007)中,使用列构造技术证明了每个区间图可以用最多$8w(G)$颜色的First Fit在线着色,其中$w(G)$是$G$的最大团的大小。由于圆弧图的列结构不适用于圆弧图,本文给出了一个不同的证明,建立了用First Fit算法对圆弧图$G$进行在线着色的$9w(G)$的上界.
2013-12-04 cs.DM cs.DS math.CO
Online coloring of short interval graphs and two-count interval graphs
Kean University(基恩大学)
本文研究了σ-区间图和两计数区间图的在线着色问题,证明了σ-区间图的在线着色竞争比下界为3,而两计数区间图的贪心算法First-Fit的竞争比为4,且在不同条件下给出了更优的竞争比下界。
2026-04-30 cs.DS math.CO
Online Makespan Scheduling under Scenarios
Technical University of Berlin(柏林工业大学)
本文研究了在场景下在线最大完成时间调度问题,通过超图着色技术证明了紧密的界限,并探讨了不同场景和机器数量下的算法竞争力。
2025-12-09 cs.DS
Tree Coloring: Random Order and Predictions
针对在线着色难题,本文在随机顺序和预测模型下,将树的竞争比改进为对数双因子,并扩展到二色可染图,提供匹配下界,结合两种方法获得更优结果。
2024-05-28 cs.DS
Online Coloring and a New Type of Adversary for Online Graph Problems
我们介绍了一种新的类型的对手在线图的问题。新的对手是参数化的一个单一的整数$κ$,上限的连接组件的数量,对手可以在任何时候使用的在线图$G$。我们称这种攻击者为“$κ$组件有界”,或简称为$κ$ -CB。一方面,由于$κ$ -CB约束,与经典对手相比,该对手受到限制。另一方面,我们寻求竞争的比率参数化只有$κ$与输入长度$n$没有依赖性,从而使新的对手的权力,使用任意大的输入。我们研究在线着色下的$κ$ -CB对手。我们得到现有的算法$FirstFit$和$CBIP$更精细的分析,通过计算其在树和二分图下的新对手的竞争比。令人惊讶的是,$FirstFit$在树上的性能优于$CBIP$。当涉及到二分图时,$FirstFit$在新的对手下不再具有竞争力,而$CBIP$最多使用$2κ$颜色。我们还研究了几个著名的图类,如$3$ -可着色,$C_k$ -免费,$d$ -诱导,平面,有界树宽,在线着色下的$κ$ -CB对手。我们表明,额外的对抗力量的无界输入长度超过了连接组件的数量限制,导致这些类的竞争算法不存在。
2020-05-21 cs.DM cs.DS
Orientation does not help with 3-coloring a grid in online-LOCAL
Gran Sasso Science Institute(格兰萨索科学研究所);Aalto University(阿尔托大学)
本文证明,即使算法拥有网格图的全局一致定向,在线LOCAL和SLOCAL模型下的网格图3着色问题仍需Ω(log n)局部性,该下界与无定向时一致。
2026-08-21 cs.DC cs.DS
Hitting Sets Online and Unique-Max Coloring
我们考虑在线打集的问题。Hypergraph(即,由点和范围组成的范围空间)是预先已知的,并且以在线方式逐个地输入要插入的范围。在线算法必须在到达时插入每个范围。在线算法可以将点添加到命中集,但不能删除已经选择的点。目标是使用最少的点数。Alon等人的\cite{alon2009online}给出了一般超图的最著名的在线命中集竞争比是$O(\log n \cdot \log m)$,其中$n$和$m$分别表示点的个数和范围的个数.我们考虑超图,其中两个相交值域的并集也是一个值域。我们对这类超图的主要结果如下。在线碰集问题的竞争比至多是唯一极大数且至少是此数减1。
2012-07-11 cs.DM cs.DS
Batch Coloring of Graphs
在图着色问题中,目标是为输入图的每个顶点分配一个正整数颜色,使得相邻的顶点不接收相同的颜色分配。对于经典的图着色,目标是最小化所使用的最大颜色,而对于和着色问题,目标是最小化分配给所有输入顶点的颜色之和。在离线变体中,整个图是一次呈现的,而在在线问题中,每次呈现一个顶点用于着色,唯一的信息是先前已知顶点中其邻居的身份。在批量图着色中,顶点被呈现在k个批次中,对于固定整数k > 1,使得批次的顶点被呈现为集合,并且必须在下一批次的顶点被呈现之前被着色。最后一个模型是一个中间模型,它在在线和离线模型的两个极端场景之间架起了桥梁。我们提供了几个结果,包括和着色的一般结果和限制图类上的经典图着色问题的结果:我们显示了包含树作为子类的任何图类的紧界(例如,森林,二分图,平面图,完美图),以及一个令人惊讶的结果,区间图和k = 2,其中(严格和渐近)竞争比的值取决于图是否与其区间表示或没有。
2016-10-10 cs.DS
Dynamic Data Structures for Interval Coloring
本文研究了区间图类的动态图着色问题。在每个更新步骤中,算法都会显示一个要着色的区间,或者一个要删除的先前着色的区间。该算法的目标是有效地保持一个适当的着色的间隔尽可能少的颜色,通过在线算法。在增量模型中,每个更新步骤都为算法提供一个要着色的间隔。该问题与区间图的在线顶点着色问题密切相关,其中Kierstead-Trotter(KT)算法实现了最佳竞争比。我们首先表明,一个次二次时间直接实现的KT算法是不可能存在的在线布尔矩阵向量乘法猜想的正确性,由于Henzinger等人。\cite{DBLP:conf/stoc/HenzingerKNS15}的条件。然后,我们设计了一个增量算法,它与KT算法略有不同,最多使用$3 ω- 2$颜色,其中$ω$是与区间集相关的区间图中的最大团。我们的增量数据结构保持了一个适当的着色摊销$O(\log n + Δ)$更新时间,其中$n$是插入的间隔的总数和$Δ$是在区间图中的顶点的最大程度。然后,我们考虑的完全动态的框架,包括插入和删除。在每次更新时,我们的目标是保持剩余区间集的$3 ω- 2$着色,其中$ω$是与剩余区间集相关联的区间图中的最大团。我们的全动态算法支持在$O(\log n + Δ\log ω)$最差情况更新时间插入一个间隔,并在$O(Δ^2 \log n)$最差情况更新时间删除一个间隔。
2020-01-26 cs.DS
A Tight Lower Bound for 3-Coloring Grids in the Online-LOCAL Model
本文在Online-LOCAL模型中证明了二部图3-着色算法O(log n)局部性的最优性,给出网格图上紧的Ω(log n)下界,并进一步给出环面/圆柱网格的Ω(√n)下界以及一般k-部图着色的Ω(n)下界。
2024-05-01 cs.DC cs.DS
Online Vector Bin Packing and Hypergraph Coloring Illuminated: Simpler Proofs and New Connections
本文简化了在线向量装箱与超图着色的证明,建立新联系并改进下界,解决了超树情形的紧界猜想。
2023-06-20 cs.CC cs.DS
Balanced Interval Coloring
考虑用$k$颜色对$n$区间着色的差异问题,使得在直线上的每一点上,任意两种颜色的区间数的最大差异最小.令人惊讶的是,最大差异最多为1的着色总是存在的。并给出了一个具有运行时间的构造算法$O(n \log n + kn \log k)$.这是特别有趣的,因为许多已知的差异问题的结果是非建设性的。这个问题自然地模拟了负载均衡场景,其中具有给定开始和结束时间的$n$任务必须在$k$服务器之间分布。我们的研究结果表明,这可以做到理想的平衡。当推广到$d$维盒(而不是区间)时,最多相差1的解并不总是可能的。我们表明,对于任何$d \ge 2$和任何$k \ge 2$,它是NP-完全的,以决定是否存在这样的解决方案,这意味着也NP-困难的相应的最小化问题。在在线场景中,间隔随着时间的推移而到达,并且颜色必须在到达时决定,颜色类大小的最大差异对于任何在线算法都可以变得任意高。
2010-12-17 cs.DS
Online Coloring of Short Intervals
本文研究长度在 $[1,σ]$ 内的短区间交图在线着色,给出 $(1+σ)$-竞争算法并建立 $5/3$、$7/4$ 与渐近 $5/2$ 下界,核心技术是递归策略组合。
2020-08-03 cs.DM cs.DS math.CO
Deterministic Edge Coloring with few Colors in CONGEST
TU Graz(格拉茨工业大学)
本文提出了一种在CONGEST模型中使用少量颜色进行确定性边着色的算法,改进了边着色的复杂度并实现了多项式对数轮次的高效分布式算法。
2026-08-20 cs.DS
FirstFit coloring process of random bipartite graphs and an online coloring lower bound in the random order model
Shenzhen University of Advanced Technology(深圳先进技术大学)
该研究针对随机二分图的FirstFit着色过程,证明其在随机顺序模型下对二分图的颜色需求为n^Ω(1),反驳了相关多对数期望颜色数的猜想,强化了FirstFit在低色数图上的不良表现结论。
2026-10-14 cs.DM cs.DS math.CO
Dynamic 3-Coloring of Bipartite Graphs with Optimal Locality
CISPA Helmholtz Center for Information Security(CISPA 亥姆霍兹信息安全中心);Gran Sasso Science Institute(格兰萨索科学研究所);Aalto University(阿尔托大学)
该研究提出动态图算法维护二分图3着色,其局部性上界与在线模型下界匹配,缩小了动态与在线局部性的差距。
2026-10-14 cs.DC cs.DS
FirstFit online coloring in the random order model
Shenzhen University of Advanced Technology(深圳先进技术研究院)
本文研究随机顺序模型下FirstFit在线着色算法,将其树图分析推广至稀疏图类,证明其在冠图上仅用O(1)颜色,明确密度不足以保证二分图的O(1)颜色,指出部分图类随机改进有限并提出开放问题。
2026-09-01 cs.DM cs.DS math.CO
Online Graph Coloring for $k$-Colorable Graphs
National Institute of Informatics(国立情报学研究所);The University of Tokyo(东京大学)
本文提出了一种新的在线图着色算法,针对k-可着色图改进了着色数量的上界,并在k≥5和k=4的情况下取得了显著进展,同时改进了确定性算法的竞争比率。
2026-04-03 cs.DM cs.DS
Improved Approximation Algorithms for Weighted Edge Coloring of Graphs
研究了图的加权边染色问题,给出了一个带权的无向边加权的一般多重图$G := (V, E)$($w : E \rightarrow [0, 1]$).我们的目标是找到一个适当的加权着色的边缘尽可能少的颜色。一个边染色称为真加权染色,如果与任一颜色的顶点关联的边的权之和至多为1。在在线设置中,边缘被一个接一个地显示,并且一旦显示就必须被着色。我们表明,$3.39m+o(m)$颜色是足够的,当一个顶点的邻居在所有的顶点的最大数量是$o(m)$,其中$m$是最大的所有顶点的最小数量的单位大小的箱子需要包装的权重的入射边到该顶点。我们还证明了我们的分析的严密性。这改进了Correa和Goemans [STOC 2004]之前的$5m$最佳上限。对于离线的情况下,我们表明,对于一个简单的图与边缘不相交的周期,$m+1$颜色是足够的,对于多图树,我们表明,$1.693m+12$颜色是足够的。
2020-12-30 cs.DS
Randomized Greedy Online Edge Coloring Succeeds for Dense and Randomly-Ordered Graphs
本文分析在线边着色中的朴素随机贪心算法,证明其在随机边序或稠密图条件下可用$(1+ε)Δ$种颜色成功着色,并推出对抗自适应情形下的确定性算法。
2024-10-29 cs.DM cs.DS math.CO
An Exact Cutting Plane Algorithm to Solve the Selective Graph Coloring Problem in Perfect Graphs
考虑了选择性图着色问题,它是经典图着色问题的推广。给定一个图及其顶点集的聚类划分,我们希望每个聚类只选择一个顶点,以便最小化为所选顶点集着色所需的颜色数量。这个问题是NP难的。在这项研究中,我们专注于完美图中的选择性图着色的精确割平面算法。由于不存在一套完美的图的实例,以我们所知,我们还提出了一个算法,随机(但不均匀)生成完美的图,并提供了大量的实例在线。我们进行计算实验,以测试我们的方法在不同的大小和密度的图形,并比较我们的结果与一个国家的最先进的算法从文献中,并与解决整数规划制定的问题CPLEX。我们的实验表明,我们的解决方案策略显着提高了问题的可解性。
2020-12-22 cs.DS math.OC
Towards the Locality of Vizing's Theorem
Vizing表明,使用$Δ+ 1$颜色对简单图的边进行着色就足够了,其中$Δ+ 1$是图的最大度。然而,到目前为止,没有有效的分布式边着色算法已知获得这样的着色,即使是常数度图。最接近该颜色数量的当前算法是Chang等人的随机$(Δ+ \tildeΘ(\sqrtΔ))$ -边着色算法(SODA '18)和Ghaffari等人的确定性$(Δ+ \text{polylog}(n))$ -边着色算法(STOC '18),该随机$(Δ+ \tildeΘ(\sqrtΔ))$-边着色算法在$\text{polylog}(n)$轮中运行,该确定性$\text{poly}(Δ, \log n)$轮中运行。我们提出了两个分布式边着色算法,运行在$\text{poly}(Δ,\log n)$轮。第一个算法,随机化,只使用$Δ+2$颜色。第二种算法是使用$Δ+ O(\log n/ \log \log n)$颜色的确定性算法。我们的方法是减少分布式边着色问题到一个在线的,限制版本的球到箱子的问题。如果$\ell$是箱的最大负载,则我们的算法使用$Δ+ 2\ell - 1$颜色。我们展示了如何实现随机化的$\ell = 1$和不随机化的$\ell = O(\log n / \log \log n)$。
2019-04-10 cs.DC cs.DS
Converting online algorithms to local computation algorithms
我们提出了一个通用的方法,通过选择一个随机排列的输入,并模拟运行在线算法转换为本地计算算法。我们使用查询树来约束算法的步骤数,该查询树对查询之间的依赖关系进行建模。我们改进了以前的分析有界度的图上的查询树,并扩展分析的情况下,度分布二项式,和特殊情况下的二分图。利用这种方法,我们给出了有界度图的最大匹配的一个局部计算算法,该算法在时间和空间上都是O(log^3 n)。我们还展示了如何转换一个大家庭的负载均衡算法(球和箱子的问题),本地计算算法。这给出了几个本地的负载均衡算法,实现相同的近似比的在线算法,但运行在O(log n)的时间和空间。最后,我们修改了超图2-着色和k-CNF的现有局部计算算法,并使用我们的改进分析,以获得更好的时间和空间的界限,O(log^4 n),消除了对指数的最大程度的图的依赖。
2012-05-07 cs.DS
Online Graph Algorithms with Predictions
带有预测的在线算法是一种流行而优雅的框架,用于绕过竞争分析中的悲观下界。在这个模型中,在线算法提供了未来的预测,目标是竞争比平滑地插入最佳离线和在线边界之间作为预测误差的函数。在本文中,我们研究了预测的在线图问题。我们的贡献如下:* 第一个问题是定义预测误差。对于图形/度量问题,可能存在两种类型的错误,未预测的位置,以及预测但预测和实际位置不完全一致的位置。我们设计了一种新的定义的预测误差称为度量误差与离群值,同时捕获两种类型的错误,从而概括了以前的定义的错误,只捕获两种错误类型之一。* 我们给出了一个总体框架,用于获得在线算法与预测相结合,在一个“黑盒子”的方式,现有的在线和离线算法,在一定的技术条件下。据我们所知,这是第一个用于获得具有预测的在线算法的通用工具。* 使用我们的框架,我们得到紧边界的竞争比的几个经典的图问题作为度量误差与离群值的函数:施泰纳树,施泰纳森林,优先级施泰纳树/森林,和无能力/有能力的设施位置。具有离群值的度量误差的定义以及结合离线和在线算法的一般框架都不是我们在本文中考虑的问题所特有的。我们希望这些将有助于这一领域今后的工作。
2021-12-22 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 Algorithms for Weighted Paging with Predictions
在本文中,我们开始研究的加权寻呼问题的预测。这延续了最近在线预测算法的工作,特别是Lykouris和Vassilvitski(ICML 2018)和Rohatgi(SODA 2020)关于预测的未加权分页的工作。我们表明,不像未加权分页,既不是一个固定的前瞻性,也不知道下一个请求的每一页是足够的信息,算法克服现有的加权分页的下限。然而,两者的结合,我们称之为强每请求预测(SPRP)模型,足以给出一个2-竞争算法。我们还探讨了优雅地降低算法的预测误差增加的问题,并给出了一组自然的预测误差的措施的上限和下限。
2020-06-16 cs.DS
Complexity Classes for Online Problems with and without Predictions
IBA International Business Academy(IBA国际商学院);University of Southern Denmark(南丹麦大学)
本文为带预测的在线问题建立复杂性理论框架,定义基于错误度量的复杂性类层次,并引入归约、完全性等概念,通过实例分析展示其应用。
2026-06-16 cs.DS
Online Interval Scheduling with Predictions
研究在线区间调度及无交路径分配问题,针对带错误预测的输入,给出竞争比紧界及一致性与鲁棒性的渐近权衡,并用真实数据验证。
2025-01-23 cs.DS
Online Vector Balancing and Geometric Discrepancy
我们考虑一个在线的矢量平衡问题,$T$矢量,选择从任意分布在$[-1,1]^n$,到达一个接一个,必须立即给出一个$\pm$标志。我们的目标是保持差异尽可能小。一个具体的例子是在线区间差异问题,其中T点在[0,1]中均匀采样,目标是立即对它们进行$\pm$着色,使得每个子区间保持接近平衡。由于随机着色会导致$Ω(T^{1/2})$差异,而离线边界是向量平衡的$Θ(\sqrt{n \log (T/n)})$和区间平衡的$1$,一个自然的问题是是否可以(几乎)匹配这些问题的在线设置中的离线边界。必须利用随机性,因为在最坏的情况下,已知任何在线算法的差异都是$Ω(T^{1/2})$。Bansal和Spencer最近证明了当每个坐标独立时的$O(\sqrt{n}\log T)$界。当坐标之间存在依赖关系时,问题变得更具挑战性,Jiang,Kulkarni和Singla最近的工作证明了这一点,该工作给出了在线间隔差异的非平凡$O(T^{1/\log\log T})$。虽然这比随机着色好,但离离线边界还很远。在这项工作中,我们引入了一个新的框架,用于在线向量平衡时,输入分布具有跨坐标的依赖关系。这使我们可以获得任意输入分布下的在线向量平衡的$poly(n, \log T)$界,以及在线间隔差异的$poly(\log T)$界。我们的框架足够强大,可以捕获其他经过充分研究的几何差异问题;例如,一…
2020-04-13 cs.CG cs.DM cs.DS
Comparing the Hardness of Online Minimization and Maximization Problems with Predictions
IBA International Business Academy(IBA国际商业学院)
本文比较了在线最小化和最大化问题的竞争性,并展示了不同在线最大化问题之间的难度归约,揭示了复杂性类的新结果。
2026-02-23 cs.DS
Online metric algorithms with untrusted predictions
针对不可信预测下的在线决策问题,本文为任意度量任务系统和线上在线匹配提出鲁棒预测设置,并利用在线算法理论证明其鲁棒性,为缓存设计了性能呈指数级提升的算法,经真实数据集验证具实用性。
2023-04-06 cs.DS
Learning-Augmented Online Covering Problems
提出一个通用黑盒框架,将预测集成到在线覆盖算法中,使竞争比由请求数转为预测误差,突破最坏情况界并平滑退化,适用于设施选址等问题。
2025-07-08 cs.DS
Online Minimum Spanning Trees with Weight Predictions
我们考虑最小生成树问题的预测,使用权重到达模型,即,给出该图以及对所有边的权重的预测。然后,实际权重一次一个地到达,并且必须做出关于是否应该将边包括到生成树中的不可撤销的决定。为了评估我们的算法的质量,我们定义了一个适当的误差测量和分析的算法的性能作为一个函数的错误。我们证明,根据竞争分析,最简单的算法,后续的预测,是最佳的。然而,直觉上,人们应该能够做得更好,我们提出了一个贪婪的变体遵循预测。在分析该算法时,我们认为我们提出了一个非平凡的在线算法的预测的第一个随机顺序分析,通过它我们得到了一个算法分离。这可能有助于区分其他问题的算法时,遵循预测是最佳的竞争分析。
2023-02-23 cs.DS
Online Algorithms with Multiple Predictions
Duke University(杜克大学);IIT Delhi(德里印度理工学院)
本文研究了在线算法与多个机器学习预测增强。虽然近年来已经广泛地研究了用单个预测增强的在线算法,但是用于多个预测设置的文献是稀疏的。在本文中,我们给出了一个通用的算法框架,在线覆盖问题的多个预测,获得一个在线的解决方案,是对最佳预测的性能竞争。我们的算法结合了使用的预测在经典的潜在的在线算法的分析。我们应用我们的算法框架来解决经典的问题,如在线集覆盖,(加权)缓存,在线设施的位置在多个预测设置。我们的算法也可以是鲁棒的,即,可以同时使该算法与最佳预测和最佳在线算法(没有预测)的性能竞争。
2022-07-13 cs.DS cs.LG
Improving Online Algorithms via ML Predictions
Google(谷歌公司)
研究利用机器学习预测改进在线算法性能,针对滑雪租赁和未知先验作业调度问题提出新算法,其性能随预测质量提升而改善,且对较差预测具有鲁棒性。
2024-07-25 cs.DS cs.LG
Online TSP with Predictions
Institute of Information Science, Academia Sinica(中央研究院资讯科学研究所);National Tsing Hua University(国立清华大学);Columbia University(哥伦比亚大学)
我们开始研究在线路由问题的预测,最近令人兴奋的结果在学习增强算法的启发。一个学习增强的在线算法,它采用黑盒的方式预测优于现有的算法,如果预测是准确的,而在其他方面保持理论保证,即使当预测是非常错误的,是一个流行的框架,克服悲观的最坏情况下的竞争分析。在这项研究中,我们特别开始研究经典的在线旅行推销员问题(OLTSP),未来的请求与预测增强。与其他先前研究中的预测模型不同,OLTSP中与其到达时间和位置相关联的每个实际请求可能与预测的请求不一致,这正如想象的那样,导致麻烦的情况。我们的主要结果是研究不同的预测模型和设计算法,以改善在不同的设置中最知名的结果。此外,我们推广所提出的结果在线拨号乘车问题。
2022-06-30 cs.DS cs.LG
Online Algorithms with Uncertainty-Quantified Predictions
University of Waterloo(滑铁卢大学);California Institute of Technology(加州理工学院);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
研究在在线算法设计中如何最优利用不确定性量化预测,针对ski rental和online search问题提出需非平凡修改的算法及多实例在线学习框架以充分利用UQ。
2024-06-03 cs.DS cs.LG
Customizing ML Predictions for Online Algorithms
Duke University(杜克大学)
最近一项流行的研究将ML建议纳入在线算法的设计中,以提高其在典型情况下的性能。这些论文将ML算法视为黑盒,并重新设计在线算法以利用ML预测。在本文中,我们提出了一个补充问题:我们能否重新设计ML算法,为在线算法提供更好的预测?我们在经典的租或买问题的背景下探讨了这个问题,并表明在ML损失函数中引入优化基准可以显著提高性能,同时在建议完全错误时保持最坏情况下的对抗结果。我们支持这一发现,通过理论界和数值模拟。
2022-05-18 cs.DS cs.LG
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
Online Classification with Predictions
本文研究带预测的在线分类,设计一种学习器,其遗憾随预测质量提升而改善且不劣于最坏情况,并证明在预测容易时可达直推式在线学习的性能。
2024-05-22 cs.DS cs.LG stat.ML
Learning-Augmented Online Minimization with Dual Predictions
University of California, Berkeley(加州大学伯克利分校)
针对度量任务系统和层状集合覆盖两类在线最小化问题,提出利用对偶线性规划最优解的机器学习预测来改进理论保证的学习增强算法。
2026-06-03 cs.DS cs.LG
A Universal Error Measure for Input Predictions Applied to Online Graph Problems
University of Trieste(的里雅斯特大学);CWI(荷兰国家数学与计算机科学研究中心);University of Bremen(不来梅大学);La Sapienza University of Rome(罗马第一大学);INRIA-Erable(法国国家信息与自动化研究所Erable团队);Vrije Universiteit(阿姆斯特丹自由大学)
我们引入了一种新的措施量化输入预测的错误。错误是基于一个最小成本的超边缘覆盖在一个适当定义的超图,并提供了一个通用的模板,我们适用于在线图的问题。该度量捕获由于缺少预测请求以及未预测的实际请求而导致的错误;因此,预测和实际输入可以是任意大小的。我们实现了细化的性能保证以前研究的网络设计问题的在线列表模型,如斯坦纳树和设施的位置。此外,我们开始学习增强算法的在线路由问题的研究,如在线旅行销售人员的问题和在线拨号乘车问题,(运输)请求到达随着时间的推移(在线时间模型)。我们提供了一个通用的算法框架,我们给出了错误相关的性能界限,提高已知的最坏情况下的障碍,当给定准确的预测,在成本略有增加的最坏情况下的界限时,任意质量的预测。
2022-10-10 cs.DS cs.LG
Online Bin Packing with Predictions
Sorbonne Université(索邦大学);York University(约克大学);University of Manitoba(曼尼托巴大学)
本文研究带可学习预测的在线装箱问题,设计了在一致性与鲁棒性间高效权衡、性能随预测误差近似最优退化的在线算法,是该现实设定下首项结合理论与实验的竞争分析研究,弥补了以往仅研究极端误差情况的不足。
2024-04-17 cs.DS cs.LG