General Non-Clairvoyant KV-Cache Scheduling via Regime-Aware Routing
Hong Kong University of Science and Technology(香港科技大学);Shanghai Jiao Tong University(上海交通大学)
研究硬KV缓存内存预算下批量LLM推理的非先知式调度,提出基于状态感知路由框架的常数竞争算法,能处理任意提示和响应长度,对完工时间和总完成时间有常数竞争保证。
2026-07-13 cs.DS
The Power of Proportional Fairness for Non-Clairvoyant Scheduling under Polyhedral Constraints
本文大幅改进了比例公平算法在多面体调度问题中的竞争比分析,将一般PSP上界降至27、单调PSP降至4,并为近30年的倍增框架提供了首个多项式时间改进。
2024-11-18 cs.DS
Competitive Kill-and-Restart and Preemptive Strategies for Non-Clairvoyant Scheduling
本文研究非clairvoyant调度中杀灭重启与抢占策略,给出确定性下界3及b-缩放策略的竞争比(确定性约6.197,随机化约3.032),并证明WSETF规则2-竞争,多机适配性能保证小于10。
2023-06-01 cs.DS
Non-Clairvoyant Scheduling is Hard Even for Trees
Washington University in St. Louis(华盛顿大学圣路易斯分校);University of Michigan(密歇根大学)
该研究针对并行作业在线调度问题,证明非先知算法的竞争比下界为Ω(min{m, OPT}),并设计出结合FIFO与Small-Frontier-First的渐近最优非先知算法。
2026-10-09 cs.DS
Permutation Predictions for Non-Clairvoyant Scheduling
University of Bremen(不来梅大学)
在非透视调度中,任务是找到一个在线的调度策略与先验未知的加工要求,以最小化总(加权)完成时间的目标。我们在最近流行的学习增强设置,集成(不可信的)在线算法设计的预测,重新审视这个经过充分研究的问题。虽然以前的作品使用预测的处理要求,我们提出了一个新的预测模型,它提供了一个相对顺序的工作,可以被看作是预测算法的行动,而不是部分未知的输入。我们表明,这些预测具有所需的属性,承认一个自然误差的措施,以及具有强大的性能保证的算法,他们是学习,在理论和实践。我们推广了Kumar等人(NeurIPS'18)在开创性论文中提出的算法框架,并提出了加权作业和不相关机器的第一个学习增强调度结果。我们在实证实验中证明的实用性和优越的性能相比,以前建议的单机算法。
2022-05-20 cs.DS cs.LG
Non-clairvoyant Scheduling with Partial Predictions
ENSAE(法国国立统计与经济管理学院);CREST(CREST研究院);Ecole polytechnique(巴黎综合理工学院);Criteo AI Lab(Criteo人工智能实验室)
本文研究仅有 B/n 个作业规模可预测的非先知调度,给出完美预测下近优下界与算法,并提出兼顾鲁棒性、一致性和平滑性的学习增强算法,揭示一致性与平滑性的新权衡。
2024-08-04 cs.AI cs.DS cs.LG
Competitive Non-Clairvoyant KV-Cache Scheduling for LLM Inference
Hong Kong University of Science and Technology(香港科技大学);Shanghai Jiao Tong University(上海交通大学)
本文提出非clairvoyant的几何切片算法(GSA)和clairvoyant的几何批处理算法(GBA),在LLM推理中实现首个常数竞争比,显著提升性能界。
2026-01-30 cs.DS
Non-clairvoyant Scheduling of Coflows
被认为是coflow调度问题:给定一个输入/输出交换机,每个端口有一个固定的容量,找到一个调度算法,最小化的加权总和的coflow完成时间尊重端口的能力,其中每个流的coflow有一个需求,每个输入/输出端口,和coflow完成时间是coflow的最后一个流的完成时间。本文的目的是目前的理论保证近似的总和coflow完成时间在非透视设置,在一个coflow的到来,只有流量的数量,和他们的输入输出端口被揭示,而每个流的临界需求量在各自的输入输出端口是未知的。本文的主要结果是表明,所提出的BlindFlow算法是$8p$ -近似,其中$p$是最大数量的输入输出端口对的coflow使用。即使在在线的情况下,coflows到达随着时间的推移,调度程序只使用因果信息,这一结果也成立。仿真结果表明,BlindFlow的实验性能远优于理论保证。
2020-04-13 cs.DS cs.NI
Non-clairvoyant Scheduling Games
在调度博弈中,每个局中人拥有一个作业,并选择一台机器来执行它,社会成本是所有机器上的最大负载(完工时间),每个局中人的成本(负效用)是自己作业的完成时间。在博弈中,参与者可能会遵循自私的策略来优化他们的成本,因此他们的行为不一定会导致博弈达到均衡。即使在存在均衡的情况下,它的最大完工时间也可能比社会最优值大得多,而这种无效率是由无政府状态的无政府代价来衡量的--均衡的最大完工时间与最优完工时间之间的最差比率。协调机制旨在通过设计调度策略来减少无政府状态的无政府代价,该调度策略指定如何调度分配给同一机器的作业。通常,这些策略根据作业宣布的处理时间来定义调度。人们可能想知道是否有政策不需要这种知识,仍然提供了一个良好的无政府代价。这将使处理时间成为私人信息,并避免真实性问题。在本文中,我们研究这些所谓的非透视政策。特别是,我们研究了随机的政策,没有抢占的情况下,在一个随机的顺序调度的作业,和EQUI的政策,调度的作业并行使用时间复用,分配给每个作业的CPU时间的一个相等的分数。
2011-01-06 cs.DS
Energy-Efficient Multiprocessor Scheduling for Flow Time and Makespan
我们考虑多处理器上的节能调度,其中每个处理器的速度可以单独缩放,并且处理器在以速度$s$运行时消耗功率$s^α$,对于$α>1$。对于一组具有时变并行度的并行作业,调度算法需要在任意时刻同时决定处理机的分配和处理机的速度。目标是最小化总能耗和一定的性能指标之和,在本文中包括总流程时间和完工时间。对于这两个目标,我们提出了瞬时并行千里眼(IP千里眼)算法,知道的瞬时并行的工作在任何时候,但不是他们的未来的特点,如剩余的并行度和工作。对于总流时间加能量,我们提出了一个$O(1)$竞争算法,这显着改善后,最有名的非透视算法,是第一个恒定的竞争结果多处理器的并行作业的速度缩放。在最大完工时间加能量的情况下,这是第一次在文献中,我们提出了一个$O(\ln^{1-1/α}P)$竞争算法,其中$P$是处理器的总数。我们证明了该算法是渐近最优的,通过提供一个匹配的下界。此外,我们还研究了总流时间加能量的非透视调度问题,提出了一种算法,该算法实现了对任意释放时间工件的$O(\ln P)$ -竞争和对相同释放时间工件的$O(\ln^{1/α}P)$ -竞争。最后,我们证明了一个$Ω(\ln^{1/α}P)$下界的竞争比的任何非透视算法,匹配的上限,我们的算法的工件具有相同的释放时间。
2014-01-19 cs.DS
Robust Non-Clairvoyant Scheduling with Classification Models
Univ. Marie et Louis Pasteur(玛丽-路易斯·巴斯德大学);CNRS(法国国家科学研究中心);institut FEMTO-ST(FEMTO-ST研究所);Université de Lorraine(洛林大学)
针对非先知单机调度中无法实现常数竞争比的问题,提出利用分类模型混淆矩阵构建排列不确定性集的鲁棒框架,并给出最优非自适应策略及可超越它的自适应与随机算法。
2026-10-02 cs.DS cs.LG
Non-Clairvoyant Batch Sets Scheduling: Fairness is Fair enough
调度问题自然出现在许多不同的领域,其中操作系统的设计,编译,.在现实系统中,作业的特性(如发布时间和处理时间)通常是事先未知和不可预测的。系统通常不知道每个作业中的剩余工作或作业利用更多资源的能力。根据这些观察,我们采用了Edmonds等人(2000,2003)的工作模型,其中工作经历了一系列不同的阶段。每个阶段由一定数量的工作和一个加速函数组成,该函数模拟了它如何利用接收到的处理器数量。我们考虑非透视在线设置,其中一组作业在时间0到达。我们考虑Robert et al(2007)引入的度量setflowtime。目标是最小化集合的完成时间之和,当所有的工作都完成时,集合就完成了。如果输入由单个作业集组成,这就是作业的完工时间;如果输入由单个集合组成,这就是作业的流程时间。我们表明,非透视战略EQUIoEQUI,均匀地分裂可用的处理器之间的仍然未服务的集合,然后均匀地分裂这些处理器之间的仍然未完成的作业的每个未服务的集合,实现了竞争比(2+ \sqrt 3+o(1))\frac{ln n}{lnln n}的setflowtime最小化,这是渐近最优的(一个常数因子),其中n是最大的集的大小。对于最大完工时间最小化,我们证明了非透视策略EQUI达到了(1+o(1))\frac{ln n}{lnln n}的竞争比,这又是渐近最优的。
2006-12-19 cs.DC cs.DS
Smooth Inequalities and Equilibrium Inefficiency in Scheduling Games
我们研究调度游戏(与不相关的机器)的协调机制。在这些游戏中,每个任务代表一个玩家,玩家需要选择一台机器来执行任务,并打算尽可能早地完成任务。我们的目标是设计调度策略,总是承认一个纯粹的纳什均衡,并保证一个小的无政府代价的l_k-范数的社会成本-目标平衡整体服务质量和公平性。我们考虑的政策与不同数量的知识工作:非千里眼,强烈的本地和本地。分析依赖于光滑的论点连同适当的不等式,称为光滑不等式。在这个统一的框架下,我们能够证明以下结果。首先,我们研究了强地方性政策SPT和非透视性政策EQUI的l_k范数社会成本的无效率。证明了策略SPT的无政府无政府代价为O(k)。我们还证明了一个下界的欧米茄(k/log k)的所有确定性,非抢占式,强本地和非等待的政策(非等待政策产生的时间表没有空闲时间)。这些结果保证了SPT在l_k-范数社会成本类下接近最优。证明了非透视策略EQUI的无政府无政府代价为O(2^k).其次,我们考虑的完工时间(l_infty-norm)的社会成本,通过连接的l_k-范数函数。我们重新审视一些地方的政策,并提供更简单,统一的证明框架的角度来看。在此基础上,提出了一种局部政策平衡的方法.该策略保证了O(log m)的无政府代价,这使得它成为当前最知名的匿名本地策略中的策略,总是允许一个纯纳什均衡。
2012-02-20 cs.DS cs.GT
Near-Optimal Consistency-Robustness Bounds for Non-Clairvoyant Scheduling
Johns Hopkins University(约翰斯·霍普金斯大学);CUHK(SZ)(香港中文大学(深圳))
针对单机非先知调度的一致性-鲁棒性权衡问题,本文提出新的下界与算法,给出近最优刻画,缩小了多项式差距,还可使算法容错,在预测误差有界时保持近最优权衡。
2026-11-13 cs.DS
Non-Clairvoyant Scheduling to Minimize Max Flow Time on a Machine with Setup Times
考虑一个问题,其中被分类为$k$类型的$n$作业随时间到达它们的发布时间,并且要在单个机器上调度,以便最小化最大流时间。每当机器从处理一种类型的作业切换到处理另一种类型的作业时,它都需要以$s$时间单位进行设置。我们认为这个问题是一个在线的问题,每个工作是唯一已知的调度程序,只要它到达和一个工作的处理时间只有在其完成后才知道(非千里眼)。我们感兴趣的是简单的“类贪婪”算法的潜力。我们分析了修改的FIFO策略,并显示其竞争力是$Θ(\sqrt{n})$,这是最佳的考虑类算法。对于$k=2$类型,它实现了持续的竞争力。我们的主要见解是通过分析平滑的竞争力。如果处理时间$p_j$独立扰动$\hat p_j = (1+X_j)p_j$,我们得到的竞争力$O(σ^{-2} \log^2 n)$时,$X_j$是从一个均匀的或(截断)正态分布与标准偏差$σ$。结果证明坏实例是脆弱的,并且“实际上”人们可能期望比由$Ω(\sqrt{n})$界限给出的性能好得多。
2017-09-18 cs.DS
SELFISHMIGRATE: A Scalable Algorithm for Non-clairvoyantly Scheduling Heterogeneous Processors
我们考虑的经典问题,最小化总加权流时间不相关的机器在线\emph{non-clairvoyant}设置。在这个问题中,一组作业$J$随着时间的推移到达一组$M$机器上进行调度。每个作业$j$具有处理长度$p_j$、权重$w_j$,并且当在机器$i$上调度时以$\ell_{ij}$的速率处理。在线调度程序在作业到达时知道$w_j$和$\ell_{ij}$的值,但不知道数量$p_j$。我们提出了{ \em first}在线算法,该算法是{ \em scalable}($(1+\eps)$ -速度$O(\frac{1}{ε^2})$ -对任何常数$\eps > 0$都有竞争力)的总加权流时间目标。除了最基本的相同机器的情况外,在这种情况下没有已知的重要结果。我们的结果解决了在线调度理论中的一个主要的开放问题。此外,我们还表明,没有工作需要超过对数数量的迁移。我们进一步扩展我们的结果,并给出了一个可扩展的算法的目标最小化总加权流时间加能量成本的情况下,不相关的机器,并获得一个可扩展的算法。算法的关键思想是让工作自私地迁移,直到它们收敛到一个均衡。为此,我们定义了一个游戏,其中每个作业的实用程序是密切相关的瞬时增加的目标的工作负责,和每台机器声明的政策,分配优先级的工作时,他们迁移到它,和执行速度的基础上。这与协调机制的精神相似,协调机制试图在自私的代理人(工作)存在的情况下实现接近最佳的福…
2014-04-07 cs.DS
Polytope Scheduling with Groups: Unified Models and Optimal Guarantees
Technische Universität Berlin(柏林工业大学);University of Bremen(不来梅大学);Zhejiang University(浙江大学)
本文提出了一种统一的多面体调度模型,并给出了针对分组完成时间目标的最优竞争算法,同时提供了新的近似算法框架。
2026-02-11 cs.DS
Speed-Oblivious Online Scheduling: Knowing (Precise) Speeds is not Necessary
University of Bremen(不来梅大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文研究速度无关的异构机器在线调度,证明透视与非透视算法的下界,并提出基于可能错误预测的学习增强算法及速度有序模型算法,首次在真实多核处理器上验证带预测调度算法的性能。
2026-10-14 cs.DS cs.LG
Simple Approximation Algorithms for Minimizing the Total Weighted Completion Time of Precedence-Constrained Jobs
本文针对具有优先约束的调度问题,提出简单的加权轮转规则和基于参数化流问题的强多项式算法,分别获得单机2-近似和并行机抢占式3-近似,并在非透视调度中优于已知竞争比8。
2023-09-21 cs.DS
Online Flow Time Minimization with Gradually Revealed Jobs
Technische Universität Berlin(柏林工业大学);Centrum Wiskunde & Informatica (CWI)(荷兰数学与计算机科学研究学会);University of Amsterdam(阿姆斯特丹大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
研究提出了一种渐进揭示作业处理时间的在线调度算法,以最小化流程时间,证明了O(m²)的竞争性,并展示了在特定情况下SRPT的最优性。
2026-02-13 cs.DS
A Comprehensive Study of an Online Packet Scheduling Algorithm
我们研究了\emph{bounded-delay model}的服务质量缓冲区管理。时间是离散的。有一个缓冲区。单位长度作业(也称为\emph{packets})会随着时间的推移到达缓冲区。每个数据包都有一个整数的释放时间,一个整数的最后期限和一个正的实数值。直到数据包实际到达,在线算法才知道数据包的特征。在每个时间步中,最多一个数据包可以被发送出缓冲区。其目标是最大化的总价值的数据包发送的各自的截止日期在一个在线的方式。在线算法的性能通常以\emph{competitive ratio}来衡量,当该在线算法与实现最佳总价值的透视算法进行比较时。在本文中,我们研究了一个简单而直观的在线算法。我们分析其性能的一般模型和一些重要的变种的竞争比。
2011-08-01 cs.DS
A Framework for Automated Competitive Analysis of On-line Scheduling of Firm-Deadline Tasks
IST Austria (Institute of Science and Technology Austria)(奥地利科学技术研究所);Vienna University of Technology(维也纳工业大学)
本文提出基于多目标图的灵活框架,用于自动分析在线调度算法的竞争比,通过比较不同算法在不同任务集上的表现,揭示无一算法普遍最优的结论。
2014-09-14 cs.DS cs.SY eess.SY
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
Multi-objective scheduling on two dedicated processors
研究了两个专用处理机上的多目标调度问题。目标是同时最小化完工时间、总误工时间和总完工时间。这个NP难问题需要使用适应性强的方法。为此,我们采用遗传算法多目标的情况下。提出了三种解决这一问题的方法。第一种是聚合算法,第二种是Pareto算法,第三种是非支配排序遗传算法II(NSGA-II)。我们为每个标准提出了一些自适应的下界,以评估在大量实例上发现的结果的质量。事实上,这些界限也使得有可能根据每个算法发现的不同结果来确定一个算法对另一个算法的优势。我们使用两个指标来衡量帕累托前沿的质量:超体积指标(HV)和最优前沿(ND)中的解决方案数量。实验结果表明了所提算法的有效性。
2020-04-15 cs.DS
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
Instance and Universally Optimal Bounds for Imprecise Pareto Fronts
IT University of Copenhagen(哥本哈根信息技术大学);Technical University of Denmark(丹麦技术大学);Institute of Science and Technology Austria (ISTA)(奥地利科学技术研究所)
本文提出了一种在平面中处理重叠区域的算法,该算法在检索次数和运行时间上均达到最优,实现了对不精确帕累托前沿的高效构造。
2026-05-08 cs.CG cs.DS
Minimalistic Predictions to Schedule Jobs with Online Precedence Constraints
EPFL(洛桑联邦理工学院);University of Bremen(不来梅大学)
我们认为非透视调度与在线优先约束,算法是不注意任何工作的依赖关系,并了解一个工作,只有当所有的前辈已经完成。鉴于经典竞争分析中的强不可能性结果,我们研究了学习增强设置中的问题,其中算法可以在没有任何质量保证的情况下获得预测。我们讨论了不同的预测模型:新的特定问题的模型,以及一般的,这已经提出了在以前的作品。我们提出了不同的优先拓扑的下限和算法的上限,从而给出了一个结构化的概述,以及如何额外的(可能是错误的)信息有助于设计更好的算法。一路上,我们还提高了现有算法的传统竞争比的界限。
2023-01-30 cs.DS cs.LG
Improved algorithms for single machine serial-batch scheduling to minimize makespan and maximum cost
本文研究串行批处理机上同时最小化最大完工时间与最大成本的双准则调度问题,提出 $O(n^3)$ 时间算法生成有界模型所有 Pareto 最优点并求解无界严格优先关系模型,改进了此前 $O(n^4)$ 的最佳运行时间。
2025-03-30 cs.DS
Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms
UC Berkeley(加州大学伯克利分校)
我们研究的问题,提高在线算法的性能,将机器学习的预测。我们的目标是设计出一致且鲁棒的算法,这意味着当预测准确时,算法表现良好,并保持最坏情况的保证。这样的算法已经在最近的一系列工作中进行了研究,由于Lykouris和Vassilvitskii(ICML '18)和Purohit等人(NeurIPS '18)。它们为各种在线问题提供了鲁棒性-一致性权衡。然而,他们留下了一个悬而未决的问题:这些权衡是否紧密,即,在多大程度上需要这种权衡。在本文中,我们使用机器学习预测提供了第一组用于竞争分析的非平凡下界。我们专注于滑雪租赁和非千里眼调度的经典问题,并在各种设置中提供最佳权衡。
2020-10-22 cs.DS cs.LG
Skyline-First Traversal as a Control Mechanism for Multi-Criteria Graph Search
Ni2 Innovation Lab, Liège, Belgium(尼2创新实验室,比利时利耶(Liège));University of Mons (UMONS), Belgium(蒙斯大学(UMONS),比利时)
本文提出利用Pareto几何驱动搜索调度与终止,通过Skyline层实现确定性下降和终止条件,无需外部启发式或概率模型。
2026-04-14 cs.AI cs.DS
Algorithms with Prediction Portfolios
Johns Hopkins University(约翰斯·霍普金斯大学);University of Texas at Dallas(德克萨斯大学达拉斯分校);Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院)
具有预测的算法的研究领域最近取得了成功,展示了如何将机器学习纳入算法设计,以在预测正确时提高性能,同时在预测不正确时保留最坏情况保证。以前的大多数工作都假设该算法可以访问单个预测器。然而,在实践中,有许多可用的机器学习方法,通常具有无与伦比的泛化保证,因此很难事先选择最佳方法。在这项工作中,我们考虑的情况下,多个预测算法,问题是如何最好地利用它们。理想情况下,我们希望算法的性能取决于最佳预测器的质量。然而,使用更多的预测是有代价的,因为我们现在必须确定哪个预测是最好的。我们研究了使用多个预测的一些基本问题,包括匹配,负载均衡,和非透视调度,这已经很好地研究了在单一的预测设置。对于这些问题中的每一个,我们引入了新的算法,利用多个预测,并证明所产生的性能上的界限。
2022-12-03 cs.DS cs.LG