Learning-Augmented Weighted Paging
我们考虑一个自然的半在线模型加权分页,在任何时候的算法给出的预测,可能有错误,下一次到达的每个页面。该模型的灵感来自Belady的经典优化离线算法,用于未加权分页,并将最近研究的学习增强分页模型(Lykouris和Vassilvitskii,2018)扩展到加权设置。对于完美的预测的情况下,我们提供了一个$\ell$竞争确定性和$O(\log \ell)$竞争随机算法,其中$\ell$是不同的权重类的数量。这两个边界都是紧的,并且当页面权重位于$1$和$W$之间时,分别意味着$O(\log W)$ -和$O(\log \log W)$ -竞争比。以前,不知道如何在加权设置中使用这些预测,并且仅知道$k$和$O(\log k)$的界限,其中$k$是高速缓存大小。我们的研究结果还推广到交错寻呼设置和不完美的预测的情况下,随着预测误差的增加,竞争比从$O(\ell)$和$O(\log \ell)$分别平滑地下降到$O(k)$和$O(\log k)$。我们的研究结果是基于几个见解Belady的算法的结构特性和页面到达预测的序列,以及新的潜在功能,将这些预测。对于未加权分页的情况下,结果意味着一个非常简单的潜在的功能为基础的证明Belady的算法,这可能是独立的利益的最优性。
2021-11-09 cs.DS
New and Improved Bounds for Markov Paging
Stanford University(斯坦福大学);Toyota Technological Institute at Chicago(芝加哥丰田技术研究所)
针对马尔可夫分页模型,通过改进Lund等人(FOCS 1994)的分析,证明主导分布算法相对于最优在线算法OPT的竞争比从4降至2,并给出1.5907的下界。
2026-05-24 cs.DS
Truly Online Paging with Locality of Reference
竞争性分析未能在联机分页问题中对引用局部性进行建模。为了解决这个问题,Borodin et.引入了访问图模型,它试图捕获引用的局部性。然而,访问图模型有许多令人不安的方面。访问图必须预先为分页算法所知,并且表示访问图本身所需的存储器可能非常大。在本文中,我们提出了真正的在线强竞争寻呼算法的访问图模型,没有任何先验信息的访问序列。我们提出了确定性和随机算法。该算法只需要O(klogn)位的内存,其中k是可用的页槽数,n是虚拟地址空间的大小。即,渐近地没有比存储虚拟地址转换表所需的更多的存储器。我们还观察到,我们的算法适应自己的时间变化的参考位置。我们通过扩展访问图模型到所谓的扩展访问图模型,其中图的许多顶点可以对应于相同的虚拟页面的引用的局部性的时间变化建模。我们定义了一个度量,表示为Delta(G)的参考局部G的变化率。然后我们证明了只要Delta(G)>=(1+ k)k,我们的算法仍然具有很强的竞争力,并且没有真正的在线算法可以在一类扩展访问图上具有很强的竞争力,这类扩展访问图包括Delta(G)>= k-o(k)的所有图G。
2006-01-30 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
Paging with dynamic memory capacity
我们研究了经典分页问题的泛化,它允许可用内存量随时间变化-捕获许多现代计算现实的基本属性,从云计算到多核和能源优化处理器。事实证明,当内存容量波动时,“经典”情况下的良好性能并不能保证性能:粗略地说,从静态容量到动态容量的变化可能意味着在空间和时间上最优性在2倍之内,而次优性在任意大的因子之内。更确切地说,采用竞争分析框架,我们表明,一些在线寻呼算法,尽管有一个最佳的(h,k)-竞争比时,容量保持不变,是不是(3,k)-竞争任何任意大的k在最小的容量波动的存在。从这个角度来看,令人惊讶的是,即使内存容量发生了不利的变化,几个经典的分页算法也能表现得非常好--即使没有显式地考虑这些变化!特别是,我们证明了LFD仍然达到了最小故障数,并且几个经典的在线算法,如LRU,具有“动态”(h,k)竞争比,这是最好的一个可以实现不知道未来的页面请求,即使一个人有完美的知识,未来的容量波动(该比率的精确特征表明,它几乎(尽管不完全)等于“经典”比率k/(k-h+1))。换句话说,通过仔细的管理,知道/预测未来的内存资源对性能的重要性远远低于知道/预测未来的数据访问。
2013-04-22 cs.DS cs.OS cs.PF
Relative Interval Analysis of Paging Algorithms on Access Graphs
访问图,这已被用于先前与竞争分析和相对最差阶分析,以模拟本地参考寻呼,被认为是与相对间隔分析。使用路径、星型和循环访问图比较了LRU、FIFO、FWF和FAR算法。在该模型中,得到了一些预期的结果。然而,虽然LRU被发现是严格优于FIFO的路径,它有较差的性能上的星,循环,和完整的图形,在这个模型中。我们解决了[Dorrigiv,Lopez-Ortiz,Munro,2009]中的一个公开问题,通过相对区间分析获得了LRU和FIFO之间关系的严格界限。
2013-05-03 cs.DS
Paging with Per-Replacement Maximum Delay
Southern University of Science and Technology(南方科技大学)
本文针对缺页可等待的每替换最大延迟分页模型,提出确定性(5k+3)-竞争阈值-LRU算法与随机5H_k-竞争算法,同时研究离线场景的动态规划与近似算法,发现最远未来使用的 victim 选择在3页时即可能次优。
2026-09-14 cs.DS
Towards Optimal Robustness in Learning-Augmented Paging
Department of XXX, University of YYY, Location, Country;School of ZZZ, Institute of WWW, Location, Country;Zhejiang University, Hangzhou, China;Nanjing University of Aeronautics;Nanyang Technological University, Singapore
本文提出一种新框架,通过相对预测预算原语,在学习增强分页中实现最优鲁棒性界 H_k + O(1),并实验验证其实际性能。
2026-06-08 cs.DS cs.LG
Paging with Multiple Caches
现代内容分发网络包括一个或多个后端服务器,其存储整个内容目录,并由位于终端用户附近的具有有限存储和服务能力的多个前端服务器辅助。在前端服务器上适当地复制内容是最大限度地提高前端服务器所服务的请求比例的关键。基于此,研究了经典单缓存分页问题的多缓存变体,称为多缓存分页(MCP)问题。在每个时隙中,一批内容请求到达,这些请求必须由一组高速缓存服务,并且每个高速缓存只能服务一个请求。如果在银行中没有找到内容,则从后端服务器获取该内容,并且弹出当前存储的一个内容,并计为故障。在经典的分页问题中,目标是最小化故障总数。MCP问题的任何在线算法的竞争比被证明是无界的任意输入,从而得出结论,MCP问题是从根本上不同于经典的寻呼问题。因此,考虑随机到达设置,其中请求根据已知/未知的随机过程到达。结果表明,接近最优的性能可以实现简单的政策,不需要协调的缓存。
2016-02-23 cs.DS
Online Paging with Heterogeneous Cache Slots
本文研究槽异构分页问题,刻画不同可请求槽集族下最优竞争比的上下界,并证明层状情形可归约到按页集请求的分页推广,给出确定性与随机化算法的竞争比结果。
2024-10-19 cs.DS
Knowledge State Algorithms: Randomization with Limited Information
我们引入了知识状态的概念,许多著名的算法可以被视为知识状态算法。知识状态方法可以用来构造竞争性随机在线算法,研究竞争性和记忆之间的权衡。一个知识状态只是通过固定一个工作函数来简单地陈述对手的条件义务,并给出算法的分布。当知识状态算法接收到请求时,它然后计算一个或多个“后续”知识状态,以及转换到每个状态的概率。然后,该算法使用随机化来选择其中一个作为新的知识状态。我们应用该方法的分页问题。我们提出了最优竞争算法的情况下,缓存大小为k=2和k=3的分页。这些算法只使用非常有限数量的书签。
2007-01-23 cs.DS
Online Weighted Paging with Unknown Weights
Tel-Aviv University(特拉维夫大学);Amazon Science(亚马逊科学);Google Research(谷歌研究院)
针对页面获取权重未知的在线加权分页问题,提出首个从多次成本采样中学习权重的算法,并通过整数样本、分数求解器与随机舍入的接口达到在线决策目标。
2024-10-28 cs.DS cs.LG
On-Line Paging against Adversarially Biased Random Inputs
在评估算法时,最坏情况分析可能过于悲观。平均案例分析可能过于乐观。一个中间的方法是证明一个算法在一个广泛的输入分布类上做得很好。Koutsoupias和Papadimitriou最近以这种方式分析了最近最少使用(LRU)寻呼策略,分析了它在所谓的扩散对手(diffuse advertisement)生成的输入序列上的性能-扩散对手必须概率地选择每个请求,以便没有页面被选择的概率超过某个固定的概率>0。他们表明LRU达到了最佳竞争比(对于确定性在线算法),但他们没有确定实际的比率。在本文中,我们估计的最佳比例在大约两个因素的确定性策略(例如,最近最少使用和先进先出)和随机策略。在阈值Theta ~ 1/k(其中k是高速缓存大小)附近,最佳比率都是Theta(ln k)。在阈值以下,比率迅速趋于O(1)。在阈值以上,随机策略的比率不变,但确定性策略的比率迅速趋于Theta(k)。我们还给出了LRU的最优性的另一种证明。
2002-05-09 cs.CC cs.DS
Paging with Succinct Predictions
University of Twente(特文特大学);University of Southern Denmark(南丹麦大学);Bocconi University(博科尼大学);EPFL(洛桑联邦理工学院);IN2P3 Computing Center(法国国家核物理与粒子物理研究院计算中心);CNRS(法国国家科学研究中心)
分页是在线算法领域的一个典型问题。它还在学习增强算法的发展中发挥了核心作用-最近的一系列研究旨在通过让算法获得预测来改善经典最坏情况分析的缺点。这种预测通常可以使用机器学习方法来生成,但它们本质上是不完美的。先前关于学习增强分页的工作研究了以下预测:(i)当前页面何时会被再次请求(重现预测),(ii)最佳算法中缓存的当前状态(状态预测),(iii)直到当前页面再次被请求的所有请求,以及(iv)页面被请求的相对顺序。我们研究学习增强分页的新角度,需要尽可能少的预测信息。更具体地,在每个页面请求旁边获得的预测仅限于一位。我们考虑两个自然的这样的设置:(i)丢弃预测,其中预测的位表示驱逐此页面是否“安全”,以及(ii)阶段预测,其中位表示当前页面是否将在下一阶段中被请求(用于将输入适当划分为阶段)。我们为这两种设置中的每一种开发算法,这些算法满足学习增强算法的所有三个理想特性-也就是说,它们是一致的,鲁棒的和平滑的-尽管每个请求仅限于一位预测。我们还提出了下限,建立我们的算法基本上是最好的可能。
2022-10-06 cs.DS cs.LG cs.OS
Online Paging with a Vanishing Regret
Technion(以色列理工学院)
本文考虑了一个变种的在线分页问题,在线算法有多个预测,每个产生一个序列的预测页面到达时间。预测器可以具有偶然的预测误差,并且假设它们中的至少一个总共产生次线性数量的预测误差。我们的主要结果表明,这个假设足以设计一个随机在线算法的时间平均遗憾相对于最佳离线算法趋于零的时间趋于无穷大。这适用于完整信息访问模型(具有不同的遗憾界限),其中在每一轮中,在线算法获得所有预测器的预测,以及强盗访问模型,其中在每一轮中,在线算法查询单个预测器。虽然在线算法,利用不准确的预测一直是一个越来越感兴趣的话题,在过去的几年里,据我们所知,这是第一篇论文,研究这一主题的背景下,多个预测的在线问题与无限的请求序列。此外,据我们所知,这也是第一篇旨在(并实现)在线算法的论文,在合理的假设下,经典的在线问题的遗憾消失了。
2020-11-19 cs.DS cs.LG
Caching with Time Windows and Delays
我们考虑两个概括的经典加权分页问题,将延迟服务的页面请求的概念。第一个是(加权)分页与时间窗口(PageTW)的问题,这是像经典的加权分页问题,除了每个页面请求只需要在给定的截止日期之前提供服务。这个问题出现在许多在线缓存的实际应用中,例如Linux内核中的"截止日期" I/O调度程序和视频点播流。第二个,也是更一般的问题是(加权)延迟寻呼(PageD)问题,其中服务页面请求的延迟导致对目标的惩罚。这个问题概括了缓存问题,以允许延迟服务,这是最近在在线算法中获得牵引力的一系列工作(例如,Emek等人。STOC '16,Azar等人。STOC' 17,Azar和Touitou FOCS '19)。我们给出了$O(\log k\log n)$-竞争算法的PageTW和PageD问题的$n$页与缓存大小$k$。这显著地改进了$O(k)$对于这两个问题的先前最佳界限(Azar等人,STOC '17)。我们还考虑了离线PageTW和PageD问题,给出了$O(1)$近似算法,并证明了APX-硬度。这些是离线问题的第一个结果;在我们的工作之前,甚至NP-硬度也不知道。在我们的算法的核心是一个新的"命中集" LP放松的PageTW问题,克服了$Ω(k)$完整性差距的自然LP的问题。据我们所知,这是第一个基于LP的算法用于具有延迟/截止日期的在线算法的例子。
2020-06-17 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
Resource Augmentation
本章介绍了资源增强,其中算法的性能与最佳可能的解决方案进行比较,该解决方案受到较少资源的限制。我们考虑三个案例研究:在线分页,与缓存大小作为资源;自私的路由,与容量作为资源;和调度,与处理器速度作为资源。资源扩充界限也意味着“松散竞争”界限,这表明算法的性能在大多数资源水平下接近最优。
2020-07-26 cs.DS
Online Dynamic B-Matching With Applications to Reconfigurable Datacenter Networks
本文首先研究了最大权$b$匹配问题的在线算法,最大权匹配问题是最大权匹配问题的推广,其中每个节点最多有$b \geq 1$相邻的匹配边。这个问题的动机是新兴的光学技术,允许增强数据中心网络与可重新配置的匹配,提供频繁通信的机架之间的直接连接。这些额外的链路可以通过利用工作负载中的空间和时间结构来提高网络性能。我们发现,潜在的算法问题具有一个有趣的连接到在线寻呼(又名。高速缓存),但是引入了新的挑战。我们的主要贡献是一个在线算法,这是$O(b)$竞争,我们还证明了这是渐近最优的。我们补充了我们的理论结果与广泛的跟踪驱动的模拟,基于现实世界的数据中心工作负载以及合成流量跟踪。
2021-03-14 cs.DS cs.NI
Optimal Online Algorithms for File-Bundle Caching and Generalization to Distributed Caching
我们考虑一个泛化的标准缓存问题,称为文件束缓存,不同的查询(任务),每个包含$l\ge 1$文件,顺序到达。一个在线算法,不知道查询的顺序提前必须自适应地决定什么文件保持在高速缓存中,以招致最小数量的高速缓存未命中。这里,高速缓存未命中是指查询中的至少一个文件在高速缓存文件中缺失的情况。在$l=1$的特殊情况下,该问题简化为标准高速缓存问题。我们首先分析了经典的最近最少使用(LRU)算法在这种情况下的性能,并表明LRU是一个接近最佳的在线确定性算法的文件束缓存方面的竞争比。然后,我们将我们的结果扩展到一个广义的$(h,k)$分页问题,在这个文件束设置,其中的性能与缓存大小$k$的在线算法相比,一个较小的缓存大小$h<k$的最佳离线基准。在后一种情况下,我们提供了一个随机的$O(l \ln \frac{k}{k-h})$竞争算法,我们的广义$(h,k)$寻呼问题,它可以被看作是一个经典的标记算法的扩展。我们完成了这个结果,提供了一个匹配的竞争比的下限,表明这种修改后的标记算法的性能是在任何随机化的在线算法的两个因素。最后,我们看看分布式版本的文件束缓存问题,其中有$m\ge 1$相同的缓存系统。在这种情况下,我们表明,对于$m=l+1$缓存,有一个确定性的分布式缓存算法,这是$(l^2+l)$竞争和随机分布式缓存算法,这是$O(l\ln(2l+1))$竞争时,$l\ge 2$。
2020-11-06 cs.DS cs.SY eess.SY
Weighted k-Server Bounds via Combinatorial Dichotomies
加权$k$ -服务器问题是$k$ -服务器问题的自然推广,其中每个服务器具有不同的权重。我们考虑统一度量的问题,这对应于分页的自然推广。我们的主要结果是一个双指数的竞争比的任何确定性的在线算法的下限,基本上匹配已知的上限的问题,并关闭一个大的和长期存在的差距。该下界是基于将加权$k$ -服务器问题与某个组合问题联系起来,并证明了该组合问题的一个Ramsey理论下界,这种组合联系还揭示了服务于一系列请求的低成本可行解的若干结构性质.我们用它来表明,广义功函数算法实现了几乎最佳的竞争比,并获得新的细化的竞争比的情况下,$d$不同的权重类的上界。
2017-09-07 cs.DS
Modeling Online Paging in Multi-Core Systems
本文针对现代多核云系统中内存访问呈现偏移幂律分布的新现象,提出多核幂律统计模型,并从理论上解释了LRU和LFU算法在幂律及多核幂律分布下具有O(1)性能比的原因。
2024-01-12 cs.DS
Randomized online computation with high probability guarantees
研究了随机在线极小化问题的竞争比与尾分布之间的关系。为此,我们定义了广泛的一类在线问题,其中包括一些研究的问题,如分页,k-服务器和测量任务系统的有限度量,并表明,对于这些问题,它是可能的,给定一个算法与恒定的预期竞争比,另一种算法,达到相同的解决方案的质量,以任意小的恒定误差高概率;“高概率”的说法是以最佳成本为依据的。此外,我们表明,我们的假设是紧的,在这个意义上,删除它们中的任何一个允许一个反例定理。此外,还有其他问题的例子没有包括在我们的定义中,在那里可以得到类似的高概率结果。
2013-02-12 cs.DS
Dynamic Balanced Graph Partitioning
本文从在线的角度研究经典的平衡图划分问题:给定$n$节点之间的成对通信请求的任意序列,其模式可能会随着时间的推移而变化,目标是通过将节点划分为$\ell$簇来有效地服务这些请求,每个簇的大小为$k$,使得频繁通信的节点位于同一簇中。分区可以通过在集群之间迁移节点来动态更新。我们的目标是设计在线算法,共同最大限度地减少集群间的通信量和迁移成本。这个问题与其他著名的在线问题有着有趣的联系。例如,使用$\ell=2$的场景推广了在线分页,而使用$k=2$的场景构成了最大匹配的一种新的在线变体。我们提出了几个下限和算法的设置和没有集群大小扩增。特别是,我们证明了任何确定性的在线算法具有至少$k$的竞争比,即使有显着的增强。我们的主要算法的贡献是一个$O(k \log{k})$ -竞争的确定性算法的一般设置与不断增强,和一个恒定的竞争算法的最大匹配变量。
2020-05-13 cs.DS
Greedy D-Approximation Algorithm for Covering with Arbitrary Constraints and Submodular Cost
本文针对目标函数为次模非减的覆盖问题,提出了一种简单的D-近似算法,其可行域可表示为任意覆盖约束的交集,每个覆盖约束至多约束问题的D个变量。(一个简单的例子是顶点覆盖,D = 2。该算法推广了以前的基本覆盖问题和在线分页和缓存问题的近似算法。
2011-12-30 cs.DC cs.DS
Competitive ratio versus regret minimization: achieving the best of both worlds
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Google Research(谷歌研究院);Tel Aviv University(特拉维夫大学)
我们认为在线算法的竞争比标准和遗憾最小化之一。我们的主要目标是建立一个统一的方法,能够同时保证这两个标准。对于一般类的在线算法,即任何度量任务系统(MTS),我们表明,可以同时保证最好的竞争比和自然的遗憾界。对于分页问题,我们进一步展示了一个有效的在线算法(多项式的页数),这种保证。为此,我们扩展了现有的遗憾最小化算法(具体来说,Kapralov和Panigrahy)来处理移动成本(在线系统状态之间切换的成本)。然后,我们展示了如何使用扩展的后悔最小化算法结合多个在线算法。我们的最终结果是一个在线算法,可以结合一个“基地”的在线算法,有保证的竞争比,与一系列的在线算法,保证在任何时间间隔的一个小遗憾。组合算法既保证了竞争比匹配的基础算法和低遗憾在任何时间间隔。作为一个产品,我们得到了一个专家算法,接近最优的遗憾界的每一个时间间隔,即使在存在的转换成本。这个结果是独立的利益。
2019-04-07 cs.DS cs.LG stat.ML
Competitive Algorithms for Block-Aware Caching
我们研究了块感知缓存问题,经典缓存的泛化,其中从同一块中获取(或驱逐)页面会产生相同的成本,从块中获取(或驱逐)一个页面。给定一个大小为$k$的高速缓存,以及一个来自$n$页的请求序列,该请求序列被划分为大小为$β\leq k$的给定块,目标是最小化从高速缓存中获取(或从高速缓存中清除)的总成本。我们展示了以下结果:$\bullet$对于驱逐成本模型,我们展示了一个$O(\log k)$ -近似离线算法,一个$k$ -竞争确定性在线算法,和一个$O(\log^2 k)$ -竞争随机在线算法。$\bullet$对于获取成本模型,我们显示了$Ω(β)$的自然LP松弛问题的完整性差距,和随机在线算法的$Ω(β+ \log k)$下界。忽略块结构和运行经典的寻呼算法的策略平凡地实现了$O(β)$近似和$O(β\log k)$竞争比分别为离线和在线随机设置。$\bullet$对于获取和驱逐模型,我们显示了改进的界限的$(h,k)$双标准版本的问题。特别是,当$k=2h$,我们匹配的经典缓存算法的性能恒定的因素。我们的研究结果建立了一个分离的提取和驱逐成本模型,这是有趣的,因为提取/驱逐成本是相同的添加剂长期经典的缓存之间的易处理性。以前的工作只研究了$k > h$时获取成本模型的在线确定性算法。我们的见解是放松块感知缓存问题的子模块覆盖LP。主要的技术挑战是保持一个有竞争力的分数解,并以有界…
2022-05-24 cs.DS
Efficient Caching with Reserves via Marking
本文提出结合势函数上界与对偶拟合下界的新分析技术,应用于带储备缓存问题得到O(log k)竞争比的分数及随机整数在线算法,并为经典无权重分页随机标记法给出新证明。
2023-05-04 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 Primal-Dual Algorithms with Predictions for Packing Problems
University Paris-Saclay(巴黎萨克雷大学);Sorbonne University(巴黎索邦大学);IBISC(IBISC(需注意:IBISC是巴黎萨克雷大学下属研究机构,此处按原文提取));CNRS(法国国家科学研究中心);LIP6(LIP6(巴黎索邦大学下属实验室,此处按原文提取))
具有预测的在线算法的领域已经被广泛地研究用于不同的应用,例如调度、缓存(分页)、集群、滑雪板租赁等。以统一的方法为目标,为线性覆盖问题提供了一个原始-对偶框架。他们通过合并预测来扩展在线原始-对偶方法,以实现超出最坏情况分析的性能。在本文中,我们认为这条研究路线,并提出了一个框架,设计算法的预测非线性包装问题。我们说明了我们的框架在子模块化最大化,特别是广告拍卖最大化的最佳界限,并提供支持实验的适用性。
2021-10-01 cs.DS cs.LG
Competitive Online Virtual Cluster Embedding Algorithms
在传统的云服务模型中,计算资源是按使用付费的基础上分配给租户的。然而,在此网络内部通信的应用程序的性能是不可预测的,因为网络资源得不到保证。为了缓解这个问题,虚拟集群(VC)模型已经开发出来,其中网络和计算单元得到保证。因此,许多算法已被开发的基础上的VC模型的新的扩展,以解决在线虚拟集群嵌入问题(VCE)的附加参数。在在线VCE中,每个请求的资源占用被极大地最小化,这与提供者每个请求的利润最大化有关。然而,这并不意味着保证了整个请求序列上的利润的全局最大化。事实上,这些算法甚至不提供最坏情况下保证的一小部分的最大可实现的利润的某一序列的请求。因此,这些在线算法不提供有竞争力的利润比率。本文提出了两种竞争在线VCE算法和两种启发式算法。竞争性在线VCE算法在目标函数和容量约束上具有不同的竞争比,而启发式算法不违反容量约束。最坏情况下的竞争比进行了分析。在此之后,评估显示了这些算法的优点和缺点,在几种情况下,不同的请求模式和利润指标的胖树和MDCube数据中心拓扑结构。结果表明,对于不同的场景,不同的算法有最好的性能相对于某些指标。
2018-10-07 cs.DS cs.NI
Online Algorithms via Minimax and Posterior Matching
University of Bonn(波恩大学);Institute of Computer Science, University of Bonn(波恩大学计算机科学学院);Microsoft Research(微软研究院);PUC-Rio(里约热内卢天主教大学);Georgia Tech(佐治亚理工学院);School of Mathematics, Georgia Tech(佐治亚理工学院数学学院);School of Computer Science, Georgia Tech(佐治亚理工学院计算机科学学院)
该研究基于极小极大视角提出后验匹配原理,将在线算法竞争分析简化为贝叶斯在线设计,为多类在线问题提供最优或接近最优保证,构建了可复用的理论框架。
2026-08-04 cs.DS cs.LG
The Randomized $k$-Server Conjecture is False!
本文通过构造新的度量空间,证明了随机化 k-服务器问题的竞争比下界为 Ω(log² k),从而反驳了长期存在的民间猜想,并据此改进了度量任务系统及相关问题的竞争比下界。
2023-07-06 cs.DS math.MG
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
A Polylogarithmic-Competitive Algorithm for the k-Server Problem
我们给出了任意有限度量空间上求解$k$ -服务器问题的第一个多解竞争随机在线算法。特别是,我们的算法实现了一个竞争比O(log^3 n log^2 k log log n)的任何度量空间的n个点。我们的算法改进了Koutsoupias和Papadimitriou [J.ACM'95]的确定性(2k-1)-竞争算法,只要n是k的次指数。
2011-10-07 cs.DS
A Simple $O(\log\log(\mathrm{rank}))$-Competitive Algorithm for the Matroid Secretary Problem
只有最近取得了进展,在获得$o(\log(\mathrm{rank}))$ -竞争算法的拟阵秘书问题。更准确地说,Chakraborty和Lachish(2012)提出了一个$O(\sqrt{\log(\mathrm{rank})})$竞争程序,Lachish(2014)后来提出了一个$O(\log\log(\mathrm{rank}))$竞争算法。这些算法及其分析都非常复杂,这也反映在它们的竞争比中的极高常数上。使用不同的工具,我们提出了一个相当简单的$O(\log\log(\mathrm{rank}))$竞争算法的拟阵秘书问题。我们的算法可以被解释为分布在一个简单的类型的拟阵秘书算法,这是很容易分析。由于我们的程序的简单性,我们也能够大大提高竞争比中的隐藏常数。
2014-07-04 cs.DS
Matching on the line admits no $o(\sqrt{\log n})$-competitive algorithm
我们提出了一个简单的证明,任何随机在线匹配算法的线的竞争比至少是所有$n=2^i\!-\!1: i\in\mathbb{N}$的$\sqrt{\log_2(n\!+\!1)}/12$。
2020-12-31 cs.DS
A Dynamic Programming Approach To Length-Limited Huffman Coding
长度受限霍夫曼编码算法中的“最先进的”是Hirschberg和Larmore的$Θ(ND)$ -时间,$Θ(N)$ -空间算法之一,其中$D\le N$是对代码的长度限制。这是一个非常聪明,非常具体的问题,技术。在这篇文章中,我们证明了有一个简单的动态规划(DP)方法,解决了相同的时间和空间界限的问题。事实上,有一个$Θ(ND)$时间DP算法是以前已知的;它是一个简单的DP与蒙赫属性(这允许一个数量级的加速)。不过,这并不有趣,因为它还需要$Θ(ND)$空间。本文的主要成果是为减少空间开发的技术。它是相当简单的,适用于许多其他问题的DP与Monge性质建模。我们说明了这一点,从Web代理设计和无线移动寻呼的例子。
2008-06-30 cs.DS cs.IT math.IT
An O(log k log^2 n)-competitive Randomized Algorithm for the k-Sever Problem
在本文中,我们证明了在任何具有n个点的度量空间上,对于k-服务器问题,存在O(log k log^2 n)-竞争随机算法,改进了Nikhil Bansal等人(FOCS 2011,pages 267-276)之前的最佳竞争比O(log^2 k log^3 n log log n)。
2015-10-27 cs.DS
A 4/3-competitive randomized algorithm for online scheduling of packets with agreeable deadlines
在2005年,Li等人给出了一个用于调度具有一致截止期限的数据包的phi竞争确定性在线算法,并进行了非常有趣的分析。由于Hajek的下限,这是已知的最佳。我们认为Li等人的算法可以稍微简化,同时保持其竞争比。然后我们在修改后的算法中引入随机性,并认为与不经意对手的竞争比最多为4/3。请注意,这仍然在Chin等人的最佳已知下限5/4之间留下了差距。
2010-02-03 cs.DS
Competitive Algorithms for Online Weighted Bipartite Matching and its Variants
在线二分匹配已经被广泛研究。在未加权的情况下,Karp等人给出了一个最优的$(1 - 1/e)$ -竞争随机算法。在加权设置中,最优算法仅在对边权重的假设下实现。对于一般情况,除了平凡的$1/2$ -竞争性贪心算法之外,几乎一无所知。最近,Fahrbach等人提出了一种0.5086-竞争算法(用于模型中的问题,即自由处置),克服了长期存在的1/2障碍。此外,在设计在线匹配问题及其变体的竞争算法时,已经开发了几种技术,特别是原始-对偶方法。具体来说,Devanur等人给出了一个原始-对偶框架,统一了以前的方法,Devanur和Jain提供了另一个在线匹配问题的推广方案。本文提出了不同模型下的在线加权二部匹配的竞争算法,特别是在自由处置模型和随机报酬模型下,得到了最优的$(1-1/e)$竞争比.我们的工作也统一了以前的方法的原始-对偶技术与配置线性规划的手段。
2021-11-02 cs.DS
A Competitive Algorithm for Throughput Maximization on Identical Machines
研究相同机器上带抢占的在线作业调度以最大化按时完成作业数的问题,提出适用于任意机器数量的 $O(1)$ 竞争确定性算法。
2024-08-23 cs.DS
Lipschitz Selectors may not Yield Competitive Algorithms for Convex Body Chasing
目前在线算法中凸体追逐问题的最佳算法都是利用凸集的Steiner点的概念。特别是,总是移动到请求集的Steiner点的算法对于嵌套凸体追踪是$O(d)$竞争性的,并且这是无记忆算法中的最佳算法[Bubeck et al. 2020]。无记忆算法与函数分析中选择器的概念一致。斯坦纳点被认为是关于豪斯多夫度量的Lipschitz,并且实现了可能的最小Lipschitz常数。很自然地会问,是否每个具有这种Lipschitz性质的选择器都会产生一个嵌套凸体追逐的竞争算法。我们回答这个问题的否定展示一个选择器,产生一个非竞争性算法嵌套凸体追逐,但Lipschitz的Hausdorff距离。此外,我们表明,Lipschitz相对于一个$L_p$型类似的Hausdorff距离足以保证竞争力,当且仅当$p=1$。
2022-02-08 cs.DS
Tight Competitive Ratios of Classic Matching Algorithms in the Fully Online Model
黄等人~ (STOC 2018)引入了完全在线匹配问题,这是经典在线二分匹配问题的推广,因为它允许所有顶点在线到达并考虑一般图。他们表明,Karp等人的排名算法。(STOC 1990)严格优于$0.5$ -竞争的,并且该问题严格比在线二分匹配问题困难,因为没有算法可以是$(1-1/e)$ -竞争的。针对完全在线匹配问题,给出了经典算法的两个紧竞争比。对于分数版本的问题,我们表明,一个自然的实例化的注水算法是$2-\sqrt{2} \approx 0.585$ -竞争,以及匹配的硬度结果。有趣的是,我们的硬度结果适用于任意算法的边缘到达模型的在线匹配问题,提高了最先进的$\frac{1}{1+\ln 2} \approx 0.5906$上限。对于积分算法,我们在二分图上的排名算法中显示了$\approx 0.567$的紧密竞争比,与Huang等人的硬度结果相匹配。(STOC 2018)。
2018-10-18 cs.DS
New Competitive Analysis Results of Online List Scheduling Algorithm
在线算法已经成为计算机科学各个领域研究人员感兴趣的新兴领域。Graham提出的在线$m$ -机器列表调度问题在竞争分析作为在线算法的性能度量的发展中获得了理论和实际意义。在本文中,我们研究和探索的性能格雷厄姆的在线\textit{list scheduling algorithm(LSA)}独立的工作。在文献中,\textit{LSA}已经被证明是$2-\frac{1}{m}$竞争的,其中$m$是机器的数量。本文给出了\textit{LSA}竞争分析的两个新的上界结果。对于两类特殊的具有实际意义的输入工件序列,我们分别得到了$2-\frac{2}{m}$和$2-\frac{m^2-m+1}{m^2}$竞争比的上界.我们的分析结果可以激励从业者设计改进的竞争力在线算法的$m$ -机器列表调度问题的特征,现实生活中的输入序列。
2019-12-28 cs.DS
A New Approach to Online Scheduling: Approximating the Optimal Competitive Ratio
通过引入竞争比近似方案的新概念,提出了一种在线调度中竞争分析的新方法。这样的方案在算法上构造具有任意接近于任何在线算法的最佳可能竞争比的竞争比的在线算法。我们研究的问题调度作业在线,以尽量减少加权和的完成时间的并行,相关和无关的机器,我们得出确定性和随机算法,这几乎是最好的所有在线算法的各自的设置。我们还推广我们的技术,任意单项成本函数,并将其应用到最大完工时间目标。我们的方法依赖于在线算法的抽象表征,结合各种简化和变换。我们还贡献算法手段来计算最佳可能的竞争比的实际值达到任意精度。这与所有以前手动获得的算法竞争力结果形成强烈对比,最重要的是,它将对最佳竞争比的搜索减少为计算机可以回答的问题。我们相信,我们的概念也可以应用到许多其他问题,并产生一个新的角度在线算法一般。
2012-10-31 cs.DS
Online Network Utility Maximization: Algorithm, Competitive Analysis, and Applications
我们考虑一个在线版本的网络效用最大化问题,用户一个接一个地到达,运营商为每个用户做出不可撤销的决定,而不知道未来到达的细节。我们提出了一个基于阈值的算法,并分析其最坏情况下的性能。我们证明了所提出的算法的竞争比是线性增加的网络中的链接数,并显示这种竞争分析是紧密的。广泛的跟踪驱动的模拟进行,以证明我们所提出的算法的性能。此外,由于最坏的情况下很少发生在实践中,我们设计了一个自适应实现我们的算法,以提高其平均情况下的性能,并通过模拟验证其有效性。
2021-01-26 cs.DS
A Tale of Two Metrics: Simultaneous Bounds on Competitiveness and Regret
我们认为算法的“平滑在线凸优化”的问题,一类在线凸优化问题,是密切相关的度量任务系统的变体。以前的文献对这些问题的重点是两个性能指标:后悔和竞争比。存在具有次线性后悔的已知算法和具有恒定竞争比的已知算法;然而,没有已知算法同时实现两者。我们表明,这是由于这两个指标之间的根本不相容-没有算法(确定性或随机)可以实现次线性遗憾和一个恒定的竞争比,即使在目标函数是线性的情况下。然而,我们也展示了一个算法,对于一维决策空间的重要特殊情况,提供了次线性遗憾,同时保持一个竞争力的比例,增长任意缓慢。
2015-08-15 cs.DS
Optimal Online Algorithms for the Multi-Objective Time Series Search Problem
Tiedemann等人[Proc. of WALCOM,LNCS 8973,2015,pp.210-221]定义了多目标在线问题(作为多目标优化问题的在线版本)和多目标在线问题的竞争分析,并表明:(1)关于最差分量竞争分析,(2)对于算术平均分量竞争分析,在线算法RPP-MULT是求解双目标时间序列搜索问题的最佳算法;(3)对于几何平均分量竞争分析,在线算法RPP-MULT是解决双目标时间序列搜索问题的最佳算法。在本文中,我们首先指出,由于Tiedemann等人的竞争分析的定义和框架。不一定捕捉多目标在线问题的在线算法的效率,并提供多目标在线问题的竞争分析的修改定义。然后在改进的框架下,我们提出了一个简单的在线算法平衡价格策略BPP_{k}来求解多目标(k-目标)时间序列搜索问题,并证明了该算法BPP_{k}对于任何竞争分析测度(由单调连续函数f定义)都是最佳的.在改进的框架下,我们得到了多目标时间序列搜索问题的最差成分竞争分析,算术平均成分竞争分析和几何平均成分竞争分析的竞争比的精确值。
2016-04-29 cs.DS
A $D$-competitive algorithm for the Multilevel Aggregation Problem with Deadlines
在本文中,我们考虑了Bienkowski et al.(2015),Buchbinder et al.(2017)以及Azar and Touitou(2019)先前研究的具有截止日期的多级聚合问题(MLAPD)。这是一个在线问题,其中算法服务随着时间的推移到达的请求,并且可以通过聚合类似的请求来节省成本。成本以有根树的形式构成。这个问题有许多重要的应用领域,如多播,传感器网络和供应链管理。特别地,TCP确认问题、联合补给问题和装配问题都是延迟问题的特殊情况。我们提出了一个$D$ -竞争算法的MLAPD。这击败了Buchbinder等人(2017)给出的$6(D+1)$竞争算法。我们的方法阐明了问题的关键结构方面,并提供了一个算法,比以前的方法更简单的实现。我们还针对问题的特殊情况给出了改进的竞争比。
2021-08-10 cs.DS
A Novel Move-To-Front-or-Logarithmic Position (MFLP) Online List Update Algorithm
在本文中,我们提出了一种新的在线确定性列表更新算法称为移动到前端或对数位置(MFLP)。我们提出的算法MFLP实现了一个竞争比为2的静态最佳离线算法,而MFLP是没有竞争力的较小的列表。我们还表明,MFLP是2竞争的动态最优离线算法。我们的研究结果开辟了一个新的工作方向,对分类的在线算法的基础上竞争和不竞争。
2020-10-25 cs.DS
Competitive Algorithms from Competitive Equilibria: Non-Clairvoyant Scheduling under Polyhedral Constraints
我们引入并研究了一个一般的排序问题,我们称之为装箱排序问题。在这个问题中,作业可以有不同的到达时间和大小,调度程序可以处理作业$j$在率$x_j$,受到任意包装约束的一组率($\vec{x}$)的未完成的作业。PSP框架捕获了各种调度问题,包括经典的不相关机器调度,广播调度和调度不同的并行化作业的问题。它还捕获了从单个计算机体系结构到数据中心的各种现代环境中出现的调度约束。更具体地说,PSP对多维资源需求和并行性以及数据中心调度中的网络带宽需求进行建模。在本文中,我们设计了非透视在线算法的PSP及其特殊情况下-在这种情况下,调度程序是不知道的工作的大小。我们的两个主要结果是:1)一个最小化PSP总加权完工时间的常数竞争算法和2)一个最小化PSP特殊情况下的不相关机器上的总流程时间的可扩展算法。
2014-04-03 cs.DS
An $O(\log n)$-Competitive Posted-Price Algorithm for Online Matching on the Line
针对需求响应式停车定价系统,本文研究了直线上在线度量匹配问题,提出了一种 $O(\log n)$ 竞争比的标价随机算法,并展示了如何利用价格机制实现 guess-and-double 技术。
2023-10-19 cs.DS
Competitive Algorithms for Generalized k-Server in Uniform Metrics
广义k-服务器问题是k-服务器问题的一个广泛的扩展,有几个应用。这里,每个服务器$s_i$位于其自己的度量空间$M_i$中。一个请求是一个k元组$r = (r_1,r_2,\dotsc,r_k)$,为了服务它,我们需要将一些服务器$s_i$移动到点$r_i \in M_i$,目标是最小化服务器移动的总距离。尽管做了很多工作,但对于k > 2服务器的问题,没有f(k)-竞争算法,即使是对于特殊情况,如统一度量和线。在这里,我们考虑在一致度量的问题,并给出了第一个f(k)-竞争算法一般k。特别地,我们分别得到了具有竞争比$O(k 2^k)$和$O(k^3 \log k)$的确定性算法和随机化算法.我们的确定性界限是基于一个新的应用程序的多项式方法在线算法,并基本上匹配长期已知的下限$2^k-1$。我们还给出了一个$2^{2^{O(k)}}$ -竞争的确定性算法加权均匀度量,这也基本上符合最近的双指数下界的问题。
2017-07-17 cs.DS