本研究介绍了一种算法来解决在线随机二分匹配问题，提供了一个 0.67 的逼近比和一种基于流量图和最大流问题的新方法来解决这个问题。

May, 2009

本文提出了一些基本的算法变体和改进，旨在提高已知 IID 模型和具有随机奖励延伸的模型的竞争比率，另外提出了加强型线性规划基准来提高非加权边的概率的情况。

Jun, 2016

通过在线广告分配，我们从理论和实践角度研究在线随机装箱线性规划。我们首先展示了一种近似最优的在线算法，证明了基于训练的简单原始对偶算法在随机顺序随机模型下实现（1 - o (1)) 逼近担保，这是对同一问题敌对变量的对数或常数逼近的显著改进；然后，我们侧重于在线显示广告分配问题，研究了各种基于训练和在线分配算法在实际数据集上的效率和公平性。我们的实验评估确认了基于训练的原始对偶算法在真实数据集上的有效性，并指出公平性和效率之间的内在权衡。

Jan, 2010

研究在线随机匹配问题，提出了基于 Poisson 到达模型的 0.711 竞争性算法和近似等价性证明，应用线性规划和 Jensen 不等式实现算法优化，推出第一个在较弱随机到达模型下的节点加权在线随机匹配算法。

Mar, 2021

研究在线非加权二分图匹配中的问题，其中有 n 个离线顶点和 n 个在线顶点，并且希望与最佳离线算法保持竞争力。尽管 Karp 等人 [1990] 的经典 RANKING 算法可以证明达到 1-1/e>1/2 的竞争比率，但我们表明在对抗性到达模型中，没有学习增强方法既可以是 1 - 一致的又可以比 1/2 - 健壮。同时，在随机到达模型下，我们展示了如何利用分布测试方法设计出一种算法，该算法接受关于在线顶点的外部建议，并在竞争比率上从不需要建议的方法和最优比率 1 之间插值，这取决于建议的质量。

May, 2024

研究了在线分配问题，通过创建不对称性来控制重用性引起的随机依赖，并建立了一个新算法，获得了最佳竞争比率。(The paper studies the problem of online allocation and proposes a new algorithm that creates asymmetry to control the stochastic dependencies induced by reusability, achieving the best possible competitive ratio.)

Feb, 2020

研究了一种顶点加权的在线二分图匹配算法，使用随机扰动顶点权重的多样化方法，得到了一种最佳 $(1-rac {1} {e})$ 竞争性算法，该算法是现有算法的一般化，为在线资源分配问题提供了新的见解。

Jul, 2010

本文研究了随机匹配问题，提出一种能够提高精度的探测边的新方法和其在最大化构建匹配的期望收益中的应用，尤其在求解在线偏二分图情况时取得了显著提升。

May, 2015

本文介绍了半在线模型，分析了其应用于二分图匹配问题的效果，给出了竞争性的算法并证明其同样具有竞争性，竞争度可以在完全在线模型和完全离线模型之间插值。

Dec, 2018

介绍一种加权排名算法，对于在线顶点以随机顺序到达时的顶点加权二分匹配问题证明了 0.6534 的竞争比率。基于 Devanur 等人的随机原始对偶框架，设计了一个二维收益共享函数来提高算法的竞争比率，并在在线二分匹配问题中达到了大于 1-1 /e 的拓展比率。

Apr, 2018