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

介绍一种具有截止时间使用市场模型的在线加权匹配问题算法，并使用 FastGreedy 和 FastPostponedGreedy 算法来获得更好的时间复杂度和更高的竞争比。

May, 2023

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

本文介绍了一个简单的动态匹配模型，该模型适用于网络市场，在该市场中，代理商随机进入和离开，并且代理商之间的可接受交易的网络形成一个随机图。从等待时间，优化和信息三个方面分析了我们的模型。我们分析的主要见解是等待以加强市场可能比增加交易速度更加重要，这在等待成本存在的情况下是相当稳健的。从优化的角度来看，选择匹配代理商的正确时间但不利用全局网络结构的本地算法可以非常接近最优算法。从信息的角度来看，采用即使是代理商离开时间的部分信息的算法要比缺乏此类信息的算法表现得更好。为了引出代理商的离开时间，我们设计了一个激励兼容的连续时间动态机制，无需转移。

Feb, 2014

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

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

本文研究预约服务的 Web 和移动应用程序，针对该类问题提出了带性能保证的新算法，并在纽约市卫生系统的预约数据上进行了测试。

May, 2018

本研究着眼于在线任务分配问题，利用可重复利用的资源来解决类似于拼车，众包和招聘等实际应用中的问题，提出了一个在线算法，并对其进行了数值实验。

Mar, 2022

研究马尔可夫匹配市场，提出强化学习框架，结合最大权匹配算法解决序列探索、匹配稳定性和函数逼近等问题，并证明算法可达到次线性的遗憾率。

Mar, 2022

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