在线 2 阶段稳定匹配
本研究针对多阶段组合优化问题中的贪心近似方法,通过研究维护基数和最佳匹配的多阶段马氏处理问题,提出了一种时间复杂度为 $O (log (m) log (r))$ 的近似算法,并在离线情况下给出时间复杂度为 $O (log (m))$ 的近似算法,但当 acquisition costs 不均匀时,我们 的算法是最优的,并证明即使在完美匹配的情况下,该问题的近似难度也很大。
Apr, 2014
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
本研究探讨了稳定匹配问题中鲁棒性的概念,定义了(a,b)- 超级匹配,并将最鲁棒的稳定匹配定义为(1,b)- 超级匹配,我们用多项式时间检查给定的稳定匹配是否为(1,b)- 超级匹配,然后设计了约束编程模型、局部搜索方法和遗传算法以找到最鲁棒的稳定匹配,实验证明局部搜索优于其他方法。
May, 2017
本论文提出一种基于 Monte Carlo 采样的在线算法,在解决传播广告分配问题的同时,实现 competing ratio 为 0.702,也证明了当到达速率为整数时 competing ratio 为 0.705。同时,我们还证明采用已知分布模型无法实现 competing ratio 小于 0.823。
Jul, 2010
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