本文研究了有资源分配约束限制的多智能体竞争问题，提出了基于最大匹配问题的解决方案，围绕基于预算限制下最大化匹配效果的约束条件进行了算法研究并在两个真实数据集上进行了实验评估。

Sep, 2022

这篇论文提出了一种新的在线匹配模型，该模型考虑了资源重用问题，同时给出了一个基于线性规划的自适应算法，可以在应用实例如出租车调度服务等中得到应用。

Nov, 2017

本文研究了在私有约束下如何进行资源分配问题，可以从最大权重匹配、联合差分隐私和总代用品假设等方面来考虑。通过研究分析发现，这种问题在不同隐私条件下的解决方案存在明显差异，提出了适用于差分联合隐私的解决方案来保障社会福利最大化。

Nov, 2013

我们研究了不完全多图匹配问题，该问题是配对多个有限集合的 NP 难问题的推广，多图匹配在计算机视觉中起着关键作用，已经提出了许多专门的优化技术。我们填补了这一差距，并将已知的多维分配问题近似算法转化为不完全多图匹配问题。通过实验证明，我们的新方法在目标和运行时间方面显著优于以前的技术水平。我们的算法能够在两分钟内匹配超过 500 个关键点的 29 个图像，而考虑的最快竞争方法至少需要半小时，同时产生了更差的结果。

Jun, 2024

本文探讨内容提供商的用户参与度对推荐系统的影响，并以平衡选择为基础提出了一个优化措施，确保系统以最大社会福利达到平衡，并呼吁在实现效用主义公正的同时考虑用户的后悔和公平情况。

Jul, 2020

旨在最大化社会福利，我们研究重复选择政策的问题，由私人效用和公共收入构成的加权和。通过实验证明，我们获得了与误差下界相匹配的上界，表明福利最大化比多臂赌博问题更困难，且我们的算法实现了最佳速率。

Oct, 2023

研究匹配到一个时间市场上的代理人的问题，该论文提出了不同的算法来解决顺序不同的场景，并在独立抽样的时间场景中实现 1/8-competitive 算法，对于随机顺序情况下提出了一个每 (d+1) 阶段计算最大加权匹配的 batching 算法，并且证明了其 0.279-competitive 的竞争性。

Aug, 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

研究发现，将现有的推荐系统直接应用于匹配市场是次优的。因此，提出了一种新的推荐框架来建模这种交互机制，并提出了高效的算法来计算个性化排名，并首次提出了联合优化所有市场候选人排名的方法来明确最大化社会福利。

Jun, 2021