我们在本文中解决了一种带有任务转移的在线网络资源分配问题，提出了基于指数加权方法的随机在线算法，证明了该算法具有次线性时间后悔，通过对人工数据进行性能测试并与强化学习方法进行比较表明我们的方法优于后者。

Nov, 2023

本论文研究了在具有作业转移的通信网络中的在线最优资源预留问题，目标是在一定预算限制下最小化预留成本并保持阻塞成本。我们提出了一种基于随机指数加权方法的新算法，可以处理长期约束。通过建立相关遗憾和累积约束违反的上界，我们分析了我们算法的性能。最后，我们通过数值实验证明了我们的算法与强化学习算法相比的性能优势。

May, 2024

本文提出一种针对多个资源分配问题的算法体系，将在线请求建模为每次从未知的概率分布中独立抽取，给出了一个在任意接受数据的情况下获得一定比例最优解的单一算法，并且探究了如何在任意情况下应对敌对分布。同时，文中提出了解决大型 LPs 混合装填覆盖问题的快速算法，并分析了该算法在在线拍卖、网络路由和广告策略方案等特殊情况下的应用。

Mar, 2019

本文针对在线资源分配问题提出了一个基于非均匀和已知到达分布的参数化线性规划算法，并进行了实验结果测试。

Dec, 2020

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

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

我们提出了一种新颖的算法，用于在线资源分配，适用于非平稳的用户到达和未知的点击率。

Jan, 2024

在这篇论文中，我们研究了分散式多任务在线凸优化中的随机链路故障问题，并针对这个问题开发了一个鲁棒的分散式鞍点算法，通过使用最新接收到的邻居决策来替代丢失的决策。通过严谨地界定由此替代引起的累积偏差，我们首先证明了我们的算法在完全信息情况下达到了 O (√T) 的遗憾和 O (T^(3/4)) 的约束违规程度，这里每个时间段结束时，每个代理都能够获取到有关本地成本函数的完整信息。然后，我们将算法和分析扩展到两点赌博反馈方案，其中每个代理顺序地只披露本地成本函数在两个随机点上的值。推导出了与完全信息情况相同阶级的性能界限。最后，通过数值模拟验证了所提出算法和分析结果的有效性。

Jan, 2024

本文研究了一个多期的长期资源分配问题，其中每个周期需要一个多阶段的决策过程。我们将此问题定义为具有未知非平稳转换和随机非平稳奖励和资源消耗函数的离散时段有限马尔可夫决策过程的在线资源分配问题。我们提出了一种基于占用度量的等效在线线性规划重构方法，并开发了一种在线镜像下降算法。我们证明，在随机奖励和资源消耗函数下，在线镜像下降算法的期望遗憾值受到了限制。

May, 2023

该论文探讨了在线凸优化涉及敌对损失函数和敌对约束的情况，开发了一种修改的在线鞍点（MOSP）方案，并在动态网络资源分配任务中进行了应用，证明了其相对于梯度方法的性能优势。

Jan, 2017