Nov, 2023

网络资源分配的在线优化及与强化学习技术的比较

PDF
TL;DR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。
online network resource allocationjob transfersexponentially weighted methodsub-linear regretreinforcement learning
发现论文，激发创造
  • 具有长期约束的随机网络资源分配的在线优化

    本文研究了一个在线资源预订问题，通过一个由两个计算节点组成的通信网络，在有限时间内最小化整体预订成本，并且保持累计违规与运输成本在一定预算限制下的在线重复博弈，提出了一个在线鞍点算法来解决该问题。

    May, 2023

  • 在线网络资源分配的指数加权算法与长期约束

    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

  • 一种统一的离线 - 在线资源分配的双阶段模型

    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

  • 可重用资源的在线任务分配问题

    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

  • 资源分配问题的近最优在线算法和快速近似算法

    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

  • 多资源多机器作业调度的深度强化学习

    本文在最小化数据中心网络中的工作调度时间方面进行了深入研究，提出了一种基于深度强化学习的改进方法并将其扩展到多个服务器群集，结果表明，相比于传统的资源分配算法，深度强化学习方法在各种复杂环境中有着出色的性能表现。

    Nov, 2017

  • 非静态客户的在线资源分配

    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

  • 多智能体强化学习在基于竞拍的长期网络资源分配中的应用：V2X 应用

    本文旨在研究如何实现计算任务从移动代理转移，其提出了一种基于分散决策的机制来促使代理间在博弈与合作之间平衡。为此，该文设计了一个新的多代理在线学习算法，并通过 V2X 应用的模拟得出了良好的收敛性和泛化性能。

    Jul, 2022

  • 利用强化学习进行物联网边缘计算资源分配

    本文提出一种边缘计算中使用强化学习来降低能耗和任务执行延迟的近似最优算法。

    Mar, 2019

  • 一种多任务方法的鲁棒深度强化学习用于资源分配

    通过将多任务学习应用于机器学习算法中，结合 Elastic Weight Consolidation 和 Gradient Episodic Memory 的方法，并与增强训练数据分布的现有技术进行比较，本研究证明多任务方法对处理医疗领域等特殊需求的稀有重大事件有很高的效果。

    Apr, 2023