论文地址
https://arxiv.org/pdf/0911.2974
总结
《A Dynamic Near - Optimal Algorithm for Online Linear Programming》 作者为Shipra Agrawal、Zizhuo Wang和Yinyu Ye,该论文提出了一种用于解决在线线性规划问题的近最优算法。
研究背景和意义:
- 在线优化在计算机科学、运筹学和管理科学等领域日益受到关注,许多实际问题可归结为在线线性规划问题。
- 随机置换模型在在线问题研究中被广泛采用,介于最坏情况分析和假设输入分布已知之间。
关键思路和主要结果:
- 算法:提出基于动态学习的算法,通过几何时间间隔动态更新阈值价格向量,根据之前揭示列学习到的对偶价格来确定当前时期的顺序决策。
- 结果1:对于在线线性规划问题(2),在随机置换模型下,对于满足的所有输入,在线算法具有的竞争力(定理1)。
- 结果2:对于在线线性规划问题(2),任何算法在时,竞争力小于(定理2),即该条件对于获得近最优解是必要的。
- 结果3:将结果扩展到更一般的在线线性规划问题(3),在满足的条件下,算法具有的竞争力(定理3)。
相关工作:
- 各种在线算法在随机置换模型下被研究,包括秘书问题、在线匹配和广告关键词问题、在线装箱问题等,本文的工作属于在该模型下研究算法性能的类别。
- 与其他工作相比,本文的算法具有动态学习能力,不依赖于输入分布的知识,通过动态更新价格提高了性能,明确了更新价格的最佳频率,提供了非平凡的下界,并应用了PAC - learning中的标准技术。
算法具体内容:
- 一次学习算法(OLA):基于前个输入学习对偶价格向量,然后在剩余时间使用该对偶价格决定当前分配,该算法要求解决一个定义在个变量上的小线性规划。在满足的条件下,该算法具有的竞争力(命题1)。
- 动态学习算法(DLA):每当前沿历史加倍时(即时间)更新价格,通过更仔细地选择数字,在证明相同竞争力时对的下界要求更弱。在满足的条件下,该算法实现了定理1中的结果。
扩展内容:
- 在线多维线性规划:考虑多维决策的更一般在线线性规划,算法基本相同,通过引理8和9,定理3的证明与定理1类似。
- 在线整数规划:由于算法总是输出整数解,且竞争力分析是与相应线性规划松弛的最优解比较,所以定理1中声明的竞争力比率也适用于在线整数规划。
- 快速解决大线性规划的列采样:该算法可应用于解决过大的(离线)线性规划,通过随机采样减少变量,与列生成方法相似,本文提供了对这种方法近似程度的首次严格分析。
结论和未来研究方向:
- 提供了在随机到达顺序和一些关于右侧输入的温和条件下,具有竞争力的算法,条件独立于最优目标值、目标系数和输入数据的分布。
- 未来研究方向包括探究当前对右侧输入的大小限制是否紧密,填补算法与下界之间的差距是一个有趣的研究方向。