[論文レビュー] Online Allocation of Reusable Resources: Achieving Optimal Competitive Ratio

Vineet Goyal, Garud Iyengar+1 more|arXiv (Cornell University)|Feb 6, 2020

Optimization and Search Problems被引用数 9

ひとこと要約

本稿は、再利用可能なリソースのオンライン割り当てアルゴリズムを提案し、割り当て後の使用期間の確率的特性を考慮する新しい分析枠組みを用いることで、グリーディアルゴリズムの1/2競合比を上回る最適な$(1-1/e)$の競合比を達成する。この手法は使用期間の分布を事前に知らなくても動作し、広範な使用期間分布の下で大規模な在庫において最適性が保証される。

ABSTRACT

We study the problem of allocating a given set of resources to sequentially arriving demand when the resources are reusable i.e., any allocated resource is used for a stochastic duration after which it is available for re-allocation. More concretely, we are given resources with fixed reusable inventory. Customers arrive sequentially and upon arrival reveal their type in the form of a set of resources they are willing to be matched to or more generally, a choice model. We must make an irrevocable decision to allocate from the set of available resources (in the form of a matching or by offering an assortment). The customer may then select at most one resource and use some of its inventory for a randomly drawn duration that is distributed i.i.d. according to a resource dependent usage distribution. The duration of usage is revealed to us only up on return. Successful allocations generate a resource and usage duration dependent reward. Our goal is to design online policies to maximize total expected reward without any knowledge of future customer types (adversarial demand model). Previously, Gong et al. (2019) showed that the Greedy algorithm is 1/2 competitive for this problem when compared against the clairvoyant algorithm that knows the entire customer type sequence in advance but sees the outcomes of usage durations in real-time. We propose a simple and novel algorithm for this problem that addresses reusability despite being oblivious to usage distributions. For large starting inventory, we show that our algorithm beats Greedy and achieves the best possible competitive ratio of $(1-1/e)$ for a broad family of usage this http URL addition, our method of analysis introduces a new general framework for certifying competitiveness w.r.t. clairvoyant algorithms that may be useful more broadly in other online allocation settings that have post-allocation stochasticity.

研究の動機と目的

• 将来の情報なしに、敵対的かつ到着順序が与えられる顧客シーケンスにおいて、総期待報酬を最大化するオンライン割り当て方針を設計すること。
• リソースを割り当てた後、リソースが再び利用可能になるまでの使用期間が確率的であるという、割り当て後の不確実性の課題に対処すること。
• この問題クラスの理論的上限である$(1-1/e)$に一致する競合比を達成すること。
• 割り当て後の不確実性を伴う設定において、クライアボイアントアルゴリズム（全顧客タイプのシーケンスを事前に知っているが、使用期間はリアルタイムで観測）に対する競合比を証明する一般化された分析枠組みを開発すること。
• 同じ条件下で、グリーディアルゴリズム（1/2の競合比）よりも優れた性能を示す、提案されたアルゴリズムの有効性を示すこと。

提案手法

• 将来の需要や使用期間を知らずに、現在の利用可能なリソースと顧客の選択肢集合に基づいて、取り消し不能な割り当て意思決定を行う新しいオンラインアルゴリズムを提案する。
• 全顧客タイプのシーケンスを事前に知っているが、使用期間はリアルタイムで観測するクライアボイアントベンチマークとの性能比較に用いる、革新的な分析枠組みを導入する。
• 各リソースが、リソース固有の分布から独立同分布に従って無作為に決定される使用期間を経て再び利用可能になると仮定する確率的モデルを採用する。使用期間はリソースの返却時にのみ明らかになる。
• リソースの再利用可能性と、在庫に戻るタイミングを考慮した競合比分析を実施する。
• 大規模在庫スケーリングの下で性能保証を得るために、緩和と丸め込みの技術を適用する。
• 在庫サイズが増大するに従い、アルゴリズムの性能が理論的限界の$(1-1/e)$に近づくことが、広範な使用期間分布の仮定のもとで示される。

実験結果

リサーチクエスチョン

• RQ1 使用期間の分布を事前に知らなくても、再利用可能なリソース割り当てにおいて1/2を上回る競合比を達成できるオンラインアルゴリズムは存在するか？
• RQ2 割り当て後の不確実性が存在する中で、シンプルかつ無知（oblivious）なアルゴリズムが最適な$(1-1/e)$の競合比を達成できるか？
• RQ3 割り当て後の不確実性を伴うオンライン設定において、クライアボイアントアルゴリズムに対する競合比を証明するための一般化された分析枠組みは何か？
• RQ4 提案されたアルゴリズムの性能は、在庫サイズの増大に伴い、グリーディアルゴリズムと比較してどのように変化するか？
• RQ5 提案された手法は、広範なリソース固有の使用期間分布の族に対して、最適性を維持するか？

主な発見

• 提案されたアルゴリズムは、最適かつグリーディアルゴリズムの1/2の競合比を上回る$(1-1/e)$の競合比を達成する。
• 使用期間の分布を無視しても、大規模在庫スケーリングの下で最適性を達成する。
• $(1-1/e)$の競合比が、この種の再利用可能リソース割り当て問題に対して、最良のものであることが証明される。
• 新規の分析枠組みにより、割り当て後の不確実性を伴う設定において、オンラインポリシーのクライアボイアントベンチマークに対する性能を厳密に証明できる。
• この手法は、任意のi.i.d.使用期間を伴うリソース依存の使用期間分布の族に対しても、強固に機能する。
• 結果として、将来の需要や使用タイミングを知らなくても、リソースの再利用性を効果的に活用できることが示された。