[論文レビュー] Online Allocation of Reusable Resources via Algorithms Guided by Fluid Approximations

Vineet Goyal, Garud Iyengar+1 more|arXiv (Cornell University)|Oct 8, 2020

Optimization and Search Problems被引用数 5

ひとこと要約

本稿では、確率的使用期間を伴う再利用可能なリソースの割り当てに向けた新規オンラインアルゴリズムを提示する。流体近似を用いて緩和されたオンライン方策を導く。一般の使用分布に対して、大インventリーモードでは最適とされる(1−1/e)の競合比を達成する。これは、流体緩和を活用して分布の知識を解き放ち、再利用性と顧客選択を滑らかに統合する手法である。

ABSTRACT

We consider the problem of online allocation (matching and assortments) of reusable resources where customers arrive sequentially in an adversarial fashion and allocated resources are used or rented for a stochastic duration that is drawn independently from known distributions. Focusing on the case of large inventory, we give an algorithm that is $(1-1/e)$ competitive for general usage distributions. At the heart of our result is the notion of a relaxed online algorithm that is only subjected to fluid approximations of the stochastic elements in the problem. The output of this algorithm serves as a guide for the final algorithm. This leads to a principled approach for seamlessly addressing stochastic elements (such as reusability, customer choice, and combinations thereof) in online resource allocation problems, that may be useful more broadly.

研究の動機と目的

• リソースが再利用可能で、使用期間が確率的である状況におけるオンラインリソース割り当ての課題に取り組む。リソースはランダムな時間間隔後に返却される。
• 従来のアルゴリズムが一般の使用分布に対しては1/2の競合比しか達成できず、IFRなどの特定の分布仮定を必要とするという制限を克服する。
• 流体近似を用いて、確率的再利用性と顧客選択をオンラインアルゴリズムに統合する原理的枠組みを構築する。
• 大インベントリモードにおいて、一般の使用分布に対して最適な(1−1/e)の競合比を達成し、特殊ケースにおける既知の最良境界と一致させる。
• オンラインbマッチングからアソートメント問題への一般化変換を提供し、選択ベースの割り当てモデルへの広範な適用可能性を実現する。

提案手法

• 実時間の確率的変数の代わりに、確率的使用期間の流体近似に基づいて動作する緩和されたオンラインアルゴリズムを導入する。
• 流体緩和を用いて、既知の使用分布情報の完全な活用を可能にする最適な割り当て方策を計算する。
• 限界利得に基づく貪欲な反復的手順により、関連する重みを持つリソース部分集合のネスト構造を構築する。
• 確率一致メカニズムを適用し、流体解をランダム化されたオンライン方策にマッピングすることで、利用可能なリソースと到着する顧客をマッチングする。
• 集中性の議論により、到着時刻におけるリソースの利用可能性が高確率で保証されることを確認し、妥当性を確保する。
• MNL選択モデル下で効率的な実装を可能にする同様の流体誘導アプローチを応用し、アソートメント問題への拡張を実現する。

実験結果

リサーチクエスチョン

• RQ1 一般の使用分布下で、IFRやその他の分布仮定を必要とせずに、オンライン再利用可能リソース割り当てにおいて最適な(1−1/e)の競合比を達成できるか？
• RQ2 確率的再利用性の流体近似を、複雑な確率的ダイナミクスを扱いながらも競合比を保持する形で、オンラインアルゴリズムを誘導するためにどのように活用できるか？
• RQ3 緩和されたオンラインアルゴリズムは、オフラインの流体ベンチマークとオンラインのランダム化方策との間のギャップをどのように埋めるか？
• RQ4 単純なマッチングに加え、顧客選択モデル（例：MNL）を扱えるようにこの枠組みを一般化できるか？
• RQ5 一般の使用分布下で、本手法はグリーディーやRBAなどの先行専用アルゴリズムと比較して、性能およびロバスト性に優れているか？

主な発見

• 提案手法は、任意の使用分布を伴う再利用可能リソースのオンライン割り当てに対して、大インベントリモードで(1−1/e)の競合比を達成する。これは、大インベントリモード下での最良保証である。
• 流体誘導アプローチにより、使用分布の既知情報の完全な活用が可能となり、一般分布に対しては1/2の競合比しか達成できなかった従来手法の制限を克服する。
• 流体近似に基づく緩和されたオンラインアルゴリズムは、最終的なランダム化方策の正確なガイドとして機能し、到着時におけるリソースの高可用性を保証する。
• 顧客選択を伴うアソートメント問題へも一般化可能であり、確率一致メカニズムにより(1−1/e)の競合比を維持する。
• MNL選択モデルでは、IIA性質を活用し、最初に一度だけ要素をソートすることで、O(m log m)時間で実装可能である。
• 集中性の議論により、各リソースが到着時刻に高確率（少なくとも1−1/c_iの確率）で利用可能であることが保証され、流体解からランダム化方策への移行が正当化される。