[论文解读] Advance Service Reservations with Heterogeneous Customers

Clifford Stein, Van‐Anh Truong+1 more|arXiv (Cornell University)|May 15, 2018

Optimization and Search Problems参考文献 37被引用 7

一句话总结

本文提出针对异构客户、具有有限容量和易逝截止时间资源的在线服务预约算法。提出一种改进的算法（RLS），在各种场景下性能接近最优——与上界差距在7%以内，显著优于中等容量设置下的贪心和静态预约等启发式算法。

ABSTRACT

We study a fundamental model of resource allocation in which a finite number of resources must be assigned in an online manner to a heterogeneous stream of customers. The customers arrive randomly over time according to known stochastic processes. Each customer requires a specific amount of capacity and has a specific preference for each of the resources, with some resources being feasible for the customer and some not. The system must find a feasible assignment of each customer to a resource or must reject the customer. The aim is to maximize the total expected capacity utilization of the resources over the horizon. This model has application in services, freight transportation, and online advertising. We present online algorithms with bounded competitive ratios relative to an optimal offline algorithm that knows all stochastic information. Our algorithms perform extremely well compared to common heuristics, as demonstrated on a real data set from a large hospital system in New York City.

研究动机与目标

• 解决在随机、非平稳客户到达下，具有异构偏好和容量需求的在线资源分配挑战。
• 在资源随时间过期的系统中（如医疗预约或货运集装箱），最大化总期望容量利用率。
• 开发在具有动态需求模式的真实世界场景中，优于常见启发式算法的稳健、近似最优在线算法。
• 在不同需求-容量比规模下评估算法性能，尤其关注中等容量区间，该区间收益最为显著。
• 在来自纽约市医院系统的合成数据和真实世界数据中，证明改进算法（RLS）优于静态和贪心启发式算法。

提出的方法

• 将问题建模为连续时间在线资源分配系统，包含 m 个资源，每个资源具有有限容量和到期时间。
• 通过随机到达过程、容量需求和可行资源子集来表示客户类型，包含偏好和截止时间。
• 提出改进的列表调度（RLS）算法，通过优先考虑资源共享和动态分配决策，改进基础列表调度算法。
• 采用原始-对偶框架推导性能保证，并相对于最优离线算法界定竞争比。
• 在多种设置下模拟算法，包括真实医院数据和具有非齐次泊松到达的随机配置。
• 与基准算法对比：列表调度（LS）、改进列表调度（MLS）、贪心（GRD）、静态预约（RSRV）和原始-对偶（PD）。

实验结果

研究问题

• RQ1 当客户以随机方式到达，具有异构偏好和特定资源截止时间时，如何设计在线算法以最大化期望容量利用率？
• RQ2 在线算法与已知所有未来到达的最优离线算法之间，性能差距是多少？
• RQ3 非平稳需求（如一天中不同时段或一周中不同日期的波动）相较于平稳模型，如何影响算法性能？
• RQ4 在何种容量区间（如低、中、高需求-容量比）下，先进算法如RLS相较于启发式算法提供最大价值？
• RQ5 与静态预约或贪心分配策略相比，RLS中动态资源共享在多大程度上提升了性能？

主要发现

• 在所有测试场景中，改进的列表调度（RLS）算法始终表现接近理论最优上界，差距在7%以内，展现出强大的鲁棒性。
• 在100组随机配置的平均情况下，RLS达到上界的96.3%，显著优于贪心启发式（95.9%）和静态预约（85.2%）。
• 贪心启发式（GRD）在极端规模（极高或极低需求）下表现最佳，但在资源共享最为关键的中等容量区间表现欠佳。
• RLS算法通过灵活分配减少了常规患者的平均等待时间，但若未妥善预留，会以牺牲当日患者分配为代价。
• 在使用纽约市医院真实数据的实测中，RLS显著优于常见启发式算法，尤其在中等规模设置下，智能调度的价值最为突出。
• 在平均情况设置下，原始-对偶算法表现略逊于GRD，可能因其侧重于最坏情况保证，而非平均情况效率。