[論文レビュー] Asymptotically Optimal Competitive Ratio for Online Allocation of Reusable Resources

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

Optimization and Search Problems被引用数 14

ひとこと要約

本稿では、クラリベイント基準に対する $(1 - 1/e)$ の競合比を達成する、再利用可能なリソース割り当ての新しいオンラインアルゴリズムを提示する。これは理論的最適値に一致する。リソース再利用可能性に配慮した優先順位メカニズムを導入し、新しいLPフリーの解析を活用することで、確率的使用時間の下で欲張りとリソースの保存の最適なバランスを図り、従来の0.5の競合比を著しく上回る。

ABSTRACT

We consider the problem of online allocation (matching, budgeted allocations, and assortments) of reusable resources where an adversarial sequence of resource requests is revealed over time and any allocated resource is used/rented for a stochastic duration drawn independently from a resource dependent usage distribution. Previously, it was known that a greedy algorithm is 0.5--competitive against the clairvoyant benchmark that knows the entire sequence of requests in advance (Gong et al. (2021)). We give a novel algorithm that is $(1-1/e)$--competitive for arbitrary usage distributions when the starting capacity of each resource is large and the usage distributions are known. This is the best achievable competitive ratio guarantee for the problem, i.e., no online algorithm can have better competitive ratio. We also give a distribution oblivious online algorithm and show that it is $(1-1/e)$--competitive in special cases. At the heart of our algorithms is a new quantity that factors in the potential of reusability for each resource by (computationally) creating an asymmetry between identical units of the resource. We establish the performance guarantee for our algorithms by constructing a feasible solution to a novel system of inequalities that allows direct comparison with the clairvoyant benchmark instead of a linear programming (LP) relaxation of the benchmark. Our technique generalizes the primal-dual analysis framework for online resource allocation and may be of broader interest.

研究の動機と目的

• オンライン再利用可能リソース割り当てにおける既知の0.5の競合比と理論的最適値の間のギャップを埋めること。
• 確率的使用時間の下で、欲張りとリソースの保存の最適なバランスを図るオンラインアルゴリズムを設計すること。
• 確率的再利用可能性をオンライン組み合わせ的割り当て意思決定に統合する体系的な手法を開発すること。
• オンラインリソース割り当てにおける性能保証のための新しいLPフリーの解析フレームワークを確立すること。
• この手法をオンラインマッチング、予算付き割り当て、アソートメント問題に一般化すること。

提案手法

• 同じリソース単位間の人工的な非対称性を生み出すために、再利用可能性の潜在的価値に基づいて動的優先順位を割り当てる新しいアルゴリズムを導入する。
• 標準的な線形計画法緩和に依存しない、新しいLPフリーの解析フレームワークを用いて性能保証を導出する。
• 集中不等式を適用し、オンラインアルゴリズムの期待報酬が、実行可能であるオフライン解の目的関数値に非常に近いことを示す。
• 問題の確率的再利用可能性と組み合わせ的構造を捉える、新しい制約系に対する実行可能解を構築する。
• オンラインアソートメントにおける確率一致の原則を適応し、確率的使用時間の下でも性能を維持する。
• 研究対象の設定において、クラリベイント基準と自然なオフラインLP基準が等価であることを確立する。

実験結果

リサーチクエスチョン

• RQ1 任意の使用時間分布の下で、オンライン再利用可能リソース割り当てにおいて0.5を上回る競合比を達成できるか？
• RQ2 確率的戻り時間を持つ再利用可能なリソースにおいて、即時割り当て（欲張り）とリソースの保存の最適なトレードオフは何か？
• RQ3 確率的再利用可能性をオンライン組み合わせ的割り当て問題に統合する体系的な手法は存在するか？
• RQ4 このクラスの問題において、$1 - 1/e$ の競合比を達成し、それが最適であることを証明できるか？
• RQ5 オンラインアルゴリズムの性能は、使用時間の実現値を事前に知っているかどうかに依存するのか？その場合、競合比にどのような影響を与えるか？

主な発見

• 提案されたアルゴリズムは、$(1 - 1/e)$ の競合比を達成し、オンライン再利用可能リソース割り当て問題において最適である。
• 決定的到着シーケンス（使用時間に依存する）を用いた Yao のミニマックス論法により、競合比がタイトで、これ以上向上できないことが示された。
• アルゴリズムの性能は、オンラインマッチング、予算付き割り当て、アソートメント最適化を含むさまざまな問題バージョンにおいても頑健である。
• LPフリーの解析フレームワークにより、標準的なLP緩和に依存せず、より直接的で体系的なアプローチで性能保証が可能になった。
• 任意のオンラインまたはクラリベイントアルゴリズムの期待報酬は、動的報酬をその静的期待値に置き換えても変化しない。このため、解析が簡素化された。
• 報酬が使用時間に依存する設定にも一般化可能であり、大容量のリソースに対しても最適競合比が保たれる。