[论文解读] A Semi Distributed Approach for Min-Max Fair Car-Parking Slot Assignment Problem

Elisabetta Alfonsetti, Pradeep Chathuranga Weeraddana+1 more|arXiv (Cornell University)|Jan 23, 2014

Smart Parking Systems Research参考文献 19被引用 4

一句话总结

本文提出了一种半分布式算法，用于解决最小-最大公平停车车位分配问题，利用拉格朗日对偶性在保证用户隐私的同时实现公平的停车分配。与最优的指数时间方法相比，该方法具有更高的可扩展性，并且在公平性和性能方面优于贪心方法，当停车位数量超过车辆数量两倍时，其结果接近最优。

ABSTRACT

Designing efficient car parking mechanisms that can be potentially integrated into future intelligent transportation systems is of crucial importance. Usually, the related design problems are combinatorial and the worst-case complexity of optimal solution approaches grows exponentially with the problem sizes. Therefore, such optimal approaches are not scalable and practically undesirable. As a result, almost all existing methods for parking slot assignment are simple and greedy approaches, where each car is assigned a free parking slot, which is closer to its destination. Moreover, no emphasis is placed to optimize the social benefit of the users during the parking slot assignment. In this paper, the fairness as a metric for modeling the aggregate social benefit of the users is considered and a distributed algorithm based on Lagrange duality theory is developed. The proposed algorithm is gracefully scalable compared to the optimal methods. In addition, it is shown that the proposed car parking mechanism preserves privacy in the sense that any car involved in the algorithm will not be able to discover the destination of any other car during the algorithm iterations. Numerical results illustrate the performance of the proposed algorithm compared to the optimal assignment and a greedy method. They show that our algorithm yields a good tradeoff between the implementation-level simplicity and the performance. Even though the main emphasis in this paper resides in the car parking slot assignment problem, our formulation and the algorithms, in general, can also be applied or adopted in fair agent-target assignment problems in other application domains.

研究动机与目标

• 解决最优组合方法在停车车位分配中的可扩展性限制，此类方法的复杂度随问题规模呈指数增长。
• 设计一种公平的分配机制，通过最小化任意用户必须行驶的最大距离来优化整体社会效益。
• 在分配过程中确保隐私，使得任何车辆都无法获知其他车辆的目的地。
• 开发一种可扩展的分布式解决方案，在实现简便性与高性能之间取得平衡。
• 将该方法推广至更广泛的公平代理-目标分配问题，而不仅限于停车场景。

提出的方法

• 将问题建模为一个非凸、组合优化问题，目标是最小化分配车位与用户目的地之间的最大距离。
• 应用拉格朗日对偶性理论，将问题分解为对偶优化框架，从而支持分布式计算。
• 通过在对偶变量 ν 上进行二分搜索求解对偶问题，利用次梯度计算确定最优 ν*。
• 通过投影公式 λ̄_i = max{0, x_i - ν*} 恢复原始问题的解，其中 x_i 表示距离向量。
• 该算法以半分布式方式实现，每辆车仅共享自身距离数据，从而确保隐私。
• 采用基于次梯度的二分法，高效计算概率单纯形上的欧几里得投影，以求解对偶问题。

实验结果

研究问题

• RQ1 能否设计一种分布式算法，在保持低计算复杂度的同时，实现接近最优的公平性？
• RQ2 如何在分配过程中保护隐私，使得任何车辆都无法获知其他车辆的目的地？
• RQ3 与贪心方法和最优方法相比，该方法在性能与实现简便性之间实现了怎样的权衡？
• RQ4 在不同车位与车辆数量比下，该算法的性能在多大程度上接近最优解？
• RQ5 所提出的框架能否推广至其他公平代理-目标分配问题？

主要发现

• 当可用停车位数量等于或大于车辆数量的两倍时，所提算法的性能非常接近最优方法。
• 在所有测试场景中，所提方法在公平性方面显著优于贪心方法，大幅减少了用户需行驶的最大距离。
• 该算法保持了强大的隐私保障，因为在执行过程中，任何车辆都无法推断出其他车辆的目的地。
• 该方法具有良好的可扩展性，避免了精确最优解的指数级复杂度，适用于大规模实际部署。
• 数值结果证实，该算法在现实停车场景中有效平衡了实现简便性与最优性。
• 该框架可推广至资源分配、任务调度等领域的其他公平分配问题。