[论文解读] Capacity Expansion in the College Admission Problem.

Federico Bobbio, Margarida Carvalho+2 more|arXiv (Cornell University)|Oct 2, 2021

Game Theory and Voting Systems参考文献 23被引用 5

一句话总结

本文研究了在高校录取情境下的容量扩展问题，目标是将有限数量的额外名额最优分配给各学院，以最小化学生成本。论文提出了一种整数二次约束规划模型（IQCP）及其线性化形式，同时设计了基于贪心和线性规划的启发式算法。实证结果表明，线性模型在实践中显著优于二次模型，且即使增加少量额外名额也能显著提升学生满意度。

ABSTRACT

The college admission problem plays a fundamental role in several real-world allocation mechanisms such as school choice and supply chain stability. The classical framework assumes that the capacity of each college is known and fixed in advance. However, increasing the quota of even a single college would improve the overall cost of the students. In this work, we study the problem of finding the college capacity expansion that achieves the best cost of the students, subject to a cardinality constraint. First, we show that this problem is NP-hard to solve, even under complete and strict preference lists. We provide an integer quadratically constrained programming formulation and study its linear reformulation. We also propose two natural heuristics: A greedy algorithm and an LP-based method. We empirically evaluate the performance of our approaches in a detailed computational study. We observe the practical superiority of the linearized model in comparison with its quadratic counterpart and we outline their computational limits. In terms of solution quality, we note that the allocation of a few extra spots can significantly impact the overall student satisfaction.

研究动机与目标

• 为解决经典高校录取问题中固定学院容量带来的局限性，该局限可能导致学生结果次优。
• 研究在固定额外名额数量的约束下，如何最优地扩展学院容量以最小化总体学生成本。
• 开发高效的求解方法，具体包括线性化混合整数规划模型及两种启发式算法，用于解决容量扩展问题。
• 在真实场景中评估所提方法的计算性能与解的质量。
• 量化小规模容量扩展对学生满意度与系统总成本的影响。

提出的方法

• 将容量扩展问题建模为整数二次约束规划（IQCP），以刻画容量增加与学生成本之间的权衡。
• 推导IQCP的线性化形式，以提升计算可处理性与可扩展性。
• 提出一种贪心启发式算法，基于边际学生成本降低程度，逐步将额外名额分配给学院。
• 设计一种基于线性规划松弛的启发式算法，利用LP松弛结果指导容量扩展决策。
• 通过计算实验比较精确线性化模型、原始二次模型及两种启发式算法的性能。
• 在实验中采用完整且严格的偏好列表，以确保学生成本评估的一致性与可度量性。

实验结果

研究问题

• RQ1 在完整且严格的偏好列表下，高校录取场景中的容量扩展问题是否仍为NP难问题？
• RQ2 线性化混合整数规划模型相较于其二次形式，在解的质量与运行时间方面表现如何？
• RQ3 少量额外容量名额在多大程度上能改善整体学生满意度与成本？
• RQ4 所提出的启发式算法（贪心与LP基础）在近似最优解方面效果如何？
• RQ5 当问题规模扩大时，精确方法的计算极限在哪里？

主要发现

• 即使在偏好完整且严格的情况下，容量扩展问题仍为NP难，表明其固有的计算难度。
• 线性化混合整数规划模型在计算效率与可扩展性方面显著优于原始二次形式。
• 贪心与LP基础启发式算法能提供高质量解，且运行时间更低，适用于大规模实际应用。
• 少量额外名额即可显著降低整体学生成本并提升满意度。
• 计算实验揭示了精确方法在求解大规模实例时存在明显局限，凸显了高效启发式算法的必要性。
• 线性化形式相比二次模型能实现更快收敛，并更好地处理大规模问题实例。