[论文解读] Improved Algorithms for Online Rent Minimization Problem Under Unit-Size Jobs

Enze Sun, Zonghan Yang+1 more|arXiv (Cornell University)|Jan 1, 2023

Optimization and Search Problems被引用 1

一句话总结

本文提出了一种基于预言机的在线算法框架，针对单位大小作业的在线租赁最小化问题，实现了6-竞争比，显著优于此前约15.16的最佳已知界。通过用高效离线预言机替代先前算法的黑箱使用，该方法实现了更严格的成本控制，并采用统一、简洁的方法处理所有作业，无需区分短作业与长作业。

ABSTRACT

We consider the Online Rent Minimization problem, where online jobs with release times, deadlines, and processing times must be scheduled on machines that can be rented for a fixed length period of $T$. The objective is to minimize the number of machine rents. This problem generalizes the Online Machine Minimization problem where machines can be rented for an infinite period, and both problems have an asymptotically optimal competitive ratio of $O(\log(p_{\max}/p_{\min}))$ for general processing times, where $p_{\max}$ and $p_{\min}$ are the maximum and minimum processing times respectively. However, for small values of $p_{\max}/p_{\min}$, a better competitive ratio can be achieved by assuming unit-size jobs. Under this assumption, Devanur et al. (2014) gave an optimal $e$-competitive algorithm for Online Machine Minimization, and Chen and Zhang (2022) gave a $(3e+7)\approx 15.16$-competitive algorithm for Online Rent Minimization. In this paper, we significantly improve the competitive ratio of the Online Rent Minimization problem under unit size to $6$, by using a clean oracle-based online algorithm framework.

研究动机与目标

• 解决单位大小作业下的在线租赁最小化问题，其中所有作业的处理时间为1，且必须在释放时间与截止时间约束内完成调度。
• 将该问题的竞争比提升至超过此前已知的最佳界3e + 7 ≈ 15.16。
• 设计一种统一、简洁的在线算法，避免如先前方法一般需将作业分类为短作业或长作业。
• 形式化并扩展在线机器最小化算法，构建适用于租赁最小化的通用预言机框架。
• 在无延迟与延迟租赁模型下，建立一个可证明高效的在线算法，具备强理论保证。

提出的方法

• 引入一种基于预言机的框架，利用高效离线算法指导在线决策，替代先前算法的黑箱使用。
• 定义一种替代预言机——‘最优增广算法’，允许租赁时长达3T，同时保持T时长租赁的租赁数量不超过OPT，从而确保成本控制。
• 利用预言机模拟最优解路径并指导在线租赁决策，维持在线单调性与成本有界性。
• 通过EDF（最早截止时间优先）调度，逐步维护一个半在线租赁集合，实现高效的动态更新，最坏时间复杂度为O(n² log n)。
• 应用约简技术，将无延迟算法扩展至延迟租赁模型（每个租赁需λ时间激活），实现6(λ + 1)的竞争比。
• 通过结构引理证明可行性与竞争性，表明在任何区间内，该在线租赁集合均能覆盖所有作业需求，即使存在延迟。

实验结果

研究问题

• RQ1 能否将单位大小作业下在线租赁最小化问题的竞争比提升至超过此前3e + 7 ≈ 15.16的界？
• RQ2 是否可能设计一种统一的在线算法，无需区分短作业与长作业？
• RQ3 鉴于尚无已知的多项式时间最优离线算法，能否有效将基于预言机的框架适配于在线租赁最小化问题？
• RQ4 基于预言机方法，该问题的最佳竞争比是多少？
• RQ5 如何在保留强竞争保证的前提下，处理租赁激活延迟（λ时间单位）的问题？

主要发现

• 本文提出了一种针对单位大小作业下在线租赁最小化问题的6-竞争比在线算法，显著优于此前约15.16的最佳界。
• 该算法采用一种新颖的基于预言机的框架，替代了先前算法的黑箱使用，实现了更严格的成本控制，并对所有作业实现了统一处理。
• 该预言机是已知最优离线算法的高效替代品，可在租赁时长达3T的前提下，将T时长租赁的租赁数量控制在OPT以内。
• 通过EDF调度逐步维护租赁集合，算法保持了可行性与竞争性，最坏时间复杂度为O(n² log n)。
• 对于延迟租赁模型（参数λ），该算法实现了6(λ + 1)的竞争比，通过简洁的约简技术实现扩展。
• 该框架表明，将黑箱算法替换为基于预言机的设计，可显著提升竞争比并增强算法清晰度。