[论文解读] Knowledge State Algorithms: Randomization with Limited Information

Wolfgang Bein, Lawrence L. Larmore+1 more|ArXiv.org|Jan 23, 2007

Optimization and Search Problems参考文献 10被引用 3

一句话总结

本文提出了知识状态模型，这是一种用于设计有限内存下具有竞争力的随机在线算法的框架。该方法应用于分页问题，为 k=2 和 k=3 的情况构造了使用最少书签的最优竞争力算法，分别实现了 H₂ 和 H₃ 的竞争力。

ABSTRACT

We introduce the concept of knowledge states; many well-known algorithms can be viewed as knowledge state algorithms. The knowledge state approach can be used to to construct competitive randomized online algorithms and study the tradeoff between competitiveness and memory. A knowledge state simply states conditional obligations of an adversary, by fixing a work function, and gives a distribution for the algorithm. When a knowledge state algorithm receives a request, it then calculates one or more "subsequent" knowledge states, together with a probability of transition to each. The algorithm then uses randomization to select one of those subsequents to be the new knowledge state. We apply the method to the paging problem. We present optimally competitive algorithm for paging for the cases where the cache sizes are k=2 and k=3. These algorithms use only a very limited number of bookmarks.

研究动机与目标

• 解决随机在线算法中内存使用与竞争力之间的权衡问题。
• 开发一个正式框架——知识状态算法，以系统化地构造此类算法。
• 在最小化状态表示的前提下，为分页问题实现最优竞争力（Hₖ），尤其针对小的 k 值。
• 探究是否存在一种 O(k) 书签算法，可实现 k-缓存问题的最优竞争力。
• 研究在一般度量空间中，是否可利用该框架打破 2-竞争力的瓶颈，适用于 2-服务器问题。

提出的方法

• 知识状态模型通过工作函数定义条件性义务，并通过未来状态的概率分布来指导随机化。
• 在每次请求时，算法计算一个或多个后续知识状态及其对应的转移概率。
• 算法根据这些概率通过随机化选择下一个状态，从而在知识状态上形成类似马尔可夫的过程。
• 该方法使用势函数（Φ）来正式分析并证明竞争力比率，采用在线计算的混合模型。
• 通过验证期望成本加上势函数的变化量被限制在最优离线成本以内，来证明竞争力。
• 通过基于页面集合和请求模式定义知识状态，将该方法应用于分页问题，对 k=2 和 k=3 的情况给出了显式构造。

实验结果

研究问题

• RQ1 是否可以使用知识状态模型来设计具有可证明最优竞争力且内存有界的随机在线算法？
• RQ2 对于 k-缓存问题，是否存在一种 O(k) 书签算法，可实现 Hₖ 的竞争力？
• RQ3 在一般度量空间中，是否可利用该框架打破 2-服务器问题的 2-竞争力瓶颈？
• RQ4 为实现小 k 值下的最优竞争力，所需的最小内存要求（以知识状态数量计）是多少？
• RQ5 该知识状态方法是否可系统性地应用于分页和服务器问题之外的其他在线问题？

主要发现

• 构造了一个阶为 2 的知识状态算法，其在 2-缓存问题中达到 H₂-竞争力，仅使用一个书签。
• 开发了一种阶为 3 的知识状态算法，其在 3-缓存问题中达到 H₃-竞争力，相较于 EQUITABLE 等先前方法具有更高的内存效率。
• 在 M₂,₄ 类度量空间（距离为 1 或 2）中，通过计算机生成的阶为 2 的知识状态算法实现了 7/4-竞争力。
• 在 M₂,₄ 中，任何阶为 2 的知识状态算法的理论竞争力下界为 (173+√137)/112 ≈ 1.76，表明仍有改进空间。
• 在 M₂,₄ 中，发现一种阶为 3 的知识状态算法达到 19/12-竞争力，且该结果被证明为最优，因为在该空间中任何随机算法都无法实现更优的竞争力。
• 阶为 3 的算法中所有知识状态和转移概率均可表示为有理数，确保了计算上的可行性。