[论文解读] Think Eternally: Improved Algorithms for the Temp Secretary Problem and Extensions

Thomas Keßelheim, Andreas Tönnis|arXiv (Cornell University)|Jun 22, 2016

Optimization and Search Problems参考文献 11被引用 3

一句话总结

本文提出了一种基于松弛的新型算法，用于处理具有临时承诺的临时秘书问题，通过将时间约束转化为全局约束，实现高效的在线决策。该算法在一般情况下实现了 $\frac{1}{2} - O(\sqrt{\gamma})$ 的竞争比，在 $B$ 较大时达到 $1 - O\left(\frac{1}{\sqrt{B}}\right) - O(\sqrt{\gamma})$，显著优于以往的界限，同时扩展至一般的打包约束和可变持续时间的合同。

ABSTRACT

The \emph{Temp Secretary Problem} was recently introduced by Fiat et al. It is a generalization of the Secretary Problem, in which commitments are temporary for a fixed duration. We present a simple online algorithm with improved performance guarantees for cases already considered by Fiat et al.\ and give competitive ratios for new generalizations of the problem. In the classical setting, where candidates have identical contract durations $γ\ll 1$ and we are allowed to hire up to $B$ candidates simultaneously, our algorithm is $(\frac{1}{2} - O(\sqrtγ))$-competitive. For large $B$, the bound improves to $1 - O\left(\frac{1}{\sqrt{B}} ight) - O(\sqrtγ)$. Furthermore we generalize the problem from cardinality constraints towards general packing constraints. We achieve a competitive ratio of $1 - O\left(\sqrt{\frac{(1+\log d + \log B)}{B}} ight) -O(\sqrtγ)$, where $d$ is the sparsity of the constraint matrix and $B$ is generalized to the capacity ratio of linear constraints. Additionally we extend the problem towards arbitrary hiring durations. Our algorithmic approach is a relaxation that aggregates all temporal constraints into a non-temporal constraint. Then we apply a linear scaling algorithm that, on every arrival, computes a tentative solution on the input that is known up to this point. This tentative solution uses the non-temporal, relaxed constraints scaled down linearly by the amount of time that has already passed.

研究动机与目标

• 解决临时秘书问题中，雇佣承诺持续固定时长 $\gamma \ll 1$，且任意时刻最多 $B$ 个物品重叠的情况。
• 在均匀随机到达时间的随机到达模型下，超越以往工作，尤其在 $B$ 较大且 $\gamma$ 较小时，提升竞争比。
• 将临时秘书问题中的基数约束推广至任意线性打包约束，以支持多 knapsack 或机器调度等应用。
• 将模型扩展至具有任意持续时间的物品，而不仅限于固定的 $\gamma$，并分析此类推广下的性能表现。
• 提供一个统一的算法框架，通过将时间约束松弛为全局约束，实现更简单且更鲁棒的在线决策。

提出的方法

• 通过将时间重叠约束替换为整个时间范围内的全局上限 $B\lceil 1/\gamma \rceil$，对原始问题进行松弛。
• 采用线性缩放规则：在时间 $t$，将松弛后的约束按已过去的时间比例 $t$ 进行缩放，以维持可行性。
• 对松弛后的、时间缩放的约束，应用线性打包问题的在线算法，以在每个项目到达时计算一个暂定解。
• 通过仅在暂定解中可行且不违反原始时间约束时才接受项目，来确定最终选择。
• 通过可行性与选择的概率界限，结合集中不等式和条件期望，分析竞争比。
• 通过调整松弛与缩放机制，将方法推广至任意持续时间的项目。

实验结果

研究问题

• RQ1 我们能否设计一种更简单且更高效的在线算法，用于具有临时承诺的临时秘书问题，以超越目前已知的最佳竞争比？
• RQ2 当 $B$ 较大时，可以实现怎样的竞争比？其与 $\gamma$ 和 $B$ 的关系如何？
• RQ3 在不牺牲竞争力的前提下，能否将临时秘书问题中的基数约束推广至任意线性打包约束？
• RQ4 当项目具有可变持续时间而非固定 $\gamma$ 时，竞争比的表现如何？
• RQ5 基于松弛的方法能否扩展至其他可行性结构，如拟阵或子模目标？

主要发现

• 所提出的算法在所有 $B$ 下均实现了 $\frac{1}{2} - O(\sqrt{\gamma})$ 的竞争比，优于 $B=1$ 时先前的 $\frac{1}{2} - O\left(\sqrt{\gamma \ln(1/\gamma)}\right)$ 界限。
• 当 $B$ 较大时，竞争比提升至 $1 - O\left(\frac{1}{\sqrt{B}}\right) - O(\sqrt{\gamma})$，优于先前的 $1 - O\left(\sqrt{\frac{\ln B}{B}}\right) - O\left(\sqrt{\gamma \ln(1/\gamma)}\right)$ 结果。
• 该算法推广至任意线性打包约束后，竞争比为 $1 - O\left(\sqrt{\frac{1 + \log d + \log B}{B}}\right) - O(\sqrt{\gamma})$，其中 $d$ 为约束矩阵的稀疏度。
• 该方法自然扩展至具有任意持续时间的项目，在一般情况下实现了 $\frac{1}{4} - \Theta(\sqrt{\gamma})$ 的竞争比。
• 松弛技术有效解耦了时间约束与在线决策过程，使得分析更紧密，性能保证更优。
• 分析依赖于使用条件期望和集中不等式来界定每轮不可行性的概率，从而导出简洁且可扩展的竞争比。