[论文解读] Tight Guarantees for Multi-unit Prophet Inequalities and Online Stochastic Knapsack

Jiashuo Jiang, Will Ma+1 more|arXiv (Cornell University)|Jul 5, 2021

Optimization and Search Problems被引用 4

一句话总结

本文通过基于不变量的分析方法，为多单位预言者不等式和在线随机背包问题提供了紧致的性能保证。其改进了 Alaei 的 $k$-unit 预言者不等式已知最优保证，超越了 $1 - \frac{1}{\sqrt{k+3}}$，并提出了一种新的“最优匹配”方法，在在线背包问题中实现了 0.319 的紧致保证，单位密度情形下进一步优化至 0.3557，均相对于 LP 松弛而言。

ABSTRACT

Prophet inequalities are a useful tool for designing online allocation procedures and comparing their performance to the optimal offline allocation. In the basic setting of $k$-unit prophet inequalities, the well-known procedure of Alaei (2011) with its celebrated performance guarantee of $1-\frac{1}{\sqrt{k+3}}$ has found widespread adoption in mechanism design and general online allocation problems in online advertising, healthcare scheduling, and revenue management. Despite being commonly used to derive approximately-optimal algorithms for multi-resource allocation problems, the tightness of Alaei's guarantee has remained unknown. In this paper characterize the tight guarantee in Alaei's setting, which we show is in fact strictly greater than $1-\frac{1}{\sqrt{k+3}}$ for all $k>1$. We also consider the more general online stochastic knapsack problem where each individual allocation can consume an arbitrary fraction of the initial capacity. Here we introduce a new ``best-fit'' procedure with a performance guarantee of $\frac{1}{3+e^{-2}}\approx0.319$, which we also show is tight with respect to the standard LP relaxation. This improves the previously best-known guarantee of 0.2 for online knapsack. Our analysis differs from existing ones by eschewing the need to split items into ``large'' or ``small'' based on capacity consumption, using instead an invariant for the overall utilization on different sample paths. Finally, we refine our technique for the unit-density special case of knapsack, and improve the guarantee from 0.321 to 0.3557 in the multi-resource appointment scheduling application of Stein et al. (2020).

研究动机与目标

• 刻画 Alaei 的 $k$-unit 预言者不等式过程的紧致性能保证，该问题曾被猜想但未被证明。
• 为一般在线随机背包问题设计一种新的在线算法，以获得改进的性能保证。
• 超越传统的大小物品分类方法，利用样本路径上的资源利用率不变量，改进分析技术。
• 在多单位和背包设置下，相对于标准 LP 松弛建立紧致边界。
• 将结果推广至多资源在线分配问题，包括预约调度和电子商务履约。

提出的方法

• 为背包问题引入一种新的‘最优匹配’在线算法，根据容量利用率和估值动态选择物品。
• 采用基于不变量的分析方法，跟踪不同样本路径上的整体资源利用率，避免将物品分类为大或小。
• 将最优性能比公式化为一个涉及函数 $ h_{\gamma_0}(t) $ 的连续时间优化问题，该函数由一个常微分方程组推导而来。
• 应用 LP 对偶性，证明 $\gamma$-Conservative Magician 过程在 $k$-unit 设置下的最优性，推导出精确的最优 $\gamma^*_k$。
• 数值求解所得优化问题，以确定可达到的最大保证值，单位密度情形下得到 0.3557。
• 构造反例表明，任何在线算法相对于 LP 上限的性能保证均无法超过 $ \frac{1 - e^{-2}}{2} \approx 0.432 $，确立理论极限。

Figure 1 : Our tight ratios compared to existing lower/upper bounds, plotted up to $k=50$ .

实验结果

研究问题

• RQ1 Alaei 的 $k$-unit 预言者不等式过程的真实紧致性能保证是多少？是否严格优于 $1 - \frac{1}{\sqrt{k+3}}$？
• RQ2 能否为随机背包问题设计一种新的在线算法，使其性能保证优于此前已知的 0.2？
• RQ3 基于资源利用率的不变量分析相较于传统的大/小物品分类方法，在在线随机背包问题中如何改进？
• RQ4 在单位密度背包情形下，可实现的最优性能保证是多少？能否超越 0.321？
• RQ5 所提出的‘最优匹配’过程在一般背包设置下，相对于标准 LP 松弛是否为紧致的？

主要发现

• 对于所有 $k > 1$，Alaei 的 $k$-unit 预言者不等式过程的紧致性能保证严格大于 $1 - \frac{1}{\sqrt{k+3}}$，解决了长期悬而未决的开放问题。
• 所提出的‘最优匹配’算法在在线随机背包问题中实现了 $\frac{1}{3 + e^{-2}} \approx 0.319$ 的紧致性能保证，优于此前最优的 0.2。
• 在单位密度特殊情形下，改进的分析方法实现了 0.3557 的性能保证，超越了此前最优的 0.321。
• 基于不变量的分析方法避免了将物品划分为大/小类别的需求，从而实现了更紧的边界。
• 反例表明，任何在线算法相对于 LP 松弛的性能保证均无法超过 $ \frac{1 - e^{-2}}{2} \approx 0.432 $，即使在单背包情形下亦然，确立了理论极限。
• 结果可直接推广至多资源在线分配问题，如多背包和预约调度，相对于 LP 松弛具有紧致保证。