带有随机注入建议的在线算法
摘要：用于在线算法的新的定量评估方法：随机融入建议 (RIA)。不同于以往的工作，我们的方法不对输入序列做任何概率性假设，也不依赖于特定的在线算法的开发。相反，它可以应用于已有的在线随机算法，从而评估它们在超出极端最坏情况的情景中的性能。具体而言，RIA的在线算法ALG受益于一位全知但不完全可靠的预言家生成的建议。新方法的关键是通过将建议写入ALG通常读取其随机位的缓冲区B来向ALG提供建议，因此使我们能够通过一个非常简单和非侵入性的接口来增加它。预言家的(不)可靠性通过参数0≤α≤1来捕捉，该参数确定每轮成功融入建议的概率；如果建议未成功融入，即以概率1-α发生，则缓冲区B包含新鲜的随机位(与经典在线设置中的情况相同)。 我们通过将RIA方法应用于三个广泛研究的在线问题：分页、均匀度量任务系统和在线集合覆盖，展示了该方法的适用性。对于这些问题，我们建立了经典在线算法竞争比的新上界，这些上界随着注入参数α的增大而改善。这些上界与通过RIA的在线算法为这三个问题的(通常是紧致的)竞争比相补充。
作者：Yuval Emek, Yuval Gil, Maciej Pacut, Stefan Schmid
论文ID：2302.05366
分类：Data Structures and Algorithms
分类简称：cs.DS
提交时间：2023-08-08