.png){kind=icon}
返回
Regularized Online Allocation Problems: Fairness and Beyond
.png){kind=icon}
PRE
AI
DOI：10.1287/msom.2022.0212.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
问题定义：具有资源约束的在线分配问题在运营管理领域有着丰富的历史。本文引入了正则化在线分配问题，这是一种包含作用于总资源消耗的非线性正则项的变体。在该问题中，请求随时间重复到达，且针对每个请求，决策者需要采取一项行动，该行动既能产生收益，又会消耗资源。目标是在资源约束下，同时最大化可加分离的收益与非分离正则项的价值。
方法/结果：我们设计了一种简单、快速且在随机和对抗性输入下均表现良好的算法。具体而言，该算法在随机独立同分布（i.i.d.）输入模型下渐进最优，在输入为对抗性时达到依赖正则项的固定竞争比，并能处理次线性的非平稳性。此外，算法与分析无需收益函数和消耗函数的凸性或凹性，从而增加了模型灵活性。数值实验证实了所提算法在互联网广告应用中的有效性，以及正则化的作用。
管理启示：引入正则项使决策者能够在可分离目标（如分配的经济效率）与非分离目标（如分配的公平性或均等性）之间进行权衡。本研究结果对互联网广告、云计算和 humanitarian logistics 等多个领域的在线分配问题具有启示意义，这些领域中公平性和均等性是管理者的重要考量因素。
Keyword:
online allocation
fairness
regret analysis
regularization
期刊
IF:
4.2
论文数:
393
被引数:
7.1K
机构
引用论文
.png){kind=icon}
Near Optimal Online Algorithms and Fast Approximation Algorithms for Resource Allocation Problems
OAAI
OAAI分享收藏
分享收藏
查看更多内容