【论文评述】An Economics-Based Analysis of RANKING for Online Bipartite Matching
文献
问题背景
这篇论文仍然研究的是最经典的在线二部图匹配问题,也即1990年
有一个二部图
现在,需要在每次有
目标是使最终的匹配最大化。
这个问题已经由Karp等人给出了著名RANKING algorithm,即首先给全体
Karp等人证明了RANKING algorithm的
同时也证明了这是经典的在线二部图匹配问题的最高competitive ratio,但是当时给出的证明比较复杂。
后续有很多人对这个证明给出了简化,这篇文章提到的经济学视角也已经不是新鲜事物了,但这篇文章还省去了很多例如linear programming duality的技巧,非常的简单。
因此,这篇论文发表于 Symposium on Simplicity in Algorithms (SOSA),这也我第一次知道这个以“简化”为主题的会议,感觉挺好玩:)
解决思路
为了方便起见,假设两部的规模都是
我们采用下面这个经济学视角:
把
注意到,
那么我们就是要最大化匹配M带来的social welfare的期望,即
对于边
这样,我们就把福利拆解为了效用和卖家收益,这是这篇文章的第一个重要步骤。
接下来只要证明
即可。
考虑
接下来有两个最重要的observation:
1、如果
这是因为,就算先前揭示的买家一个也没有买
这个observation给出了
(价格的分布已知,要得到
2、
这是因为在原来多一个商品
这个observation给出了
则
即
再聊聊
这个证明里使用了一个分布,也就是在
我的概率论知识非常贫乏,自然要问,如果换一个分布呢?
例如,最简单的,直接在
也就是说,得到的期望的下界仍然是一个随机变量,对这个随机变量再取下界方可得到一个常数competitive ritio,由我们先前已经知道的结果可知,这个ritio并不紧。
那么,我们可以尝试完成这篇paper没有主动解决的一个问题,怎么证明
在这里首先提出一个猜想,不均匀的随机数采样永远可以等价为一个均匀采样结合一个关于该随机变量的函数,我觉得这个猜想很对,会概率论的应该一下就能证明,但是我的概率论知识不够,所以很抱歉。
那么我们就只考虑
则我们要求
不是很会求这个东西,但可以知道
更新(2023/4/2)
关于那个概率的小猜想,证明如下:
摘自该讲义
关于最后那个变分式,已经在2013年被人研究过了!
Randomized Primal-Dual Analysis of RANKING for Online Bipartite Matching
用Yao’s principle先估计出上界,然后猜出使得这个上界成立的函数。