We consider the classic online problem of scheduling on a single machine to minimize total flow time. In STOC 2021, the concept of robustness to distortion in processing times was introduced: for every distortion factor $\mu$, an $O(\mu^2)$-competitive algorithm $\operatorname{ALG}_{\mu}$ which handles distortions up to $\mu$ was presented. However, using that result requires one to know the distortion of the input in advance, which is impractical. We present the first \emph{distortion-oblivious} algorithms: algorithms which are competitive for \emph{every} input of \emph{every} distortion, and thus do not require knowledge of the distortion in advance. Moreover, the competitive ratios of our algorithms are $\tilde{O}(\mu)$, which is a quadratic improvement over the algorithm from STOC 2021, and is nearly optimal (we show a randomized lower bound of $\Omega(\mu)$ on competitiveness).


翻译:我们考虑了在单一机器上安排时间以最大限度地减少总流时间的典型在线问题。 在STOC 2021 中,引入了强于扭曲处理时间的概念:对于每一个扭曲系数$mu$,都提出了美元(mum%2)$(美元)-竞争性算法$(operatorname{ALG ⁇ ⁇ mu)$(美元),处理高达$\mu$(美元)的扭曲。然而,使用这一结果需要先知道输入的扭曲情况,这是不切实际的。我们提出了第一个算法:对\emph{eper}扭曲输入具有竞争力的算法,因此不需要事先知道扭曲情况。此外,我们的算法的竞争性比率是$\tilde{O}(\mu)$(美元),这是对STOC 2021 的算法的四分法改进,而且几乎是最佳的(我们在竞争力上随机下下下限值$\\ omega(mu) 。

0
下载
关闭预览

相关内容

STOC论文的典型但非排他性的主题包括基础领域,如算法和数据结构、计算复杂性、并行和分布式算法、量子计算、连续和离散优化、计算中的随机性、近似算法、组合数学和算法图论,密码学,计算几何,代数计算,逻辑计算应用,算法编码理论。典型的主题还包括计算和基础方面的领域,如机器学习,经济学,公平性,隐私,网络,数据管理和生物学。STOC鼓励那些拓宽计算理论研究范围,或提出可从理论调查和分析中受益的重要问题的论文。官网链接:http://acm-stoc.org/stoc2019/
专知会员服务
14+阅读 · 2021年5月21日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年11月9日
Arxiv
0+阅读 · 2021年11月8日
Arxiv
3+阅读 · 2017年12月1日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员