Scheduling with testing is a recent online problem within the framework of explorable uncertainty motivated by environments where some preliminary action can influence the duration of a task. Jobs have an unknown processing time that can be explored by running a test. Alternatively, jobs can be executed for the duration of a given upper limit. We consider this problem within the setting of multiple identical parallel machines and present competitive deterministic algorithms and lower bounds for the objective of minimizing the makespan of the schedule. In the non-preemptive setting, we present the SBS algorithm whose competitive ratio approaches $3.1016$ if the number of machines becomes large. We compare this result with a simple greedy strategy and a lower bound which approaches $2$. In the case of uniform testing times, we can improve the SBS algorithm to be $3$-competitive. For the preemptive case we provide a $2$-competitive algorithm and a tight lower bound which approaches the same value.


翻译:与测试挂钩是最近一个在线问题,这是在一些初步行动可以影响任务持续时间的环境所驱动的探索性不确定性框架内的近期问题。 工作有未知的处理时间,可以通过测试来探索。 工作有未知的处理时间, 也可以在某一上限的期限内执行工作。 或者, 我们可以在多个相同的平行机器的设置中考虑这一问题, 并提出具有竞争力的确定算法和较低界限, 以尽量减少时间表的扩大。 在非先发制人的环境中, 我们提出SBS算法, 如果机器数量大, 其竞争性比率接近3. 1016美元。 我们用简单的贪婪策略来比较这一结果, 其下限则接近2美元。 在统一的测试时间中, 我们可以将SBS算法改进为3美元竞争。 对于先发制人的情况, 我们提供价值为2美元的竞争性算法和接近相同价值的紧要低的下限。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20日
Machine Learning:十大机器学习算法
开源中国
21+阅读 · 2018年3月1日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
自然语言处理(二)机器翻译 篇 (NLP: machine translation)
DeepLearning中文论坛
10+阅读 · 2015年7月1日
Arxiv
0+阅读 · 2021年10月13日
A Multi-Objective Deep Reinforcement Learning Framework
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20日
Machine Learning:十大机器学习算法
开源中国
21+阅读 · 2018年3月1日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
自然语言处理(二)机器翻译 篇 (NLP: machine translation)
DeepLearning中文论坛
10+阅读 · 2015年7月1日
Top
微信扫码咨询专知VIP会员