Motivated by the serious problem that hospitals in rural areas suffer from a shortage of residents, we study the Hospitals/Residents model in which hospitals are associated with lower quotas and the objective is to satisfy them as much as possible. When preference lists are strict, the number of residents assigned to each hospital is the same in any stable matching due to the well-known rural hospitals theorem; thus there is no room for algorithmic interventions. However, when ties are introduced in preference lists, this is not the case because the number of residents may vary over stable matchings. In this paper, we formulate an optimization problem that asks to find a stable matching with the maximum total satisfaction ratio for lower quotas. We first investigate how the total satisfaction ratio varies over choices of stable matchings in four natural scenarios. We provide exact values of these maximum gaps in all scenarios. Subsequently, we propose a strategy-proof approximation algorithm for our problem; in one scenario it solves the problem optimally, and in the other three scenarios, which are NP-hard, it yields a better approximation factor than a naive tie-breaking method. Finally, we show inapproximability results for the above-mentioned three NP-hard scenarios.


翻译:由于农村地区医院存在居民短缺的严重问题,我们研究了医院/居民模式,医院/居民模式与低配额挂钩,目标是尽可能满足这些模式。如果优惠名单严格,由于众所周知的农村医院的理论原理,在任何稳定匹配中,分配给每个医院的居民人数相同;因此没有算法干预的空间。但是,如果在偏好列表中引入联系,情况并非如此,因为居民人数可能因稳定匹配而不同。在本文中,我们提出了一个优化问题,要求找到与最低配额最高总满意率的稳定匹配。我们首先调查在四种自然情景中,总满意率与稳定匹配率的选择有何不同。我们提供了所有情景中这些最大差距的确切值。我们随后提出了针对我们的问题的防战略近似算法;在一种情景中,它最优化地解决问题,而在其他三种情景中,即NP-硬度,它产生的近似系数比天性断裂法要好。最后,我们展示了上述三种情景的不适应性结果。

0
下载
关闭预览

相关内容

专知会员服务
31+阅读 · 2021年6月12日
专知会员服务
50+阅读 · 2020年12月14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
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10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
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2021年12月3日
Arxiv
3+阅读 · 2018年10月18日
Arxiv
3+阅读 · 2017年12月1日
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
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员