作为子模优化的移民匹配

移民带来了广泛的社会挑战，近期引起了科学界的显著关注。已提出的著名方法之一是利用优化和机器学习将移民与 localities 匹配，以最大化找到工作的移民的预期数量。然而，它依赖于一种强可加性假设，我们认为由于竞争效应该假设在实践中并不成立；我们提议通过显式优化这些效应来增强数据驱动的方法。具体而言，我们将问题表述为受拟阵约束的近似子模函数的最大化，并证明经典贪婪算法给出的最坏情况保证在此设定下依然成立。随后我们提出三种不同的竞争效应模型，并表明它们都产生子模目标函数。最后，我们通过仿真证明我们的方法在各方面都带来了显著增益。