面向非平稳客户的在线资源分配
机器学习
2024-06-04 v2 最优化与控制
摘要
我们针对具有非平稳客户到达和未知点击率的情况，提出了一种新颖的在线资源分配算法。我们假设多种类型的客户以非平稳随机方式到达，且每个时期的到达率未知，同时客户的点击率也是未知的，只能在线学习。通过利用带背包约束的随机上下文赌博机和对抗性到达的在线匹配的结果，我们开发了一种向非平稳客户分配资源的在线方案。我们证明，在温和条件下，我们的方案实现了“两全其美”的结果：当客户到达接近平稳时，该方案具有次线性遗憾；在一般（非平稳）客户到达分布下，享有最优竞争比。最后，我们进行了广泛的数值实验，表明我们的方法在所有不同的客户场景下都能产生接近最优的收入。
引用
@article{arxiv.2401.16945,
title = {Online Resource Allocation with Non-Stationary Customers},
author = {Xiaoyue Zhang and Hanzhang Qin and Mabel C. Chou},
journal= {arXiv preprint arXiv:2401.16945},
year = {2024}
}