14、受新冠疫情启发的在线设施选址问题及在线集合覆盖租赁问题

原创于 2025-07-11 14:16:54 发布 · 92 阅读

0 GEO检测

工业4.0时代的智能生产和物流创新专栏收录该内容

16 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

受新冠疫情启发的在线设施选址问题及在线集合覆盖租赁问题

非度量d - OFSL在线算法

在非度量d - OFSL（Online Facility Service Leasing）问题中，有独立随机变量均匀分布在区间[0, 1]上，对数以2为底。下面介绍的算法2会对每个时间步做出相应反应。

算法2：非度量d - OFSL的在线算法
- 如果当前时间步包含虚拟客户节点，选择该虚拟客户节点i，对于与之对应的每个服务s，执行以下操作：
- 购买 Select - edges(i, s) 返回的边。
- 选择每个实际客户节点i和每个请求的服务s：
- 购买 Select - edges(i, s) 返回的边。

Select - edges (节点i, 节点s)函数
1. 如果在当前解中不存在从i到s的有向路径，执行以下操作：只要i和s之间的最大流小于1：
- 构建i和s之间的最小割Q。
- 增加每个边e∈Q的值ve：
[v_e \leftarrow v_e(1 + \frac{1}{w_e}) + \frac{1}{|Q| \cdot w_e}]
2. 如果ve ≥ r，则返回边e。
3. 如果i仍然未与s连接，则返回从i到s的最短权重路径的边。

下面用一个mermaid流程图来展示 Select - edges 函数的流程：

graph TD;
    A[开始] --> B{是否存在从i到s的有向路径};
    B -- 否 --> C{最大流小于1};
    C -- 是 --> D[构建最小割Q];
    D --> E[增加边e的值ve];
    E --> F{ve ≥ r};
    F -- 是 --> G[返回边e];
    F -- 否 --> H{是否连接i和s};
    H -- 否 --> I[返回最短权重路径的边];
    H -- 是 --> J[结束];
    C -- 否 --> J;
    B -- 是 --> J;

竞争分析

对于非度量d - OFSL的竞争分析，与非度量OFSL的竞争分析类似。分析得出以下定理：

定理2 ：存在一个在线随机O(log(n + m·lmax) log(Lm)) - 竞争的算法用于非度量d - OFSL，其中n是客户的总数，m是设施位置的数量，L是可用租赁类型的数量，lmax是最长租赁期限的长度。

集合覆盖问题研究背景

在过去几十年里，租赁概念在众多行业广泛传播。公司倾向于租赁资源而非购买，这使得小企业无需前期高额成本就能进入市场，还能以较低成本使用最新设备。不过，租赁作为理论模型直到2005年才由Meyerson通过停车许可证问题引入。此后，许多知名的网络设计问题都在租赁背景下进行了研究，如在线集合覆盖、在线顶点覆盖等。

集合覆盖问题（SC）是组合学、运筹学和计算机科学中研究最广泛的NP - 难优化问题之一，在许多实际应用中作为子问题出现。在经典的离线设置中，算法一次性获得整个输入序列；而在线设置中，输入序列随时间分批提供给算法。在线算法每次接收一部分输入并做出反应，同时要朝着整个输入序列的优化目标前进，其决策不可撤销，性能通过竞争分析来评估。

竞争分析定义 ：设I是给定问题P的所有实例的集合。用C(ALG, i)表示在线算法ALG在实例i上的成本，C(OPT, i)表示最优离线算法在实例i上的成本。如果对于所有实例i∈I，有C(ALG, i) ≤ r · C(OPT, i) + c（其中c是与i无关的常数），则称ALG具有竞争比r或为r - 竞争的。

为简化分析，Meyerson假设了一种简化的租赁结构，即区间模型：
- 租赁长度是2的幂。
- 相同类型的租赁之间没有重叠。

他证明了采用这种结构在竞争比上仅损失一个因子4，并为停车许可证问题设计了确定性和随机算法，竞争比分别为O(L)和O(log L)，其中L是许可证或租赁类型的数量。此后大多数租赁问题研究都采用了相同的结构。

集合覆盖问题基础

集合覆盖问题（SC）的最简单形式定义如下：给定一个元素的全集、一个子集的集合（其并集等于全集）以及与每个子集相关的非负成本，目标是找出一个成本最小的子集子集合，使其并集等于全集。

例如，在客户 - 服务器应用场景中，给定一组客户和服务器，每个服务器有成本且能服务一部分客户。目标是在服务所有客户的同时最小化服务器成本，这可以抽象为集合覆盖问题，其中元素代表客户，子集代表服务器。许多实际应用都具有这种客户 - 服务器结构，因此集合覆盖问题成为许多领域的研究重点。

在在线设置中，元素随时间逐步揭示给算法。每个步骤中，算法得到一个需要覆盖的元素，要确保每个元素要么被当前解中的子集覆盖，要么添加一个新子集到解中。算法的目标是最终构建一个子集成本最小的解，以最小化其竞争比。通常，在线算法事先不知道全集和子集的集合，但文献中的一些算法会假设已知这些信息以获得确定性解。

在线集合覆盖租赁与幸福成本问题

本文研究的在线集合覆盖租赁与幸福成本问题（Leasing OSC - HC）是在线集合覆盖与幸福成本问题（OSC - HC）的推广。这一推广受现实中资源租赁而非购买的优化场景启发。

假设一家公司通过租赁的服务器为客户服务，租赁期结束后若不续租则无法使用服务器。每个客户可能需要不同的服务，为让客户满意，希望用同一服务器服务客户。公司要在让客户尽可能满意的同时，最小化服务器租赁和幸福成本。

Leasing OSC - HC定义 ：给定一个包含n个元素的全集和m个子集的集合。每个子集可以以L种不同的租赁类型进行租赁，每种租赁类型有租赁长度和成本。每个步骤到达一个最多包含k个元素的请求，每个元素最多出现在一个请求中，每个请求关联一个幸福成本。在时间步t到达的请求可以由在时间t租赁的包含其所有元素的单个子集服务，或者由在时间t租赁的多个子集共同包含其所有元素来服务。在后一种情况下，算法需要支付与该请求相关的幸福成本。目标是服务所有请求，同时最小化子集租赁和幸福成本的总和。

下面用一个表格来总结Leasing OSC - HC的关键要素：
|要素|描述|
| ---- | ---- |
|全集|包含n个元素|
|子集集合|m个子集，可L种租赁类型租赁|
|请求|每个步骤最多k个元素，关联幸福成本|
|服务方式|单个子集或多个子集共同服务|
|目标|最小化租赁和幸福成本总和|

通过对非度量d - OFSL和在线集合覆盖租赁与幸福成本问题的研究，我们看到了在线算法在解决实际优化问题中的重要性。未来可以进一步研究其他设施选址问题的变体，缩小度量和非度量变体的上下界差距，以及研究不同休眠费用模型下的算法设计等。

受新冠疫情启发的在线设施选址问题及在线集合覆盖租赁问题

在线集合覆盖租赁与幸福成本问题的算法设计思路

为了解决Leasing OSC - HC问题，我们需要设计合适的在线算法。虽然原文未详细给出具体算法，但我们可以基于已有的集合覆盖问题和租赁问题的研究思路来探讨可能的设计方向。

首先，算法需要在每个时间步处理新到达的请求。当一个请求到达时，算法要决定是使用单个子集还是多个子集来服务该请求。这一决策需要综合考虑子集的租赁成本和请求的幸福成本。

以下是一个可能的算法步骤列表：
1. 请求到达处理 ：在每个时间步，当一个包含最多k个元素的请求到达时，检查是否存在一个已租赁或可租赁的单个子集能够包含该请求的所有元素。
2. 单个子集判断 ：
- 如果存在这样的单个子集，比较租赁该子集的成本和请求的幸福成本。
- 如果租赁成本小于幸福成本，租赁该单个子集来服务请求。
- 如果租赁成本大于幸福成本，考虑使用多个子集来服务请求。
3. 多个子集选择 ：如果选择使用多个子集，算法需要从可用子集中选择能够共同包含请求所有元素的子集组合。在选择子集组合时，要尽量使租赁成本和幸福成本的总和最小。
4. 更新状态 ：完成请求服务后，更新已租赁子集的状态和剩余租赁时间。

下面用mermaid流程图来展示这个算法的大致流程：

graph TD;
    A[请求到达] --> B{是否有单个子集包含所有元素};
    B -- 是 --> C{租赁成本 < 幸福成本};
    C -- 是 --> D[租赁单个子集服务请求];
    C -- 否 --> E[选择多个子集服务请求];
    B -- 否 --> E;
    D --> F[更新子集状态];
    E --> F;
    F --> G[等待下一个请求];