在线作业问题在运营研究和计算机科学中起着重要作用,这就是为什么要引起了提高其解决方案质量的极大关注的原因。由于有关输入的不完整信息,在线算法很难产生最佳解决方案。使用竞争比率测量在线算法的解决方案的质量。没有在线确定性算法可以比(2N-1)更好地实现竞争比率。已经表明,在线计算中的建议改善了在线问题的竞争比率的下限。在线计算中的建议可以解释为在线算法的其他信息,以补偿缺乏有关整个输入序列的信息。在这项研究中,我们研究了引入机器学习建议如何改善此问题的竞争比率。通过模拟机器学习算法,我们为在线分配问题提供了在线算法,该算法预先预测了整个输入。我们利用一种最佳离线算法来提供预测输入的匹配解决方案。此外,我们研究了机器学习的预测错误如何影响在线算法的竞争比率。我们利用基准数据集来执行我们的经验分析。我们表明,随着机器学习预测误差的增加,解决方案质量会降低。此外,误差的大小与输入的大小成正比。该结果类似于在线分配问题最佳确定性算法的竞争比率,该算法也取决于参数n。
translated by 谷歌翻译