Online Conversion with Switching Costs: Robust and Learning-Augmented Algorithms

要約

私たちは、スイッチングコストを伴うオンライン変換、つまりエネルギーと持続可能性の交差点における新たな問題を捉えるオンライン問題群を紹介し、研究します。
この問題では、オンライン プレーヤーは、長さ $T$ の固定期間中に資産の端株を購入 (または売却) しようとします。
各タイム ステップでコスト関数 (または価格関数) が明らかになり、プレーヤーは変換する資産の量を決定する必要があります。
また、プレーヤーは、連続する時間ステップで決定が変わるたびに、つまり、購入金額を増減するたびに、スイッチング コストが発生します。
我々は、この問題の最小化と最大化の両方のバリアントに対して競合する (堅牢な) しきい値ベースのアルゴリズムを導入し、それらが決定論的なオンライン アルゴリズムの中で最適であることを示します。
次に、信頼できないブラックボックス アドバイス (機械学習モデルからの予測など) を利用して、最悪の場合の競争力保証を犠牲にすることなく、平均的な場合のパフォーマンスを大幅に向上させる学習拡張アルゴリズムを提案します。
最後に、カーボンを意識した EV 充電ケーススタディを使用して、提案したアルゴリズムを実証的に評価し、私たちのアルゴリズムがこの問題のベースライン手法を大幅に改善していることを示します。

要約(オリジナル)

We introduce and study online conversion with switching costs, a family of online problems that capture emerging problems at the intersection of energy and sustainability. In this problem, an online player attempts to purchase (alternatively, sell) fractional shares of an asset during a fixed time horizon with length $T$. At each time step, a cost function (alternatively, price function) is revealed, and the player must irrevocably decide an amount of asset to convert. The player also incurs a switching cost whenever their decision changes in consecutive time steps, i.e., when they increase or decrease their purchasing amount. We introduce competitive (robust) threshold-based algorithms for both the minimization and maximization variants of this problem, and show they are optimal among deterministic online algorithms. We then propose learning-augmented algorithms that take advantage of untrusted black-box advice (such as predictions from a machine learning model) to achieve significantly better average-case performance without sacrificing worst-case competitive guarantees. Finally, we empirically evaluate our proposed algorithms using a carbon-aware EV charging case study, showing that our algorithms substantially improve on baseline methods for this problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google