Online Risk-Averse Resource Allocation in Queuing Networks
Online Risk-Averse Resource Allocation in Queuing Networks
复制标题
排队网络中的在线风险规避资源分配
DOI：
10.1109/tem.2021.3052839
复制
发表时间：
2021
影响因子：
5.8
通讯作者：
Guodong Yu
中科院分区：
文献类型：
--
作者：
Guodong Yu
在这篇文章中，我们解决在线资源分配问题的服务排队系统下的不确定性。特别地，通过使用实时数据导出最优控制策略，即，而不完全知道关于系统状态的信息。我们采用条件风险价值来实现最小的长期平均成本的约束下的不稳定风险。然后，我们可以确保系统的服务能力在一个高的水平下，这样的飞行中的不确定性。我们表明，该模型自然会导致极大极小鞍点优化问题。首先，我们提出了一个直观的离线原始对偶学习方法，它可以达到理想的收敛速度。然后，我们通过学习关于瞬时系统状态的最优拉格朗日乘子来进一步改进算法，即，在线原始-对偶学习算法，达到与离线算法相同的收敛速度。此外，我们证明了所提出的方法优于经典模型在提供较低的平均延迟下的不确定性，这意味着它可以提高稳定性，并提供更好的服务质量下的不确定性的模糊性。最后以医院手术科住院床位分配的真实的案例说明了该方法的应用效果。结果表明，在到达人数不确定的情况下，在确定可用床位数的情况下，我们的模型可以减少平均等待时间。
In this article, we address the online resource allocation problem in service queuing systems under uncertainty. In particular, the optimal control policy is derived by using the real-time data, i.e., without fully knowing information about the system state. We employ the conditional value-at-risk to achieve the minimum long-run average cost subject to the constraints on the risk of instability. Then, we can ensure the service ability of the system at a high level under such on-the-fly uncertainty. We show that the proposed model naturally leads to a minmax saddle point optimization problem. We first present an intuitive offline primal–dual learning method, which can achieve a desirable convergence rate. Then, we further improve the algorithm by learning the optimal Lagrange multiplier concerning the instantaneous system state, i.e., online primal–dual learning algorithm, to achieve the same convergence rate as the offline algorithm. Besides, we demonstrate that the proposed method outperforms classical models in providing the lower average delay under uncertainty, which means it can improve the stability and provide a better quality of service under the ambiguity of uncertainty. A real case of inpatient bed allocation for hospital operations is presented to show the performance in applications. The results show that our model can reduce the average wait with certain total available beds under uncertain arrivals.
登录
查看更多内容
DOI：
10.1287/moor.1050.0186
发表时间：
2006-08
期刊：
Math. Oper. Res.
影响因子：
--
作者：
A. Ruszczynski;A. Shapiro
通讯作者：
A. Ruszczynski;A. Shapiro
DOI：
10.1287/moor.2013.0601
发表时间：
2014-02
期刊：
Math. Oper. Res.
影响因子：
--
作者：
N. Bäuerle;U. Rieder
通讯作者：
N. Bäuerle;U. Rieder
影响因子：
5.4
作者：
Nikola Vuči´c;H. Boche
通讯作者：
Nikola Vuči´c;H. Boche
DOI：
10.1137/141001251
发表时间：
2017-01
期刊：
SIAM J. Optim.
影响因子：
--
作者：
W. Haskell;J. Shanthikumar;Z. Shen
通讯作者：
W. Haskell;J. Shanthikumar;Z. Shen
DOI：
10.1145/2591971.2591990
发表时间：
2014-04
期刊：
--
影响因子：
--
作者：
Longbo Huang-;Xin Liu;Xiaohong Hao
通讯作者：
Longbo Huang-;Xin Liu;Xiaohong Hao