کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6892748 699336 2016 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A heuristic optimization of Bayesian incentive-compatible cake-cutting
ترجمه فارسی عنوان
بهینه سازی اکتشافی از برش کیک سازگار با انگیزه بیزی
کلمات کلیدی
مشکل برش کیک، عادلانه، سازگاری انگیزشی، بازگشت عملکرد
ترجمه چکیده
کیک برش یک استعاره برای مشکلات است که یک عامل اصلی باید نسبتا منابع را تخصیص دهد. چنین مسائلی زمینه های مختلف تحقیق و مدیریت علمی را شامل می شود، مانند، برنامه ریزی تغییر با تنظیمات کارکنان. کار اخیر در زمینه بهینه سازی کارایی اجتماعی در حالی که تضمین انصاف را متمرکز می کند، اما نادیده گرفتن محدودیت های سازگاری انگیزشی یا برعکس. در این مقاله، رویکرد جدیدی به طراحی مکانیزم اکتشافی با سازگاری انگیزشی بیزی ارائه شده است. در مقایسه با سایر مقالات، ما اجازه انتقال پول را نمی دهیم. رویکرد ما متکی به اصل وحی و محاسبه تعادل بیسین-نش با استفاده از تابع به اصطلاح بازگشت است. این محاسبات شامل ردیابی دینامیک بهترین پاسخ از تابع برگشت است، که نقشه برداری از عمل به توزیع احتمالی بر نتایج است، به جای پویایی بهتر از استراتژی کلاسیک اما سخت تر برای محاسبه. در اصل، رویکرد ماژول طراحی، یک طبقه ی پارامتریک از مکانیسم های وحی را می شناسد که ما با ساخت و ساز آن را سازگار با انگیزه بیزی می دانیم. ما کارایی این رویکرد را از طریق نتایج عددی در نمونه های به ترتیب 2، 5 و 20 عامل ارزیابی می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
بهینه سازی اکتشافی از برش کیک سازگار با انگیزه بیزی
چکیده انگلیسی
Cake-cutting is a metaphor for problems where a principal agent has to fairly allocate resources. Such problems cover various areas of operations research and management science, like, for instance, shift scheduling with employees' preferences. Recent work focuses on optimizing social efficiency while guaranteeing fairness, but ignore incentive-compatibility constraints, or vice versa. In this paper, we present a new approach to heuristic mechanism design with Bayesian incentive-compatibility. As opposed to other papers, we do not allow monetary transfer. Our approach relies on the revelation principle and the computation of Bayesian-Nash equilibria using the so-called return function. This computation consists in tracking a best-reply dynamics of return function, which are mappings of action to probability distribution on outcomes, instead of the more classical but harder-to-compute best-reply dynamics of strategies. In essence, our mechanism-design approach explores a parameterized class of revelation mechanisms, which we know by construction to be Bayesian incentive-compatible. We highlight the efficiency of this approach through numerical results on instances of respectively 2, 5 and 20 agents.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Operations Research - Volume 75, November 2016, Pages 76-82
نویسندگان
, , ,