28、在线调度与形状相似度计算研究

在线调度与形状相似度计算研究

1. 在线区间调度的算法比较

在在线区间调度问题中，不同算法的表现会因区间重叠情况和误差值的不同而有所差异。当不存在区间重叠时，贪心算法（Greedy）显然是最优的。不过，在一些特定数据集上，如LLNL，即使在误差值处于极端情况时，TrustGreedy算法的表现也并不比Greedy算法差太多。例如，在归一化误差γ = 1.87时，TrustGreedy算法和Greedy算法的利润分别为5149和5198。而在SDSC数据集中，由于区间重叠更多，TrustGreedy算法在最大误差值情况下也严格优于Greedy算法。

以下是不同算法在不同数据集上的表现对比：
| 数据集 | 算法 | 最大归一化误差γ = 1.87时的利润 |
| ---- | ---- | ---- |
| LLNL | TrustGreedy | 5149 |
| LLNL | Greedy | 5198 |
| SDSC | TrustGreedy | - |
| SDSC | Greedy | - |

我们可以用mermaid流程图来展示不同算法在不同区间重叠情况下的选择逻辑：

graph TD;
    A[是否有区间重叠] -->|是| B[考虑TrustGreedy算法];
    A -->|否| C[使用Greedy算法];

2. 在线匹配问题的拓展

在线匹配问题中，输入是一个图G = (V, E)，其中顶点集V已知，边集E中的边以在线方式出现。每次边