Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 10: 6-7 Maggio Meccanismi con Pagamenti: Applicazioni e Limiti

Documenti analoghi
4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima

4.6 Dualità in Programmazione Lineare

Corso di. Dott.ssa Donatella Cocca

Corso di Economia Applicata

Lezione 7. Numeri primi. Teorema Fondamentale dell'aritmetica.

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2

Approfondimento Capitolo 4. Definizioni esistono due tipi di grandezze in economia

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Capitolo 3. Cap. 3-1

1 La domanda di moneta

Dipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione febbraio 2009

RAPPRESENTAZIONE DI MISURE. carta millimetrata

Algebra Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Lezioni di Statistica (25 marzo 2013) Docente: Massimo Cristallo

LA COMPATIBILITA tra due misure:

Università di Cassino. Esercitazione di Statistica 1 del 4 dicembre Dott.ssa Simona Balzano

Intorduzione alla teoria delle Catene di Markov

Esercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media

Teoria dei giochi. Rappresentazione formale di una situazione in cui un numero di individui interagisce in un contesto di interazione strategica.

Teoria dei Giochi. Dr. Giuseppe Rose Università degli Studi della Calabria Corso di Laurea Magistrale in Economia Applicata a.a 2011/2012 Handout 4

Algoritmo di Carlier- Pinson per problemi di Job Shop Scheduling: un esempio

Rappresentazione dei numeri PH. 3.1, 3.2, 3.3

Rappresentazione dei numeri

Precisione e Cifre Significative

Allenamenti di matematica: Teoria dei numeri e algebra modulare Soluzioni esercizi

Soluzioni 3.1. n(n 1) (n k + 1) z n k! k + 1 n k. lim k

Esercitazione sulle Basi di di Definizione

CORRETTA RAPPRESENTAZIONE DI UN RISULTATO: LE CIFRE SIGNIFICATIVE

Modelli decisionali su grafi - Problemi di Localizzazione

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Competizione di prezzo. Cles a.a

Contrattazione, Salari e Occupazione

* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *

2 Formulazione dello shortest path come problema di flusso

Lezione 13. Anelli ed ideali.

LA VARIABILITA. IV lezione di Statistica Medica

Modelli descrittivi, statistica e simulazione

x 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n

1 Bimatrix Games e Best Response Condition

La teoria microeconomica del consumo

MOBILITA DI CAPITALI

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

Esame di Statistica tema B Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011

Algoritmi euristici: III Ricerca Locale

STATISTICA DESCRITTIVA CON EXCEL

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Le operazioni che vogliamo realizzare sono. Supporremo che una tabella T abbia i seguenti attributi: 1. Table(T): costruisce una tabella vuota T.

Corso di Architettura (Prof. Scarano) 25/03/2002

Lezione PONTI E GRANDI STRUTTURE. Prof. Pier Paolo Rossi Ing. Eugenio Ferrara Università degli Studi di Catania

Classificazione di immagini con GRASS

Calcolo della caduta di tensione con il metodo vettoriale

IL RUMORE NEGLI AMPLIFICATORI

Circuiti elettrici in regime stazionario

La verifica delle ipotesi

Modello del Gruppo d Acquisto

Variabili statistiche - Sommario

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 13: 24 aprile 2013

6. METODO DELLE FORZE IMPOSTAZIONE GENERALE

FUNZIONAMENTO IN REGIME ALTERNATO SINUSOIDALE

3. Esercitazioni di Teoria delle code

Esame di Statistica tema A Corso di Laurea in Economia Prof.ssa Giordano Appello del 15/07/2011

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse

Corso di Logica I. Modulo sul Calcolo dei Sequenti. Dispensa Lezione II.

Lezione 2 a - Statistica descrittiva per variabili quantitative

La regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

una variabile casuale è continuase può assumere un qualunque valore in un intervallo

Luciano Battaia. Versione del 22 febbraio L.Battaia. Condensatori e resistenze

Componenti resistivi

CPM: Calcolo del Cammino Critico

Esercitazione 8 del corso di Statistica (parte 1)

Esercitazioni del corso: STATISTICA

La sincronizzazione. (Libro) Trasmissione dell Informazione

Bipoli resistivi. (versione del ) Bipoli resistivi

LA SCOMPOSIZIONE DEI POLINOMI

Strutture deformabili torsionalmente: analisi in FaTA-E

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO

Ettore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione

Dipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 3:

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

Soluzione di Adriana Lanza

Lezione 2 le misure di sintesi: le medie

S O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:

Lezione 3. Gruppi risolubili.

Introduzione al Machine Learning

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:

V n. =, e se esiste, il lim An

LE FREQUENZE CUMULATE

Analisi della Varianza

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

INTRODUZIONE ALL ESPERIENZA 4: STUDIO DELLA POLARIZZAZIONE MEDIANTE LAMINE DI RITARDO

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

6. Catene di Markov a tempo continuo (CMTC)

Architetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami

Ing. Enrico Grisan. Modelli di popolazione in farmacocinetica

Generalità. Problema: soluzione di una equazione differenziale alle derivate ordinarie di ordine n: ( )

Transcript:

trument della Teora de Goch per l Informatca A.A. 2009/0 Lecture 0: 6-7 Maggo 200 Meccansm con Pagament: Applcazon e Lmt ocente Paolo Penna Note redatte da: Paolo Penna Lezone precedente Funzon d scelta socale Impossbltà d Arrow Meccansm con pagament Compatbltà VCG agl ncentv }{{} OGGI: applcazon, lmt 2 Un Esempo Facle Asta 2ndo Prezzo (Vckrey). celgo Mglore Offerta 2. Vnctore Paga 2nda Mglore Offerta Esempo: 7, 0 vnce, paga 7 Problema (2 Lnk, Pacchetto) c 2 c = costo d spedzone (latenza) Voglo sceglere l mglore (costo mnmo) Esempo:

2 Lecture 0: Meccansm con Pagament: Applcazon e Lmt scelgo lo pago Meccansmo per 2 Lnk, Pacchetto: Input:,c 2 (cost due lnk). Algorthmo: cegl lnk costo mn 2. Paga l lnk scelto l 2ndo mglor costo Perché funzona? (compatble agl ncentv) 7 7 0 0 scelto, lo facco pagare 2nda offerta = -7 cost valutazon rceve 7 Basta essere Compatble agl Incentv? Modfchamo pagament così: P V ckrey È ancora compatble agl ncentv. Ma = P V ckrey 00 scelgo lo pago - 00 nessun gocatore vuole gocare! lo pago -00 Partecpazone Volontara (nformale): Gocare convene sempre

Lecture 0: Meccansm con Pagament: Applcazon e Lmt Partecpazone Volontara (sem-nformale): Gocare onestamente (dco l vero) convene rspetto a non gocare efnzone (Partecpazone Volontara): Un meccansmo (A, P) soddsfa la partecpazone volontara se, c, u (,c ) 0 dove u (,c ) := P u (,c ) (A(,c )) Problema (hortest-path) Esempo: c c 2 selezonare cammno mnmo Provamo ad usare Vckrey. selezono cammno mnmo 2. ogn arco selezonato rceve 2ndo mglor costo }{{}?????? evo pagare l secondo lnk pù corto o l secondo cammno pù corto? Non funzona comunque: 7 0 Convene mentre: 7 4 L Idea d Vckrey Meccansmo Fesso:. selezono cammno mn 2. pago arco selezonato P Fesso (c) = c

4 Lecture 0: Meccansm con Pagament: Applcazon e Lmt 4.999... 4.999... 20 massma speculazone massma speculazone MIGLIOR CAMMINO ENZA - LUNGHEZZA CAMMINO MIN MA NON CONTANO massma speculazone Idea d Vckrey: Pago drettamente la massma speculazone del meccansmo fesso Usamo queste tre cose: P(c) = lunghezza cammno mnmo per cost c P c =0(c) = come sopra, ma non contando P (c ) = lunghezza cammno mnmo alternatvo ad (tolgo dal grafo) Vedamo cosa succede: 7 0 0 Gl agent sono, 2 e per gl arch sopra (da snstra a destra) e 4 per l arco sotto. P(,7,0,0) = + 7 + 0 = 20 P c2 =0(,7,0,0) = + 0 + 0 = Ecco l pagamento per 2 : P 2 (,,0,0) = 0 P P 2 (c) := P 2 (c 2 ) P c2 =0(c 2 ) = = P 2 (c 2 ) ( + 0 + c )

Lecture 0: Meccansm con Pagament: Applcazon e Lmt Perchè funzona? Abbamo costruto un meccansmo VCG Input: Cost (),...,c n () Algortmo: Trova la solutone x che mnmzza la somma de cost: (x) +... + c n (x) Pagament: Agente rceve P V CG (c) = h (c ) [ (x ) + + c (x ) + 0 + c + (x ) + c n (x )] dove h () non dmende da c. x = cammno mnmo per cost,...,c n c (x) = c se x usa/contene, c (x) = 0 se x non usa/contene Basta dmostrare (Eserczo) e osservare che P c =0 = (x ) + + c (x ) + 0 + c + (x ) + c n (x ) P P (c) := P (c ) P c =0 sono d tpo V CG. Tutt meccansm VCG sono compatbl agl ncentv (lezone precedente) e qund: Teorema: Il problema dello shortest-path ha un meccansmo (A,P P ) compatble agl ncentv. Eserczo: mostra lo stesso rsultato per l problema del Mnmum pannng Tree (MT). 4 Lmt d VCG Problema (2 Lnk, 00 Pacchett) 9 2. 0 00

6 Lecture 0: Meccansm con Pagament: Applcazon e Lmt Voglo blancare l carco (metà e metà crca) Provamo ad usare pagament VCG P V CG (c) = h (c ) c j (A(c)) j Per ora supponamo h () = 0. Ecco cosa succede: 9 9 0 0 P V CG (9, 0) = 0 u (9, 0) = 0 9 = 9 P V CG (, 0) = 0 u (, 0) = 0 2 9 = 8 Eserczo: mostra che anche sceglendo h () dversa da 0, pagament V CG non vanno bene con questo algortmo. omanda: Esstono de pagament per l algortmo A che blanca l carco (2 pacchett)? omanda: Qual algortm possono essere usat n un meccansmo (dato A esste P tale che (A,P) è compatble agl ncentv)? 2 Lnk, celgo pù lento Ammettono un meccansmo Comp. Incent. Utltar (VCG) 2 Lnk, 2 Pacchett (blanco carco) 2 Lnk, Pacchetto (lnk mglore) P MT

Lecture 0: Meccansm con Pagament: Applcazon e Lmt 7 Un problema rrsoluble Problema (2 Lnk, celgo pù lento) 6 Algortmo A: scegle l pù lento (max(,c 2 )) Teorema: Nessun pagamento P può dare un meccansmo compatble agl ncentv con questo algortmo. Ossa, comunque scelgo P, (A,P) non è compatble agl ncentv. mostrazone: Per assurdo, suppon che essta P t.c. (A,P) è compatble agl nceentv. Analzzamo due cas sopra, guardando al lnk d sopra. e l suo vero costo fosse allora l meccansmo garantsce che dcharando 6 l suo utle non mglora. In altre parole: P (,) 0 P (6,) e l suo vero costo fosse 6 allora l meccansmo garantsce che l suo utle non mglora dcharando P (6,) 6 P (,) 0 a queste due dsuguaglanze ottengo un assurdo 6 (somma le due dsuguaglanze). Qual sono gl algortm BUONI e quell CATTIVI? celgo l pù veloce celgo l pù lento

8 Lecture 0: Meccansm con Pagament: Applcazon e Lmt Eserczo: mostra che l seguente algortmo non può essere trasformato n un meccansmo (non esstono pagament, come nel teorema sopra). 0 Algortmo scalno Algortmo 00 pacchett è BUONO o CATTIVO? 00 Blanco l carco 6 Un alternatva a VCG Cosa camba da a 2 pacchett?

Lecture 0: Meccansm con Pagament: Applcazon e Lmt 9 PK I 2 PK 2 II I pk pago I = 2 pk I + II pk I Idea: Pago la massma speculazone pacchetto a pacchetto PK 2 PK speculazone 2 speculazone pk2 speculazone pk,4,...,00 PK? pagamento 2

0 Lecture 0: Meccansm con Pagament: Applcazon e Lmt Formula Pagament: P (c,c ) = q (c,c ) + c q (x,c )dx () 00 Blanco l carco Eserczo: mostra che quest pagament soddsfano la partecpazone volontara Algortm BUONI = MONOTONI (carco non aumenta) Eserczo: mostra che se un algortmo è CATTIVO (l carco d un agente aumenta quando l suo costo aumenta) allora non posso usare questo algortmo per ottenere un meccansmo compatble agl ncentv. uggermento: e l algortmo è cattvo, esstono due valor c e c tal che c < c e q (c,c ) < q (c,c ). Adatta la dmostrazone vsta per l problema 2 Lnk, celgo l pù lento. Problem One-Parameter Algortmo A: alloca q d carco ad ogn agente Costo agent: c per una untà = costo = q c efnzone (Algortmo Monotono): Un algortmo A è monotono se l carco d ogn agente non aumenta (quando l suo costo aumenta e gl altr cost rmangono ugual):, c q (x,c ) è non crescente n x

Lecture 0: Meccansm con Pagament: Applcazon e Lmt Teorema: Ogn algortmo A monotono ammette un meccansmo (A, P) compatble agl ncentv che utlzza pagament della formula (). mostrazone: Confrontamo l utltà d quando dce l vero con l utltà che dce un valore pù grande o uno pù pccolo. L utltà quando dcharo l vero costo è: q utltà [ pagamento - costo = q (,c ) + Vedamo l utltà quando dcharo un costo falso: (costo falso > costo vero). ] q (x,c )dx c q (,c ) = c q v (x,c ) q pagamento utltà c f c pagamento - costo = [ c f q (c f,c ) + c f q (x,c )dx ] q (c f,c ) = (c f cv ) q (c f,c ) + q (x,c ) La dfferenza tra le due utltà è tutta nel pezzo n mezzo a due punt. Qu usamo la monotona d q (): q q a b c a b c (b a) q(b) b a q(x)dx (b a) q(a) (2)

2 Lecture 0: Meccansm con Pagament: Applcazon e Lmt La parte d snstra è quella che usamo ora (dopo useremo quella destra): utle v = q (x,c )dx = (costo falso < costo vero). c f c v q (x,c )dx + (c f cv ) q (c f,c ) + q (x,c )dx q (x,c )dx = utle f q 000000 000 scoperto pagamento utltà c f c A destra d c f ho lo stesso utle del caso dco l vero, mentre a snstra d c f ho una parte del costo vero non coperta dal pagamento: l costo vero è mentre l pagamento è c f q (c f,c ) + q (c f,c ) = c f q (c f,c ) + ( cf ) q (c f,c ) c f c v q (x,c )dx = c f q (c f,c ) + q (x,c )dx + c f pagamento - costo = [ ] c v q (x,c )dx ( c f ) q (c f,c ) c f + q (x,c )dx = [ ] c v q (x,c )dx ( c f ) q (c f,c ) + utle v c f q (x,c )dx La parte n parentes sarebbe lo scoperto : per far vedere che è negatva o zero usamo la monotona d q () e l osservazone a pagna (parte destra della dsuguaglanza (2)). Qund l utle quando dco l falso non è mglore dell utle quando dco l vero. Ogn algortmo monotono può dare un meccansmo compatble agl ncentv. e un algortmo non è monotono allora non c è nessun meccansmo compatble agl ncentv con quell algortmo.