Abstract
考虑多类型的单物品拍卖,且所有买家的价值已知,并假定使用二价拍卖。文章说明了混合信号策略比纯信号策略收益更高,给出了计算最优混合信号策略的线性规划,并将其变量数降至多项式级别,因此能在多项式时间内求解。同时证明了使用最优信号策略的收益对某个指标有很好的近似比。证明中利用了混合信号策略等价于多个可分割物品拍卖的性质。
Motivation
在信息不对称的情形下,即卖家拥有私有信息,为了最大化自己的收益,卖家通过信号的形式透露部分信息是很合理的方式。相较于纯信号策略,显然使用混合的信号策略效果不会更差。
Model
有一个物品和 n n n 个买家。物品有 m m m 种类型,服从概率分布 ( p 1 , ⋯ , p m ) (p_1,\cdots,p_m) (p1,⋯,pm)。买家 i i i 对类型 j j j 的价值是 v i , j v_{i,j} vi,j,其中 v v v 和 p p p 都是公有信息。卖家要预先提供一个信号策略 φ : [ m ] × N → [ 0 , 1 ] \varphi:[m]\times \mathbb{N}\to [0,1] φ:[m]×N→[0,1] 并告知买家,其中 φ ( j , S ) \varphi(j,S) φ(j,S) 表示当卖家观测到物品类型为 j j j 时发送信号 S S S 的概率。后文中 S S S 也可以表示所有可能发送信号 S S S 的类型集合,即 { j : φ ( j , S ) > 0 } \{j:\varphi(j,S)>0\} {j:φ(j,S)>0}。令 S φ \mathcal{S}_\varphi Sφ 表示有效的信号集合,即 { S : ∃ j , φ ( j , S ) > 0 } \{S:\exist j,\varphi(j,S)>0\} {S:∃j,φ(j,S)>0}。默认使用二价拍卖。
纯信号策略是指卖家观测到物品类型
j
j
j 后,发送的信号固定,即
φ
(
j
,
S
)
∈
{
0
,
1
}
\varphi(j,S)\in\{0,1\}
φ(j,S)∈{0,1}。纯信号策略等价于对类型进行二次分类,并告知买家属于哪一个类。混合信号策略是指以某个概率分布发送信号。那么买家收到信号
S
S
S 的概率为
∑
j
p
j
φ
(
j
,
S
)
\sum_jp_j\varphi(j,S)
∑jpjφ(j,S)。收到信号
S
S
S 后,物品类型为
j
j
j 的概率
Pr
[
j
∣
S
]
=
p
j
φ
(
j
,
S
)
∑
j
′
p
j
′
φ
(
j
′
,
S
)
\Pr[j|S]=\frac{p_j\varphi(j,S)}{\sum_{j'}p_{j'}\varphi(j',S)}
Pr[j∣S]=∑j′pj′φ(j′,S)pjφ(j,S)
因此收到信号
S
S
S 后,买家
i
i
i 的期望收益变为
E
[
v
i
∣
S
]
=
∑
j
Pr
[
j
∣
S
]
v
i
,
j
=
∑
j
v
i
,
j
p
j
φ
(
j
,
S
)
∑
j
′
p
j
′
φ
(
j
′
,
S
)
E[v_i|S]=\sum_j\Pr[j|S]v_{i,j}=\frac{\sum_jv_{i,j}p_j\varphi(j,S)}{\sum_{j'}p_{j'}\varphi(j',S)}
E[vi∣S]=j∑Pr[j∣S]vi,j=∑j′pj′φ(j′,S)∑jvi,jpjφ(j,S)
由于二价拍卖中,买家的最优策略为采取真实报价,因此收到信号
S
S
S 后,卖家的收益为
max
i
2
{
E
[
v
i
∣
S
]
}
=
max
i
2
{
∑
j
v
i
,
j
p
j
φ
(
j
,
S
)
∑
j
p
j
φ
(
j
,
S
)
}
\max_i2\{E[v_i|S]\}=\max_i2\left\{\frac{\sum_jv_{i,j}p_j\varphi(j,S)}{\sum_{j}p_{j}\varphi(j,S)}\right\}
imax2{E[vi∣S]}=imax2{∑jpjφ(j,S)∑jvi,jpjφ(j,S)}
我们想要找到
φ
\varphi
φ 来最大化卖家的总收益
∑
S
∈
S
φ
Pr
[
S
]
max
i
2
{
E
[
v
i
∣
S
]
}
=
∑
S
∈
S
φ
{
∑
j
v
i
,
j
p
j
φ
(
j
,
S
)
}
=
∑
S
∈
S
φ
{
∑
j
ψ
i
,
j
φ
(
j
,
S
)
}
\sum_{S\in\mathcal{S}_\varphi}\Pr[S]\max_i2\{E[v_i|S]\}=\sum_{S\in\mathcal{S}\varphi}\left\{\sum_jv_{i,j}p_j\varphi(j,S)\right\}=\sum_{S\in\mathcal{S}\varphi}\left\{\sum_j\psi_{i,j}\varphi(j,S)\right\}
S∈Sφ∑Pr[S]imax2{E[vi∣S]}=S∈Sφ∑{j∑vi,jpjφ(j,S)}=S∈Sφ∑{j∑ψi,jφ(j,S)}
其中
ψ
i
,
j
=
v
i
,
j
p
j
\psi_{i,j}=v_{i,j}p_j
ψi,j=vi,jpj。
可分割多物品拍卖的等价模型
对于按照混合信号策略 φ \varphi φ 来发送信号,考虑如下等价模型:有 m m m 个物品和 n n n 个买家,物品是可分割的(例如蛋糕)。第 i i i 个买家对第 j j j 个物品的价值为 ψ i , j \psi_{i,j} ψi,j。对于任意 S ∈ S φ S\in \mathcal{S}_\varphi S∈Sφ,将其看成包含了多个物品的混合,其中 S S S 包含了第 j j j 个物品的 φ j , S \varphi_{j,S} φj,S 比例。然后对每个混合 S S S 分别进行二价拍卖。
容易看出混合信号策略和多物品拍卖中的物品划分方案一一对应,且卖家的收益相同。因此计算最优混合信号策略等价于寻找多物品拍卖的最优划分方案。
混合信号策略收益大于纯信号策略
下面的构造可以说明:对任意偶数 k k k,存在一个有 n = k + 1 n=k+1 n=k+1 个买家和 m = k + 1 m=k+1 m=k+1 种物品类型的拍卖,使得混合信号策略的收益至少是纯信号策略收益的两倍。
将买家和信号均按照
0
,
⋯
,
k
0,\cdots,k
0,⋯,k 编号,所有物品类型等概率出现,价值函数为
v
i
,
j
=
{
m
i
=
j
=
0
1
i
=
j
≠
0
0
o
t
h
e
r
w
i
s
e
v_{i,j}=\begin{cases} m & i=j=0\\ 1 & i=j\neq 0\\ 0 & otherwise \end{cases}
vi,j=⎩⎪⎨⎪⎧m10i=j=0i=j=0otherwise
则最优的纯信号策略必然是将物品类型两两捆绑。因为若某个物品不捆绑,则其收益为
0
0
0;将
s
s
s 个物品捆绑后,其中每个物品收益为
1
/
s
1/s
1/s。注意到
k
k
k 是偶数,那么有
k
k
+
1
\frac{k}{k+1}
k+1k 的概率,卖家的收益是
1
/
2
1/2
1/2,即期望收益为
k
2
(
k
+
1
)
\frac{k}{2(k+1)}
2(k+1)k。
考虑如下混合信号策略:信号集合为 { 0 , j } j = 1 , ⋯ , k \{0,j\}_{j=1,\cdots,k} {0,j}j=1,⋯,k。对于任意 j j j, Pr [ { 0 , j } ∣ type 0 ] = 1 k \Pr[\{0,j\}|\text{type }0]=\frac{1}{k} Pr[{0,j}∣type 0]=k1 并且 Pr [ { 0 , j } ∣ type j ] = 1 \Pr[\{0,j\}|\text{type }j]=1 Pr[{0,j}∣type j]=1。容易计算得到卖家对每个信号的收益都是 k k + 1 \frac{k}{k+1} k+1k。
最优混合策略的计算
一些记号
对于信号
S
S
S,令
w
1
(
S
)
w_1(S)
w1(S) 表示在多个可分割物品拍卖中赢得了混合
S
S
S 的买家编号,
w
2
(
S
)
w_2(S)
w2(S) 表示对
S
S
S 估价第二高的买家编号。具体来说:
w
1
(
S
)
=
arg
max
i
{
∑
j
∈
S
ψ
i
,
j
φ
j
,
S
}
w_1(S)=\arg\max_i\{\sum_{j\in S}\psi_{i,j}\varphi_{j,S}\}
w1(S)=argimax{j∈S∑ψi,jφj,S}
w 2 ( S ) = arg max i 2 { ∑ j ∈ S ψ i , j φ j , S } w_2(S)=\arg\max_i2\{\sum_{j\in S}\psi_{i,j}\varphi_{j,S}\} w2(S)=argimax2{j∈S∑ψi,jφj,S}
称 S S S 是单独的如果 ∣ S ∣ = 1 |S|=1 ∣S∣=1。记 w 1 ( j ) = w 1 ( { j } ) , w 2 ( j ) = w 2 ( { j } ) w_1(j)=w_1(\{j\}),w_2(j)=w_2(\{j\}) w1(j)=w1({j}),w2(j)=w2({j})。令 d ( i ) d(i) d(i) 表示所有 i i i 估价最高的物品类型的集合,即 d ( i ) = { j : w 1 ( j ) = i } d(i)=\{j:w_1(j)=i\} d(i)={j:w1(j)=i}。记 r e v ( S ) rev(S) rev(S) 表示混合 S S S 的收益,即 r e v ( S ) = ∑ j ∈ S φ j , S ψ w 2 ( S ) , j rev(S)=\sum_{j\in S}\varphi_{j,S}\psi_{w_2(S),j} rev(S)=∑j∈Sφj,Sψw2(S),j。同样令 r e v ( j ) = r e v ( { j } ) rev(j)=rev(\{j\}) rev(j)=rev({j})。卖家采取信号策略 φ \varphi φ 的收益为 r e v ( φ ) = ∑ S ∈ S φ r e v ( S ) rev(\varphi)=\sum_{S\in\mathcal{S}_{\varphi}}rev(S) rev(φ)=∑S∈Sφrev(S)。
最优混合信号策略的性质
注意到对于两个信号 S S S 和 T T T,如果 w 1 ( S ) = w 1 ( T ) w_1(S)=w_1(T) w1(S)=w1(T) 且 w 2 ( S ) = w 2 ( T ) w_2(S)=w_2(T) w2(S)=w2(T),那么把这两个信号合并成一个后,卖家的收益并不会发生改变。因此必然存在一种最优混合信号策略,使得使用信号的数量不超过 n ( n − 1 ) n(n-1) n(n−1)。
下面考虑更多的性质。
Definition 4.2
给定信号策略 φ \varphi φ 后,称信号 S S S 是可分如果存在划分 S = S 1 ∪ S 2 ∪ ⋯ ∪ S t S=S_1\cup S_2\cup\cdots\cup S_t S=S1∪S2∪⋯∪St,使得 ∑ k = 1 t r e v ( S k ) ≥ r e v ( S ) \sum_{k=1}^trev(S_k)\ge rev(S) ∑k=1trev(Sk)≥rev(S)。称 S S S 是单独可分的如果 ∑ j ∈ S r e v ( j ) ≥ r e v ( S ) \sum_{j\in S}rev(j)\ge rev(S) ∑j∈Srev(j)≥rev(S)。
Claim 4.3
令 S S S 是在最优混合信号策略中的一个单独不可分的信号,即 r e v ( S ) > ∑ j ∈ S φ j , S r e v ( j ) rev(S)>\sum_{j\in S}\varphi_{j,S}rev(j) rev(S)>∑j∈Sφj,Srev(j)。那么 w 1 ( S ) w_1(S) w1(S) 和 w 2 ( S ) w_2(S) w2(S) 在那些赢得了 S S S 中某个物品的买家集合中,即 { w 1 ( j ) : j ∈ S } \{w_1(j):j\in S\} {w1(j):j∈S}。
证明 假设
w
1
(
S
)
w_1(S)
w1(S) 不属于
{
w
1
(
j
)
:
j
∈
S
}
\{w_1(j):j\in S\}
{w1(j):j∈S},那么对于任意
j
∈
S
j\in S
j∈S,对它的第二高的估价至少是
w
1
(
S
)
w_1(S)
w1(S) 对它的估价。因此
∑
j
∈
S
φ
j
,
S
r
e
v
(
j
)
≥
∑
j
∈
S
φ
j
,
S
ψ
w
1
(
S
)
,
j
≥
∑
j
∈
S
φ
j
,
S
ψ
w
2
(
S
)
,
j
=
r
e
v
(
S
)
\sum_{j\in S}\varphi_{j,S}rev(j)\ge\sum_{j\in S}\varphi_{j,S}\psi_{w_1(S),j}\ge\sum_{j\in S}\varphi_{j,S}\psi_{w_2(S),j}=rev(S)
j∈S∑φj,Srev(j)≥j∈S∑φj,Sψw1(S),j≥j∈S∑φj,Sψw2(S),j=rev(S)
矛盾。同理可证
w
2
(
S
)
w_2(S)
w2(S) 也满足。
Corollary 4.4
对于信号 S S S,若 ∣ { w 1 ( j ) : j ∈ S } ∣ = 1 |\{w_1(j):j\in S\}|=1 ∣{w1(j):j∈S}∣=1,那么 S S S 是单独可分的。
那么不可分的信号 S S S 满足 { w 1 ( s ) : j ∈ S } \{w_1(s):j\in S\} {w1(s):j∈S} 大小至少为 2 2 2。接下来再证明不存在不可分的信号 S S S 满足 ∣ { w 1 ( j ) : j ∈ S } ∣ ≥ 3 |\{w_1(j):j\in S\}|\ge 3 ∣{w1(j):j∈S}∣≥3。
Claim 4.5
不存在不可分的信号 S S S 满足 ∣ { w 1 ( j ) : j ∈ S } ∣ ≥ 3 |\{w_1(j):j\in S\}|\ge 3 ∣{w1(j):j∈S}∣≥3。
证明 反证。不妨设 1 = w 1 ( S ) , 2 = w 2 ( S ) 1=w_1(S),2=w_2(S) 1=w1(S),2=w2(S),可知 1 , 2 ∈ { w 1 ( j ) : j ∈ S } 1,2\in \{w_1(j):j\in S\} 1,2∈{w1(j):j∈S},且 r e v ( S ) = ∑ j ∈ S ψ 2 , j φ ( j , S ) rev(S)=\sum_{j\in S}\psi_{2,j}\varphi(j,S) rev(S)=∑j∈Sψ2,jφ(j,S)。往证 S S S 是可分的。
令 S 1 = S ∩ d ( 1 ) , S 2 = S ∩ d ( 2 ) S_1=S\cap d(1),S_2=S\cap d(2) S1=S∩d(1),S2=S∩d(2)。由假设可知 S 1 ∪ S 2 ≠ S S_1\cup S_2\neq S S1∪S2=S。将 S S S 划分成 ( S 1 ∪ S 2 ) (S_1\cup S_2) (S1∪S2) 以及 ∣ S \ ( S 1 ∪ S 2 ) ∣ |S\backslash (S_1\cup S_2)| ∣S\(S1∪S2)∣ 个单独的信号,总共是 ∣ S \ ( S 1 ∪ S 2 ) ∣ + 1 |S\backslash (S_1\cup S_2)|+1 ∣S\(S1∪S2)∣+1 个信号。
首先考虑那些单独的信号带来的收益。由于买家
1
1
1 和买家
2
2
2 对这些物品的估价都不是最高的,那么这些信号的收益至少是买家
1
1
1 或买家
2
2
2 对这些信号的估价之和,即
∑
j
≠
S
1
∪
S
2
r
e
v
(
j
)
≥
max
{
∑
j
∈
S
\
(
S
1
∪
S
2
)
φ
j
,
S
ψ
1
,
j
,
∑
j
∈
S
\
(
S
1
∪
S
2
)
φ
j
,
S
ψ
2
,
j
}
\sum_{j\neq S_1\cup S_2}rev(j)\ge\max\{\sum_{j\in S\backslash (S_1\cup S_2)}\varphi_{j,S}\psi_{1,j},\sum_{j\in S\backslash (S_1\cup S_2)}\varphi_{j,S}\psi_{2,j}\}
j=S1∪S2∑rev(j)≥max{j∈S\(S1∪S2)∑φj,Sψ1,j,j∈S\(S1∪S2)∑φj,Sψ2,j}
对于
S
1
∪
S
2
S_1\cup S_2
S1∪S2 的信号收益,买家
1
1
1 和
2
2
2 中至少有一人对该信号的估价不是最大的。无论是哪种,结合上面的不等式都可以得到,进行上述划分后,卖家的收益不会变得更低。
结合上面两个 Claim,我们有如下推论:
Corollary 4.6
若 S S S 是不可分的信号,那么 { w 1 ( j ) : j ∈ S } = { w 1 ( S ) , w 2 ( S ) } \{w_1(j):j\in S\}=\{w_1(S),w_2(S)\} {w1(j):j∈S}={w1(S),w2(S)}。换句话说, s u p p ( S ) ⊆ d ( w 1 ( S ) ) ∪ d ( w 2 ( S ) ) supp(S)\subseteq d(w_1(S))\cup d(w_2(S)) supp(S)⊆d(w1(S))∪d(w2(S))。
Observation 4.7
存在一个最优混合信号策略,使得对于任意非单独的信号 S S S, w 1 ( S ) w_1(S) w1(S) 和 w 2 ( S ) w_2(S) w2(S) 对 S S S 的估价是相等的。
证明 假设对于信号
S
S
S,
w
1
(
S
)
w_1(S)
w1(S) 对
S
S
S 的估价大于
w
2
(
S
)
w_2(S)
w2(S) 对
S
S
S 的估价。令
S
1
=
S
∪
d
(
1
)
,
S
2
=
S
∪
d
(
2
)
S_1=S\cup d(1),S_2=S\cup d(2)
S1=S∪d(1),S2=S∪d(2)。由之前的结论可知
S
=
S
1
∪
S
2
S=S_1\cup S_2
S=S1∪S2 且
S
1
S_1
S1 和
S
2
S_2
S2 均非空。令
g
=
∑
j
∈
S
2
φ
j
,
S
(
ψ
2
,
j
−
ψ
1
,
j
)
∑
j
∈
S
1
φ
j
,
S
(
ψ
1
,
j
−
ψ
2
,
j
)
g=\frac{\sum_{j\in S_2}\varphi_{j,S}(\psi_{2,j}-\psi_{1,j})}{\sum_{j\in S_1}\varphi_{j,S}(\psi_{1,j}-\psi_{2,j})}
g=∑j∈S1φj,S(ψ1,j−ψ2,j)∑j∈S2φj,S(ψ2,j−ψ1,j)
由假设
∑
j
∈
S
φ
(
j
,
S
)
ψ
1
,
j
>
∑
j
∈
S
φ
(
j
,
S
)
ψ
2
,
j
\sum_{j\in S}\varphi(j,S)\psi_{1,j}>\sum_{j\in S}\varphi(j,S)\psi_{2,j}
j∈S∑φ(j,S)ψ1,j>j∈S∑φ(j,S)ψ2,j
可知
g
<
1
g<1
g<1。构造新信号策略
φ
′
\varphi'
φ′ 如下:对于
j
∈
S
1
j\in S_1
j∈S1,降低观测到
j
j
j 后发送
S
S
S 的概率:
φ
′
(
j
,
S
)
=
g
⋅
φ
j
,
S
\varphi'(j,S)=g\cdot \varphi_{j,S}
φ′(j,S)=g⋅φj,S;相应地则增加发送信号
{
j
}
\{j\}
{j} 的概率:
φ
′
(
j
,
{
j
}
)
=
φ
j
,
{
j
}
+
(
1
−
g
)
⋅
φ
j
,
S
\varphi'(j,\{j\})=\varphi_{j,\{j\}}+(1-g)\cdot\varphi_{j,S}
φ′(j,{j})=φj,{j}+(1−g)⋅φj,S。注意到在
φ
′
\varphi'
φ′ 中,买家
1
1
1 和买家
2
2
2 对
S
S
S 的估价分别为
g
∑
j
∈
S
1
φ
(
j
,
S
)
ψ
1
,
j
+
∑
j
∈
S
2
φ
(
j
,
S
)
ψ
1
,
j
,
g
∑
j
∈
S
1
φ
(
j
,
S
)
ψ
2
,
j
+
∑
j
∈
S
2
φ
(
j
,
S
)
ψ
2
,
j
g\sum_{j\in S_1}\varphi(j,S)\psi_{1,j}+\sum_{j\in S_2}\varphi(j,S)\psi_{1,j},\quad g\sum_{j\in S_1}\varphi(j,S)\psi_{2,j}+\sum_{j\in S_2}\varphi(j,S)\psi_{2,j}
gj∈S1∑φ(j,S)ψ1,j+j∈S2∑φ(j,S)ψ1,j,gj∈S1∑φ(j,S)ψ2,j+j∈S2∑φ(j,S)ψ2,j
由相减为
0
0
0 可知买家
1
1
1 和
2
2
2 对
S
S
S 的估价相等
再证卖家在
φ
′
\varphi'
φ′ 下的收益不会降低:信号
{
j
}
\{j\}
{j} 的收益改变量为
(
1
−
g
)
φ
j
,
S
r
e
v
(
j
)
=
(
1
−
g
)
φ
j
,
S
ψ
1
,
j
≥
(
1
−
g
)
φ
j
,
S
ψ
2
,
j
(1-g)\varphi_{j,S}rev(j)=(1-g)\varphi_{j,S}\psi_{1,j}\ge(1-g)\varphi_{j,S}\psi_{2,j}
(1−g)φj,Srev(j)=(1−g)φj,Sψ1,j≥(1−g)φj,Sψ2,j
信号
S
S
S 的收益至少是买家
1
1
1 和买家
2
2
2 对
S
S
S 的估价取
min
\min
min。可知卖家的收益并不会降低。
线性规划求解最优混合信号策略
因此可以用如下线性规划求解最优混合信号策略:
max
∑
j
x
j
ψ
w
2
(
j
)
,
j
+
∑
i
1
∑
i
2
<
i
1
∑
j
∈
d
(
i
1
)
∪
d
(
i
2
)
y
j
(
i
1
,
i
2
)
ψ
i
2
,
j
\max \sum_jx_j\psi_{w_2(j),j}+\sum_{i_1}\sum_{i_2<i_1}\sum_{j\in d(i_1)\cup d(i_2)}y_j(i_1,i_2)\psi_{i_2,j}
maxj∑xjψw2(j),j+i1∑i2<i1∑j∈d(i1)∪d(i2)∑yj(i1,i2)ψi2,j
限制为
∀
i
1
,
∀
i
2
<
i
1
∑
j
∈
d
(
i
1
)
∪
d
(
i
2
)
y
j
(
i
1
,
i
2
)
ψ
i
1
,
j
≥
∑
j
∈
d
(
i
1
)
∪
d
(
i
2
)
y
j
(
i
1
,
i
2
)
ψ
i
2
,
j
∀
i
1
,
∀
i
2
<
i
1
, and
i
≠
i
1
,
i
2
∑
j
∈
d
(
i
1
)
∪
d
(
i
2
)
y
j
(
i
1
,
i
2
)
ψ
i
1
,
j
≥
∑
j
∈
d
(
i
1
)
∪
d
(
i
2
)
y
j
(
i
1
,
i
2
)
ψ
i
,
j
∑
j
∈
d
(
i
1
)
∪
d
(
i
2
)
y
j
(
i
1
,
i
2
)
ψ
i
2
,
j
≥
∑
j
∈
d
(
i
1
)
∪
d
(
i
2
)
y
j
(
i
1
,
i
2
)
ψ
i
,
j
∀
j
x
j
+
∑
i
1
∑
i
2
<
i
1
[
j
∈
d
(
i
1
)
∪
d
(
i
2
)
]
y
j
(
i
1
.
i
2
)
≤
1
∀
j
,
∀
i
1
,
∀
i
2
<
i
1
x
j
≥
0
,
y
j
(
i
1
,
i
2
)
≥
0
\begin{aligned} &\forall i_1,\forall i_2<i_1 & \sum_{j\in d(i_1)\cup d(i_2)}y_j(i_1,i_2)\psi_{i_1,j}\ge\sum_{j\in d(i_1)\cup d(i_2)}y_j(i_1,i_2)\psi_{i_2,j}\\ & \forall i_1,\forall i_2<i_1\text{, and }i\neq i_1,i_2 & \sum_{j\in d(i_1)\cup d(i_2)}y_j(i_1,i_2)\psi_{i_1,j}\ge\sum_{j\in d(i_1)\cup d(i_2)}y_j(i_1,i_2)\psi_{i,j}\\ & & \sum_{j\in d(i_1)\cup d(i_2)}y_j(i_1,i_2)\psi_{i_2,j}\ge\sum_{j\in d(i_1)\cup d(i_2)}y_j(i_1,i_2)\psi_{i,j}\\ & \forall j & x_j+\sum_{i_1}\sum_{i_2<i_1}[j \in d(i_1)\cup d(i_2)]y_j(i_1.i_2)\le 1\\ & \forall j,\forall i_1,\forall i_2<i_1 & x_j\ge 0,\quad y_j(i_1,i_2)\ge 0 \end{aligned}
∀i1,∀i2<i1∀i1,∀i2<i1, and i=i1,i2∀j∀j,∀i1,∀i2<i1j∈d(i1)∪d(i2)∑yj(i1,i2)ψi1,j≥j∈d(i1)∪d(i2)∑yj(i1,i2)ψi2,jj∈d(i1)∪d(i2)∑yj(i1,i2)ψi1,j≥j∈d(i1)∪d(i2)∑yj(i1,i2)ψi,jj∈d(i1)∪d(i2)∑yj(i1,i2)ψi2,j≥j∈d(i1)∪d(i2)∑yj(i1,i2)ψi,jxj+i1∑i2<i1∑[j∈d(i1)∪d(i2)]yj(i1.i2)≤1xj≥0,yj(i1,i2)≥0
其中
y
j
(
i
1
,
i
2
)
y_j(i_1,i_2)
yj(i1,i2) 表示
φ
(
j
,
S
)
\varphi(j,S)
φ(j,S),其中
w
1
(
S
)
=
i
1
,
w
2
(
S
)
=
i
2
w_1(S)=i_1,w_2(S)=i_2
w1(S)=i1,w2(S)=i2。
x
j
x_j
xj 表示
φ
(
j
,
{
j
}
)
\varphi(j,\{j\})
φ(j,{j})。只需要考虑
i
2
<
i
1
i_2<i_1
i2<i1 是因为存在最优策略,满足
i
2
i_2
i2 和
i
1
i_1
i1 对
S
S
S 的估价相等。
最优混合信号策略收益的近似
文章中考虑了这样一个 benchmark:
B
=
min
i
′
(
∑
j
max
i
≠
i
′
ψ
i
,
j
)
\mathcal{B}=\min_{i'}\left(\sum_j\max_{i\neq i'}\psi_{i,j}\right)
B=i′min(j∑i=i′maxψi,j)
并证明了最优策略的收益至少是
B
/
2
\mathcal{B}/2
B/2。由于证明是没什么意思且比较复杂,这里就不赘述了。