在线问题及其竞争算法理论是近年来国内外一个热点研究方向。在线问题是研究不完全信息下的决策问题,由于不能知道和预测未来的确切信息,因此往往无法对问题做出最优决策,而只能尽量给出问题的满意决策。而竞争算法就是这样一种决策,该决策算法在各种条件下给出的决策结果都在对应离线最优决策的一定范围内。在线竞争算法以及竞争比概念的提出弥补了传统优化理论在处理在线问题时的不足,已经在计算机科学方面取得很多研究成果并得到了广泛的应用。近年来,随着贸易全球化和经济一体化进程的加快,并且由于金融和管理问题中未来信息的缺乏和不确定性,如今它们也越来越多地受到众多在线问题和竞争算法研究者的广泛关注。在线交易算法不但在经济领域有着极其重要的理论意义,而且在经济管理及日常生活当中也有着广泛的应用,如搜索雇员和工作、股票投资,库存和保险问题等等。现实中典型的在线交易决策问题,已有各种不同的模型用确定性或随机性算法得到求解。本文介绍了在线交易问题基本模型及相关确定性和随机性算法,并基于引入利润函数的时间序列搜索模型基础上提出了随机性决策算法RAKD(Random Algorithm with Known Duration),分析证明了算法最坏情况下的竞争比,最后通过实验与确定性算法进行了性能比较,分析及实验结果表明该算法可以在一定情况下降低算法竞争比,并且应用范围较为广泛。另外,针对非最坏情况提出了改进的随机性算法。最后,对本文的研究工作进行了总结,并指出了在线交易算法在该领域进一步要研究的问题。