DispatchAtlasSolver-Empfehler
Der Empfehler ordnet Solver anhand der Benchmark-Bedingungen, der erklärten Fähigkeiten, der Skala, des Zieltyps, der Budgetannahmen und der Belegstufe. Stelle die sechs Auswahlachsen unten ein; die Rangfolge wird im Browser aus in die Build eingebetteten Solver-Metadaten berechnet und erklärt jede Eignung. Sie behauptet nie den global besten Solver.
Recommendations rank solvers from declared capabilities and benchmark characterization; the recommender never asserts a globally best solver.
8 solvers ranked by declared fit; never a globally best claim.
adpso · metaheuristic family · source: metadata · confidence: metadata-only
Fit: matches the current selection on declared capabilities.
Caveat: success-rate feedback is noisy on small swarms
age-moea-ii · metaheuristic family · source: metadata · confidence: metadata-only
Fit: matches the current selection on declared capabilities.
Caveat: geometry estimate is noisy on tiny first fronts
ant-colony · metaheuristic family · source: metadata · confidence: metadata-only
Fit: matches the current selection on declared capabilities.
apparent-tardiness-cost · dispatching family · source: metadata · confidence: metadata-only
Fit: matches the current selection on declared capabilities.
arithmetic-optimization · metaheuristic family · source: metadata · confidence: metadata-only
Fit: matches the current selection on declared capabilities.
Caveat: every member is regenerated around the best vector each iteration, so the returned order is the best observed rather than a monotone incumbent
artificial-bee-colony · metaheuristic family · source: metadata · confidence: metadata-only
Fit: matches the current selection on declared capabilities.
Caveat: the per-component neighbor move explores slowly on long priority vectors, so many iterations may be needed at large task counts
artificial-fish-swarm · metaheuristic family · source: metadata · confidence: metadata-only
Fit: matches the current selection on declared capabilities.
Caveat: each behaviour re-scores candidate positions, so an iteration costs several schedule evaluations per member
beam-search · constructive family · source: metadata · confidence: metadata-only
Fit: matches the current selection on declared capabilities.
Recommendation source: metadata, learned-model. Confidence is capped at metadata-only — a metadata recommendation is never reported as a learned-model one, and no solver is asserted as globally best.
Konfidenzlabels
| Label | Bedeutung |
|---|---|
| metadata-only | Die Empfehlung beruht nur auf erklärten Fähigkeiten. |
| smoke-backed | Ein kleiner deterministischer Lauf stützt den Schnittstellenpfad. |
| pilot-backed | Pilotkampagnen-Belege haben die Prüfung bestanden. |
| evidence-grade | Vollkampagnen-Belege haben die statistischen und Belegstufen-Tore bestanden. |
Das aktuelle Empfehlerpaket ist metadata-only.
Empfehlungsquellen
Jede Empfehlung deklariert ihre Quelle, sodass eine Metadaten-Empfehlung nie mit einer Empfehlung aus einem gelernten Modell verwechselt wird:
| Quelle | Basis | Konfidenz, die sie tragen darf |
|---|---|---|
| metadata | Nur erklärte Solver-Fähigkeiten und Benchmark-Charakterisierung; kein gelerntes Modell. | metadata-only |
| learned-model | Ein überwachtes Modell, trainiert auf einem etikettierten Korpus vergangener Best-Solver-Ergebnisse. | metadata-only, bis eine leckagefreie Held-out-Evaluation es auf pilot-backed oder evidence-grade hebt |
Eine learned-model-Empfehlung bleibt metadata-only, bis die Held-out-Generalisierung unter dem leckagefreien Protokoll unten gemessen ist; sie borgt sich nie Konfidenz aus der Trainingsmengen-Anpassung.
Auswahlmerkmale
Der Selektor ordnet gegen eine feste Menge von Benchmark-Charakterisierungsmerkmalen. Jedes Merkmal benennt die Charakterisierungsmetrik, die es liest:
| Merkmal | Ursprungsmetrik |
|---|---|
| difficulty | aggregierte Schwierigkeitsbewertung (Contention, Überlast, Abhängigkeitstiefe, Solver-Sensitivität) |
| heterogeneity | Heterogenität der Ressourcenarten |
| objective_conflict | Zielkonflikt-Metrik |
| uncertainty | Unsicherheits-Metrik |
| dynamism | Dynamik-Metrik der Freigabespanne |
| solver_sensitivity | Solver-Sensitivitäts-Metrik |
Leckagefreie Kreuzvalidierung
Der überwachte Selektor berichtet die Held-out-Generalisierung, nie die Trainingsanpassung. Der etikettierte Korpus wird so aufgeteilt, dass keine Instanz, keine Benchmark-Familie und kein Charakterisierungsdatensatz in beiden Partitionen — Training und Test — erscheint; der Selektor trainiert auf den übrigen Familien und wird auf der Held-out-Familie bewertet. Der etikettierte Korpus stammt aus den vergleichenden Kampagnen, sodass der Selektor — bis diese Kampagnen Etiketten liefern — die Zurückstellung explizit berichtet, statt unvalidierte Leistung zu behaupten.
Lern- und Hybrid-Schnittstellen
Der Empfehler liefert sieben benannte Lern- und Hybrid-Schnittstellen. Zwei sind hier implementiert — überwachte Algorithmenauswahl und die Nur-Benchmark-Baseline — und fünf (surrogatgestützte Suche, Reinforcement-Learning-Hooks, Hyper-Heuristiken, richtliniengeführte Reparatur und gelernte Initialisierung) sind als benannte Schnittstellen registriert, deren Realisierung an die Kampagnen gebunden ist, die Trainingsdaten erzeugen. Schwere Backends sind optionale Extras; wenn ein Extra fehlt, fällt die Schnittstelle auf ihren deterministischen Standard zurück, statt etwas standardmäßig zu importieren. Der Schnittstellenkatalog, seine Belegrichtlinien und die Empfehlungsquellen-Taxonomie sind im Solver-Fähigkeitspaket enthalten.