Vergleich

DispatchAtlas ist ein Werkzeugkasten für Planung und Optimierung über verteilte Rechenumgebungen, aufgebaut um einen kuratierten, zitationsgestützten Katalog von Probleminstanzen — nicht nur eine Solver-Bibliothek, eine Benchmark-Liste oder ein Netzsimulator.

Was DispatchAtlas auszeichnet

Kein einzelner Vergleichspartner unten ist das Unterscheidungsmerkmal — die Kombination ist es. DispatchAtlas verbindet einen kuratierten, zitationsgestützten Katalog von Planungs- und edge–fog–cloud-Optimierungs-Instanzen mit einem fähigkeitstypisierten Solver-Register, eingebautem nichtparametrischem statistischem Vergleich und einem öffentlichen Inspektionsportal, dessen In-Browser-Suite-Builder fertige oder vollständig angepasste Benchmark-Suiten aus dem ganzen Katalog zusammensetzt und als JSON, CSV oder Bündel ohne Backend herunterlädt. Jedes Stück existiert anderswo; keiner der Vergleichspartner unten vereint sie alle.

Die nächsten Herausforderer lassen sich ehrlich benennen. jMetal liefert ein experimentelles Studien-Harnisch mit nichtparametrischer Statistik, aber keinen Planungs-Instanz-Katalog und kein Inspektionsportal. job-shop-lib und der TU/e Job Shop Scheduling Benchmark liefern reiche Planungsinstanzen, aber keine Zitation-pro-Instanz-Kuration, eingebaute Statistik oder Portal. WfCommons liefert trace-gestützte Workflow-Generatoren, bewertet aber keine Optimierer und führt keine Statistik aus. DispatchAtlas ist das Projekt, das alle fünf Fähigkeiten zugleich hält.

Diese Seite ist die kanonische Aussage dieser Positionierung; andere Flächen verlinken hierher, statt sie neu zu formulieren.

Wie DispatchAtlas sich mit verwandten Plattformen vergleicht

Diese Tabellen vergleichen Plattform-Fähigkeiten — was jedes Projekt liefert — nicht die Leistung. Leistungsnachweise stammen aus den statistischen Analyse-Exporten, niemals von dieser Seite. Die Tabellen sind in Bänder vergleichbarer Projekte gruppiert, mit denselben fünf Fähigkeitsspalten. Jeder Partner verlinkt seine kanonische Zitation; die vollständigen Quellen stehen am Seitenende. ✅ vorhanden, ⚠️ angrenzend oder teilweise, ❌ nicht vorhanden.

DispatchAtlas erscheint einmal, im ersten Band, und seine Zeile ✅✅✅✅✅ gilt über alle folgenden Bänder hinweg.

Planungs-Benchmark-Plattformen und Solver

OR-Tools CP-SAT ist der dominierende exakte Planungssolver — DispatchAtlas tritt nicht gegen ihn an. Optionale exakte Adapter umhüllen Solver wie ihn hinter Extras, und die Fähigkeitsmatrix verzeichnet exakte Optimierung als Adapter-Fähigkeit: umhüllt, nicht rivalisiert. job-shop-lib bündelt klassische Instanzen neben RL/GNN-Umgebungen; die TU/e-Suite vereint JSP-, FJSP- und online-FJSP-Umgebungen für lernende und nichtlernende Methoden; PyJobShop bietet Constraint-Programmierung-Modellierung, ausgewertet an 9.000+ Literaturinstanzen; schlably ist ein Experiment-Framework für Planung mit tiefem bestärkendem Lernen. Keines kuratiert Zitation-pro-Instanz-Herkunft, liefert statistische Schranken oder veröffentlicht ein Inspektionsportal — die ⚠️-Marken kennzeichnen Instanzen, die ohne kuratierte Zitationsmetadaten ausgeliefert werden.

Rahmenwerke für allgemeines Optimierungs-Benchmarking und Metaheuristiken

COCO bewertet eine andere Problemklasse (kontinuierliche Black-Box-Funktionen); seine Suite-Familie umfasst ein- und zweizielige, großskalige, gemischt-ganzzahlige und beschränkte Varianten mit einem öffentlichen Datenarchiv. IOHprofiler bewertet iterative Heuristiken und bietet einen gehosteten Web-Analyzer. jMetal und jMetalPy sind gerade deshalb aufgenommen, weil sie keine Strohmänner sind: sie liefern experimentelle Studien mit nichtparametrischer Statistik, aber keinen Planungskatalog und kein Portal. Nevergrad bietet Rang-Diagramme und ein Experiment- und Plot-Modul über Hunderte von Optimierern, aber keine nichtparametrische Inferenz. pymoo, mealpy und NiaPy bieten reiche Algorithmen-Sammlungen und synthetische Testfunktionen statt eines typisierten Registers.

Fog- und Edge-Simulatoren

Diese modellieren edge–fog–cloud-Netze als diskrete Ereignissimulationen (⚠️), nicht als Benchmark-Suite, an der ein Optimierer bewertet wird. EdgeCloudSim v5.0 läuft auf dem aktuellen CloudSim-7.0.0-alpha-Kern mit neuen Tutorials. YAFS ist der dem Kontinuum am nächsten stehende Python-Fog-Simulator, und seine Platzierungsprobleme sind das, was DispatchAtlas als bewertete Benchmark-Instanzen neu ausdrückt; EdgeSimPy ist der neueste Python-Edge-Ressourcenverwaltungs-Simulator.

Cloud- und Workflow-Simulationsplattformen

Dies sind Simulatoren und Trace-/Generator-Rahmenwerke, keine Optimierer-Benchmarks — dieselbe ehrliche Rahmung wie im Fog-Band. WfCommons' Trace-zu-Generator-zu-Benchmark-Pipeline ist das stärkste konzeptionelle Analogon zu den trace-gestützten Ambitionen der Plattform und genau dort, wo DispatchAtlas heute am schwächsten ist: ein kalibriert-synthetisches Profil, die trace-gestützte ⚠️-Zeile in der Fähigkeitsmatrix unten.

Optuna ist ergänzendes Werkzeug, kein Vergleichspartner: es ist ein Hyperparameter-Tuner, sodass Solver-Hyperparameter damit abgestimmt werden können, aber es liefert keine Planungsinstanzen und keine Herkunftsgeschichte — deshalb hat „warum nicht einfach Optuna?“ eine einzeilige Antwort. Zitiere Optuna (Akiba et al., KDD 2019).

So lesen Sie die Marken:

• Kuratierter Planungs-Instanz-Katalog — eine versionierte, zitationsgestützte Menge von Planungs- und Permutations-Instanzen. Die Planungspartner liefern Instanzen, aber keine Zitation-pro-Instanz-Kuration; die Optimierungs-Rahmenwerke liefern synthetische Testprobleme; die Simulatoren liefern keinen Optimierungs-Instanz-Katalog.
• Edge–fog–cloud als Benchmark-Instanzen — heterogene Platzierungs- und Kommunikationsprobleme, als Optimierungsinstanzen ausgestellt. Die Simulatoren modellieren edge–fog–cloud-Netze (⚠️), aber als diskrete Ereignissimulationen, nicht als bewertete Benchmark-Suite.
• Fähigkeitstypisiertes Solver-Register — Solver tragen deklarierte Ziele, Beschränkungen und Fähigkeitsmetadaten. Die metaheuristischen Bibliotheken bieten reiche Algorithmensammlungen (⚠️), aber kein auf Planung ausgerichtetes typisiertes Register.
• Eingebauter statistischer Vergleich — nichtparametrische Tests und Effektgrößen, mit dem Werkzeugkasten gebündelt. COCO, IOHprofiler und jMetal liefern dedizierte statistische Werkzeuge.
• Öffentliches Inspektionsportal — eine durchsuchbare, öffentlich-sichere Datenfläche. COCO veröffentlicht ein Workshop-Datenarchiv (⚠️); IOHanalyzer bietet einen gehosteten Web-Analyzer.

Was DispatchAtlas nicht bietet

Dies ist die ehrliche umgekehrte Lücke — jeder Punkt nennt den Partner, der hat, was DispatchAtlas nicht hat, und spiegelt eine bestehende ❌- oder ⚠️-Zeile in der Fähigkeitsmatrix unten.

• Keine diskrete Ereignissimulation — die Fog- und Cloud-Simulatoren (CloudSim, iFogSim2, EdgeCloudSim, WRENCH) modellieren zeitschritt-basierte Netz- und Plattformdynamik; DispatchAtlas bewertet stattdessen Optimierer an Instanzen.
• Keine Generatoren für dynamische Ankunft oder Online-Umplanung — die TU/e-Suite liefert online-FJSP-Umgebungen; jeder mitgelieferte DispatchAtlas-Generator ist statisch.
• Keine Trainingsumgebungen für Lernagenten — job-shop-lib und schlably liefern RL/GNN-Umgebungen; die Lernschnittstellen von DispatchAtlas sind teilweise.
• Kampagnenausführung auf einem einzigen Host — Nevergrad führt große parallele Experiment-Batterien aus; DispatchAtlas führt sequentielle, thread-parallele, begrenzte und Wiederholungs-Modi auf einem Host aus.
• Ein kalibriert-synthetisches Trace-Profil — WfCommons liefert validierte trace-abgeleitete Generatoren über reale Workflow-Archive; DispatchAtlas bündelt ein einziges kalibriert-synthetisches Profil.

Quellen

• COCO — Hansen, Auger, Ros, Mersmann, Tušar, Brockhoff. COCO: a platform for comparing continuous optimizers in a black-box setting. Optimization Methods and Software 36(1), 2021. https://doi.org/10.1080/10556788.2020.1808977
• IOHprofiler — de Nobel, Ye, Vermetten, Wang, Doerr, Bäck. IOHexperimenter: Benchmarking Platform for Iterative Optimization Heuristics. Evolutionary Computation 32(3):205–210, 2024. https://doi.org/10.1162/evco_a_00342 · IOHanalyzer — https://doi.org/10.1145/3510426
• pymoo — Blank, Deb. pymoo: Multi-Objective Optimization in Python. IEEE Access 8, 2020. https://doi.org/10.1109/ACCESS.2020.2990567
• mealpy — Van Thieu, Mirjalili. MEALPY: An open-source library for latest meta-heuristic algorithms in Python. Journal of Systems Architecture 139, 2023. https://doi.org/10.1016/j.sysarc.2023.102871
• NiaPy — Vrbančič, Brezočnik, Mlakar, Fister, Fister Jr. NiaPy: Python microframework for building nature-inspired algorithms. Journal of Open Source Software 3(23), 2018. https://doi.org/10.21105/joss.00613
• iFogSim2 — Mahmud, Pallewatta, Goudarzi, Buyya. iFogSim2: An extended iFogSim simulator … Journal of Systems and Software 190, 2022. https://doi.org/10.1016/j.jss.2022.111351
• EdgeCloudSim — Sonmez, Ozgovde, Ersoy. EdgeCloudSim: An environment for performance evaluation of edge computing systems. Transactions on Emerging Telecommunications Technologies 29(11), 2018. https://doi.org/10.1002/ett.3493
• LEAF — Wiesner, Thamsen. LEAF: Simulating Large Energy-Aware Fog Computing Environments. IEEE ICFEC, 2021. https://doi.org/10.1109/ICFEC51620.2021.00012
• job-shop-lib — Ariño Fernández. job-shop-lib. arXiv:2506.13781, 2025. https://arxiv.org/abs/2506.13781
• Job Shop Scheduling Benchmark — Reijnen, van Straaten, Bukhsh, Zhang. arXiv:2308.12794, 2023. https://arxiv.org/abs/2308.12794
• PyJobShop — Lan, Berkhout. PyJobShop. arXiv:2502.13483, 2025. https://arxiv.org/abs/2502.13483
• schlably — Waubert de Puiseau et al. schlably. SoftwareX 22:101383, 2023. https://doi.org/10.1016/j.softx.2023.101383
• OR-Tools CP-SAT — Perron, Didier, Gay. CP-SAT. CP 2023. https://doi.org/10.4230/LIPIcs.CP.2023.3
• jMetal — Durillo, Nebro. jMetal. Advances in Engineering Software 42(10), 2011. https://doi.org/10.1016/j.advengsoft.2011.05.014 · jMetalPy — Benítez-Hidalgo et al. Swarm and Evolutionary Computation 51:100598, 2019. https://doi.org/10.1016/j.swevo.2019.100598
• Nevergrad — Rapin, Teytaud. Nevergrad. 2018 (software citation). https://github.com/facebookresearch/nevergrad
• YAFS — Lera, Guerrero, Juiz. YAFS. IEEE Access 7, 2019. https://doi.org/10.1109/ACCESS.2019.2927895
• EdgeSimPy — Souza et al. EdgeSimPy. Future Generation Computer Systems 148, 2023. https://doi.org/10.1016/j.future.2023.06.013
• CloudSim — Calheiros, Ranjan, Beloglazov, De Rose, Buyya. CloudSim. Software: Practice and Experience 41(1), 2011. https://doi.org/10.1002/spe.995 · CloudSim 7G — Andreoli et al. Software: Practice and Experience 55(6), 2025. https://doi.org/10.1002/spe.3413
• WfCommons — Coleman et al. WfCommons. Future Generation Computer Systems 128, 2022. https://doi.org/10.1016/j.future.2021.09.043
• WRENCH — Casanova et al. WRENCH. Future Generation Computer Systems 112, 2020. https://doi.org/10.1016/j.future.2020.05.030
• Optuna — Akiba, Sano, Yanase, Ohta, Koyama. Optuna: A Next-generation Hyperparameter Optimization Framework. KDD 2019. https://doi.org/10.1145/3292500.3330701

DispatchAtlas-Haltung

Fähigkeitsmatrix

Jeder Status wird gegen die ausgelieferten Pakete und die in der Basis-Spalte genannten öffentlichen Portal-Pakete verifiziert: ✅ heute unterstützt, ⚠️ partiell, ❌ abwesend.