DispatchAtlasRecomendador de solvers
El recomendador clasifica los solvers a partir de las condiciones del benchmark, las capacidades declaradas, la escala, el tipo de objetivo, los supuestos de presupuesto y el nivel de evidencia. Ajusta los seis ejes de selección de abajo; la clasificación se calcula en el navegador a partir de metadatos de solver incorporados en la compilación y explica cada ajuste. Nunca afirma cuál es el mejor solver globalmente.
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.
Etiquetas de confianza
| Etiqueta | Significado |
|---|---|
| metadata-only | La recomendación se basa solo en capacidades declaradas. |
| smoke-backed | Una pequeña ejecución determinista respalda la ruta de la interfaz. |
| pilot-backed | La evidencia de campaña piloto ha pasado la revisión. |
| evidence-grade | La evidencia de campaña completa ha pasado las puertas estadísticas y de nivel de evidencia. |
El paquete actual del recomendador es metadata-only.
Fuentes de recomendación
Cada recomendación declara su fuente, de modo que una recomendación de metadatos nunca se confunde con una de modelo aprendido:
| Fuente | Base | Confianza que puede llevar |
|---|---|---|
| metadata | Solo capacidades de solver declaradas y caracterización del benchmark; sin modelo aprendido. | metadata-only |
| learned-model | Un modelo supervisado entrenado sobre un corpus etiquetado de resultados de mejor-solver pasados. | metadata-only hasta que una evaluación held-out sin fugas lo eleve a pilot-backed o evidence-grade |
Una recomendación de learned-model permanece como metadata-only hasta que se mide la generalización held-out bajo el protocolo sin fugas de abajo; nunca toma prestada confianza del ajuste al conjunto de entrenamiento.
Características de selección
El selector clasifica frente a un conjunto fijo de características de caracterización de benchmarks. Cada característica nombra la métrica de caracterización que lee:
| Característica | Métrica de origen |
|---|---|
| difficulty | puntuación agregada de dificultad (contención, sobrecarga, profundidad de dependencias, sensibilidad de solvers) |
| heterogeneity | heterogeneidad de tipos de recurso |
| objective_conflict | métrica de conflicto de objetivos |
| uncertainty | métrica de incertidumbre |
| dynamism | métrica de dinamismo del intervalo de liberación |
| solver_sensitivity | métrica de sensibilidad de solvers |
Validación cruzada sin fugas
El selector supervisado reporta la generalización held-out, nunca el ajuste de entrenamiento. El corpus etiquetado se divide de modo que ninguna instancia, ninguna familia de benchmark y ningún registro de caracterización aparezca a la vez en las particiones de entrenamiento y de prueba; el selector se entrena sobre las familias restantes y se puntúa sobre la familia held-out. El corpus etiquetado proviene de las campañas comparativas, así que hasta que esas campañas aporten etiquetas, el selector reporta el aplazamiento explícitamente en lugar de afirmar un rendimiento no validado.
Interfaces de aprendizaje e híbridas
El recomendador incluye siete interfaces de aprendizaje e híbridas con nombre. Dos están implementadas aquí — selección supervisada de algoritmos y la línea base solo-de-benchmark — y cinco (búsqueda asistida por sustitutos, ganchos de aprendizaje por refuerzo, hiperheurísticas, reparación guiada por políticas, e inicialización aprendida) están registradas como interfaces con nombre cuya realización está supeditada a las campañas que producen datos de entrenamiento. Los backends pesados son extras opcionales; cuando un extra está ausente, la interfaz recurre a su valor predeterminado determinista en lugar de importar nada por defecto. El catálogo de interfaces, sus políticas de evidencia y la taxonomía de fuentes-de-recomendación se incluyen en el paquete de capacidades de solver.