DispatchAtlasRecommandateur de solveurs
Le recommandateur classe les solveurs à partir des conditions du benchmark, des capacités déclarées, de l'échelle, du type d'objectif, des hypothèses de budget et du niveau de preuve. Réglez les six axes de sélection ci-dessous ; le classement est calculé dans le navigateur à partir des métadonnées de solveur intégrées à la compilation et explique chaque adéquation. Il n'affirme jamais le meilleur solveur globalement.
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.
Étiquettes de confiance
| Étiquette | Signification |
|---|---|
| metadata-only | La recommandation repose uniquement sur les capacités déclarées. |
| smoke-backed | Une petite exécution déterministe appuie le chemin d'interface. |
| pilot-backed | Les preuves de campagne pilote ont passé la revue. |
| evidence-grade | Les preuves de campagne complète ont passé les portes statistiques et de niveau de preuve. |
Le lot actuel du recommandateur est metadata-only.
Sources de recommandation
Chaque recommandation déclare sa source, de sorte qu'une recommandation de métadonnées n'est jamais confondue avec une recommandation de modèle appris :
| Source | Base | Confiance qu'elle peut porter |
|---|---|---|
| metadata | Capacités de solveur déclarées et caractérisation du benchmark seules ; aucun modèle appris. | metadata-only |
| learned-model | Un modèle supervisé entraîné sur un corpus étiqueté de résultats de meilleur-solveur passés. | metadata-only jusqu'à ce qu'une évaluation held-out sans fuite l'élève à pilot-backed ou evidence-grade |
Une recommandation de learned-model reste metadata-only jusqu'à ce que la généralisation held-out soit mesurée sous le protocole sans fuite ci-dessous ; elle n'emprunte jamais de confiance à l'ajustement au jeu d'entraînement.
Caractéristiques de sélection
Le sélecteur classe face à un ensemble fixe de caractéristiques de caractérisation de benchmarks. Chaque caractéristique nomme la métrique de caractérisation qu'elle lit :
| Caractéristique | Métrique d'origine |
|---|---|
| difficulty | score agrégé de difficulté (contention, surcharge, profondeur de dépendances, sensibilité des solveurs) |
| heterogeneity | hétérogénéité des types de ressource |
| objective_conflict | métrique de conflit d'objectifs |
| uncertainty | métrique d'incertitude |
| dynamism | métrique de dynamisme de l'intervalle de libération |
| solver_sensitivity | métrique de sensibilité des solveurs |
Validation croisée sans fuite
Le sélecteur supervisé rapporte la généralisation held-out, jamais l'ajustement d'entraînement. Le corpus étiqueté est partitionné de sorte qu'aucune instance, aucune famille de benchmark et aucun enregistrement de caractérisation n'apparaisse à la fois dans les partitions d'entraînement et de test ; le sélecteur s'entraîne sur les familles restantes et est noté sur la famille held-out. Le corpus étiqueté provient des campagnes comparatives, donc jusqu'à ce que ces campagnes fournissent des étiquettes, le sélecteur rapporte le report explicitement plutôt que d'affirmer une performance non validée.
Interfaces d'apprentissage et hybrides
Le recommandateur fournit sept interfaces d'apprentissage et hybrides nommées. Deux sont implémentées ici — sélection supervisée d'algorithmes et la ligne de base benchmark-seul — et cinq (recherche assistée par substituts, points d'ancrage d'apprentissage par renforcement, hyper-heuristiques, réparation guidée par politiques, et initialisation apprise) sont enregistrées comme interfaces nommées dont la réalisation est conditionnée aux campagnes qui produisent les données d'entraînement. Les backends lourds sont des extras optionnels ; quand un extra est absent, l'interface retombe sur sa valeur par défaut déterministe au lieu d'importer quoi que ce soit par défaut. Le catalogue d'interfaces, ses politiques de preuve et la taxonomie des sources-de-recommandation sont fournis dans le lot de capacités de solveur.