Perekomendasi solver

Perekomendasi memeringkat solver dari kondisi benchmark, kapabilitas yang dideklarasikan, skala, tipe tujuan, asumsi anggaran, dan tingkat bukti. Atur enam sumbu seleksi di bawah; peringkat dihitung di peramban dari metadata solver yang disisipkan saat build dan menjelaskan setiap kecocokan. Ia tidak pernah mengklaim solver terbaik secara global.

Recommendations rank solvers from declared capabilities and benchmark characterization; the recommender never asserts a globally best solver.

Benchmark familyScheduling family of the target benchmark.ConstraintsConstraint posture the recommendation must respect.ObjectiveOptimization objective the solver must support.ScaleInstance scale band. (context input; not scored at the metadata tier)DeadlineDeadline budget posture. (context input; not scored at the metadata tier)Quality budgetTime-versus-quality budget the operator accepts.Evidence confidenceMinimum evidence confidence the recommendation reports. (context input; not scored at the metadata tier)

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.

Label kepercayaan

Label	Makna
metadata-only	Rekomendasi didasarkan hanya pada kapabilitas yang dideklarasikan.
smoke-backed	Sebuah eksekusi deterministik kecil mendukung jalur antarmuka.
pilot-backed	Bukti kampanye pilot telah lolos tinjauan.
evidence-grade	Bukti kampanye penuh telah lolos gerbang statistik dan tingkat-bukti.

Bundel perekomendasi saat ini adalah metadata-only.

Sumber rekomendasi

Setiap rekomendasi mendeklarasikan sumbernya, sehingga rekomendasi metadata tidak pernah dikira rekomendasi model-terpelajar:

Sumber	Dasar	Kepercayaan yang boleh dibawanya
metadata	Hanya kapabilitas solver yang dideklarasikan dan karakterisasi benchmark; tanpa model terpelajar.	metadata-only
learned-model	Model terbimbing yang dilatih pada korpus berlabel dari hasil solver-terbaik masa lalu.	metadata-only sampai evaluasi held-out tanpa kebocoran mengangkatnya ke pilot-backed atau evidence-grade

Rekomendasi learned-model tetap metadata-only sampai generalisasi held-out diukur di bawah protokol tanpa kebocoran di bawah; ia tidak pernah meminjam kepercayaan dari kecocokan set pelatihan.

Fitur seleksi

Pemilih memeringkat terhadap satu himpunan tetap fitur karakterisasi benchmark. Setiap fitur menamai metrik karakterisasi yang dibacanya:

Fitur	Metrik asal
difficulty	skor kesulitan agregat (kontensi, kelebihan beban, kedalaman dependensi, sensitivitas solver)
heterogeneity	heterogenitas jenis sumber daya
objective_conflict	metrik konflik tujuan
uncertainty	metrik ketidakpastian
dynamism	metrik dinamisme rentang pelepasan
solver_sensitivity	metrik sensitivitas solver

Validasi silang tanpa kebocoran

Pemilih terbimbing melaporkan generalisasi held-out, tidak pernah kecocokan pelatihan. Korpus berlabel dibagi sedemikian rupa sehingga tidak ada instans, tidak ada keluarga benchmark, dan tidak ada catatan karakterisasi yang muncul di kedua partisi pelatihan dan pengujian; pemilih dilatih pada keluarga sisanya dan dinilai pada keluarga held-out. Korpus berlabel bersumber dari kampanye komparatif, jadi sampai kampanye itu memasok label, pemilih melaporkan penangguhan secara eksplisit alih-alih mengklaim kinerja yang belum tervalidasi.

Antarmuka pembelajaran dan hibrida

Perekomendasi menyertakan tujuh antarmuka pembelajaran dan hibrida bernama. Dua diimplementasikan di sini — seleksi algoritma terbimbing dan baseline hanya-benchmark — dan lima (pencarian berbantuan surogat, kait pembelajaran penguatan, hiper-heuristik, perbaikan terpandu kebijakan, dan inisialisasi terpelajar) terdaftar sebagai antarmuka bernama yang realisasinya bergantung pada kampanye yang menghasilkan data pelatihan. Backend berat adalah extras opsional; ketika sebuah extra tidak ada, antarmuka mundur ke default deterministiknya alih-alih mengimpor apa pun secara default. Katalog antarmuka, kebijakan buktinya, dan taksonomi sumber-rekomendasi disertakan dalam bundel kapabilitas solver.