Perbandingan

DispatchAtlas adalah perangkat untuk penjadwalan dan optimasi di seluruh lingkungan komputasi terdistribusi, dibangun di sekitar katalog instansi masalah yang dikurasi dan didukung sitasi — bukan sekadar pustaka solver, daftar tolok ukur, atau simulator jaringan.

Yang membedakan DispatchAtlas

Tidak ada satu pun rekan di bawah yang menjadi pembeda — kombinasinyalah yang membedakan. DispatchAtlas memadukan katalog instansi optimasi penjadwalan dan edge–fog–cloud yang dikurasi dan didukung sitasi dengan registri solver bertipe kapabilitas, perbandingan statistik non-parametrik bawaan, dan portal inspeksi publik yang pembangun suite dalam-perambannya menyusun suite tolok ukur siap-pakai atau sepenuhnya kustom dari seluruh katalog dan mengunduhnya sebagai JSON, CSV, atau bundel tanpa backend. Setiap bagian ada di tempat lain; tidak ada rekan di bawah yang memuat semuanya sekaligus.

Penantang terdekat dapat disebut dengan jujur. jMetal menyediakan kerangka studi eksperimental dengan statistik non-parametrik, tetapi tanpa katalog instansi penjadwalan atau portal inspeksi. job-shop-lib dan TU/e Job Shop Scheduling Benchmark menyediakan instansi penjadwalan yang kaya, tetapi tanpa kurasi sitasi per-instansi, statistik bawaan, atau portal. WfCommons menyediakan generator alur kerja yang didukung jejak, tetapi tidak menilai pengoptimal dan tidak menjalankan statistik. DispatchAtlas adalah proyek yang memegang kelima kapabilitas sekaligus.

Halaman ini adalah pernyataan kanonik dari pemosisian tersebut; permukaan lain menautkan ke sini alih-alih menyatakannya ulang.

Bagaimana DispatchAtlas dibandingkan dengan platform terkait

Tabel-tabel ini membandingkan kapabilitas platform — apa yang dikirimkan tiap proyek — bukan kinerja. Bukti kinerja berasal dari ekspor analisis statistik, tidak pernah dari halaman ini. Tabel dikelompokkan menjadi pita proyek yang sebanding, mempertahankan lima kolom kapabilitas yang sama. Setiap rekan menautkan ke sitasi kanoniknya; sumber lengkap tercantum di kaki halaman. ✅ tersedia, ⚠️ berdampingan atau parsial, ❌ tidak tersedia.

DispatchAtlas muncul sekali, di pita pertama, dan baris ✅✅✅✅✅-nya berlaku di setiap pita berikutnya.

Platform dan solver tolok ukur penjadwalan

Platform	Katalog instansi penjadwalan yang dikurasi	Edge–fog–cloud sebagai instansi tolok ukur	Registri solver bertipe kapabilitas	Perbandingan statistik bawaan	Portal inspeksi publik
DispatchAtlas	✅	✅	✅	✅	✅
job-shop-lib	⚠️	❌	⚠️	❌	❌
Job Shop Scheduling Benchmark	⚠️	❌	❌	❌	❌
PyJobShop	⚠️	❌	❌	❌	❌
schlably	❌	❌	❌	❌	❌
OR-Tools CP-SAT	❌	❌	❌	❌	❌

OR-Tools CP-SAT adalah solver penjadwalan eksak yang dominan — DispatchAtlas tidak bersaing dengannya. Adaptor eksak opsional membungkus solver seperti itu di balik extras, dan matriks kapabilitas mencatat optimasi eksak sebagai kapabilitas adaptor: dibungkus, bukan disaingi. job-shop-lib memaketkan instansi klasik bersama lingkungan RL/GNN; suite TU/e menyatukan lingkungan JSP, FJSP, dan online-FJSP untuk metode dengan dan tanpa pembelajaran; PyJobShop menyediakan pemodelan pemrograman kendala yang dievaluasi pada 9.000+ instansi literatur; schlably adalah kerangka eksperimen penjadwalan pembelajaran penguatan mendalam. Tidak ada yang mengurasi provenans sitasi per-instansi, mengirim gerbang statistik, atau menerbitkan portal inspeksi — tanda ⚠️ menandai instansi yang dikirim tanpa metadata sitasi yang dikurasi.

Kerangka tolok ukur optimasi umum dan metaheuristik

Platform	Katalog instansi penjadwalan yang dikurasi	Edge–fog–cloud sebagai instansi tolok ukur	Registri solver bertipe kapabilitas	Perbandingan statistik bawaan	Portal inspeksi publik
COCO	❌	❌	❌	✅	⚠️
IOHprofiler	❌	❌	❌	✅	✅
pymoo	❌	❌	⚠️	⚠️	❌
jMetal / jMetalPy	❌	❌	⚠️	✅	❌
Nevergrad	❌	❌	⚠️	⚠️	⚠️
mealpy	❌	❌	⚠️	❌	❌
NiaPy	❌	❌	⚠️	❌	❌

COCO menilai kelas masalah yang berbeda (fungsi kotak-hitam kontinu); keluarga suite-nya mencakup varian satu dan dua tujuan, skala besar, bilangan-bulat-campuran, dan berkendala dengan arsip data publik. IOHprofiler menilai heuristik iteratif dan menawarkan penganalisis web terhos. jMetal dan jMetalPy disertakan justru karena bukan orang-orangan sawah: mereka menyediakan studi eksperimental dengan statistik non-parametrik, tetapi tanpa katalog penjadwalan atau portal. Nevergrad menyediakan plot peringkat dan modul eksperimen-dan-plot atas ratusan pengoptimal, tetapi bukan inferensi non-parametrik. pymoo, mealpy, dan NiaPy menyediakan koleksi algoritma yang kaya dan fungsi uji sintetis alih-alih registri bertipe.

Simulator fog dan edge

Platform	Katalog instansi penjadwalan yang dikurasi	Edge–fog–cloud sebagai instansi tolok ukur	Registri solver bertipe kapabilitas	Perbandingan statistik bawaan	Portal inspeksi publik
iFogSim2	❌	⚠️	❌	❌	❌
EdgeCloudSim	❌	⚠️	❌	❌	❌
LEAF	❌	⚠️	❌	❌	❌
YAFS	❌	⚠️	❌	❌	❌
EdgeSimPy	❌	⚠️	❌	❌	❌

Ini memodelkan jaringan edge–fog–cloud sebagai simulasi kejadian-diskret (⚠️), bukan sebagai suite tolok ukur yang menilai pengoptimal. EdgeCloudSim v5.0 berjalan di atas inti CloudSim 7.0.0-alpha saat ini dengan tutorial baru. YAFS adalah simulator fog Python yang paling dekat semangatnya dengan keluarga kontinum, dan masalah penempatannya adalah yang diungkapkan ulang oleh DispatchAtlas sebagai instansi tolok ukur yang dinilai; EdgeSimPy adalah simulator manajemen sumber daya edge Python terbaru.

Platform simulasi awan dan alur kerja

Platform	Katalog instansi penjadwalan yang dikurasi	Edge–fog–cloud sebagai instansi tolok ukur	Registri solver bertipe kapabilitas	Perbandingan statistik bawaan	Portal inspeksi publik
CloudSim / CloudSim 7G	❌	⚠️	❌	❌	❌
WfCommons	⚠️	⚠️	❌	❌	⚠️
WRENCH	❌	⚠️	❌	❌	❌

Ini adalah simulator dan kerangka jejak/generator, bukan tolok ukur pengoptimal — pembingkaian jujur yang sama seperti pita fog. Pipeline jejak-ke-generator-ke-tolok-ukur WfCommons adalah analog konseptual terkuat dari ambisi platform yang didukung jejak, dan justru di sinilah DispatchAtlas paling lemah hari ini: satu profil sintetis terkalibrasi, baris ⚠️ yang didukung jejak dalam matriks kapabilitas di bawah.

Optuna adalah perkakas pelengkap, bukan rekan: ia adalah penyetel hiperparameter, sehingga hiperparameter solver dapat disetel dengannya, tetapi ia tidak menyediakan instansi penjadwalan dan tidak ada kisah provenans — itulah sebabnya «mengapa tidak sekadar pakai Optuna?» punya jawaban satu baris. Sitasi Optuna (Akiba et al., KDD 2019).

Cara membaca tanda:

Katalog instansi penjadwalan yang dikurasi — himpunan instansi masalah penjadwalan dan permutasi yang berversi dan didukung sitasi. Rekan penjadwalan menyediakan instansi tetapi bukan kurasi sitasi per-instansi; kerangka optimasi menyediakan masalah uji sintetis; simulator tidak menyediakan katalog instansi optimasi.
Edge–fog–cloud sebagai instansi tolok ukur — masalah penempatan dan komunikasi heterogen yang diekspos sebagai instansi optimasi. Simulator memodelkan jaringan edge–fog–cloud (⚠️), tetapi sebagai simulasi kejadian-diskret, bukan suite tolok ukur yang dinilai.
Registri solver bertipe kapabilitas — solver membawa tujuan, kendala, dan metadata kapabilitas yang dideklarasikan. Pustaka metaheuristik menyediakan koleksi algoritma yang kaya (⚠️) tetapi bukan registri bertipe yang berorientasi penjadwalan.
Perbandingan statistik bawaan — uji non-parametrik dan ukuran efek yang dipaket bersama perangkat. COCO, IOHprofiler, dan jMetal menyediakan perkakas statistik khusus.
Portal inspeksi publik — permukaan data yang dapat dijelajahi dan aman-publik. COCO menerbitkan arsip data lokakarya (⚠️); IOHanalyzer menawarkan penganalisis web terhos.

Yang tidak disediakan DispatchAtlas

Ini adalah celah balik yang jujur — tiap butir menyebut rekan yang punya apa yang tidak dimiliki DispatchAtlas, dan mencerminkan baris ❌ atau ⚠️ yang ada dalam matriks kapabilitas di bawah.

Tidak ada simulasi kejadian-diskret — simulator fog dan awan (CloudSim, iFogSim2, EdgeCloudSim, WRENCH) memodelkan dinamika jaringan dan platform bertahap-waktu; DispatchAtlas menilai pengoptimal pada instansi sebagai gantinya.
Tidak ada generator kedatangan dinamis atau penjadwalan-ulang daring — suite TU/e menyediakan lingkungan online-FJSP; setiap generator bawaan DispatchAtlas bersifat statis.
Tidak ada lingkungan pelatihan agen pembelajaran — job-shop-lib dan schlably menyediakan lingkungan RL/GNN; antarmuka pembelajaran DispatchAtlas bersifat parsial.
Eksekusi kampanye satu-host — Nevergrad menjalankan baterai eksperimen paralel yang besar; DispatchAtlas menjalankan mode berurutan, berulir, terbatas, dan putar-ulang pada satu host.
Satu profil jejak sintetis terkalibrasi — WfCommons menyediakan generator turunan-jejak yang tervalidasi atas arsip alur kerja nyata; DispatchAtlas memaketkan satu profil sintetis terkalibrasi.

Sumber

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

Sikap DispatchAtlas

Sumbu	Sikap DispatchAtlas
Kontrak domain	Objek penjadwalan bertipe, validasi, provenans, dan benih deterministik adalah fondasinya.
Benchmark	Metadata katalog mencakup karakterisasi, status sitasi, kelas bukti, dan hash konten.
Solver	Baseline, adaptor eksak opsional, metaheuristik, varian penjadwalan, dan keluarga solver NDSO berbagi metadata registry.
Kampanye reproduktibel	Kampanye mendeklarasikan id eksekusi, anggaran, kriteria berhenti, keluaran, dan penangkapan lingkungan.
Analisis	Ringkasan statistik, ukuran efek, figur, dan bundel portal adalah ekspor deterministik.
Situs web	Halaman docs dan portal mengonsumsi bundel data statis aman-publik.

Matriks kapabilitas

Setiap status diverifikasi terhadap paket yang dikapalkan dan bundel portal publik yang dinamai di kolom basis: ✅ didukung hari ini, ⚠️ parsial, ❌ absen.

Kapabilitas	Status	Basis
Kontrak domain penjadwalan bertipe dengan validasi, provenans, dan benih deterministik	✅	kontrak masalah, schedule, dan hashing `dispatchatlas.core`
Katalog benchmark dengan metrik karakterisasi kuantitatif	✅	rekaman `benchmark-catalog.json` membawa karakterisasi per-instance
Inventaris keluarga benchmark didukung-sitasi	✅	`benchmark-families.json` — setiap baris keluarga didukung-sitasi
Registry solver-bernama dengan kapabilitas dan sitasi yang dideklarasikan	✅	`solver-registry.json` dan `solver-capabilities.json`
Adaptor optimisasi eksak (extras opsional plus dua solver berbatas natif)	✅	tujuh entri eksak di `solver-registry.json`; backend pihak ketiga tetap di balik extras
Dispatching konstruktif dan baseline metaheuristik	✅	grup dispatching dan metaheuristik di `solver-registry.json`
Optimisasi many-objective (niching titik-acuan)	✅	kontrak `many_objective` di `solver-capabilities.json`
Indikator kualitas multi-tujuan bernama	✅	empat indikator tersitasi di `solver-capabilities.json`
Akuntansi kendala dengan jalur pelanggaran tingkat-layanan dan penalti	✅	kontrak `constraint_support` di `solver-capabilities.json`
Agregasi ketangguhan (kasus-terburuk dan CVaR)	✅	kontrak `robustness` di `solver-capabilities.json`
Rekomendasi solver dari metadata yang dideklarasikan	✅	sumbu dan kebijakan `solver-recommender.json`
Keyakinan rekomendasi model-terpelajari di atas hanya-metadata	⚠️	selektor terawasi dikapalkan, tetapi bundel terbit membawa keyakinan hanya-metadata
Antarmuka pembelajaran dan hibrida	⚠️	dua dari tujuh antarmuka bernama diimplementasikan; lima terdaftar sebagai ditangguhkan
Profil benchmark didukung-jejak	⚠️	satu profil terkalibrasi-sintetis; status distribution-distance terbundel tidak menyertakan profil didukung-jejak
Generator kedatangan-dinamis atau penjadwalan-ulang-daring	❌	taksonomi mendeklarasikan dimensi; setiap generator terbundel bersifat statis
Kernel penskoran-batch terakselerasi	❌	profil penskoran-batch merekam kernel pustaka-standar
Eksekusi kampanye multi-host	❌	mode eksekusi adalah sekuensial, paralel-berutas, berbatas, dan replay pada satu host
Checkpoint, lanjut, dan verifikasi replay kampanye	✅	kontrak repositori, checkpoint, dan replay `dispatchatlas.lab`
Lantai jumlah-eksekusi daya-statistik dan gate perbandingan-adil	✅	kebijakan jumlah-eksekusi dan invarian perbandingan-adil di `dispatchatlas.lab`
Analisis statistik non-parametrik dengan ukuran efek	✅	ekspor `dispatchatlas.analytica`; baris fitur di `platform-comparison.json`
Bundel unduhan ber-hash reproduktibel	✅	`downloads.json` merekam hash konten dan ukuran per bundel
Pembangun suite benchmark di-peramban (suite siap-pakai dan kustom, ekspor sisi-klien)	✅	`BenchmarkExplorer` di atas `benchmark-catalog.json`; diekspor via `lib/download.ts` (JSON, CSV, ZIP)