比較

DispatchAtlas は分散コンピューティング環境全体のスケジューリングと最適化のためのツールキットで、引用に裏付けられたキュレーション済みの問題インスタンスのカタログを中心に構築されています。単なるソルバーライブラリでも、ベンチマーク一覧でも、ネットワークシミュレーターでもありません。

DispatchAtlas を際立たせるもの

下記のどの個々の同種ツールも決定的な差別化要因ではなく、その組み合わせこそが差別化要因です。 DispatchAtlas は、スケジューリングおよび edge–fog–cloud 最適化のインスタンスの引用付きキュレーション済みカタログを、能力型付けされたソルバーレジストリ、組み込みのノンパラメトリック統計比較、そしてカタログ全体から既製または完全カスタムのベンチマークスイートを構成しバックエンドなしで JSON・CSV・バンドルとしてダウンロードできるブラウザ内スイートビルダーを備えた公開検査ポータルと組み合わせます。各要素は他所にも存在しますが、下記のどの同種ツールもそれらすべてを同時には備えていません。

最も近い競合は正直に名指しできます。jMetal はノンパラメトリック統計を伴う実験研究ハーネスを提供しますが、スケジューリングインスタンスのカタログも検査ポータルもありません。job-shop-lib と TU/e の Job Shop Scheduling Benchmark は豊富なスケジューリングインスタンスを提供しますが、インスタンスごとの引用キュレーション、組み込み統計、ポータルはありません。WfCommons はトレースに裏付けられたワークフロージェネレーターを提供しますが、最適化器を採点せず統計も実行しません。DispatchAtlas は 5 つの能力を同時に保持する唯一のプロジェクトです。

このページはその位置付けの正典的な表明であり、他の面はここを再説せずリンクします。

DispatchAtlas は関連プラットフォームとどう比較されるか

これらの表はプラットフォームの能力、すなわち各プロジェクトが提供するものを比較しており、性能ではありません。性能の証拠は統計分析のエクスポートから得られ、このページからは決して得られません。表は比較可能なプロジェクトの帯に分類され、同じ 5 つの能力列を通して保持します。各同種ツールは正典引用にリンクし、完全な出典はページ末尾に列挙します。✅ 提供、⚠️ 隣接または部分、❌ 未提供。

DispatchAtlas は最初の帯に一度だけ現れ、その ✅✅✅✅✅ の行は以降のすべての帯で成り立ちます。

スケジューリングベンチマークのプラットフォームとソルバー

プラットフォーム	キュレーション済みスケジューリングインスタンスカタログ	ベンチマークインスタンスとしての edge–fog–cloud	能力型付けソルバーレジストリ	組み込み統計比較	公開検査ポータル
DispatchAtlas	✅	✅	✅	✅	✅
job-shop-lib	⚠️	❌	⚠️	❌	❌
Job Shop Scheduling Benchmark	⚠️	❌	❌	❌	❌
PyJobShop	⚠️	❌	❌	❌	❌
schlably	❌	❌	❌	❌	❌
OR-Tools CP-SAT	❌	❌	❌	❌	❌

OR-Tools CP-SAT は支配的な厳密スケジューリングソルバーであり、DispatchAtlas は競合しません。オプションの厳密アダプターはそのようなソルバーを extras の背後にラップし、能力マトリクスは厳密最適化をアダプター能力として記録します。ラップされており、張り合ってはいません。job-shop-lib は古典的インスタンスを RL/GNN 環境とともにバンドルし、TU/e スイートは学習および非学習手法向けに JSP・FJSP・online-FJSP 環境を統一し、PyJobShop は 9,000 以上の文献インスタンスで評価された制約プログラミングモデリングを提供し、schlably は深層強化学習によるスケジューリング実験フレームワークです。いずれもインスタンスごとの引用来歴をキュレーションせず、統計的ゲートを備えず、検査ポータルも公開しません。⚠️ の印はキュレーションされた引用メタデータなしで出荷されるインスタンスを示します。

一般的な最適化ベンチマークとメタヒューリスティクスのフレームワーク

プラットフォーム	キュレーション済みスケジューリングインスタンスカタログ	ベンチマークインスタンスとしての edge–fog–cloud	能力型付けソルバーレジストリ	組み込み統計比較	公開検査ポータル
COCO	❌	❌	❌	✅	⚠️
IOHprofiler	❌	❌	❌	✅	✅
pymoo	❌	❌	⚠️	⚠️	❌
jMetal / jMetalPy	❌	❌	⚠️	✅	❌
Nevergrad	❌	❌	⚠️	⚠️	⚠️
mealpy	❌	❌	⚠️	❌	❌
NiaPy	❌	❌	⚠️	❌	❌

COCO は異なる問題クラス（連続ブラックボックス関数）を評価し、そのスイート群は単一・二目的、大規模、混合整数、制約付きの各変種を公開データアーカイブとともに網羅します。IOHprofiler は反復ヒューリスティクスを評価し、ホスト型の Web アナライザーを提供します。jMetal と jMetalPy はまさに藁人形ではないため含めています。ノンパラメトリック統計を伴う実験研究を提供しますが、スケジューリングカタログもポータルもありません。Nevergrad は数百の最適化器にわたるランクプロットと実験・作図モジュールを提供しますが、ノンパラメトリック推論は提供しません。pymoo、mealpy、 NiaPy は型付けレジストリではなく豊富なアルゴリズム集と合成テスト関数を提供します。

fog および edge シミュレーター

プラットフォーム	キュレーション済みスケジューリングインスタンスカタログ	ベンチマークインスタンスとしての edge–fog–cloud	能力型付けソルバーレジストリ	組み込み統計比較	公開検査ポータル
iFogSim2	❌	⚠️	❌	❌	❌
EdgeCloudSim	❌	⚠️	❌	❌	❌
LEAF	❌	⚠️	❌	❌	❌
YAFS	❌	⚠️	❌	❌	❌
EdgeSimPy	❌	⚠️	❌	❌	❌

これらは edge–fog–cloud ネットワークを離散事象シミュレーションとしてモデル化し（⚠️）、最適化器が採点されるベンチマークスイートとしてではありません。EdgeCloudSim v5.0 は現行の CloudSim 7.0.0-alpha コア上で新しいチュートリアルとともに動作します。YAFS は連続体ファミリーに精神的に最も近い Python 製 fog シミュレーターで、その配置問題こそ DispatchAtlas が採点済みベンチマークインスタンスとして再表現するものです。EdgeSimPy は最新の Python 製 edge リソース管理シミュレーターです。

クラウドおよびワークフローのシミュレーションプラットフォーム

プラットフォーム	キュレーション済みスケジューリングインスタンスカタログ	ベンチマークインスタンスとしての edge–fog–cloud	能力型付けソルバーレジストリ	組み込み統計比較	公開検査ポータル
CloudSim / CloudSim 7G	❌	⚠️	❌	❌	❌
WfCommons	⚠️	⚠️	❌	❌	⚠️
WRENCH	❌	⚠️	❌	❌	❌

これらはシミュレーターおよびトレース／ジェネレーターのフレームワークであり、最適化器のベンチマークではありません。fog の帯と同じ正直な枠組みです。WfCommons のトレース→ジェネレーター →ベンチマークのパイプラインは、当プラットフォームのトレース裏付けの野心の最も強い概念的類似物であり、まさに今日 DispatchAtlas が最も弱い点、すなわち 1 つの較正済み合成プロファイル、下記能力マトリクスの ⚠️ トレース裏付け行です。

Optuna は同種ツールではなく補完的ツールです。ハイパーパラメーターのチューナーであり、ソルバーのハイパーパラメーターはそれで調整できますが、スケジューリングインスタンスも来歴の物語も提供しません。だからこそ「なぜ Optuna をそのまま使わないのか？」には一行の答えがあります。引用： Optuna（Akiba et al., KDD 2019）。

印の読み方:

キュレーション済みスケジューリングインスタンスカタログ — スケジューリングおよび順列問題のインスタンスの、バージョン管理され引用に裏付けられた集合。スケジューリング系の同種ツールはインスタンスを提供しますがインスタンスごとの引用キュレーションはありません。最適化フレームワークは合成テスト問題を提供し、シミュレーターは最適化インスタンスのカタログを提供しません。
ベンチマークインスタンスとしての edge–fog–cloud — 最適化インスタンスとして公開された異種の配置・通信問題。シミュレーターは edge–fog–cloud ネットワークをモデル化しますが（⚠️）、採点されるベンチマークスイートとしてではなく離散事象シミュレーションとしてです。
能力型付けソルバーレジストリ — ソルバーは宣言された目的・制約・能力メタデータを持ちます。メタヒューリスティクスのライブラリは豊富なアルゴリズム集を提供しますが（⚠️）、スケジューリング指向の型付けレジストリではありません。
組み込み統計比較 — ノンパラメトリック検定と効果量がツールキットに同梱されます。COCO、IOHprofiler、jMetal は専用の統計ツールを提供します。
公開検査ポータル — 閲覧可能で公開安全なデータ面。COCO はワークショップのデータアーカイブを公開し（⚠️）、IOHanalyzer はホスト型の Web アナライザーを提供します。

DispatchAtlas が提供しないもの

これは正直な逆方向のギャップです。各項目は DispatchAtlas が持たないものを持つ同種ツールを名指し、下記能力マトリクスの既存の ❌ または ⚠️ 行を反映します。

離散事象シミュレーションなし — fog およびクラウドのシミュレーター（CloudSim、iFogSim2、EdgeCloudSim、WRENCH）は時間刻みのネットワークおよびプラットフォームの動態をモデル化しますが、DispatchAtlas は代わりにインスタンス上で最適化器を採点します。
動的到着やオンライン再スケジューリングのジェネレーターなし — TU/e スイートは online-FJSP 環境を提供しますが、DispatchAtlas に同梱される各ジェネレーターは静的です。
学習エージェントの訓練環境なし — job-shop-lib と schlably は RL/GNN 環境を提供しますが、DispatchAtlas の学習インターフェースは部分的です。
単一ホストでのキャンペーン実行 — Nevergrad は大規模な並列実験群を実行しますが、DispatchAtlas は単一ホスト上で逐次・スレッド・有界・再生の各モードを実行します。
1 つの較正済み合成トレースプロファイル — WfCommons は実際のワークフローアーカイブ上で検証済みのトレース由来ジェネレーターを提供しますが、DispatchAtlas は単一の較正済み合成プロファイルを同梱します。

出典

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 のスタンス

軸	DispatchAtlas のスタンス
ドメイン契約	型付きスケジューリングオブジェクト、検証、来歴、決定的シードが基盤です。
ベンチマーク	カタログメタデータは特性評価、引用状態、エビデンスクラス、コンテンツハッシュを含みます。
ソルバー	ベースライン、オプションの厳密アダプター、メタヒューリスティクス、スケジューリング変種、NDSO ソルバーファミリーはレジストリメタデータを共有します。
再現可能なキャンペーン	キャンペーンは実行 id、予算、停止基準、出力、環境キャプチャを宣言します。
分析	統計要約、効果量、図、ポータルバンドルは決定的エクスポートです。
ウェブサイト	ドキュメントとポータルページは静的な公開安全データバンドルを消費します。

能力マトリクス

各ステータスは、出荷されたパッケージと基盤列に名指しされた公開ポータルバンドルに対して検証されます: ✅ 本日サポート、⚠️ 部分的、❌ 不在。

能力	ステータス	基盤
検証・来歴・決定的シードを伴う型付きスケジューリングドメイン契約	✅	`dispatchatlas.core` の問題・schedule・ハッシュ契約
定量的特性評価メトリクスを伴うベンチマークカタログ	✅	`benchmark-catalog.json` レコードはインスタンス-ごとの特性評価を携える
引用に裏打ちされたベンチマークファミリーインベントリ	✅	`benchmark-families.json` — 各ファミリー行は引用に裏打ちされる
宣言された能力と引用を伴う名前付き-ソルバーレジストリ	✅	`solver-registry.json` と `solver-capabilities.json`
厳密最適化アダプター（オプションの extras に加えて 2 つのネイティブ有界ソルバー）	✅	`solver-registry.json` に 7 つの厳密エントリ; サードパーティのバックエンドは extras の背後に留まる
構築的ディスパッチとメタヒューリスティックベースライン	✅	`solver-registry.json` のディスパッチとメタヒューリスティックグループ
多目的最適化（参照点-ニッチング）	✅	`solver-capabilities.json` の `many_objective` 契約
名前付き多目的品質指標	✅	`solver-capabilities.json` の 4 つの被引用指標
サービス-レベル違反とペナルティ経路を伴う制約会計	✅	`solver-capabilities.json` の `constraint_support` 契約
ロバスト性集約（最悪-ケースと CVaR）	✅	`solver-capabilities.json` の `robustness` 契約
宣言されたメタデータからのソルバー推薦	✅	`solver-recommender.json` の軸とポリシー
メタデータ-のみを上回る学習-モデル推薦信頼度	⚠️	教師あり選択器は出荷されるが、公開バンドルはメタデータ-のみの信頼度を携える
学習とハイブリッドインターフェース	⚠️	7 つの名前付きインターフェースのうち 2 つが実装済み; 5 つは延期として登録
トレース-裏打ちベンチマークプロファイル	⚠️	1 つの較正-合成プロファイル; バンドルされた distribution-distance ステータスにトレース-裏打ちプロファイルは含まれない
動的-到着またはオンライン-再スケジューリングジェネレーター	❌	分類法は次元を宣言する; バンドルされた各ジェネレーターは静的
加速バッチ-スコアリングカーネル	❌	バッチ-スコアリングプロファイルは標準ライブラリカーネルを記録
マルチ-ホストキャンペーン実行	❌	実行モードは 1 ホスト上の逐次、スレッド並列、有界、リプレイ
キャンペーンチェックポイント・再開・リプレイ検証	✅	`dispatchatlas.lab` のリポジトリ・チェックポイント・リプレイ契約
統計-検出力実行-数フロアと公正-比較ゲート	✅	`dispatchatlas.lab` の実行-数ポリシーと公正-比較不変式
効果量を伴う非パラメトリック統計分析	✅	`dispatchatlas.analytica` エクスポート; `platform-comparison.json` の機能行
再現可能なハッシュ化ダウンロードバンドル	✅	`downloads.json` はバンドルごとにコンテンツハッシュとサイズを記録
ブラウザ内ベンチマークスイートビルダー（既製スイートとカスタムスイート、クライアントサイドのエクスポート）	✅	`benchmark-catalog.json` 上の `BenchmarkExplorer`；`lib/download.ts` 経由でエクスポート（JSON、CSV、ZIP）