비교

DispatchAtlas 는 분산 컴퓨팅 환경 전반의 스케줄링과 최적화를 위한 도구 모음으로, 인용으로 뒷받침되는 큐레이션된 문제 인스턴스 카탈로그를 중심으로 구축되었습니다. 단순한 솔버 라이브러리, 벤치마크 목록, 네트워크 시뮬레이터가 아닙니다.

DispatchAtlas 를 돋보이게 하는 것

아래의 어떤 개별 동종 도구도 차별점이 아니며, 그 조합이 차별점입니다. DispatchAtlas 는 스케줄링 및 edge–fog–cloud 최적화 인스턴스의 인용 기반 큐레이션 카탈로그를, 역량 타입이 지정된 솔버 레지스트리, 내장 비모수 통계 비교, 그리고 카탈로그 전체에서 기성 또는 완전 맞춤형 벤치마크 스위트를 구성하여 백엔드 없이 JSON·CSV·번들로 다운로드하는 브라우저 내 스위트 빌더를 갖춘 공개 검사 포털과 결합합니다. 각 요소는 다른 곳에도 존재하지만, 아래의 어떤 동종 도구도 그것들을 모두 동시에 갖추지는 않습니다.

가장 가까운 도전자들은 정직하게 이름을 댈 수 있습니다. jMetal 은 비모수 통계를 갖춘 실험 연구 하네스를 제공하지만 스케줄링 인스턴스 카탈로그나 검사 포털은 없습니다. job-shop-lib 과 TU/e Job Shop Scheduling Benchmark 는 풍부한 스케줄링 인스턴스를 제공하지만 인스턴스별 인용 큐레이션, 내장 통계, 포털이 없습니다. WfCommons 는 트레이스 기반 워크플로 생성기를 제공하지만 최적화기를 채점하지 않고 통계를 실행하지 않습니다. DispatchAtlas 는 다섯 가지 역량을 동시에 보유하는 프로젝트입니다.

이 페이지는 그 포지셔닝의 정본 진술이며, 다른 표면은 이를 재진술하지 않고 이곳으로 링크합니다.

DispatchAtlas 는 관련 플랫폼과 어떻게 비교되는가

이 표들은 플랫폼 역량, 즉 각 프로젝트가 제공하는 것을 비교하며 성능이 아닙니다. 성능 증거는 통계 분석 내보내기에서 나오며 이 페이지에서는 결코 나오지 않습니다. 표는 비교 가능한 프로젝트 밴드로 묶이며 동일한 다섯 역량 열을 유지합니다. 각 동종 도구는 정본 인용으로 링크되고, 전체 출처는 페이지 하단에 나열됩니다. ✅ 제공, ⚠️ 인접 또는 부분, ❌ 미제공.

DispatchAtlas 는 첫 번째 밴드에 한 번 나타나며, 그 ✅✅✅✅✅ 행은 이후 모든 밴드에서 성립합니다.

스케줄링 벤치마크 플랫폼과 솔버

OR-Tools CP-SAT 는 지배적인 정확 스케줄링 솔버이며, DispatchAtlas 는 그것과 경쟁하지 않습니다. 선택적 정확 어댑터는 그런 솔버를 extras 뒤로 감싸며, 역량 매트릭스는 정확 최적화를 어댑터 역량으로 기록합니다. 감쌌을 뿐 경쟁하지 않습니다. job-shop-lib 은 고전 인스턴스를 RL/GNN 환경과 함께 번들하고, TU/e 스위트는 학습 및 비학습 방법을 위한 JSP·FJSP·online-FJSP 환경을 통합하며, PyJobShop 은 9,000+ 문헌 인스턴스에서 평가된 제약 프로그래밍 모델링을 제공하고, schlably 는 심층 강화 학습 스케줄링 실험 프레임워크입니다. 어느 것도 인스턴스별 인용 출처를 큐레이션하거나 통계 게이트를 제공하거나 검사 포털을 게시하지 않습니다. ⚠️ 표시는 큐레이션된 인용 메타데이터 없이 배포되는 인스턴스를 나타냅니다.

일반 최적화 벤치마킹과 메타휴리스틱 프레임워크

COCO 는 다른 문제 클래스(연속 블랙박스 함수)를 평가하며, 그 스위트 계열은 단일·이중 목적, 대규모, 혼합 정수, 제약 변형을 공개 데이터 아카이브와 함께 아우릅니다. IOHprofiler 는 반복 휴리스틱을 평가하고 호스팅형 웹 분석기를 제공합니다. jMetal 과 jMetalPy 는 바로 허수아비가 아니기 때문에 포함됩니다. 비모수 통계를 갖춘 실험 연구를 제공하지만 스케줄링 카탈로그나 포털은 없습니다. Nevergrad 는 수백 개 최적화기에 걸친 순위 도표와 실험·작도 모듈을 제공하지만 비모수 추론은 제공하지 않습니다. pymoo, mealpy, NiaPy 는 타입 지정 레지스트리가 아니라 풍부한 알고리즘 모음과 합성 테스트 함수를 제공합니다.

fog 및 edge 시뮬레이터

이들은 edge–fog–cloud 네트워크를 이산 사건 시뮬레이션으로 모델링하며(⚠️), 최적화기가 채점되는 벤치마크 스위트로서가 아닙니다. EdgeCloudSim v5.0 은 현재 CloudSim 7.0.0-alpha 코어 위에서 새 튜토리얼과 함께 실행됩니다. YAFS 는 연속체 계열과 정신적으로 가장 가까운 Python fog 시뮬레이터이며, 그 배치 문제가 바로 DispatchAtlas 가 채점된 벤치마크 인스턴스로 재표현하는 것입니다. EdgeSimPy 는 가장 최신의 Python edge 자원 관리 시뮬레이터입니다.

클라우드 및 워크플로 시뮬레이션 플랫폼

이들은 시뮬레이터이자 트레이스/생성기 프레임워크이며 최적화기 벤치마크가 아닙니다. fog 밴드와 동일한 정직한 틀입니다. WfCommons 의 트레이스→생성기→벤치마크 파이프라인은 플랫폼의 트레이스 기반 야심의 가장 강한 개념적 유사물이며, 바로 오늘 DispatchAtlas 가 가장 약한 지점, 즉 하나의 보정된 합성 프로파일, 아래 역량 매트릭스의 ⚠️ 트레이스 기반 행입니다.

Optuna 는 동종 도구가 아니라 보완 도구입니다. 하이퍼파라미터 튜너이므로 솔버 하이퍼파라미터를 그것으로 조정할 수 있지만, 스케줄링 인스턴스나 출처 이야기를 제공하지 않습니다. 그래서 «왜 그냥 Optuna 를 쓰지 않는가?» 에는 한 줄 답이 있습니다. 인용: Optuna(Akiba et al., KDD 2019).

표시 읽는 법:

• 큐레이션된 스케줄링 인스턴스 카탈로그 — 스케줄링 및 순열 문제 인스턴스의 버전 관리되고 인용으로 뒷받침된 집합. 스케줄링 동종 도구는 인스턴스를 제공하지만 인스턴스별 인용 큐레이션은 없습니다. 최적화 프레임워크는 합성 테스트 문제를 제공하고, 시뮬레이터는 최적화 인스턴스 카탈로그를 제공하지 않습니다.
• 벤치마크 인스턴스로서의 edge–fog–cloud — 최적화 인스턴스로 노출된 이질적 배치·통신 문제. 시뮬레이터는 edge–fog–cloud 네트워크를 모델링하지만(⚠️), 채점되는 벤치마크 스위트가 아니라 이산 사건 시뮬레이션으로서입니다.
• 역량 타입 지정 솔버 레지스트리 — 솔버는 선언된 목적·제약·역량 메타데이터를 지닙니다. 메타휴리스틱 라이브러리는 풍부한 알고리즘 모음을 제공하지만(⚠️) 스케줄링 지향의 타입 지정 레지스트리는 아닙니다.
• 내장 통계 비교 — 비모수 검정과 효과 크기가 도구 모음에 포함됩니다. COCO, IOHprofiler, jMetal 은 전용 통계 도구를 제공합니다.
• 공개 검사 포털 — 탐색 가능하고 공개적으로 안전한 데이터 표면. COCO 는 워크숍 데이터 아카이브를 게시하고(⚠️), IOHanalyzer 는 호스팅형 웹 분석기를 제공합니다.

DispatchAtlas 가 제공하지 않는 것

이것은 정직한 역방향 격차입니다. 각 항목은 DispatchAtlas 가 갖지 못한 것을 가진 동종 도구를 지명하고, 아래 역량 매트릭스의 기존 ❌ 또는 ⚠️ 행을 반영합니다.

• 이산 사건 시뮬레이션 없음 — fog 및 클라우드 시뮬레이터(CloudSim, iFogSim2, EdgeCloudSim, WRENCH)는 시간 단계 네트워크 및 플랫폼 동역학을 모델링하지만, DispatchAtlas 는 대신 인스턴스에서 최적화기를 채점합니다.
• 동적 도착 또는 온라인 재스케줄링 생성기 없음 — TU/e 스위트는 online-FJSP 환경을 제공하지만, DispatchAtlas 에 번들된 모든 생성기는 정적입니다.
• 학습 에이전트 훈련 환경 없음 — job-shop-lib 과 schlably 는 RL/GNN 환경을 제공하지만, DispatchAtlas 의 학습 인터페이스는 부분적입니다.
• 단일 호스트 캠페인 실행 — Nevergrad 는 대규모 병렬 실험 배터리를 실행하지만, DispatchAtlas 는 단일 호스트에서 순차·스레드·유계·재생 모드를 실행합니다.
• 하나의 보정된 합성 트레이스 프로파일 — WfCommons 는 실제 워크플로 아카이브에 대해 검증된 트레이스 유래 생성기를 제공하지만, DispatchAtlas 는 단일 보정 합성 프로파일을 번들합니다.

출처

• 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 입장

능력 매트릭스

각 상태는 출하된 패키지와 기반 열에 명명된 공개 포털 번들에 대해 검증됩니다: ✅ 오늘 지원, ⚠️ 부분적, ❌ 부재.