DispatchAtlasRecomendador de solvers
O recomendador classifica os solvers a partir das condições do benchmark, das capacidades declaradas, da escala, do tipo de objetivo, das premissas de orçamento e do nível de evidência. Ajuste os seis eixos de seleção abaixo; a classificação é calculada no navegador a partir de metadados de solver embutidos na compilação e explica cada ajuste. Ele nunca afirma qual é o melhor solver globalmente.
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.
Rótulos de confiança
| Rótulo | Significado |
|---|---|
| metadata-only | A recomendação baseia-se apenas em capacidades declaradas. |
| smoke-backed | Uma pequena execução determinística sustenta o caminho da interface. |
| pilot-backed | A evidência de campanha piloto passou pela revisão. |
| evidence-grade | A evidência de campanha completa passou pelos portões estatísticos e de nível de evidência. |
O pacote atual do recomendador é metadata-only.
Fontes de recomendação
Cada recomendação declara sua fonte, de modo que uma recomendação de metadados nunca é confundida com uma de modelo aprendido:
| Fonte | Base | Confiança que pode carregar |
|---|---|---|
| metadata | Apenas capacidades de solver declaradas e caracterização do benchmark; sem modelo aprendido. | metadata-only |
| learned-model | Um modelo supervisionado treinado sobre um corpus rotulado de resultados de melhor-solver passados. | metadata-only até que uma avaliação held-out sem vazamento o eleve a pilot-backed ou evidence-grade |
Uma recomendação de learned-model permanece como metadata-only até que a generalização held-out seja medida sob o protocolo sem vazamento abaixo; ela nunca toma emprestada confiança do ajuste ao conjunto de treinamento.
Características de seleção
O seletor classifica contra um conjunto fixo de características de caracterização de benchmarks. Cada característica nomeia a métrica de caracterização que lê:
| Característica | Métrica de origem |
|---|---|
| difficulty | pontuação agregada de dificuldade (contenção, sobrecarga, profundidade de dependências, sensibilidade de solvers) |
| heterogeneity | heterogeneidade de tipos de recurso |
| objective_conflict | métrica de conflito de objetivos |
| uncertainty | métrica de incerteza |
| dynamism | métrica de dinamismo do intervalo de liberação |
| solver_sensitivity | métrica de sensibilidade de solvers |
Validação cruzada sem vazamento
O seletor supervisionado reporta a generalização held-out, nunca o ajuste de treinamento. O corpus rotulado é dividido de modo que nenhuma instância, nenhuma família de benchmark e nenhum registro de caracterização apareça ao mesmo tempo nas partições de treinamento e de teste; o seletor treina sobre as famílias restantes e é pontuado sobre a família held-out. O corpus rotulado provém das campanhas comparativas, então até que essas campanhas forneçam rótulos, o seletor reporta o adiamento explicitamente em vez de afirmar um desempenho não validado.
Interfaces de aprendizado e híbridas
O recomendador inclui sete interfaces de aprendizado e híbridas nomeadas. Duas estão implementadas aqui — seleção supervisionada de algoritmos e a linha de base só-de-benchmark — e cinco (busca assistida por substitutos, ganchos de aprendizado por reforço, hiper-heurísticas, reparo guiado por políticas, e inicialização aprendida) estão registradas como interfaces nomeadas cuja realização está condicionada às campanhas que produzem dados de treinamento. Backends pesados são extras opcionais; quando um extra está ausente, a interface recorre ao seu padrão determinístico em vez de importar qualquer coisa por padrão. O catálogo de interfaces, suas políticas de evidência e a taxonomia de fontes-de-recomendação são incluídos no pacote de capacidades de solver.