Comparação

DispatchAtlas é um conjunto de ferramentas para escalonamento e otimização em ambientes de computação distribuída, construído em torno de um catálogo curado e respaldado por citações de instâncias de problema — não apenas uma biblioteca de solvers, uma lista de benchmarks ou um simulador de rede.

O que distingue o DispatchAtlas

Nenhum par isolado abaixo é o diferencial — a combinação é. O DispatchAtlas une um catálogo curado e respaldado por citações de instâncias de otimização de escalonamento e edge–fog–cloud a um registro de solvers tipado por capacidade, comparação estatística não paramétrica embutida e um portal de inspeção público cujo construtor de suítes no navegador compõe suítes de benchmark prontas ou totalmente personalizadas a partir de todo o catálogo e as baixa como JSON, CSV ou um pacote sem backend. Cada peça existe em outro lugar; nenhum dos pares abaixo as reúne todas.

Os desafiantes mais próximos podem ser nomeados com honestidade. O jMetal oferece um arcabouço de estudo experimental com estatística não paramétrica, mas nenhum catálogo de instâncias de escalonamento nem portal de inspeção. O job-shop-lib e o TU/e Job Shop Scheduling Benchmark oferecem instâncias de escalonamento ricas, mas sem curadoria de citação por instância, estatística embutida ou portal. O WfCommons oferece geradores de fluxos de trabalho respaldados por traços, mas não pontua otimizadores nem executa estatística. O DispatchAtlas é o projeto que sustenta as cinco capacidades ao mesmo tempo.

Esta página é a declaração canônica desse posicionamento; outras superfícies apontam para cá em vez de reformulá-lo.

Como o DispatchAtlas se compara a plataformas afins

Estas tabelas comparam as capacidades de plataforma — o que cada projeto oferece — não o desempenho. A evidência de desempenho vem das exportações de análise estatística, nunca desta página. As tabelas são agrupadas em faixas de projetos comparáveis, mantendo as mesmas cinco colunas de capacidade. Cada par aponta para sua citação canônica; as fontes completas estão ao pé da página. ✅ fornecido, ⚠️ adjacente ou parcial, ❌ não fornecido.

O DispatchAtlas aparece uma vez, na primeira faixa, e sua linha ✅✅✅✅✅ vale em todas as faixas seguintes.

Plataformas e solvers de benchmark de escalonamento

O OR-Tools CP-SAT é o solver exato de escalonamento dominante — o DispatchAtlas não compete com ele. Adaptadores exatos opcionais envolvem solvers como ele por trás de extras, e a matriz de capacidades registra a otimização exata como uma capacidade de adaptador: envolvido, não rivalizado. O job-shop-lib empacota instâncias clássicas junto a ambientes RL/GNN; a suíte da TU/e unifica ambientes JSP, FJSP e online-FJSP para métodos com e sem aprendizado; o PyJobShop oferece modelagem por programação por restrições avaliada em 9.000+ instâncias da literatura; o schlably é um arcabouço de experimentos de escalonamento por aprendizado por reforço profundo. Nenhum faz curadoria de proveniência de citação por instância, embute barreiras estatísticas nem publica um portal de inspeção — as marcas ⚠️ indicam instâncias entregues sem metadados de citação curados.

Arcabouços de benchmark de otimização geral e metaheurísticas

O COCO avalia uma classe de problema diferente (funções contínuas de caixa-preta); sua família de suítes abrange variantes de um e dois objetivos, grande escala, inteiro-misto e com restrições, com um arquivo de dados público. O IOHprofiler avalia heurísticas iterativas e oferece um analisador web hospedado. O jMetal e o jMetalPy são incluídos justamente por não serem espantalhos: oferecem estudos experimentais com estatística não paramétrica, mas nenhum catálogo de escalonamento ou portal. O Nevergrad oferece gráficos de ranking e um módulo de experimentação e plotagem sobre centenas de otimizadores, mas não inferência não paramétrica. pymoo, mealpy e NiaPy oferecem coleções ricas de algoritmos e funções de teste sintéticas em vez de um registro tipado.

Simuladores fog e edge

Estes modelam redes edge–fog–cloud como simulações de eventos discretos (⚠️), não como uma suíte de benchmark sobre a qual um otimizador é pontuado. O EdgeCloudSim v5.0 roda sobre o núcleo atual CloudSim 7.0.0-alpha com novos tutoriais. O YAFS é o simulador fog em Python mais próximo em espírito das famílias de contínuo, e seus problemas de posicionamento são o que o DispatchAtlas reexpressa como instâncias de benchmark pontuadas; o EdgeSimPy é o simulador de gestão de recursos edge em Python mais recente.

Plataformas de simulação de nuvem e fluxos de trabalho

Estes são simuladores e arcabouços de traço/gerador, não benchmarks de otimizadores — o mesmo enquadramento honesto que a faixa fog usa. O pipeline traço-para-gerador-para-benchmark do WfCommons é o análogo conceitual mais forte das ambições respaldadas por traços da plataforma, e é exatamente onde o DispatchAtlas é mais fraco hoje: um perfil sintético calibrado, a linha ⚠️ respaldada por traços na matriz de capacidades abaixo.

O Optuna é ferramenta complementar, não um par: é um ajustador de hiperparâmetros, então os hiperparâmetros dos solvers podem ser ajustados com ele, mas não oferece instâncias de escalonamento nem história de proveniência — por isso «por que não usar simplesmente o Optuna?» tem uma resposta de uma linha. Cite Optuna (Akiba et al., KDD 2019).

Como ler as marcas:

• Catálogo curado de instâncias de escalonamento — um conjunto versionado e respaldado por citações de instâncias de problemas de escalonamento e permutação. Os pares de escalonamento oferecem instâncias mas não curadoria de citação por instância; os arcabouços de otimização oferecem problemas de teste sintéticos; os simuladores não oferecem catálogo de instâncias de otimização.
• Edge–fog–cloud como instâncias de benchmark — problemas heterogêneos de posicionamento e comunicação expostos como instâncias de otimização. Os simuladores modelam redes edge–fog–cloud (⚠️), mas como simulações de eventos discretos, não como uma suíte de benchmark pontuada.
• Registro de solvers tipado por capacidade — os solvers carregam objetivos, restrições e metadados de capacidade declarados. As bibliotecas metaheurísticas oferecem coleções ricas de algoritmos (⚠️), mas não um registro tipado voltado ao escalonamento.
• Comparação estatística embutida — testes não paramétricos e tamanhos de efeito empacotados com o conjunto de ferramentas. COCO, IOHprofiler e jMetal oferecem ferramentas estatísticas dedicadas.
• Portal de inspeção público — uma superfície de dados navegável e segura para o público. O COCO publica um arquivo de dados de workshop (⚠️); o IOHanalyzer oferece um analisador web hospedado.

O que o DispatchAtlas não fornece

Esta é a lacuna reversa honesta — cada item nomeia o par que tem o que o DispatchAtlas não tem, e reflete uma linha ❌ ou ⚠️ existente na matriz de capacidades abaixo.

• Sem simulação de eventos discretos — os simuladores fog e de nuvem (CloudSim, iFogSim2, EdgeCloudSim, WRENCH) modelam dinâmicas de rede e plataforma passo a passo no tempo; o DispatchAtlas pontua otimizadores sobre instâncias em vez disso.
• Sem geradores de chegada dinâmica ou reescalonamento on-line — a suíte da TU/e oferece ambientes online-FJSP; todo gerador incluído no DispatchAtlas é estático.
• Sem ambientes de treinamento de agentes de aprendizado — job-shop-lib e schlably oferecem ambientes RL/GNN; as interfaces de aprendizado do DispatchAtlas são parciais.
• Execução de campanhas em um único host — o Nevergrad executa grandes baterias de experimentos em paralelo; o DispatchAtlas executa modos sequencial, em threads, limitado e de repetição em um único host.
• Um perfil sintético calibrado de traços — o WfCommons oferece geradores derivados de traços validados sobre arquivos reais de fluxos de trabalho; o DispatchAtlas inclui um único perfil sintético calibrado.

Fontes

• 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

Postura do DispatchAtlas

Matriz de capacidades

Cada status é verificado contra os pacotes enviados e os pacotes do portal público nomeados na coluna de base: ✅ suportado hoje, ⚠️ parcial, ❌ ausente.