Рекомендатель решателей

Рекомендатель ранжирует решатели на основе условий бенчмарка, заявленных возможностей, масштаба, типа цели, бюджетных допущений и уровня доказательств. Задайте шесть осей выбора ниже; рейтинг вычисляется в браузере из встроенных в сборку метаданных решателей и объясняет каждое соответствие. Он никогда не утверждает глобально лучший решатель.

Recommendations rank solvers from declared capabilities and benchmark characterization; the recommender never asserts a globally best solver.

Benchmark familyScheduling family of the target benchmark.ConstraintsConstraint posture the recommendation must respect.ObjectiveOptimization objective the solver must support.ScaleInstance scale band. (context input; not scored at the metadata tier)DeadlineDeadline budget posture. (context input; not scored at the metadata tier)Quality budgetTime-versus-quality budget the operator accepts.Evidence confidenceMinimum evidence confidence the recommendation reports. (context input; not scored at the metadata tier)

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.

Метки уверенности

Метка	Значение
metadata-only	Рекомендация основана только на заявленных возможностях.
smoke-backed	Небольшой детерминированный прогон подкрепляет путь интерфейса.
pilot-backed	Доказательства пилотной кампании прошли обзор.
evidence-grade	Доказательства полной кампании прошли статистические и уровневые ворота.

Текущий пакет рекомендателя — metadata-only.

Источники рекомендаций

Каждая рекомендация объявляет свой источник, так что рекомендация на метаданных никогда не путается с рекомендацией обученной модели:

Источник	Основа	Уверенность, которую он может нести
metadata	Только заявленные возможности решателя и характеризация бенчмарка; без обученной модели.	metadata-only
learned-model	Обученная с учителем модель на размеченном корпусе прошлых результатов лучшего-решателя.	metadata-only, пока оценка на отложенной выборке без утечки не поднимет её до pilot-backed или evidence-grade

Рекомендация learned-model остаётся metadata-only, пока обобщение на отложенной выборке не измерено по протоколу без утечки ниже; она никогда не заимствует уверенность из подгонки к обучающему набору.

Признаки отбора

Селектор ранжирует против фиксированного набора признаков характеризации бенчмарков. Каждый признак называет метрику характеризации, которую он читает:

Признак	Метрика происхождения
difficulty	агрегатная оценка сложности (конкуренция, перегрузка, глубина зависимостей, чувствительность решателей)
heterogeneity	неоднородность видов ресурсов
objective_conflict	метрика конфликта целей
uncertainty	метрика неопределённости
dynamism	метрика динамичности интервала выпуска
solver_sensitivity	метрика чувствительности решателей

Перекрёстная проверка без утечки

Обучаемый с учителем селектор сообщает обобщение на отложенной выборке, никогда не подгонку обучения. Размеченный корпус разбивается так, что ни один экземпляр, ни одно семейство бенчмарков и ни одна запись характеризации не появляются одновременно в обучающей и тестовой партициях; селектор обучается на остальных семействах и оценивается на отложенном семействе. Размеченный корпус берётся из сравнительных кампаний, поэтому пока эти кампании не предоставят метки, селектор сообщает отсрочку явно, а не утверждает невалидированную производительность.

Интерфейсы обучения и гибридные

Рекомендатель поставляет семь именованных интерфейсов обучения и гибридных. Два реализованы здесь — обучаемый с учителем выбор алгоритма и базовая линия только-по-бенчмарку — а пять (суррогат-ассистированный поиск, хуки обучения с подкреплением, гиперэвристики, восстановление под управлением политики, и обучаемая инициализация) зарегистрированы как именованные интерфейсы, реализация которых обусловлена кампаниями, производящими обучающие данные. Тяжёлые бэкенды — опциональные extras; когда extra отсутствует, интерфейс откатывается к своему детерминированному значению по умолчанию, а не импортирует что-либо по умолчанию. Каталог интерфейсов, его политики доказательств и таксономия источников-рекомендаций поставляются в пакете возможностей решателя.