Сравнение

DispatchAtlas — это набор инструментов для планирования и оптимизации в распределённых вычислительных средах, построенный вокруг курируемого каталога экземпляров задач с ссылками на источники — не просто библиотека решателей, список бенчмарков или сетевой симулятор.

Чем выделяется DispatchAtlas

Ни один отдельный аналог ниже не является отличительной чертой — ею является сочетание. DispatchAtlas объединяет курируемый каталог экземпляров оптимизации планирования и edge–fog–cloud с ссылками на источники, типизированный по возможностям реестр решателей, встроенное непараметрическое статистическое сравнение и публичный портал инспекции, чей браузерный конструктор наборов собирает готовые или полностью настраиваемые наборы бенчмарков из всего каталога и скачивает их в JSON, CSV или пакетом без бэкенда. Каждая часть существует где-то ещё; ни один из аналогов ниже не объединяет их все.

Ближайших конкурентов можно назвать честно. jMetal поставляет каркас экспериментального исследования с непараметрической статистикой, но без каталога экземпляров планирования и портала инспекции. job-shop-lib и TU/e Job Shop Scheduling Benchmark поставляют богатые экземпляры планирования, но без курирования ссылок по каждому экземпляру, встроенной статистики или портала. WfCommons поставляет генераторы рабочих потоков на основе трасс, но не оценивает оптимизаторы и не выполняет статистику. DispatchAtlas — проект, удерживающий все пять возможностей сразу.

Эта страница — каноническое изложение такого позиционирования; другие поверхности ссылаются сюда, а не повторяют его.

Как DispatchAtlas сравнивается со смежными платформами

Эти таблицы сравнивают возможности платформ — что поставляет каждый проект — а не производительность. Свидетельства производительности берутся из экспортов статистического анализа, никогда с этой страницы. Таблицы сгруппированы в полосы сопоставимых проектов с одними и теми же пятью столбцами возможностей. Каждый аналог ссылается на свою каноническую цитату; полные источники перечислены внизу страницы. ✅ предоставлено, ⚠️ смежно или частично, ❌ не предоставлено.

DispatchAtlas появляется один раз, в первой полосе, и его строка ✅✅✅✅✅ сохраняется во всех последующих полосах.

Платформы и решатели бенчмарков планирования

Платформа	Курируемый каталог экземпляров планирования	Edge–fog–cloud как экземпляры бенчмарков	Типизированный по возможностям реестр решателей	Встроенное статистическое сравнение	Публичный портал инспекции
DispatchAtlas	✅	✅	✅	✅	✅
job-shop-lib	⚠️	❌	⚠️	❌	❌
Job Shop Scheduling Benchmark	⚠️	❌	❌	❌	❌
PyJobShop	⚠️	❌	❌	❌	❌
schlably	❌	❌	❌	❌	❌
OR-Tools CP-SAT	❌	❌	❌	❌	❌

OR-Tools CP-SAT — доминирующий точный решатель планирования; DispatchAtlas с ним не конкурирует. Необязательные точные адаптеры оборачивают подобные решатели за extras, а матрица возможностей фиксирует точную оптимизацию как возможность адаптера: обёрнута, а не соперничает. job-shop-lib собирает классические экземпляры наряду со средами RL/GNN; набор TU/e объединяет среды JSP, FJSP и online-FJSP для обучающихся и необучающихся методов; PyJobShop предоставляет моделирование программирования в ограничениях, оценённое на 9000+ экземплярах из литературы; schlably — каркас экспериментов планирования на основе глубокого обучения с подкреплением. Ни один не курирует происхождение цитат по каждому экземпляру, не поставляет статистические барьеры и не публикует портал инспекции — отметки ⚠️ указывают на экземпляры, поставляемые без курируемых метаданных цитат.

Каркасы общего оптимизационного бенчмаркинга и метаэвристик

Платформа	Курируемый каталог экземпляров планирования	Edge–fog–cloud как экземпляры бенчмарков	Типизированный по возможностям реестр решателей	Встроенное статистическое сравнение	Публичный портал инспекции
COCO	❌	❌	❌	✅	⚠️
IOHprofiler	❌	❌	❌	✅	✅
pymoo	❌	❌	⚠️	⚠️	❌
jMetal / jMetalPy	❌	❌	⚠️	✅	❌
Nevergrad	❌	❌	⚠️	⚠️	⚠️
mealpy	❌	❌	⚠️	❌	❌
NiaPy	❌	❌	⚠️	❌	❌

COCO оценивает иной класс задач (непрерывные функции чёрного ящика); его семейство наборов охватывает одно- и двухкритериальные, крупномасштабные, смешанно-целочисленные и ограниченные варианты с публичным архивом данных. IOHprofiler оценивает итеративные эвристики и предлагает размещённый веб-анализатор. jMetal и jMetalPy включены именно потому, что не являются соломенными чучелами: они поставляют экспериментальные исследования с непараметрической статистикой, но без каталога планирования и портала. Nevergrad предоставляет графики рангов и модуль экспериментов и построения графиков по сотням оптимизаторов, но не непараметрический вывод. pymoo, mealpy и NiaPy предоставляют богатые коллекции алгоритмов и синтетические тестовые функции, а не типизированный реестр.

Симуляторы fog и edge

Платформа	Курируемый каталог экземпляров планирования	Edge–fog–cloud как экземпляры бенчмарков	Типизированный по возможностям реестр решателей	Встроенное статистическое сравнение	Публичный портал инспекции
iFogSim2	❌	⚠️	❌	❌	❌
EdgeCloudSim	❌	⚠️	❌	❌	❌
LEAF	❌	⚠️	❌	❌	❌
YAFS	❌	⚠️	❌	❌	❌
EdgeSimPy	❌	⚠️	❌	❌	❌

Они моделируют сети edge–fog–cloud как дискретно-событийные симуляции (⚠️), а не как набор бенчмарков, на котором оценивается оптимизатор. EdgeCloudSim v5.0 работает на текущем ядре CloudSim 7.0.0-alpha с новыми руководствами. YAFS — ближайший по духу к семействам континуума симулятор fog на Python, а его задачи размещения — это то, что DispatchAtlas переформулирует как оценённые экземпляры бенчмарков; EdgeSimPy — новейший симулятор управления edge-ресурсами на Python.

Платформы симуляции облака и рабочих потоков

Платформа	Курируемый каталог экземпляров планирования	Edge–fog–cloud как экземпляры бенчмарков	Типизированный по возможностям реестр решателей	Встроенное статистическое сравнение	Публичный портал инспекции
CloudSim / CloudSim 7G	❌	⚠️	❌	❌	❌
WfCommons	⚠️	⚠️	❌	❌	⚠️
WRENCH	❌	⚠️	❌	❌	❌

Это симуляторы и каркасы трасс/генераторов, а не бенчмарки оптимизаторов — та же честная рамка, что и в полосе fog. Конвейер трасса-в-генератор-в-бенчмарк WfCommons — сильнейший концептуальный аналог амбиций платформы на основе трасс и именно то место, где DispatchAtlas сегодня слабее всего: один калиброванно-синтетический профиль, строка ⚠️ на основе трасс в матрице возможностей ниже.

Optuna — вспомогательный инструмент, а не аналог: это настройщик гиперпараметров, поэтому гиперпараметры решателей можно настраивать им, но он не поставляет экземпляров планирования и истории происхождения — поэтому у вопроса «почему не использовать просто Optuna?» есть однострочный ответ. Ссылка Optuna (Akiba et al., KDD 2019).

Как читать отметки:

Курируемый каталог экземпляров планирования — версионированное множество экземпляров задач планирования и перестановки со ссылками на источники. Аналоги планирования поставляют экземпляры, но не курирование ссылок по каждому экземпляру; каркасы оптимизации поставляют синтетические тестовые задачи; симуляторы не поставляют каталог экземпляров оптимизации.
Edge–fog–cloud как экземпляры бенчмарков — гетерогенные задачи размещения и связи, представленные как экземпляры оптимизации. Симуляторы моделируют сети edge–fog–cloud (⚠️), но как дискретно-событийные симуляции, а не как оцениваемый набор бенчмарков.
Типизированный по возможностям реестр решателей — решатели несут объявленные цели, ограничения и метаданные возможностей. Метаэвристические библиотеки предоставляют богатые коллекции алгоритмов (⚠️), но не типизированный реестр, ориентированный на планирование.
Встроенное статистическое сравнение — непараметрические тесты и размеры эффектов, поставляемые с набором инструментов. COCO, IOHprofiler и jMetal поставляют выделенные статистические инструменты.
Публичный портал инспекции — просматриваемая, безопасная для публики поверхность данных. COCO публикует архив данных семинара (⚠️); IOHanalyzer предлагает размещённый веб-анализатор.

Что DispatchAtlas не предоставляет

Это честный обратный пробел — каждый пункт называет аналог, у которого есть то, чего нет у DispatchAtlas, и отражает существующую строку ❌ или ⚠️ в матрице возможностей ниже.

Нет дискретно-событийной симуляции — симуляторы fog и облака (CloudSim, iFogSim2, EdgeCloudSim, WRENCH) моделируют пошаговую по времени динамику сети и платформы; DispatchAtlas вместо этого оценивает оптимизаторы на экземплярах.
Нет генераторов динамических поступлений или онлайн-перепланирования — набор TU/e поставляет среды online-FJSP; каждый входящий в поставку генератор DispatchAtlas статичен.
Нет сред обучения обучающихся агентов — job-shop-lib и schlably поставляют среды RL/GNN; интерфейсы обучения DispatchAtlas частичны.
Выполнение кампаний на одном хосте — Nevergrad выполняет большие параллельные батареи экспериментов; DispatchAtlas выполняет последовательный, поточный, ограниченный и повторный режимы на одном хосте.
Один калиброванно-синтетический профиль трасс — WfCommons поставляет проверенные генераторы, производные от трасс, над реальными архивами рабочих потоков; DispatchAtlas включает единственный калиброванно-синтетический профиль.

Источники

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

Позиция DispatchAtlas

Ось	Позиция DispatchAtlas
Доменные контракты	Типизированные объекты планирования, валидация, происхождение, и детерминированные зёрна — это фундамент.
Бенчмарки	Метаданные каталога включают характеризацию, статус цитирования, класс доказательств, и хеши содержимого.
Решатели	Базовые линии, опциональные точные адаптеры, метаэвристики, варианты планирования, и семейство решателей NDSO разделяют метаданные реестра.
Воспроизводимые кампании	Кампании объявляют id прогонов, бюджеты, критерии остановки, выводы, и захват окружения.
Анализ	Статистические сводки, размеры эффекта, фигуры, и пакеты портала — детерминированные экспорты.
Веб-сайт	Страницы docs и портала потребляют статические безопасные-для-публики пакеты данных.

Матрица возможностей

Каждый статус верифицируется против отгруженных пакетов и публичных пакетов портала, названных в столбце основания: ✅ поддерживается сегодня, ⚠️ частично, ❌ отсутствует.

Возможность	Статус	Основание
Типизированные доменные контракты планирования с валидацией, происхождением, и детерминированными зёрнами	✅	контракты задачи, schedule, и хеширования `dispatchatlas.core`
Каталог бенчмарков с количественными метриками характеризации	✅	записи `benchmark-catalog.json` несут характеризацию по-экземпляру
Подкреплённый-цитированиями инвентарь семейств бенчмарков	✅	`benchmark-families.json` — каждая строка семейства подкреплена-цитированиями
Реестр именованных-решателей с объявленными возможностями и цитированиями	✅	`solver-registry.json` и `solver-capabilities.json`
Точные адаптеры оптимизации (опциональные extras плюс два нативных ограниченных решателя)	✅	семь точных записей в `solver-registry.json`; сторонние бэкенды остаются за extras
Конструктивный диспетчинг и метаэвристические базовые линии	✅	группы диспетчинга и метаэвристики в `solver-registry.json`
Многоцелевая оптимизация (нишинг точки-отсчёта)	✅	контракт `many_objective` в `solver-capabilities.json`
Именованные многоцелевые индикаторы качества	✅	четыре цитируемых индикатора в `solver-capabilities.json`
Учёт ограничений с путями нарушения уровня-сервиса и штрафа	✅	контракт `constraint_support` в `solver-capabilities.json`
Агрегация робастности (худший-случай и CVaR)	✅	контракт `robustness` в `solver-capabilities.json`
Рекомендация решателя из объявленных метаданных	✅	оси и политика `solver-recommender.json`
Уверенность рекомендации обученной-модели выше только-метаданных	⚠️	контролируемый селектор отгружается, но опубликованные пакеты несут уверенность только-метаданных
Интерфейсы обучения и гибридные	⚠️	два из семи именованных интерфейсов реализованы; пять зарегистрированы как отложенные
Профили бенчмарков, подкреплённые-трассой	⚠️	один калиброванно-синтетический профиль; упакованные статусы distribution-distance не включают профиль, подкреплённый-трассой
Генераторы динамического-прибытия или онлайн-перепланирования	❌	таксономия объявляет измерение; каждый упакованный генератор статичен
Ускоренные ядра пакетного-скоринга	❌	профиль пакетного-скоринга фиксирует ядро стандартной-библиотеки
Мульти-хостовое выполнение кампаний	❌	режимы выполнения — последовательный, потоково-параллельный, ограниченный, и replay на одном хосте
Контрольная точка, возобновление, и верификация replay кампании	✅	контракты репозитория, контрольной точки, и replay `dispatchatlas.lab`
Пол счёта-прогонов статистической-мощности и gate честного-сравнения	✅	политика счёта-прогонов и инвариант честного-сравнения в `dispatchatlas.lab`
Непараметрический статистический анализ с размерами эффекта	✅	экспорты `dispatchatlas.analytica`; строка функции в `platform-comparison.json`
Воспроизводимые хешированные пакеты загрузки	✅	`downloads.json` фиксирует хеш содержимого и размер на пакет
Конструктор наборов бенчмарков в браузере (готовые и пользовательские наборы, экспорт на стороне клиента)	✅	`BenchmarkExplorer` поверх `benchmark-catalog.json`; экспорт через `lib/download.ts` (JSON, CSV, ZIP)