SVRPBench: Ein realistischer Benchmark für das stochastische Fahrzeugroutingproblem

SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

May 28, 2025

Autoren: Ahmed Heakl, Yahia Salaheldin Shaaban, Martin Takac, Salem Lahlou, Zangir Iklassov

cs.AI

Zusammenfassung

Robustes Routing unter Unsicherheit ist zentral für die reale Logistik, doch die meisten Benchmarks gehen von statischen, idealisierten Bedingungen aus. Wir präsentieren SVRPBench, den ersten offenen Benchmark, der hochauflösende stochastische Dynamiken im Fahrzeugrouting im städtischen Maßstab erfasst. Mit über 500 Instanzen und bis zu 1000 Kunden simuliert er realistische Lieferbedingungen: zeitabhängige Staus, log-normale Verzögerungen, probabilistische Unfälle und empirisch fundierte Zeitfenster für private und gewerbliche Kunden. Unsere Pipeline erzeugt vielfältige, einschränkungsreiche Szenarien, einschließlich Multi-Depot- und Multi-Fahrzeug-Konfigurationen. Benchmarking zeigt, dass state-of-the-art RL-Löser wie POMO und AM bei Verteilungsverschiebungen um über 20 % schlechter abschneiden, während klassische und metaheuristische Methoden robust bleiben. Um reproduzierbare Forschung zu ermöglichen, veröffentlichen wir den Datensatz und das Evaluationspaket. SVRPBench fordert die Community heraus, Löser zu entwickeln, die über synthetische Annahmen hinaus generalisieren und sich an reale Unsicherheiten anpassen.

English

Robust routing under uncertainty is central to real-world logistics, yet most benchmarks assume static, idealized settings. We present SVRPBench, the first open benchmark to capture high-fidelity stochastic dynamics in vehicle routing at urban scale. Spanning more than 500 instances with up to 1000 customers, it simulates realistic delivery conditions: time-dependent congestion, log-normal delays, probabilistic accidents, and empirically grounded time windows for residential and commercial clients. Our pipeline generates diverse, constraint-rich scenarios, including multi-depot and multi-vehicle setups. Benchmarking reveals that state-of-the-art RL solvers like POMO and AM degrade by over 20% under distributional shift, while classical and metaheuristic methods remain robust. To enable reproducible research, we release the dataset and evaluation suite. SVRPBench challenges the community to design solvers that generalize beyond synthetic assumptions and adapt to real-world uncertainty.