SVRPBench: Un Punto de Referencia Realista para el Problema de Ruteo de Vehículos Estocástico

SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

May 28, 2025

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

cs.AI

Resumen

El enrutamiento robusto bajo incertidumbre es fundamental para la logística del mundo real, aunque la mayoría de los puntos de referencia asumen configuraciones estáticas e idealizadas. Presentamos SVRPBench, el primer punto de referencia abierto que captura dinámicas estocásticas de alta fidelidad en el enrutamiento de vehículos a escala urbana. Abarcando más de 500 instancias con hasta 1000 clientes, simula condiciones realistas de entrega: congestión dependiente del tiempo, retrasos log-normales, accidentes probabilísticos y ventanas de tiempo empíricamente fundamentadas para clientes residenciales y comerciales. Nuestro pipeline genera escenarios diversos y ricos en restricciones, incluyendo configuraciones multi-depósito y multi-vehículo. La evaluación comparativa revela que solucionadores de última generación basados en aprendizaje por refuerzo, como POMO y AM, se degradan en más del 20% bajo cambios distribucionales, mientras que los métodos clásicos y metaheurísticos mantienen su robustez. Para facilitar la investigación reproducible, publicamos el conjunto de datos y la suite de evaluación. SVRPBench desafía a la comunidad a diseñar solucionadores que generalicen más allá de supuestos sintéticos y se adapten a la incertidumbre del mundo real.

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.