SVRPBench : Un benchmark réaliste pour le problème de routage de véhicules stochastique

SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

May 28, 2025

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

cs.AI

Résumé

Le routage robuste face à l'incertitude est essentiel pour la logistique dans le monde réel, mais la plupart des benchmarks supposent des configurations statiques et idéalisées. Nous présentons SVRPBench, le premier benchmark ouvert à capturer des dynamiques stochastiques de haute fidélité pour le routage de véhicules à l'échelle urbaine. Couvrant plus de 500 instances avec jusqu'à 1000 clients, il simule des conditions de livraison réalistes : congestion dépendante du temps, retards log-normaux, accidents probabilistes et fenêtres temporelles empiriquement fondées pour les clients résidentiels et commerciaux. Notre pipeline génère des scénarios diversifiés et riches en contraintes, incluant des configurations multi-dépôts et multi-véhicules. Le benchmarking révèle que les solveurs RL de pointe comme POMO et AM se dégradent de plus de 20 % en cas de décalage distributionnel, tandis que les méthodes classiques et métaheuristiques restent robustes. Pour permettre une recherche reproductible, nous publions le jeu de données et la suite d'évaluation. SVRPBench lance un défi à la communauté : concevoir des solveurs qui généralisent au-delà des hypothèses synthétiques et s'adaptent à l'incertitude du monde réel.

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.