SVRPBench: Un Benchmark Realistico per il Problema Stocastico di Routing dei Veicoli

SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

May 28, 2025

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

cs.AI

Abstract

Il routing robusto in condizioni di incertezza è fondamentale per la logistica nel mondo reale, tuttavia la maggior parte dei benchmark presuppone scenari statici e idealizzati. Presentiamo SVRPBench, il primo benchmark aperto che cattura dinamiche stocastiche ad alta fedeltà nel routing di veicoli su scala urbana. Comprendendo oltre 500 istanze con fino a 1000 clienti, simula condizioni di consegna realistiche: congestione dipendente dal tempo, ritardi log-normali, incidenti probabilistici e finestre temporali basate su dati empirici per clienti residenziali e commerciali. La nostra pipeline genera scenari diversificati e ricchi di vincoli, inclusi setup multi-deposito e multi-veicolo. Il benchmarking rivela che i solutori RL all'avanguardia come POMO e AM peggiorano di oltre il 20% in caso di cambiamento distributivo, mentre i metodi classici e meta-euristici rimangono robusti. Per consentire una ricerca riproducibile, rilasciamo il dataset e la suite di valutazione. SVRPBench sfida la comunità a progettare solutori che generalizzino oltre le ipotesi sintetiche e si adattino all'incertezza del mondo reale.

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.