SVRPBench：確率的車両経路問題のための現実的なベンチマーク

SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

May 28, 2025

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

cs.AI

要旨

不確実性下での堅牢なルーティングは現実世界の物流において中心的な課題であるが、ほとんどのベンチマークは静的で理想化された設定を前提としている。本論文では、都市規模での車両ルーティングにおける高精度な確率的ダイナミクスを捉えた初のオープンベンチマークであるSVRPBenchを紹介する。500以上のインスタンスと最大1000の顧客をカバーするこのベンチマークは、現実的な配送条件をシミュレートする：時間依存の渋滞、対数正規分布の遅延、確率的な事故、そして住宅および商業顧客向けの経験に基づいた時間枠である。我々のパイプラインは、複数のデポや複数の車両設定を含む、多様で制約の多いシナリオを生成する。ベンチマークの結果、POMOやAMのような最先端の強化学習ソルバーは分布シフト下で20%以上性能が低下する一方、古典的およびメタヒューリスティックな手法は堅牢性を維持することが明らかになった。再現可能な研究を可能にするため、データセットと評価スイートを公開する。SVRPBenchは、合成された仮定を超えて一般化し、現実世界の不確実性に適応するソルバーの設計をコミュニティに挑戦するものである。

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.