SVRPBench: 확률적 차량 경로 문제를 위한 현실적인 벤치마크

SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

May 28, 2025

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

cs.AI

초록

불확실성 하에서의 견고한 경로 설정은 현실 세계의 물류에서 핵심적인 요소이지만, 대부분의 벤치마크는 정적이고 이상화된 환경을 가정합니다. 우리는 도시 규모에서 차량 경로 문제에 대한 고충실도 확률적 동역학을 포착한 최초의 오픈 벤치마크인 SVRPBench을 소개합니다. 최대 1000명의 고객을 포함한 500개 이상의 인스턴스로 구성된 이 벤치마크는 시간에 따른 혼잡, 로그 정규 분포 지연, 확률적 사고, 그리고 주거 및 상업 고객을 위한 경험적으로 기반한 시간대 등 현실적인 배송 조건을 시뮬레이션합니다. 우리의 파이프라인은 다중 창고 및 다중 차량 설정을 포함한 다양한 제약 조건이 풍부한 시나리오를 생성합니다. 벤치마킹 결과, POMO 및 AM과 같은 최첨단 강화 학습 솔버는 분포 변화 하에서 20% 이상 성능이 저하되는 반면, 고전적 및 메타휴리스틱 방법은 견고함을 유지합니다. 재현 가능한 연구를 위해 데이터셋과 평가 도구를 공개합니다. SVRPBench은 합성 가정을 넘어 현실 세계의 불확실성에 적응할 수 있는 솔버를 설계하도록 커뮤니티에 도전합니다.

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.