SVRPBench: Een Realistische Benchmark voor het Stochastische Voertuigrouteringsprobleem

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

Samenvatting

Robuuste routeplanning onder onzekerheid is cruciaal voor logistiek in de praktijk, maar de meeste benchmarks gaan uit van statische, geïdealiseerde omstandigheden. Wij presenteren SVRPBench, de eerste open benchmark die hoogwaardige stochastische dynamiek in voertuigrouteplanning op stedelijke schaal vastlegt. Met meer dan 500 instanties en tot 1000 klanten simuleert het realistische bezorgomstandigheden: tijdsafhankelijke congestie, log-normale vertragingen, probabilistische ongevallen en empirisch onderbouwde tijdvensters voor zowel residentiële als commerciële klanten. Onze pijplijn genereert diverse, beperkingrijke scenario's, waaronder multi-depot en multi-voertuigopstellingen. Benchmarking toont aan dat state-of-the-art RL-oplossers zoals POMO en AM met meer dan 20% achteruitgaan onder distributieverschuiving, terwijl klassieke en metaheuristische methoden robuust blijven. Om reproduceerbaar onderzoek mogelijk te maken, publiceren we de dataset en evaluatiesuite. SVRPBench daagt de gemeenschap uit om oplossers te ontwerpen die verder gaan dan synthetische aannames en zich aanpassen aan onzekerheid in de echte wereld.

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.