SVRPBench: Um Benchmark Realista para o Problema de Roteamento de Veículos Estocástico

SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

May 28, 2025

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

cs.AI

Resumo

O roteamento robusto sob incerteza é fundamental para a logística do mundo real, mas a maioria dos benchmarks assume cenários estáticos e idealizados. Apresentamos o SVRPBench, o primeiro benchmark aberto a capturar dinâmicas estocásticas de alta fidelidade no roteamento de veículos em escala urbana. Abrangendo mais de 500 instâncias com até 1000 clientes, ele simula condições realistas de entrega: congestionamento dependente do tempo, atrasos log-normais, acidentes probabilísticos e janelas de tempo empiricamente fundamentadas para clientes residenciais e comerciais. Nossa pipeline gera cenários diversos e ricos em restrições, incluindo configurações multi-depósito e multi-veículo. A avaliação revela que solucionadores de última geração baseados em aprendizado por reforço, como POMO e AM, degradam-se em mais de 20% sob mudanças distribucionais, enquanto métodos clássicos e metaheurísticos permanecem robustos. Para permitir pesquisas reproduzíveis, disponibilizamos o conjunto de dados e a suíte de avaliação. O SVRPBench desafia a comunidade a projetar solucionadores que generalizem além de suposições sintéticas e se adaptem à incerteza do mundo real.

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.