SVRPBench: Реалистичный эталон для стохастической задачи маршрутизации транспортных средств

SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem

May 28, 2025

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

cs.AI

Аннотация

Надежная маршрутизация в условиях неопределенности является ключевым аспектом реальной логистики, однако большинство тестовых наборов предполагают статические, идеализированные условия. Мы представляем SVRPBench — первый открытый тестовый набор, который учитывает стохастическую динамику высокой точности в маршрутизации транспортных средств на городском уровне. Он охватывает более 500 примеров с числом клиентов до 1000, моделируя реалистичные условия доставки: зависящие от времени заторы, логнормальные задержки, вероятностные аварии и эмпирически обоснованные временные окна для жилых и коммерческих клиентов. Наш конвейер генерирует разнообразные сценарии с множеством ограничений, включая многодепотные и многотранспортные конфигурации. Тестирование показывает, что современные методы решения на основе обучения с подкреплением, такие как POMO и AM, теряют более 20% эффективности при сдвиге распределения, в то время как классические и метаэвристические методы остаются устойчивыми. Для обеспечения воспроизводимости исследований мы публикуем набор данных и инструменты для оценки. SVRPBench бросает вызов сообществу, предлагая разработать решения, которые обобщаются за пределы синтетических предположений и адаптируются к неопределенности реального мира.

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.