⏶14
SVRPBench：一个用于随机车辆路径问题的真实基准测试
发表
由 
Ahmed Heakl 提交
Ahmed Heakl 提交作者: Ahmed Heakl, Yahia Salaheldin Shaaban, Martin Takac, Salem Lahlou, Zangir Iklassov
Ahmed Heakl, Yahia Salaheldin Shaaban, Martin Takac, Salem Lahlou, Zangir Iklassov摘要
在不确定性下进行鲁棒路由是现实世界物流的核心，然而大多数基准假设的是静态的、理想化的设置。我们提出了 SVRPBench，这是第一个开放式基准，用于捕捉城市规模车辆路径问题中高保真随机动态。它包含 500 多个实例，最多 1000 个客户，模拟了现实的配送条件：时间依赖的拥堵、对数正态延迟、概率性事故以及基于经验的住宅和商业客户时间窗。我们的流程生成了多样化、约束丰富的场景，包括多仓库和多车辆设置。基准测试显示，像 POMO 和 AM 这样的最先进强化学习求解器在分布偏移下性能下降超过 20%，而经典和元启发式方法则保持鲁棒。为了实现可复现的研究，我们发布了数据集和评估套件。SVRPBench 挑战社区设计能够泛化超越合成假设并适应现实世界不确定性的求解器。
在不确定性下的鲁棒路径规划是现实世界物流的核心，然而大多数基准都假设静态、理想化的设置。我们提出了 SVRPBench，这是第一个捕获城市规模车辆路径规划中高保真随机动态的开放基准。它包含 500 多个实例，客户数量最多可达 1000 个，模拟了真实的配送条件：随时间变化的拥堵、对数正态延迟、概率性事故，以及基于经验的住宅和商业客户时间窗。我们的管道生成多样化、约束丰富的场景，包括多仓库和多车辆设置。基准测试显示，像 POMO 和 AM 这样的先进强化学习求解器在分布偏移下性能下降超过 20%，而经典方法和元启发式方法则保持鲁棒。为了实现可重复研究，我们发布了数据集和评估套件。SVRPBench 挑战社区设计能够超越合成假设并适应现实世界不确定性的求解器。