[논문 리뷰] A reliability-aware randomized simheuristic for the team orienteering problem with stochastic travel times

Michele Circelli|arXiv (Cornell University)|2026. 03. 21.

Vehicle Routing Optimization Methods인용 수 0

한 줄 요약

이 논문은 모든-또는-없음 보상에 대한 확률적 Team Orienteering Problem에 대해 절약 기반 구성, 제어된 무작위화, 로컬 탐색, 몬테카를로 평가를 통합하여 기대 보상과 경로 신뢰성을 최적화하는 신뢰성 인식 시뮬heuristic를 제안한다.

ABSTRACT

We study a stochastic variant of the Team Orienteering Problem (TOP) with uncertain travel times and an all-or-nothing reward policy, under which the reward of a route is lost if its travel time exceeds the available budget. This setting makes the trade-off between expected reward and route reliability a central issue in solution design. To address this problem, we propose a reliability-aware simheuristic that combines a savings-based constructive heuristic, controlled randomization, local search, and Monte Carlo simulation. The method evaluates candidate solutions directly under uncertainty and selects them using both estimated expected reward and a reliability criterion, rather than relying on deterministic optimization followed by ex-post stochastic evaluation. Computational experiments on benchmark instances adapted from the TOP literature show that the proposed approach substantially improves stochastic performance with respect to a deterministic baseline evaluated under uncertainty. In most instances, the simheuristic increases both expected reward and reliability, and in the loosest regimes reliability can approach 0.99 while keeping computation times moderate.

연구 동기 및 목표

• 여행 시간 불확실성이 모든-또는-없음 보상으로 주어지는 TOP에 미치는 영향.
• 불확실성 하에서 기대 보상과 경로 신뢰성을 모두 최적화하는 신뢰성 인식 탐색 프레임워크를 개발한다.
• 로그노말 이동 시간을 갖는 확률적 TOP을 평가하고 성능을 결정론적 기준선과 비교한다.
• 사후 평가가 아닌 탐색 과정에 확률적 평가를 직접 통합한다.

제안 방법

• 제어된 무작위화를 강화한 절약 기반 구성 휴리스틱을 사용하여 초기 경로를 구성한다.
• 경로 개선을 위해 경로 내부 2-opt 및 그리디 재삽입을 적용하고 그 뒤에 대체(move)들을 수행하여 경로를 개선한다.
• 각 단계에서 Top-L_top 무작위화를 도입하여 다양한 후보 해를 생성한다.
• 공통 이동 시간 시나리오 집합을 사용한 몬테카를로 시뮬레이션으로 후보를 평가하여 기대 보상과 신뢰성을 추정한다.
• 경로 수준의 성공 확률을 계산하고 신뢰도 임계값 beta를 충족하는 해를 선택하여 가능한 집합 내에서 추정 보상을 최대화한다.

실험 결과

연구 질문

• RQ1 여행 시간 불확실성이 ALL-OR-NOTHING 보상을 갖는 TOP의 해의 품질과 신뢰성에 어떤 영향을 미치는가?
• RQ2 신뢰성 인식 시뮬heuristic이 불확실성 하에 평가된 결정론적 기준선과 비교해 기대 보상과 신뢰성 모두를 향상시킬 수 있는가?
• RQ3 탐색 과정에 몬테카를로 평가를 직접 통합하는 것이 해의 견고성에 어떤 영향을 미치는가?
• RQ4 제안된 프레임워크가 불확실성 하에서 탐색(무작위화)과 활용(로컬 탐색)의 균형을 어떻게 맞추는가?

주요 결과

• 시뮬heuristic은 불확실성 하에서 평가된 결정론적 기준선에 비해 확률적 성능을 크게 향상시킨다.
• 대부분의 경우 이 방법은 기대 보상과 신뢰성 모두를 증가시킨다.
• 가장 느슨한 제어 하에서 추정된 신뢰성은 0.99에 근접하면서도 중간 수준의 계산 시간이 유지된다.