[论文解读] A reliability-aware randomized simheuristic for the team orienteering problem with stochastic travel times

Michele Circelli|arXiv (Cornell University)|Mar 21, 2026

Vehicle Routing Optimization Methods被引用 0

一句话总结

本文提出了一种考虑可靠性的随机启发式模拟算法，用于带有全要么全损奖励的随机团体定向问题，整合了基于节省的构造、受控随机化、局部搜索和蒙特卡洛评估，以同时优化期望奖励和路线可靠性。

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.

研究动机与目标

• 解决旅行时间不确定性对带有全要么全损奖励的团队定向问题的影响。
• 开发一个考虑可靠性的搜索框架，在不确定性下同时优化期望奖励和路线可靠性。
• 评估带对数正态旅行时间的随机 TOP，并将性能与确定性基线进行比较。
• 将随机评估直接纳入搜索过程，而非事后评估。

提出的方法

• 使用基于节省的构造启发式，结合受控随机化以构建初始路线。
• 在路线内应用2-opt和贪心重插入，随后进行替换移动以改进路线。
• 在每个阶段引入 Top-L_top 随机化，以生成多样化的候选解。
• 在具有共同旅行时延场景的蒙特卡洛模拟下评估候选解，以估计期望奖励和可靠性。
• 计算路线层面的成功概率，并选择满足可靠性阈值 beta 的解，在可行集合中最大化估计奖励。

实验结果

研究问题

• RQ1 旅行时间不确定性如何影响带有全要么全损奖励的 TOP 的解的质量和可靠性？
• RQ2 在不确定性条件下评估的确定性基线上，可靠性感知的模拟启发式是否能同时提升期望奖励和可靠性？
• RQ3 将蒙特卡洛评估直接整合入搜索过程对解鲁棒性有何影响？
• RQ4 在不确定性下 proposed 框架如何在探索（随机化）与开发（局部搜索）之间取得平衡？

主要发现

• 该模拟启发式在带不确定性的情况下相对于在不确定性下评估的确定性基线显著提升了随机性能。
• 在大多数实例中，该方法同时提高了期望奖励和可靠性。
• 在最宽松的情形下，估计的可靠性接近 0.99，同时计算时间保持中等水平。