[论文解读] Introduction to The Dynamic Pickup and Delivery Problem Benchmark -- ICAPS 2021 Competition

Jianye Hao, Jiawen Lu+5 more|arXiv (Cornell University)|Jan 19, 2022

Advanced Manufacturing and Logistics Optimization被引用 5

一句话总结

本文基于华为工业物流运营的实际数据，提出了一套面向现实场景的动态取送货问题（DPDP）基准测试与仿真系统。该系统支持动态订单到达、车辆路径规划与实时调度，通过ICAPS 2021竞赛对152支队伍的算法进行了评估；其核心贡献是提供一个公开可用、基于工业实践的测试平台，以推动物流领域实际优化技术的发展。

ABSTRACT

The Dynamic Pickup and Delivery Problem (DPDP) is an essential problem within the logistics domain. So far, research on this problem has mainly focused on using artificial data which fails to reflect the complexity of real-world problems. In this draft, we would like to introduce a new benchmark from real business scenarios as well as a simulator supporting the dynamic evaluation. The benchmark and simulator have been published and successfully supported the ICAPS 2021 Dynamic Pickup and Delivery Problem competition participated by 152 teams.

研究动机与目标

• 为弥补现有DPDP研究在现实应用中的不足，提供源自实际工业物流运营的基准测试集。
• 开发一个动态仿真系统，支持在订单动态到达与车辆约束条件下，对调度算法进行实时评估。
• 在复杂工业场景中，实现对动态车辆路径规划与订单调度优化算法的严格、标准化基准测试。
• 通过组织配备完整工具链（包括数据集、仿真器与评估平台）的竞赛，推动动态物流领域的研究。
• 通过长期公开发布基准与仿真系统，促进可泛化、可扩展的工业规模DPDP优化算法的发展。

提出的方法

• 基准测试基于华为制造物流系统中真实采集的30天数据构建，每日包含2000至5000宗订单及100至200辆车辆。
• 仿真系统将时间划分为离散时间区间（例如每10分钟一个区间），在每个时间区间内动态注入订单，并向算法提供实时反馈。
• 车辆为同质化，具有固定容量与司机工作班次；装卸作业受泊位可用性与运营时间限制。
• 系统建模了运输时间、行驶距离、泊位接近时间与排队时间，订单需在承诺的完成时限内送达。
• 算法在每个时间区间接收环境状态，并返回车辆分配与路径方案，由仿真系统执行并评估。
• 评估采用复合目标函数：最小化订单超时与平均车辆行驶距离，对未按时完成的订单与低效路径施加惩罚。

实验结果

研究问题

• RQ1 如何构建一个真实、源自工业场景的DPDP基准测试，以准确反映现实物流系统的复杂性？
• RQ2 在可扩展的工业环境中，具备实时反馈的动态仿真系统在支持多样化优化算法评估与比较方面，其有效性与适用范围如何？
• RQ3 在存在时间与容量约束的大规模动态车辆路径问题中，启发式方法、组合优化方法与学习驱动方法的性能特征是什么？
• RQ4 在本基准上开发的算法解决方案，在不同运行场景与订单到达模式下，其泛化能力如何？
• RQ5 领域特定的启发式策略（如阈值检查、路径交换、搭便车策略等）在工业DPDP场景中实现高性能的关键作用是什么？

主要发现

• ICAPS 2021 DPDP竞赛吸引了843名参与者与152支队伍，显示出全球对动态物流优化的浓厚兴趣。
• 表现最佳的队伍主要采用启发式方法，如可变邻域搜索与基于阈值的调度策略，表明其在真实工业场景中具有显著的实用性。
• 冠军队伍通过在不同车辆路径间迭代交换节点并重新排序路径内任务，优化了负载均衡，显著降低了行驶时间。
• 亚军队伍采用基于阈值的策略，依据交付紧急程度与车辆容量优先分配订单，并引入‘搭便车’等策略以减少空驶时间。
• 另一支亚军队伍通过将泊位时间纳入目标函数，并采用基于紧急程度的调度规则，有效降低了时间相关惩罚。
• 尽管启发式方法表现优异，但结果也凸显了泛化能力的挑战：针对特定场景设计的策略在迁移至不同环境时往往失效，凸显了对更稳健、可迁移算法的迫切需求。