🤖 machine learning

Smart routes: a system for development and comparison of algorithms for solving vehicle routing problems with realistic constraints

Dit artikel introduceert het "Smart Routes"-platform voor het ontwikkelen en vergelijken van algoritmen om het Capacitated Vehicle Routing Problem with Time Windows op te lossen, waarbij wordt aangetoond dat deep learning en klassieke heuristische methoden resultaten benaderen die bijna optimaal zijn met aanzienlijk lagere computationele kosten vergeleken met exacte solvers zoals SCIP, vooral naarmate de probleemomvang toeneemt.

Oorspronkelijke auteurs: Andrew Soroka, German Mikhelson, Alexander Mescheryakov, Sergey Gerasimov

Gepubliceerd 2026-08-17

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Andrew Soroka, German Mikhelson, Alexander Mescheryakov, Sergey Gerasimov

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de kapitein bent van een bezorgvloot, belast met het afleveren van honderden pakketjes in een bruisende stad. Je hebt een kaart, een lijst met klanten en een strikte set regels: je vrachtwagens kunnen maar een bepaalde hoeveelheid gewicht dragen, en sommige klanten willen hun pakketjes alleen tussen 9:00 uur en 11:00 uur ontvangen. Je doel is simpel: iedereen bezoeken, de regels naleven en zo min mogelijk tijd en brandstof verbruiken. Dit is het "Vehicle Routing Problem", een klassieke puzzel die logistieke bedrijven en wiskundigen al decennia lang bezighoudt.

Jarenlang hebben wetenschappers geprobeerd dit op te lossen met twee hoofdinstrumenten. Het eerste is de "Perfecte Rekenmachine", een methode die probeert elke mogelijke route te controleren om de absoluut beste te vinden. Het is alsof je elke mogelijke gerecht in een enorm buffet probeert te proeven om het ene perfecte hapje te vinden. Het werkt geweldig voor kleine maaltijden, maar als het buffet te groot wordt, zul je voor eeuwig honger blijven voordat je klaar bent. Het tweede instrument is de "Slimme Gok", of heuristiek. Dit is als een ervaren chef-kok die de keuken goed kent; hij controleert niet elk gerecht, maar gebruikt ervaring en slimme trucjes om heel snel een heerlijke maaltijd te vinden. Onlangs is er een nieuwe uitdager in de ring gekomen: "Deep Learning". Denk aan dit als een robotchef die duizenden video's van het koken bekijkt, patronen leert en dan probeert de beste route direct te raden, waarbij hij steeds beter wordt naarmate hij meer oefent.

Dit artikel, getiteld "Smart Routes", is een head-to-head toernooi tussen deze drie chefs. De auteurs hebben een nieuwe digitale speeltuin gebouwd genaamd "Smart Routes" om hen eerlijk te testen. Ze keken niet alleen naar kleine, gemakkelijke puzzels; ze testten de algoritmen op problemen met 50 en 100 stops, wat gelijk staat aan de overgang van een kleine buurt naar een hele stad. Ze wilden zien wie de snelste route kon vinden zonder de regels van het spel te breken.

De Grote Race: Perfect versus Snel versus Slim

De onderzoekers zetten een race op met hun nieuwe "Smart Routes"-platform. Dit platform is als een universele testgrond waar je elk algoritme kunt insteken — of het nu een klassieke wiskundige truc, een krachtige computeroplosser of een lerende robot is — en het vervolgens kunt zien draaien. Ze testten drie hoofdtypen concurrenten:

De Exacte Solver (SCIP): De "Perfecte Rekenmachine" die de best mogelijke oplossing belooft, maar er lang over doet.
De Klassieke Heuristieken (LKH, 2-OPT, 3-OPT, OR-Tools): De "Slimme Gokkers" die slimme afkortingen gebruiken om snel goede antwoorden te vinden.
Het Deep Learning Model (JAMPR): De "Robotchef" die getraind is om patronen te leren en snel kwalitatief hoogwaardige gokken te doen.

Ze lieten deze concurrenten racen op twee soorten uitdagingen: een kleinere stad met 50 bezorgstops en een grotere stad met 100 stops. Ze gaven de "Perfecte Rekenmachine" een enorme voorsprong in tijd (1.000 seconden voor de kleine stad en 2.000 seconden voor de grote een) omdat deze er diep over moet nadenken. De anderen kregen veel minder tijd (respectievelijk 100 en 200 seconden).

De Resultaten: Snelheid Wint, maar Grootte Doet Er Toe

De 50-Stop Uitdaging (De Kleine Stad)
In de kleinere stad was de race verrassend spannend. De "Perfecte Rekenmachine" (SCIP) vond uiteindelijk de absoluut beste route, maar het duurde lang om daar te komen. Ondertussen vonden de "Slimme Gokkers" en de "Robotchef" routes die bijna net zo goed waren — slechts ongeveer 5% slechter dan de perfecte route — maar ze deden dit in een fractie van de tijd.

De Les: Voor kleinere problemen hoef je niet te wachten op het perfecte antwoord. De snelle methoden zijn zo dicht bij het beste dat ze een veel betere deal zijn, omdat ze je uren wachten besparen.

De 100-Stop Uitdaging (De Grote Stad)
Toen de stad in omvang verdubbelde naar 100 stops, veranderden de regels van het spel drastisch. De "Perfecte Rekenmachine" begon te worstelen. Het duurde ongeveer 13 keer langer om zelfs maar de eerste geldige route te vinden vergeleken met de andere methoden. Nog erger was dat tegen de tijd dat het eindelijk een route had gevonden, die route ongeveer 50% duurder (langer en langzamer) was dan de routes die de "Robotchef" en de "Slimme Gokkers" direct vonden.

De Les: Naarmate de stad groter wordt, wordt de "Perfecte Rekenmachine" te traag om nuttig te zijn. Het besteedt zoveel tijd aan zoeken dat het niet eens een goede oplossing kan vinden binnen de tijd. De "Robotchef" (JAMPR) en de geavanceerde "Slimme Gokkers" (zoals OR-Tools) bleven snel en vonden routes van hoge kwaliteit, wat bewees dat voor grote problemen snelheid en slimme gokken het winnen van het zoeken naar perfectie.

Het Verdict

Het artikel concludeert dat hoewel de "Perfecte Rekenmachine" geweldig is voor kleine puzzels, hij tegen een muur aanloopt wanneer het probleem te groot wordt. Het "Smart Routes"-platform heeft aangetoond dat voor realistische, grootschalige bezorgproblemen (zoals 100 stops), vertrouwen op exacte, perfecte oplossingen vaak een slecht idee is, omdat ze te lang duren en zelfs geen geweldig resultaat garanderen binnen een redelijke tijd.

In plaats daarvan suggereren de auteurs dat een combinatie van klassieke heuristieken (de ervaren afkortingen) en deep learning (de getrainde robot) de winnende strategie is. Deze methoden kunnen routes vinden die bijna net zo goed zijn als de perfecte routes, maar doen dit zo snel dat ze daadwerkelijk bruikbaar zijn voor de echte wereldlogistiek. Het "Smart Routes"-systeem zelf wordt benadrukt als een waardevol hulpmiddel omdat het iedereen in staat stelt om deze verschillende methoden eenvoudig te testen, de routes op een kaart te visualiseren en zelfs eigen nieuwe ideeën toe te voegen zonder het hele systeem opnieuw te hoeven bouwen.

Kortom, als je pakketjes probeert te bezorgen in een groeiende stad, wacht dan niet op het perfecte plan. Gebruik de slimme, snelle tools die leren van ervaring, want in de echte wereld is een goede route die nú gevonden wordt, beter dan een perfecte route die pas volgende week gevonden wordt.

Technische Samenvatting: Smart Routes – Een systeem voor de ontwikkeling en vergelijking van algoritmen voor het oplossen van voertuigrouteproblemen met realistische beperkingen

Probleemstelling
Het artikel behandelt het Capacitated Vehicle Routing Problem with Time Windows (CVRPTW), een cruciale uitdaging in transportlogistiek die betrekking heeft op de optimalisatie van routes voor een vloot voertuigen om klanten te bedienen met specifieke capaciteitslimieten en leveringstijdvensters. De auteurs benadrukken dat hoewel exacte wiskundige benaderingen theoretisch optimale oplossingen opleveren, hun toepassing ernstig wordt beperkt door exponentiële complexiteit naarmate de probleemdimensies toenemen. Bijgevolg is er een behoefte aan een balans tussen de kwaliteit van de oplossing en de zoektijd, met name voor realistische scenario's die te maken hebben met groeiende stedelijke populaties en complexe beperkingen. Bovendien identificeren de auteurs een gebrek aan verenigde platforms die onderzoekers in staat stellen om diverse algoritmische benaderingen (exact, heuristiek en deep learning) naadloos te integreren, te vergelijken en te visualiseren zonder de systeemarchitectuur te wijzigen.

Methodologie
De studie maakt gebruik van een vergelijkende analyse van drie verschillende klassen algoritmen toegepast op CVRPTW-instanties:

Exacte methoden: De auteurs maken gebruik van de SCIP-optimalisatiesuite, die Branch&Bound, Cutting Plane en Branch&Cut algoritmen gebruikt om optimale oplossingen te vinden.
Klassieke heuristieken: De studie evalueert constructieve en metaheuristische benaderingen, specifiek de Lin-Kernighan (LKH) heuristiek, 2-OPT en 3-OPT lokale zoekmethoden, evenals het Google OR-Tools framework.
Deep Reinforcement Learning (DRL): De auteurs maken gebruik van een aangepaste versie van het JAMPR (Joint Attention Model for Pickup and Delivery with Time Windows) model. Deze architectuur past het Attention Model (AM) aan door trainbare matrices ( $M+$ ) toe te voegen aan de decoderoutput om specifieke beperkingen af te handelen. Het model behandelt routeconstructie als een sequentieel besluitvormingsproces (Markov Decision Process), waarbij de status de huidige route en niet-bezochte knopen omvat, en acties het selecteren van de volgende knoop inhouden.

Om deze vergelijkingen te faciliteren, hebben de auteurs Smart Routes ontwikkeld, een eigen softwareplatform. Dit systeem beschikt over:

Modulaire Architectuur: Bestaande uit een Dataset-module (voor datageneratie en -laden), een Algoritme-module (voor training en evaluatie van gebruikersgedefinieerde of ingebouwde modellen) en een Solution-module (voor het genereren van metrieken en visualisatie).
Uitbreidbaarheid: Gebruikers kunnen aangepaste algoritmen integreren door af te stammen van basisklassen, wat het testen van nieuwe ideeën mogelijk maakt zonder de kern van het systeem te wijzigen.
Visualisatie: Het platform biedt interactieve webinterfaces om routes te visualiseren en prestatiegrafieken te genereren die de routekosten over de tijd vergelijken.

Experimentele Opstelling
Experimenten werden uitgevoerd op kunstmatige datasets gegenereerd op basis van de Solomon R201 benchmark set, met een focus op probleemgroottes van 50 en 100 knopen.

Beperkingen: Het probleem werd opgelost in "soft" instellingen, waarbij het overslaan van niet-bezochte klanten met een boetekost is toegestaan.
Hardware: Tests werden gedraaid op een server uitgerust met een NVIDIA Tesla A40 GPU en een Intel Xeon Gold CPU.
Tijdslimieten: Heuristische en DRL-methoden kregen 100s (voor 50 knopen) en 200s (voor 100 knopen). Exacte methoden (SCIP) kregen aanzienlijk meer tijd toegewezen (respectievelijk 1000s en 2000s) om te proberen optimale oplossingen te vinden.

Belangrijkste Resultaten
De vergelijkende analyse leverde de volgende bevindingen op:

50-knopen instanties: Zowel klassieke heuristieken (LKH, OR-Tools) als het deep reinforcement model (JAMPR) produceerden snel suboptimale oplossingen. Binnen de eerste 10 seconden was de kwaliteit van de oplossing van SCIP inferieur aan deze methoden. Hoewel SCIP deze na ongeveer 100 seconden uiteindelijk overtrof, bleef de uiteindelijke kloof tussen het DRL-model en de exacte oplossing minder dan 5%.
100-knopen instanties: De beperkingen van exacte methoden werden duidelijk merkbaar. SCIP had ongeveer 13 keer langer nodig dan heuristische en DRL-methoden om dezelfde routekosten te bereiken. Bovendien slaagde SCIP er binnen de toegewezen tijd niet in om een optimale oplossing te vinden, en was de eerste haalbare oplossing ongeveer 50% kostbaarder dan de oplossingen geleverd door OR-Tools en JAMPR.
Schaalbaarheid: Naarmate de probleemdimensionaliteit verdubbelde, nam de tijd die SCIP nodig had om een oplossing te vinden met ongeveer 14 keer toe, terwijl de prestaties van heuristische en neurale benaderingen relatief stabiel bleven, wat suggereert dat exacte methoden onhaalbaar worden voor problemen van 100 knopen of groter.

Betekenis en Claims
Het artikel claimt twee primaire bijdragen:

Het Smart Routes Platform: Een verenigde, uitbreidbare omgeving die exacte, heuristische en deep learning benaderingen voor VRP integreert. De auteurs stellen dat dit systeem een aanzienlijk voordeel biedt ten opzichte van bestaande frameworks (zoals OR-Tools, Guroത് en SCIP) door deep reinforcement learning te ondersteunen, ingebouwde visualisatie te bieden en eenvoudige integratie van aangepaste algoritmen mogelijk te maken.
Empirische Validatie van Benaderingen: De studie biedt een uitgebreide vergelijking die aantoont dat voor problemen van gemiddelde omvang (50 knopen), klassieke heuristieken en deep reinforcement learning een superieure afweging bieden tussen de kwaliteit van de oplossing en de rekentijd vergeleken met exacte solvers. Voor grotere instanties (100 knopen) concludeert het artikel dat exacte methoden in de praktijk onhaalbaar zijn vanwege de exponentiële tijdsgroei, terwijl deep reinforcement learning en geavanceerde heuristieken snelle, hoogwaardige suboptimale oplossingen bieden.

De auteurs positioneren hun werk als een stap naar een efficiëntere routeoptimalisatie in het licht van wereldwijde stedelijke groei, waarbij zij benadrukken dat hun platform de snelle test en vergelijking van nieuwe algoritmische ideeën in de logistiek faciliteert.

De Grote Race: Perfect versus Snel versus Slim

De Resultaten: Snelheid Wint, maar Grootte Doet Er Toe

Het Verdict

Technische Samenvatting: Smart Routes – Een systeem voor de ontwikkeling en vergelijking van algoritmen voor het oplossen van voertuigrouteproblemen met realistische beperkingen

Meer zoals dit