SynthCharge：面向学习式优化与基准测试的电动车路径实例生成器
机器学习
2026-03-04 v1 人工智能
摘要
电动车路径问题（带时间窗的 EVRPTW）延续了经典 VRPTW，通过引入电池容量约束和充电站决策。现有基准数据集常为静态且缺乏可验证的可行性，这限制了学习式路由模型的可重复评估。我们引入 SynthCharge，一个参数化生成器，能够在不同时空配置和可扩展客户数量下生产具有可行性筛选的多样化 EVRPTW 实例。虽然 SynthCharge 当前可生成最高达 500 客户的大规模实例，但我们实验重点放在 5 至 100 客户规模。不同于静态基准套件，SynthCharge 将实例几何与自适应能源容量扩展及范围感知充电站布局相结合。为保证结构有效性，生成器通过快速可行性筛选过程系统性地过滤掉不可求解的实例。最终，SynthCharge 提供了评估新兴神经网络路由和数据驱动方法鲁棒性所需的动态基准设施。
引用
@article{arxiv.2603.03230,
title = {SynthCharge: An Electric Vehicle Routing Instance Generator with Feasibility Screening to Enable Learning-Based Optimization and Benchmarking},
author = {Mertcan Daysalilar and Fuat Uyguroglu and Gabriel Nicolosi and Adam Meyers},
journal= {arXiv preprint arXiv:2603.03230},
year = {2026}
}
备注
This work has been submitted to the IEEE for possible publication