SynthCharge: An Electric Vehicle Routing Instance Generator with Feasibility Screening to Enable Learning-Based Optimization and Benchmarking

📄 arXiv: 2603.03230v1 📥 PDF

作者: Mertcan Daysalilar, Fuat Uyguroglu, Gabriel Nicolosi, Adam Meyers

分类: cs.LG, cs.AI

发布日期: 2026-03-03

备注: This work has been submitted to the IEEE for possible publication

💡 一句话要点

SynthCharge：一种电动汽车路径规划实例生成器，支持学习优化与基准测试。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 电动汽车路径规划 EVRPTW 实例生成器 可行性筛选 学习优化

📋 核心要点

  1. 现有EVRPTW基准数据集静态且缺乏可行性验证，阻碍了学习模型的有效评估和可复现性。
  2. SynthCharge通过参数化生成、自适应能量缩放和范围感知充电站放置，创建多样且可行的EVRPTW实例。
  3. SynthCharge集成了快速可行性筛选，确保生成的实例具有可解性，从而支持鲁棒的基准测试。

📝 摘要（中文）

电动汽车带时间窗路径规划问题（EVRPTW）通过引入电池容量约束和充电站决策，扩展了经典的VRPTW。现有的基准数据集通常是静态的，并且缺乏可验证的可行性，这限制了基于学习的路径规划模型的可复现评估。我们介绍了SynthCharge，一个参数化的生成器，可以在不同的时空配置和可扩展的客户数量中生成多样化的、经过可行性筛选的EVRPTW实例。虽然SynthCharge目前可以生成多达500个客户的大规模实例，但我们的实验主要集中在5到100个客户的规模上。与静态基准套件不同，SynthCharge将实例几何形状与自适应能量容量缩放和范围感知充电站放置相结合。为了保证结构有效性，生成器通过快速可行性筛选过程系统地过滤掉无法解决的实例。最终，SynthCharge提供了动态基准测试基础设施，可以系统地评估新兴神经路径规划和数据驱动方法的鲁棒性。

🔬 方法详解

问题定义：论文旨在解决电动汽车路径规划问题（EVRPTW）中现有基准数据集的不足。现有数据集通常是静态的，缺乏多样性，并且最关键的是，它们的可行性没有得到充分验证。这意味着使用这些数据集训练和评估的学习模型可能无法在实际场景中有效工作，并且不同研究之间的结果难以比较。

核心思路：论文的核心思路是设计一个参数化的实例生成器，SynthCharge，它可以根据用户指定的参数（如客户数量、时空配置等）生成多样化的EVRPTW实例。同时，SynthCharge集成了可行性筛选机制，确保生成的实例是可解的，从而为学习模型的训练和评估提供可靠的基础。

技术框架：SynthCharge的整体框架包括以下几个主要模块：1) 参数化实例生成：根据用户指定的参数生成EVRPTW实例的几何布局和需求信息。2) 自适应能量容量缩放：根据实例的几何特征和客户需求，自适应地调整电动汽车的电池容量。3) 范围感知充电站放置：根据电动汽车的续航里程和客户分布，合理地放置充电站。4) 可行性筛选：使用快速的启发式算法筛选掉无法解决的实例。

关键创新：SynthCharge的关键创新在于其动态生成和可行性筛选机制。与静态基准数据集不同，SynthCharge可以生成各种规模和配置的EVRPTW实例，从而更好地模拟实际场景。可行性筛选机制确保了生成的实例是可解的，避免了在不可解的实例上浪费计算资源。

关键设计：SynthCharge的关键设计包括：1) 参数化实例生成器的参数选择，需要仔细考虑不同参数对实例复杂度和难度的影响。2) 自适应能量容量缩放的策略，需要平衡电池容量和车辆续航里程之间的关系。3) 范围感知充电站放置的算法，需要考虑充电站的覆盖范围和客户的需求。4) 可行性筛选算法的选择，需要在筛选速度和准确性之间进行权衡。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

SynthCharge能够生成高达500个客户的大规模EVRPTW实例，实验主要集中在5到100个客户的规模。与静态基准数据集相比，SynthCharge生成的实例具有更高的多样性和可验证的可行性，为学习模型的评估提供了更可靠的基础。

🎯 应用场景

SynthCharge可用于评估和比较各种EVRPTW求解算法，特别是基于学习的优化方法。它能够帮助研究人员开发更鲁棒、更高效的电动汽车路径规划解决方案，从而促进电动汽车在物流、配送等领域的广泛应用，并减少碳排放。

📄 摘要（原文）

The electric vehicle routing problem with time windows (EVRPTW) extends the classical VRPTW by introducing battery capacity constraints and charging station decisions. Existing benchmark datasets are often static and lack verifiable feasibility, which restricts reproducible evaluation of learning-based routing models. We introduce SynthCharge, a parametric generator that produces diverse, feasibility-screened EVRPTW instances across varying spatiotemporal configurations and scalable customer counts. While SynthCharge can currently generate large-scale instances of up to 500 customers, we focus our experiments on sizes ranging from 5 to 100 customers. Unlike static benchmark suites, SynthCharge integrates instance geometry with adaptive energy capacity scaling and range-aware charging station placement. To guarantee structural validity, the generator systematically filters out unsolvable instances through a fast feasibility screening process. Ultimately, SynthCharge provides the dynamic benchmarking infrastructure needed to systematically evaluate the robustness of emerging neural routing and data-driven approaches.