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

• arxiv url: http://arxiv.org/abs/2603.03230v1
• Date: Tue, 03 Mar 2026 18:23:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.923413
• Title: SynthCharge: An Electric Vehicle Routing Instance Generator with Feasibility Screening to Enable Learning-Based Optimization and Benchmarking
• Title（参考訳）: SynthCharge: 学習ベース最適化とベンチマークを可能にするフェーザビリティスクリーニングを備えた電気自動車ルーティングインスタンスジェネレータ
• Authors: Mertcan Daysalilar, Fuat Uyguroglu, Gabriel Nicolosi, Adam Meyers,
• Abstract要約: 既存のベンチマークデータセットは、しばしば静的であり、実現不可能である。 本稿では,多様な画面表示可能なEVRPTWインスタンスを生成するパラメトリックジェネレータであるSynthChargeを紹介する。 実験は5から100の顧客のサイズに重点を置いています。
• 参考スコア（独自算出の注目度）: 0.4666493857924357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 時間窓付き電気自動車ルーティング問題(EVRPTW)は、バッテリー容量の制約と充電ステーションの決定を導入することで、従来のVRPTWを拡張している。 既存のベンチマークデータセットは、しばしば静的であり、学習ベースのルーティングモデルの再現可能な評価を制限する、検証可能な実現性に欠ける。 本稿では,多様な時空間構成とスケーラブルな顧客数にまたがる多様なEVRPTWインスタンスを生成するパラメトリックジェネレータであるSynthChargeを紹介する。 SynthChargeは現在最大500の大規模インスタンスを生成可能ですが、実験では5から100の顧客を対象にしています。 静的ベンチマークスイートとは異なり、SynthChargeはインスタンス幾何学と適応エネルギー容量スケーリングとレンジ対応充電ステーション配置を統合している。 構造的妥当性を保証するために、ジェネレータは、高速な実行可能性スクリーニングプロセスを通じて、解決不可能なインスタンスを体系的にフィルタリングする。 結局のところ、SynthChargeは、出現するニューラルルーティングとデータ駆動アプローチの堅牢性を体系的に評価するために必要な動的ベンチマークインフラストラクチャを提供する。

関連論文リスト

• A Curriculum-Based Deep Reinforcement Learning Framework for the Electric Vehicle Routing Problem [0.4666493857924357]
  EVRPTW(Electric Vehicle routing problem with Time Window)は、持続可能なロジスティクスにおいて複雑な最適化問題である。 この不安定性を解決するために,カリキュラムベースの深層強化学習(CB-DRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-21T14:42:33Z)
• Towards a Self-Driving Trigger at the LHC: Adaptive Response in Real Time [8.632121079404772]
  リアルタイムデータフィルタリングと選択は、非常に高速なデータストリームを処理する必要があります。 これらのシステムは、通常、選択基準の静的で手書きのメニューとして設計されている。 我々は、リソースを再配置し、リアルタイムに閾値を動的に調整する自動運転トリガーの概念を探求する。
  論文  参考訳（メタデータ） (2026-01-13T19:00:02Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• SVRPBench: A Realistic Benchmark for Stochastic Vehicle Routing Problem [0.6366341957581226]
  SVRPBenchは、都市部における車両ルーティングにおける高忠実度静的ダイナミクスをキャプチャする最初のオープンベンチマークである。 現実的な配送条件をシミュレートする: 時間依存の混雑、ログの正常な遅延、確率的事故、住宅および商業顧客のための実験的に根拠付けられた時間窓。
  論文  参考訳（メタデータ） (2025-05-28T02:03:31Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Fast Approximate Solutions using Reinforcement Learning for Dynamic Capacitated Vehicle Routing with Time Windows [3.5232085374661284]
  本稿では, CVRP-TWDR (Capacitated Vehicle Routing with Time Windows and Dynamic Routing) の一般クラスに対する, 本質的に並列化, 高速, 近似学習に基づくソリューションを開発する。 艦隊内の車両を分散エージェントとして考えると、強化学習(RL)ベースの適応は動的環境におけるリアルタイムルート形成の鍵となると仮定する。
  論文  参考訳（メタデータ） (2021-02-24T06:30:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。