从TSP到VRP：运筹学经典问题数据集全攻略（2023最新版）
最近和几位在物流科技公司和自动驾驶领域做算法的朋友聊天，大家不约而同地提到了一个痛点：算法模型搭得再漂亮，没有高质量、对路子的数据来“喂养”和验证，一切就都成了纸上谈兵。这种感觉，就像一位顶级大厨面对一堆不新鲜的食材，纵有十八般武艺也难以施展。在运筹学（Operations Research, OR）这个致力于用数学方法解决现实世界复杂决策问题的领域，这种“巧妇难为无米之炊”的困境尤为明显。与数据科学、机器学习领域动辄Kaggle竞赛、海量开源数据集的繁荣景象相比，运筹学的数据生态显得相对沉寂和分散。然而，这并不意味着我们无路可走。恰恰相反，正是这种现状，要求我们这些一线的工程师、研究者必须更懂数据，更善于从有限的资源中挖掘出最大的价值。本文旨在为你梳理一份2023年视角下的运筹学经典问题数据集全景地图，重点聚焦于旅行商问题（TSP）、车辆路径规划（VRP）等核心挑战。我们将不仅告诉你“数据在哪里”，更会深入探讨如何根据你的具体问题选择最合适的数据集，如何进行关键的数据预处理，以及如何将这些数据应用到真实的算法开发与评估流程中。无论你是正在为毕业设计寻找标准测试案例的学生，还是需要验证新算法性能的工业界工程师，这份攻略都希望能成为你手边一份实用的工具指南。
1. 理解运筹学数据集的独特价值与挑战
在深入具体数据集之前，我们有必要先厘清运筹学数据集与通用机器学习数据集的核心区别。这决定了我们使用数据的思路和方法。
机器学习数据集（如图像分类中的ImageNet）的核心目标是提供大量标注样本，用于训练模型学习从输入到输出的复杂映射关系，其价值在于“量”和“多样性”。而运筹学数据集，特别是针对组合优化问题的数据集，其核心价值往往在于“质”和“结构”。一个典型的TSP或VRP数据集，包含的并不是成千上万个独立的“样本”，而是一个或若干个定义了完整问题实例的文件。这个文件精确描述了城市的坐标、客户的需求、车辆容量、时间窗口等所有约束条件。算法的任务是在这个单一但高度结构化的实例上，寻找最优或近似最优的解决方案。
这种差异带来了几个关键挑战：
- 标准化程度不一：像TSPLIB这样的经典库已成为全球标准，但许多其他问题（如带复杂约束的VRP变种）的数据格式五花八门，需要大量的解析和清洗工作。
- 与现实世界的鸿沟：许多学术数据集是高度抽象或随机生成的，虽然便于算法比较，但可能与真实物流、调度场景中的复杂性和噪声相去甚远。
- 评估标准复杂：评估一个优化算法的性能，不仅要看它找到的解的目标函数值（如总行驶距离），还要考虑计算时间、解的稳定性、对参数变化的鲁棒性等。
因此，面对一个数据集，我们首先要问的不是“它有多大”，而是：
注意：选择数据集的首要原则是问题匹配度，而非数据规模。一个与你的研究问题或业务场景约束条件高度契合的中等规模数据集，远比一个庞大但无关的数据集有价值。
下表对比了不同类型数据集的核心关注点：
| 特性维度 | 经典学术基准数据集 (如TSPLIB) | 行业/竞赛数据集 (如CVRPLIB扩展) | 自行生成的合成数据 |
|---|---|---|---|
| 主要目的 | 算法理论性能比较、基准测试 | 模拟现实场景、驱动算法创新 | 填补数据空白、进行敏感性分析 |
| 优点 | 格式标准、结果可复现、有已知最优解或最好已知解 | 包含现实约束（时间窗、异构车队等）、场景丰富 | 完全可控、可针对特定研究问题定制、无限生成 |
| 缺点 | 可能过于理想化、缺乏现实噪声 | 获取门槛可能较高、格式不统一 | 可能无法反映真实数据分布、需要验证其合理性 |
| 适用阶段 | 算法原型开发、基础性能测试 | 算法实战能力验证、参加学术/工业竞赛 | 探索性研究、参数调优、压力测试 |
理解了这些底层逻辑，我们在后续寻找和使用数据时，思路就会清晰得多——我们不是在寻找一个通用的“数据包”，而是在为特定的“优化问题实例”寻找最贴切的“定义说明书”。
2. 旅行商问题（TSP）与扩展：从经典基准到现实变形
旅行商问题堪称运筹学和组合优化领域的“Hello World”。其简洁的表述（访问所有城市一次并回到起点，要求总路径最短）背后是NP难的复杂性，使其成为测试各类优化算法（精确算法、启发式、元启发式）的绝佳试金石。
2.1 皇冠上的明珠：TSPLIB及其使用
谈到TSP数据，TSPLIB 是绝对无法绕开的金字招牌。由德国海德堡大学的Gerhard Reinelt教授创建并长期维护，它已经成为全球TSP研究的事实标准。其权威性体现在：
- 丰富的实例：包含从仅有几十个城市到数万个城市规模不等的实例。
- 精确的最优解：对于许多实例，已知的精确最优解或当前最好解（BKS）都已给出，为算法评估提供了黄金标准。
- 多样的类型：除了标准的对称TSP，还包括非对称TSP（ATSP）、顺序订购问题（SOP）等变体。
使用TSPLIB时，你通常会下载 .tsp 或 .atsp 格式的文件。一个典型的 eil51.tsp 文件开头是这样的：
NAME: eil51
TYPE: TSP
COMMENT: 51-city problem (Christofides/Eilon)
DIMENSION: 51
EDGE_WEIGHT_TYPE: EUC_2D
NODE_COORD_SECTION
1 37 52
2 49 49
3 52 64
...
EOF
对于研究者，使用这些数据的关键步骤是：
- 解析数据：编写或使用现有库（如Python的
tsplib95）读取城市坐标和问题规格。 - 计算距离矩阵：根据
EDGE_WEIGHT_TYPE（如EUC_2D欧几里得距离，ATT一种特殊的伪欧氏距离），计算所有城市两两之间的距离。这是大多数算法所需的输入。 - 运行算法：将距离矩阵输入你的算法。
- 验证与比较：将你的算法结果与TSPLIB官网提供的
.opt.tour（最优路径）文件或已知的BKS进行比较，计算差距百分比。
提示：对于刚入门的研究者，建议从
eil51,berlin52,st70等中等规模的经典实例开始。它们计算量适中，且有明确的最优解，便于快速调试和验证算法的正确性。
2.2 超越经典：现实世界中的TSP变体与数据
标准的TSP模型过于理想化。在现实中，我们更多面对的是其各种“增强版”：
- 带时间窗的TSP（TSPTW）：每个城市（客户）只能在特定的时间区间内被访问。
- 带容量约束的TSP：旅行商携带货物，每个城市有需求，总需求不能超过车辆容量。
- 利润收集TSP（PCTSP）或带奖赏的TSP（OP）：访问城市有奖赏，但不必访问所有城市，目标是在时间或成本约束下最大化总奖赏。
对于这些变体，虽然也有部分标准数据集（如TSPLIB包含一些TSPTW实例），但数据来源更为分散。一个重要的实践方向是从公开地理信息中自行构建。例如，你可以：
- 使用OpenStreetMap或谷歌地图API获取真实城市的经纬度坐标。
- 利用公开的商圈数据或模拟生成客户需求和服务时间窗。
- 通过路径规划服务（如OSRM）获取真实的道路网络距离和时间，而非直线距离，这会使问题瞬间变得复杂和真实。
# 示例：使用OSRM API获取两点间的驾驶距离和时间（Python伪代码）
import requests
def get_osrm_route(lon1, lat1, lon2, lat2):
url = f"http://router.project-osrm.org/route/v1/driving/{lon1},{lat1};{lon2},{lat2}?overview=false"
response = requests.get(url)
data = response.json()
if data['code'] == 'Ok':
route = data['routes'][0]
distance = route['distance'] # 单位：米
duration = route['duration'] # 单位：秒
return distance, duration
else:
return None, None
# 假设有两个城市的坐标
nyc = (-74.0060, 40.7128)
boston = (-71.0589, 42.3601)
dist, time = get_osrm_route(nyc[0], nyc[1], boston[0], boston[1])
print(f"驾驶距离: {dist/1000:.2f} km, 驾驶时间: {time/60:.2f} 分钟")
这种方法构建的数据集，虽然不再是“标准答案”，但其价值在于能直接检验算法在贴近现实场景下的表现，对于工业应用前的技术验证至关重要。
3. 车辆路径规划（VRP）数据集：从标准测试到工业级挑战
如果说TSP是单兵作战的极致优化，那么车辆路径规划（VRP）就是多车协同的集团军调度。VRP及其无数变体（CVRP, VRPTW, HFVRP等）是物流、配送、零售等行业的生命线。相应的，其数据集也呈现出更丰富的层次。
3.1 学术基准库：CVRPLIB与扩展
CVRPLIB 是VRP领域最著名的基准库之一，由PUC Chile的研究团队维护。它系统性地收集了容量约束VRP（CVRP）、带时间窗VRP（VRPTW）、带回程VRP（VRPB）等多种问题的实例。
- 经典集合：如Augerat sets (P, A, B), Christofides & Eilon sets，规模从几十到几百个客户点不等。
- 黄金标准：每个实例通常都提供了当前已知的最优解或最好解，是验证算法精确性和启发式性能的必备工具。
- 统一格式：虽然细节有别，但大多遵循一种类似TSPLIB的文本格式，清晰定义了仓库坐标、客户坐标、需求、车辆容量等。
使用这些数据时，你需要仔细阅读每个数据集的说明文档。一个VRPTW实例的数据结构会比TSP复杂得多，需要解析客户的时间窗、服务时长等信息。
3.2 拥抱复杂性：新兴的工业级与大规模数据集
随着电商和即时配送的爆发，学术界和工业界开始关注更具挑战性的大规模、动态、带复杂约束的VRP。这催生了一批新的数据来源：
- 学术竞赛数据集：例如欧盟ROADEF挑战赛、DIMACS算法竞赛等提供的题目数据。这些数据往往基于真实的简化场景，规模大（成千上万个客户），约束复杂（多仓库、异构车队、装卸货时间等），极具挑战性。
- 企业开源数据：一些领先的物流科技公司或研究机构会开源部分脱敏的基准数据，以推动领域发展。例如，某些研究论文的附录中会提供其用于实验的数据生成器或具体实例。
- 基于公开地图的生成数据：这是目前非常活跃的一个方向。研究者使用真实的路网（如某个城市或国家的OpenStreetMap数据），在其上随机或按人口密度分布生成客户点，并赋予符合实际业务逻辑的需求、时间窗等属性。这种数据虽然“人造”，但地理空间关系是真实的，算法需要处理真实的路径规划，评估指标也更贴近业务（总行驶时间、燃油成本、客户满意度等）。
面对这些复杂数据集，一个高效的预处理流程至关重要。我通常的步骤是：
- 数据清洗与验证：检查坐标是否在合理范围内，需求是否为非负，时间窗逻辑是否自洽（开始时间 <= 结束时间）。
- 距离/时间矩阵计算：这是最耗时的步骤之一。对于大规模实例，直接调用在线API不现实。通常需要本地部署开源的路由引擎（如OSRM、Valhalla），或者使用路网拓扑结构进行高效的图论计算。
- 特征工程：为后续的机器学习-运筹学融合方法做准备。例如，计算每个客户点的空间聚类特征、时间紧迫度特征、与其他点的距离统计特征等。
- 实例分割与采样：对于超大规模实例，可以按地理区域或时间片进行分割，用于训练分布式或在线学习算法。
4. 其他关键运筹学问题的数据资源
除了TSP和VRP这两大明星，运筹学的舞台还有许多其他重要角色，它们也拥有各自的数据集生态。
4.1 混合整数规划（MIP）测试集
如果你在研究精确求解算法或求解器性能，那么MIP基准数据集是你的主战场。MIPLIB 是最权威的集合，它包含了来自各行各业（生产计划、网络设计、金融等）的、表述为混合整数规划的实际问题实例。这些实例以 .mps, .lp 等标准格式存储，可以被CPLEX, Gurobi, SCIP等主流求解器直接读取。
- 使用价值：用于评测求解器在不同类型整数规划问题上的速度、稳定性、内存消耗。
- 挑战：许多实例非常庞大且难以求解，对算法和计算资源都是考验。
4.2 装箱问题、调度问题与更多
- 装箱问题（BPP, 2D/3D Packing）：OR-Library中包含了丰富的经典实例。此外，许多关于切割和包装的学术论文会提供其测试数据。工业数据则多来自制造业、物流仓储的排版优化。
- 车间调度问题（JSP, FJSP）：TA（Taillard）基准数据集是流水车间调度的标准。柔性作业车间调度则有Brandimarte、Hurink等基准集。这些数据通常以工件数、机器数、工序处理时间矩阵的形式给出。
- 设施选址问题：包括经典的p-中位问题、p-中心问题、无容量限制设施选址问题（UFLP）等。OR-Library和Beasley的个人主页提供了许多标准测试实例。
- 电力系统优化：如最优潮流（OPF）问题，常用IEEE标准测试系统（如IEEE 14-bus, 30-bus, 118-bus系统）。这些数据可以从MATPOWER等开源工具包的案例文件中获得，包含了电网拓扑、发电机参数、负荷数据等。
对于这些相对小众但重要的问题，寻找数据的最佳途径往往是：
- 查阅该领域近五年内的高影响力综述论文或实验性论文，作者通常在文中说明数据来源，有时甚至会提供数据链接或生成代码。
- 在GitHub上搜索相关关键词，很多研究者会开源其论文的代码和数据。
- 关注INFORMS、EURO等运筹学顶级协会的期刊数据政策，越来越多的期刊鼓励或要求作者共享实验数据。
5. 数据预处理、实验设计与结果分析实战指南
拥有了数据，如何将其转化为可靠的实验结论，是区分业余爱好者和专业工程师的关键。这一部分，我们聊聊那些“课本上不常讲，但实践中很重要”的细节。
5.2 实验设计的核心原则
在运筹学算法实验中，“跑几个例子看看”是远远不够的。严谨的实验设计应遵循以下原则：
- 控制变量：比较不同算法时，确保它们在相同的硬件环境、编程语言优化级别、随机数种子（如果算法是随机的）下运行。
- 选择有代表性的实例集：不要只挑容易的实例。你的测试集应该覆盖不同的规模（小、中、大）、不同的结构特征（聚类分布、均匀分布）和不同的难度级别。
- 设置合理的终止条件：对于精确算法，可能是时间上限或最优间隙阈值；对于启发式算法，可能是迭代次数、计算时间或收敛停滞代数。这个条件需要明确报告。
- 多次独立运行：对于随机化算法（如遗传算法、模拟退火），必须进行多次（如30次）独立运行，报告平均性能、最好性能、最差性能以及标准差，以评估算法的稳定性和鲁棒性。
5.3 结果分析与可视化：让你的数据说话
实验跑完了，一堆数字摆在面前，如何解读？除了常见的表格对比平均目标值和计算时间，以下分析角度能提供更深的洞察：
- 性能分布图（箱线图）：直观展示随机算法多次运行结果的分布情况，看出中位数、离散程度和异常值。
- 收敛曲线图：对于迭代算法，绘制目标函数值随迭代次数或时间的变化曲线，可以清晰看出算法的收敛速度和后期优化能力。
- 与问题规模的关系图：绘制算法求解时间（或解的质量）随问题规模（客户数）增长的变化趋势，可以分析算法的时间复杂度在实际中的表现。
- 敏感性分析：改变算法的某个关键参数（如种群大小、温度衰减系数），观察性能如何变化，这有助于理解算法行为和进行参数调优。
最后，所有分析都应指向一个核心：你的算法在解决哪一类问题时，相比现有方法，在哪些指标上取得了有意义的提升，同时付出了什么代价（如计算时间增加）。这个结论必须是基于数据、清晰且诚实的。
在物流行业实际项目中，我们曾用一套基于真实路网生成的大规模VRPTW数据集测试了多种算法。最终发现，对于每日订单量超过500的单仓场景，一种融合了大规模邻域搜索和机器学习预测初始解的混合策略，在保证求解时间可控的前提下，比传统的自适应大邻域搜索平均提升了约2.1%的里程节省。这2.1%折算到全年车队的燃油和人力成本上，就是一个非常可观的数字。这个结论不是来自某个标准测试集的最优解对比，而是来自对业务场景的深度理解和一系列严谨的、面向实际的计算实验。这或许就是运筹学数据工作的终极意义：让精妙的数学算法，在真实世界的数据土壤中，结出具有经济价值的果实。
212
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
