operations-research

该数据集是一个操作研究基准，源自ReEvo项目，最初包含六种组合优化问题（COPs）。在此基础上，通过添加一个使用SUMO模拟环境的协同驾驶问题进行了扩展。数据集涵盖了多种优化方法，包括经典元启发式（如蚁群优化、遗传算法、引导局部搜索）、神经组合优化中的注意力重塑（POMO、LEHD）以及直接解决方案构建启发式。具体问题包括旅行商问题（TSP）、容量车辆路径问题（CVRP）、装箱问题（BPP）、定向问题（OP）、多背包问题（MKP）、去耦电容放置问题（DPP）和协同驾驶问题（CDP）。数据集结构按问题类型组织，每个问题包含特定数据、评估脚本和配置文件。适用于自动化算法设计、启发式优化方法基准测试以及基于LLM的科学发现系统研究。

原始信息汇总

数据集概述

数据集基本信息

• 数据集名称: Operations Research Benchmark
• 许可协议: Apache-2.0
• 标签: optimization, operations-research
• 来源: 该基准测试改编自ReEvo，并扩展了一个使用SUMO模拟环境的合作驾驶问题。更多细节请参考OR-Agent及其代码库。

数据集内容与结构

可演化函数类型

数据集包含三类可演化函数：

1. 经典元启发式算法 (ACO / GA / GLS)

   • 蚁群优化 (ACO): 演化ACO启发式组件，如期望值和信息素引导的计算。
   • 引导式局部搜索 (GLS): 演化GLS过程中引导扰动的惩罚启发式。
   • 遗传算法 (GA): 演化GA相关的算子和启发式（由问题包装器定义的GA流程中的领域特定逻辑）。

2. 神经组合优化中的注意力重塑 (POMO / LEHD)

   • 多最优策略优化 (POMO): 演化插入神经求解器中的注意力重塑启发式（非模型权重）。使用POMO需从其官方代码库下载检查点。
   • 轻编码器-重解码器神经组合优化 (LEHD): 演化注意力重塑启发式。使用LEHD需从其官方代码库下载检查点和数据。

3. 直接解构造启发式

   • 演化直接构造解的函数，例如：为在线装箱问题生成每个箱的优先级分数；为合作驾驶问题生成所有驾驶员的行为。

问题详情

基准测试问题存储在 [project_root]/problems 目录下，具体包括：

• 旅行商问题 (TSP)

  • TSP via Ant Colony Optimization (tsp_aco)
  • TSP via Guided Local Search (tsp_gls)
  • TSP via LEHD (tsp_lehd)
  • TSP via POMO (tsp_pomo)
  • TSP via Constructive Routing Solvers (tsp_constructive)

• 带容量约束的车辆路径问题 (CVRP)

  • CVRP via Ant Colony Optimization (cvpr_aco)
  • CVRP via LEHD (cvpr_lehd)
  • CVRP via POMO (cvpr_pomo)

• 装箱问题 (BPP)

  • BPP via Ant Colony Optimization (bpp_offline_aco)
  • Online BPP (bpp_online) via Priority Score Heuristics

• 定向问题 (OP)

  • OP for Routing Problems via Ant Colony Optimization (op_aco)

• 多背包问题 (MKP)

  • MKP via Ant Colony Optimization (mkp_aco)

• 去耦电容布局问题 (DPP)

  • Decap Placement Problem (DPP) for Electronic Design Automation (EDA) Problems via Genetic Algorithm (GA) (dpp_ga)

• 合作驾驶问题 (CDP)

  • Cooperative Driving Problem (CDP) (driving)

数据集结构

数据集按问题类型组织目录，例如 tsp_aco/, cvrp_aco/, ..., driving/。每个问题目录包含：

• 问题特定数据
• 评估脚本
• 配置文件

使用方法

评估脚本运行

可通过命令行手动运行 eval.py 脚本： bash python eval.py --root_dir=<path_to_project_root> --file_output_prefix=<path_to_output_file> --mode=val --problem_size=50

评估输出

每次评估产生以下结果，并通过标准输出特定格式返回：

• metrics: 详细的性能统计字典，用于用户和AI代理检查。
• features: 表示解特征的整数元组，用于解决方案数据库存储。
• score: 表示解适应度的浮点数分数。

定制化

用户可以按照以下要求定制自己的研究问题：

命令行参数要求

评估脚本需支持以下参数：

1. root_dir: 项目根目录。
2. file_output_prefix: 输出文件前缀。
3. mode: 训练或验证模式。
4. problem_size: 问题规模。

输出要求

评估脚本需打印 metrics、features 和 score，并遵循指定的输出格式。

预期用途

• 自动化算法设计研究
• 启发式优化方法基准测试
• 基于LLM的科学发现系统研究

局限性

• 部分问题依赖外部模拟器（如SUMO）
• 性能取决于评估配置
• 并非所有问题领域都得到同等程度的体现

搜集汇总

数据集介绍

构建方式

在运筹学领域，基准数据集的构建是推动算法创新的基石。该数据集源自ReEvo框架，其核心结构围绕六类经典组合优化问题展开，包括旅行商问题、车辆路径问题及装箱问题等。构建过程中，研究者进一步融入了基于SUMO仿真环境的协同驾驶问题，从而拓展了基准的覆盖范围。每个问题子集均配备了专门的数据文件、评估脚本与配置文件，确保了评估流程的系统性与可复现性。

特点

本数据集的一个显著特征在于其多层次的方法论集成，涵盖了从经典元启发式算法到现代神经组合优化技术的广泛谱系。它不仅包含了蚁群优化、遗传算法等传统方法，还整合了POMO、LEHD等基于注意力机制的神经求解器，并支持直接构造解的启发式函数演化。这种设计使得数据集能够服务于自动化算法设计、启发式方法基准测试以及基于大语言模型的科学发现系统研究，体现了其在运筹学前沿探索中的工具价值。

使用方法

使用该数据集时，研究人员可通过执行`eval.py`评估脚本或调用封装的`Evaluator`类来运行基准测试。评估过程需指定项目根目录、输出文件前缀等参数，并支持训练与验证两种模式。每次评估将输出包含详细性能指标的字典、用于特征存档的元组以及标量化适应度分数，这些结果以结构化格式打印至标准输出，便于后续分析与比较。这种设计为算法性能的量化评估与迭代优化提供了清晰且自动化的流程。

背景与挑战

背景概述

Operations Research Benchmark数据集源于2024年ReEvo框架的扩展，由AI4CO等研究团队主导构建，旨在为组合优化领域提供一套标准化的评估基准。该数据集整合了旅行商问题、车辆路径规划、装箱问题等六类经典组合优化任务，并创新性地引入了基于SUMO仿真环境的协同驾驶问题，以模拟现实世界中的复杂动态场景。其核心研究问题聚焦于自动化算法设计与超启发式搜索，通过演化计算与强化学习方法的融合，推动智能体在结构化问题求解中的泛化能力与效率提升，对运筹学与人工智能的交叉研究产生了深远影响。

当前挑战

该数据集致力于应对组合优化领域的高维、动态与多约束挑战，例如在协同驾驶问题中需实时协调多车辆行为以避免碰撞并优化交通流，其求解过程涉及复杂的仿真交互与不确定性建模。在构建过程中，数据集面临异构问题集成与评估标准统一的难题，不同优化任务需适配蚁群算法、遗传算法及神经求解器等多种方法，并确保外部依赖（如SUMO仿真器）的稳定运行。此外，演化函数的通用接口设计需平衡灵活性、性能度量的可解释性，以及特征表示的一致性，以支持跨领域算法的公平比较与可复现性。

常用场景

经典使用场景

在运筹学与组合优化领域，该数据集作为综合性基准平台，其经典使用场景聚焦于自动化算法设计与超启发式策略的演进研究。通过集成旅行商问题、车辆路径规划、装箱问题等经典组合优化任务，数据集支持对蚁群优化、遗传算法、引导局部搜索等元启发式方法进行系统性评估与演化。研究者可借助该平台探索算法组件（如信息素更新规则、惩罚启发式）的自适应优化，推动智能算法在复杂约束环境下的性能提升。

实际应用

在实际工业与工程场景中，该数据集支撑的优化技术广泛应用于物流调度、电子设计自动化与智能交通系统。例如，车辆路径问题模块可优化电商配送路线以降低运输成本；装箱问题求解器能提升仓储与集装箱装载效率；而协同驾驶模块则通过仿真环境训练多车协作策略，增强自动驾驶系统的安全性与通行能力。这些应用显著提升了资源利用效率与系统智能化水平。

衍生相关工作

围绕该数据集衍生的经典工作包括基于深度学习的蚁群优化框架DeepACO、利用多最优策略的强化学习求解器POMO，以及轻编码器-重解码器架构的神经组合优化模型LEHD。这些研究通过引入注意力重塑、对称性利用等机制，显著提升了算法在旅行商、车辆路径等问题上的求解质量与泛化能力，形成了神经启发式优化与自动化算法设计领域的重要技术脉络。