MilleMiglia: A realistic instance generator for middle-mile logistics

MilleMiglia：中段物流的现实实例生成器

2026年9月18日

Aymane Lotfi，软件工程师，广告与电商；Thibaut Cuvelier，软件工程师，Google Research

MilleMiglia通过提供开源、真实的基准测试，弥合了学术理论与工业物流之间的差距，使研究人员能够优化复杂的中段物流网络，最终实现更稳健、高效的全球供应链。

快速链接

• 论文

• 代码

• 分享 复制链接 ×

荷兰的松饼如何能在450英里（700公里）外的你家门口，第二天准时送达？这要归功于精心的物流优化——尤其是中段物流环节。这段旅程覆盖最长距离，占整体成本的绝大部分，最重要的是决定了你的松饼是新鲜还是变质。

物流研究历史上一直聚焦于首段（将货物从生产者运送到初始集散点）和末段（向消费者配送）。这两个阶段通常被建模为车辆路径问题（VRP）的不同变体。然而，中段物流——负责在区域或大陆尺度的配送中心之间运输大量货物——尽管占总物流支出相当大的比例，却在运筹学研究中受到的关注远少。学术界在中段物流优化方面的进展因缺乏公开的高质量数据而受阻。事实上，大多数物流公司都将网络拓扑和需求量视为高度敏感的专有信息。

中段物流在供应链中有许多应用。从将货物从工厂运送到电商和市中心零售商的消费者手中，到将各个工厂和中央仓库的零部件运送到汽车制造商和商店。它还包括时间敏感的运输，如在仓储设施和医院之间运输温控药品。

根据image_width确定适当的宽度

对于移动图片，请使用默认宽度

中段物流连接首段和末段。

为了解决该领域标准化数据缺失的问题，在论文《A Novel Instance Generator for Simulating Middle-Mile Logistics Networks》中，我们推出了MilleMiglia——一个用C++开发的实例生成器，旨在为中段物流配送问题创建现实的基准测试。这项工作作为未来研究结果的基础构建模块。在本文中，我们将探讨中段物流的独特约束条件，以及MilleMiglia如何成功捕捉这些条件以生成现实且隐私保护的数据。源代码和文档可在GitHub上获取。

物流光谱：首段、末段和中段

首段、中段和末段物流的区别在于单个货物的运输旅程。在整个旅程中，主要的运营目标是高效利用车队访问多个地点。以一个在典型在线市场销售商品的制造商为例，其货物需要送达个人消费者。

在首段和末段物流中，特定货物会从起点（首段物流中的工厂、末段物流中的配送中心）到终点（首段物流中的配送中心、末段物流中的客户）始终由同一辆车运输。这些车辆路径问题（VRP）涉及在有限时间范围内（通常为单日）对多辆车队进行优化。优化挑战本质上是分配与排序问题：确定哪辆车负责哪些货物集，并确定运输顺序。

在我们的示例中，首段物流对应制造商（如pofferts生产商）售出商品的收集过程，而末段物流则覆盖将商品最终送达消费者（其中一些人可能非常饿！）的环节。在两种情况下，单辆卡车都会将货物运往或运离区域配送中心。然而，若制造商与消费者位于不同地区，中段物流则会连接远距离配送中心。例如，来自荷兰格罗宁根的制造商商品会先运至乌得勒支区域配送中心，再转运至法国巴黎的配送中心，最后送达凡尔赛的消费者。

与首段和末段物流不同，中段物流更像接力赛。单件货物可能在跨大陆网络中由多辆不同车辆运输，最终目的地可能在出发一周后才到达。在中间配送中心，货物可能被卸下、按目的地分类，并与其他货运合并后装载到下一车辆上。这会带来复杂的同步问题：货物必须在特定时间窗口内抵达配送中心，以赶上预定的出库卡车。若错过预定衔接，货物将不得不在配送中心等待下一周期，导致严重延误。

在我们的示例中，制造商货物抵达乌得勒支区域中心后，会被装载到首班发往比利时安特卫普的卡车上，当天抵达。由于前往巴黎的最近卡车已满，且客户选择了标准运输服务，货物将次日由安特卫普的第二辆卡车发往巴黎。包裹于第二天晚上抵达巴黎，并于次日进入末段物流网络，最终送达客户。

货物旅程：从荷兰格罗宁根的制造商到法国凡尔赛的客户，一个poffert大部分运输过程都通过货运代理的中段物流网络完成。

数学建模与求解器限制

中段物流的数学结构在多个关键方面与标准车辆路径问题（VRP）存在差异。

在传统VRP中（如通过开源工具OR-Tools或专用API如Google Maps Platform Route Optimization (GMPRO)解决的案例），目标通常是优化车队的运输路线。重点在于车辆路径规划和停靠点排序，以满足客户的严格截止时间。与末段物流不同，中段物流具有在卡车之间转移的额外灵活性。我们将这一维度建模为空间-时间图上的多商品流问题。在这些模型中：

• 节点：表示特定时间间隔内的特定配送中心。

• 弧线：表示车辆随时间移动的路径，或货物在配送中心的暂存状态（按目的地进行分类/分拣）。

硬性约束

尽管许多学术界的车辆路径问题（VRP）定义中仅包含少量约束，但中段物流的运营约束很难在不改变当前运营问题结构的前提下进行放松：

• 固定时间表：车辆通常按照固定的时刻表运行，必须严格遵守。
• 配送中心吞吐量：配送中心在每小时内对货物分拣或直通转运的体积存在物理限制。
• 同步需求：一辆车的到达是另一辆车发运货物的必要前提。

由于这些依赖关系，现有的VRP求解器无法适用于中段物流。该问题需要规划一系列中间配送中心，并在多辆车辆之间进行跨车次分配，通常涉及多天的时间跨度。

MilleMiglia：生成真实基准测试

数据驱动的分布

MilleMiglia采用多种统计分布方法，确保合成网络看起来像真实的配送网络，同时不泄露任何隐私信息：

• 空间分布：通过重力模型或空间聚类算法放置配送中心，反映真实世界的人口和工业密度。
• 需求：根据实际的体积和重量分布生成包含起点-终点对的货物运输需求。
• 运行路线：生成器创建结构化的车辆时间表，而非节点间的随机连接，路线连接要么是两个主要配送中心，要么是主要配送中心与其邻近的小型配送中心。

这些分布方法在工业参与者公开信息与私有披露数据之间进行插值计算。

性能与规模

MilleMiglia使用C++语言开发，采用Protocol Buffers进行数据序列化，因此每个实例的数据多样性都可以存储在单个文件中。这使得生成的实例体积紧凑，便于用不同编程语言编写求解器进行处理。

与VRP实例不同（存在CVRP（带容量约束）、VRPTW（带时间窗）或PDPTW（带时间窗的取送货）等多个变种以满足不同的运营需求），我们中段物流数据格式的结构将所有关键约束嵌入同一文件格式中：固定车辆时间表、配送中心吞吐量限制以及复杂的同步前提条件都是问题结构的基本要素。

该工具旨在为研究社区提供多种实例：

• 小规模实例：相当于学术界的"玩具问题"，用于测试精确算法。
• 工业级实例：大规模的跨洲级问题，需要先进启发式或元启发式算法才能找到优质解。
• 中间规模实例：包含中等规模和/或难度的实例。

该生成器还能创建用于机器学习算法训练的巨大数据集，支持学习场景的构建。

协作研究与未来求解器

MilleMiglia是中段物流标准化基准测试套件发展的第一步，其定位类似于CVRPLIB（带容量约束的车辆路径问题库）在VRP社区中的作用。

该项目源于Google与布雷拉大学（UniBrescia）和巴黎国立高等工程技术学院（ENPC Paris）学术合作伙伴的持续合作。除了实例生成工作外，我们目前正在开发一个专门用于中段运输运营问题的求解器和API。该求解器旨在利用中段运输流的独特结构。

通过开源我们的实例生成器，我们希望鼓励更广泛的研究社区关注中段运输的运营挑战，从而构建更稳健高效的全球供应链。我们计划发起一个中段运输问题挑战赛，以提升学术界和工业界求解器开发者的关注，这个领域虽未受到足够重视但亟需优化。对该领域感兴趣的研究者可以从GitHub仓库中托管的示例实例入手。

致谢

本研究主要由Aymane Lotfi在Google担任学生研究员期间完成，同时Matteo Petris（现于巴黎国立高等工程技术学院任职）也参与了本合作项目。感谢Thibaut Cuvelier和Bruno De Backer对本工作的贡献。特别感谢Claudia Archetti（现于布雷拉大学任职）的领导与支持。

• 标签：

• 算法与理论

其他相关文章

• 2026年9月15日 通过检索训练算法突破推理瓶颈：加速复杂AI搜索 算法与理论 · 数据挖掘与建模 · 生成式AI

• 2026年8月21日 移动性如何赋予语言模型更深刻的空间理解 算法与理论 · 地球AI · 机器智能

• 2026年7月15日 探索扩散模型创造力的奥秘 算法与理论 · 生成式AI · 机器智能

×

❮

❯

追踪从格罗宁根制造商到凡尔赛顾客运输旅程的地图，按首段、中段和末段物流分类。

展示分为首段、中段和末段配送阶段的供应链网络图。 /map-link /network-diagram-link