基准测试

实测。可复现。不是截图。

认真的买家不相信主张——他们会亲自复现。所以这里是我们实测的一切:在真实实例和一张真实的 388,386 节点路网上,与行业基准(OR-Tools、暴力最优)并排运行。

$ python bench_pack.py # 复现本页每一个数字

≈ 最优

10 个停靠点时的路线质量;100–200 点时与 OR-Tools 相差约 1.5% 以内

36–244×

每步优化更低算力——路线完全一致

80.1%

重路由时数据更少,SHA-256 逐字节校验

29 ms

真实约堡路网上的 5 km 路线

1 · 扩展曲线 — 质量与速度对照基准

随机种子停靠点集。路线质量对照 OR-Tools(行业 VRP 求解器),并在可行处对照暴力最优。提升相对"按提交顺序"计算。

停靠点	ELARA 求解	相对按提交顺序	对照 OR-Tools 的路线质量	相对最优
10	0.35 ms	−41.5%	持平	0.0%(最优)
25	1.7 ms	−70.5%	+9.7%	—
50	7.1 ms	−75.3%	+5.1%	—
100	29 ms	−83.8%	+1.5%	—
200	270 ms	−89.2%	+0.9%	—
500	3.1 s	−93.2%	−0.3%(胜出)	—
1000	16.8 s	−95.2%	−10.4%(胜出)	—

请如实理解。 在 ≤200 个停靠点时,两个求解器都收敛,ELARA 在毫秒级内落在 OR-Tools 约 1% 以内。在 500–1000 个点时,ELARA 的 2-opt 跑到完全收敛,质量胜过受时限的 OR-Tools——但其纯 Python 求解时间上升(1000 点时 16.8 s)。质量保持不变;为 >500 个点准备编译内核是下一步工程,而非研究风险。我们展示这个慢格而非隐藏它——这正是一份可复跑基准的意义。

2 · 算力护城河 — 相同答案,极少计算

我们的优势不是秘密算法,而是把每一步优化当作 O(1) 的差分来评估,而非 O(n) 的完整重算。同一个优化器、同样的路线——计算量却低得多。

停靠点	ELARA(O(1) 差分)	朴素(O(n) 重算)	计算量减少	路线一致?
50	0.96 ms	35.4 ms	36.8×	✓ 完全一致
100	3.8 ms	362 ms	95.6×	✓ 完全一致
200	30 ms	3.49 s	115.7×	✓ 完全一致
300	78 ms	19.1 s	244.6×	✓ 完全一致

这正是 ELARA 能实时重优化而"全部重算"的方案做不到的原因——这是无人机、自动驾驶与实时车队调度的杠杆:在这些场景里,重新规划的成本就是瓶颈。

3 · 动态重路由 — 变化时的最少数据

当一条路在途中关闭,我们只发送路径中发生变化的部分,并附上 SHA-256,让客户端能证明逐字节原样重建。

路线	变化	完整重发	ELARA 增量	节省	校验
228 个点	18 个点	935 B	186 B	80.1%	✓ SHA-256

4 · 单条路线延迟 — 一张真实路网

在真实的 OpenStreetMap 约翰内斯堡路网上做最短时间 A*:388,386 节点 · 736,061 条边。无云端往返——本地计算。

路线	距离	冷启动求解	缓存命中
短	5.2 km	29 ms	16 ms
中	16.0 km	49 ms	18 ms
长(跨城)	37.7 km	723 ms	14 ms

如何复现

以上全部,一条命令即可。基准在同一套程序里运行。

$ python bench_pack.py → bench_pack_results.json

方法与诚实。 ELARA 的优化器是从最近邻出发的 2-opt 局部搜索——一种被充分理解的启发式,这是有意为之;创新在于 O(1) 差分空间的移动评估。"接近最优"是对照 OR-Tools 与暴力最优实测得出,而非断言。OR-Tools 以 2–4 秒预算运行(引导式局部搜索)。纯 Python、单线程,故墙钟时间 ≈ CPU 时间。本页由 bench_pack_results.json 重新生成;此处无任何手敲数字。