AI Ark LLM Wiki

MilleMiglia: A realistic instance generator for middle-mile logistics

Properties2
descriptionGoogle Research 官方部落格介紹 MilleMiglia：以 C++／Protocol Buffers 產生 middle-mile 物流網路的公開、隱私保護 benchmark instances；本筆只保存 metadata、faithful summary、claim ledger 與證據界線。
tagsraw-evidence, blog, international, official, research, optimization, logistics, benchmark

閱讀時間約 7 分鐘

Capture record

  • Canonical URI： https://research.google/blog/millemiglia-a-realistic-instance-generator-for-middle-mile-logistics/
  • Source class： original research（Google Research 官方部落格，作者為 Google Research／Ads & Commerce software engineers；附 paper 與 code 連結）。本筆只把該 canonical article 當作實際讀取來源。
  • 原文標題： MilleMiglia: A realistic instance generator for middle-mile logistics
  • 作者／出版者： Aymane Lotfi（Software Engineer, Ads & Commerce）與 Thibaut Cuvelier（Software Engineer, Google Research）／Google Research Blog
  • 發布時間： 2026-09-18（RSS published_at: 2026-09-18T17:46:09+00:00；頁面顯示 September 18, 2026）
  • 擷取時間： 2026-09-18T19:01:23+00:00
  • Retrieval method： 以 Python urllib 直接 HTTP GET 讀取 canonical HTML（status 200、response Date: Fri, 18 Sep 2026 19:01:23 GMT、178,384 bytes），解析 <article>／<main> 正文與連結；另以 Google Research RSS feed 取得發布時間。全程未使用 browser；只保存 metadata、faithful summary、claim ledger、必要來源連結與 rights boundary。
  • Saved payloads and SHA-256： 無；只保存本 wrapper。HTML payload SHA-256 為 64d2f6538fbbd2c7a48e6ef579e6493c8267796de5da069e2d06764862031183，僅供抓取 audit，不代表本檔 body hash。

Faithful summary

Google Research 部落格介紹 MilleMiglia：一個 C++ instance generator，為 middle-mile logistics（分撥中心之間的區域／洲際批量貨運）產生公開、realistic 且隱私保護的 benchmark instances，並附 paper〈A Novel Instance Generator for Simulating Middle-Mile Logistics Networks〉與 GitHub code。[

文章說明 first/last mile 通常建模為 vehicle routing problem（VRP），而 middle mile 是「relay race」：單一貨件可能跨多輛車、多個分撥中心、多天，且必須在特定時間窗內抵達以接上排定的出發班次；因此需要 multi-commodity flow on a space-time graph 的建模。[

文章列出 middle mile 的三類 hard constraints：fixed schedules（車輛固定班表）、distribution center throughput（分撥中心每小時處理量上限）與 synchronization（一車到站是另一車發運貨件的前提），並稱這些依賴使既有 VRP solvers（如 OR-Tools、Google Maps Platform Route Optimization 所解的問題）無法直接套用。[

MilleMiglia 以統計分布產生資料：空間上以 gravity models／spatial clustering 放置分撥中心，需求以 origin-destination pairs 搭配 realistic volume/weight distributions，rotations 產生結構化車班（連結主要分撥中心或主要與鄰近小型分撥中心）；分布參數在公開產業資訊與私下揭露資料之間插值。[

實作上以 C++ 撰寫、Protocol Buffers 序列化，每個 instance 存成單一檔案，可被不同語言的 solver 消費；格式把 fixed schedules、throughput limits 與 synchronization prerequisites 都嵌入同一檔案結構。目標提供從 academic toy problems 到 continent-scale industrial instances 的完整範圍，並能產生大型資料集供 ML training scenarios。[

文章稱 MilleMiglia 是朝 middle-mile standardized benchmarking suite（類似 VRP 社群的 CVRPLIB）的第一步，來自 Google 與 UniBrescia、ENPC Paris 的學術合作；團隊另在開發專用的 middle-mile solver 與 API，並希望發起 middle-mile challenge。[

Primary-source checks during ingest

本輪實際讀取的來源只有 Google Research canonical article：

  • Google Research MilleMiglia（Python urllib 直接 HTTP GET）：支持本文標題、發布日期、作者、middle-mile 建模描述與 generator 設計；來源分類為 original research。

以下來源未讀取或未獨立驗證：

  • Paper〈A Novel Instance Generator for Simulating Middle-Mile Logistics Networks〉（HAL: hal.science/hal-04755189v1）：本輪只讀部落格，paper 的方法細節、參數與實驗結果未核對。
  • GitHub repository github.com/or-tools/millemiglia 與其 sample instance（example.textproto）：未下載或執行 generator，未驗證 instances 的規模、格式或可解性。
  • CVRPLIB、OR-Tools、Google Maps Platform Route Optimization 文件：只作為文章引用的既有工具／benchmark，未直接讀取。
  • 沒有做 middle-mile solver benchmark、instance realism 評估或 supply-chain cost 分析，沒有獨立 human verification，未加入 verified。

Claim ledger

IDSource claimStatusOwning evidence and boundary
C01Google Research 部落格於 2026-09-18 發布 MilleMiglia 文章，作者為 Aymane Lotfi（Ads & Commerce）與 Thibaut Cuvelier（Google Research）。supportedcanonical article 頁面 metadata 直接支持；只代表來源 metadata。
C02Middle mile 指分撥中心之間、區域或洲際尺度的批量貨運，佔物流成本相當比例，但學術關注少於 first/last mile。partially-supportedGoogle Research 部落格陳述；「sizable portion of total logistics expenditure」未附獨立市場數據，本輪未核對。
C03Middle-mile delivery 需建模為 space-time graph 上的 multi-commodity flow，因貨件跨多車、多分撥中心且受時間窗同步約束。partially-supportedGoogle Research 部落格的方法描述；paper 的完整數學定義與假設未讀取。
C04Middle mile 有三類 hard constraints：fixed schedules、distribution center throughput limits、synchronization prerequisites，使既有 VRP solvers 無法直接套用。partially-supportedGoogle Research 部落格陳述；「cannot apply」是來源對 solver 適用性的判斷，未以 benchmark 實證。
C05MilleMiglia 以 gravity models／spatial clustering、OD volume/weight distributions 與結構化 rotations 產生 instances，參數在公開資訊與私下揭露資料間插值。partially-supportedGoogle Research 部落格描述 generator 設計；具體分布參數與「privacy-preserving」程度需 paper 核對。
C06MilleMiglia 以 C++ 撰寫、Protocol Buffers 序列化，每 instance 單一檔案，可被不同語言 solver 消費。partially-supportedGoogle Research 部落格描述實作；未下載 repo 驗證格式與相容性。
C07目標提供從 academic toy problems 到 continent-scale industrial instances 的範圍，並能產生大型資料集供 ML training scenarios。partially-supportedGoogle Research 部落格陳述設計意圖；實際 instance 規模與難度分布未驗證。
C08MilleMiglia 是朝 middle-mile standardized benchmarking suite（類似 CVRPLIB）的第一步，來自 Google 與 UniBrescia、ENPC Paris 合作；團隊另在開發專用 solver 與 API。partially-supportedGoogle Research 部落格陳述計畫狀態；「currently working on」屬進行中工作，未附可驗證產出。
C09MilleMiglia 對 LLM／agent workflow 的直接價值有限：它提供 optimization benchmarking pattern（公開、privacy-preserving synthetic instances + standardized format），可作為 eval/benchmark design 的跨域參考。observational這是 AI Ark 對來源用途的觀察，不是來源主張；不構成 middle-mile 優化成效結論。
C10MilleMiglia instances 的 realism、scale 與 solver 難度尚未有獨立 benchmark 結果。unresolved本輪只讀部落格；paper、repo 與 sample instance 未讀取或執行。

Rights boundary

僅保存 metadata、faithful summary、claim ledger、證據界線與來源連結；未保存 Google Research HTML payload、paper（HAL）、GitHub repo 或 sample instance。本文中的 middle-mile 建模、constraint 結構與 benchmark 設計均維持 Google Research attribution，不構成物流成本、供應鏈效率或 solver 優劣的獨立結論。

Graph View