Multi-Depot Vehicle Routing Problems: A Narrative Review of Problem Variants, Algorithms, and Benchmarking Practices (2021–2026)
تحلل هذه المراجعة السردية بشكل منهجي 100 دراسة حول مسألة توجيه المركبات متعددة المستودعات (MDVRP) المنشورة بين عامي 2021 و2026، مع تسليط الضوء على تطور المجال نحو قيود واقعية معقدة مثل النوافذ الزمنية والاستدامة، وهيمنة الخوارزميات الاستدلالية الهجينة إلى جانب الأساليب القائمة على التعلم الناشئة، وعدم اتساق حالة ممارسات القياس المرجعي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل مدينة يجب فيها تسليم البضائع إلى آلاف المنازل، ولكن شاحنات التوصيل لا تنطلق جميعها من مستودع مركزي واحد، بل تنطلق من اثني عشر مستودعاً مختلفاً منتشرة في أنحاء المنطقة، ولكل منها أسطولها الخاص من المركبات. يكمن التحدي في تحديد أي شاحنة ستخرج من أي مستودع، ومن هم العملاء الذين يجب أن تزورهم، وبأي ترتيب، كل ذلك مع ضمان عدم تحميل أي مركبة فوق طاقتها، وخدمة كل عميل ضمن النافذة الزمنية المطلوبة، وجعل إجمالي المسافة المقطوعة أقصر ما يمكن. هذه هي مشكلة "توجيه المركبات متعددة المستودعات" (Multi-Depot Vehicle Routing Problem)، وهي لغز لوجستي معقد يقع في قلب سلاسل التوريد الحديثة. إنها أكثر صعوبة بكثير من النسخة الأبسط حيث تنطلق جميع الشاحنات من مكان واحد، لأن النظام يجب أن يحل الآن مشكلتين في آن واحد: تخصيص العملاء للمستودعات الصحيحة ثم رسم المسارات الأكثر كفاءة للمركبات. ومع توجه العالم نحو عمليات التوصيل الأسرع، والأسطول الكهربائي، والعمليات الأكثر استدامة، أصبح حل هذه المشكلة أمراً بالغ الأهمية للشركات والمدن على حد سواء.
لقد أجرى فريق من الباحثين من جامعة تشيتاغونغ للهندسة والتكنولوجيا نظرة متعمقة مؤخراً في كيفية تعامل العلماء والمهندسين مع هذا التحدي على مدار السنوات الخمس الماضية. فقد فحصوا مائة دراسة نُشرت بين عامي 2021 و2026 لفهم كيفية تطور هذا المجال، وما هي المشكلات الجديدة التي يتم حلها، وكيف يختبر الباحثون حلولهم. وتكشف مراجعتهم عن مجال يمر بمرحلة انتقال سريع؛ فبينما يظل الهدف الجوهري هو تقليل التكاليف ومسافة السفر، إلا أن القيود الواقعية قد تضاعفت. إذ يجب أن تأخذ نماذج اليوم في الاعتبار المركبات الكهربائية التي تحتاج إلى التوقف للشحن، والنوافذ الزمنية الصارمة التي يطلبها العملاء، وتنسيق العمل بين مستودعات متعددة تعمل معاً. ووجد الباحثون أن النوافذ الزمنية أصبحت الآن ميزة قياسية في ما يقرب من ستين بالمائة من الدراسات، كما نما إدراج التوجيه الكهربائي والأخضر بشكل ملحوظ، مما يعكس تحولاً عالمياً نحو الاستدامة.
كما تغيرت الطريقة التي يحل بها الباحثون هذه المشكلات أيضاً. فعلى مدى عقود، كانت الأداة الأساسية هي "الخوارزميات الحدسية" (Metaheuristics)، وهي فئة من الخوارزميات الذكية القائمة على التجربة والخطأ التي تبحث عن حلول جيدة دون ضمان الوصول إلى الحل الأمثل المطلق. ولا تزال هذه الأساليب هي النهج المهيمن، حيث ظهرت في ثلاثة وثمانين بالمائة من الدراسات التي تمت مراجعتها. ومع ذلك، فإن المشهد يتغير؛ فهناك صعود ملحوظ في الأطر الهجينة، حيث تُدمج الخوارمايات التقليدية مع الطرق الرياضية الدقيقة أو التقنيات الجديدة القائمة على التعلم. وبشكل خاص، بدأت تكتسب الأساليب التي تستخدم التعلم الآلي، مثل التعلم التعزيزي العميق والشبكات العصبية، زخماً كبيراً. وتعد هذه الأساليب القائمة على التعلم، والتي تشكل حوالي سبعة عشر بالمائة من العمل الأخير، بتقديم الوعود بجعل اتخاذ القرارات سريعاً بمجرد تدريبها، رغم أنها غالباً ما تُستخدم لدعم محركات التحسين الراسخة بدلاً من استبدالها.
وعلى الرغم من هذه التطورات، حدد الباحثون عقبة كبيرة في كيفية قياس التقدم. فلكي يعرف العلماء ما إذا كانت الخوارزمية الجديدة أفضل حقاً، يحتاجون إلى اختبارها مقابل مجموعة من المشكلات نفسها، والمعروفة باسم "المعايير المرجعية" (Benchmarks). ووجدت المراجعة أنه بينما لا تزال مجموعات المعايير الكلاسيكية التي أُنشئت منذ سنوات تُستخدم، إلا أنها لم تعد كافية؛ فقد صُممت مجموعات البيانات القديمة هذه لشاحنات بسيطة ومستودعات فردية، ولا يمكنها استيعاب تعقيدات الأساطيل الكهربائية، أو تسليم الطائرات بدون طيار (الدرونز)، أو ظروف حركة المرور الديناميكية. ونتيجة لذلك، قامت العديد من الدراسات الحديثة بإنشاء مجموعات بيانات خاصة بها أو تعديل مجموعات موجودة لتناسب احتياجاتها المحددة. وبينما يسمح هذا باختبار أكثر واقعية، فقد خلق مشهداً مجزءاً حيث يستخدم باحثون مختلفون حالات اختبار مختلفة، مما يجعل من الصعب مقارنة النتائج مباشرة. ويشير المؤلفون إلى أن أقل من نصف الدراسات تعتمد على المراجع المشتركة الكلاسيكية، وأن العديد من مجموعات البيانات الجديدة والواقعية ليست متاحة للجمهور، مما يحد من قدرة الآخرين على التحقق من العمل أو البناء عليه.
كما تسلط المراجعة الضوء على أن المشكلات نفسها أصبحت أكثر تخصصاً. فبعيداً عن المهمة الأساسية لنقل البضائع، يقوم الباحثون الآن بنمذجة سيناريوهات تتضمن لوجستيات السلسلة الباردة للأغذو القابلة للتلف، ونقل المواد الخطرة، وحتى تنسيق المركبات الأرضية مع الطائرات بدون طيار. وفي هذه الإعدادات المعقدة، تصبح قيود مثل سعة البطارية، وأوقات الشحن، والتزامن بين أنواع مختلفة من المركبات أمراً حاسماً. وتظهر الدراسات أن هذه التفاصيل الواقعية لم تعد مجرد إضافات اختيارية، بل أصبحت مركزية في النماذج. ومع ذلك، يشير البحث إلى أنه بينما تصبح النماذج الرياضية أكثر تطوراً، لا يزال المجتمع يفتقر إلى طريقة موحدة لاختبارها. ويخلص المؤلفون إلى أنه لكي يتقدم هذا المجال بفعالية، هناك حاجة ملحة لمجموعات بيانات موحدة ومتاحة للجمهور تعكس هذه التحديات الحديثة والغنية بالميزات. فبدون هذا الأرضية المشتركة، قد تظل التطورات المثيرة للإعجاب في الخوارزميات والنمذجة معزولة، وغير قادرة على أن تُقارن بالكامل أو تُدمج في الجيل القادم من الأنظمة اللوجستية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.