Multi-Depot Vehicle Routing Problems: A Narrative Review of Problem Variants, Algorithms, and Benchmarking Practices (2021–2026)
Dieser narrative Review analysiert systematisch 100 Studien zum Multi-Depot Vehicle Routing Problem (MDVRP), die zwischen 2021 und 2026 veröffentlicht wurden, und hebt die Entwicklung des Feldes hin zu komplexen realen Randbedingungen wie Zeitfenstern und Nachhaltigkeit, die Dominanz von hybriden Metaheuristiken neben aufkommenden lernbasierten Methoden sowie den inkonsistenten Zustand der Benchmarking-Praktiken hervor.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Stadt vor, in der Waren an tausende Haushalte geliefert werden müssen, aber die Lieferwagen nicht alle von einem einzigen zentralen Lagerhaus aus starten. Stattdessen fahren sie von einem Dutzend verschiedenen Depots aus, die über die gesamte Region verteilt sind und jeweils über eine eigene Flotte von Fahrzeugen verfügen. Die Herausforderung besteht darin, zu entscheiden, welcher Lkw von welchem Depot aus aufbricht, welche Kunden er besuchen soll und in welcher Reihenfolge dies geschieht – und das alles unter der Voraussetzung, dass kein Fahrzeug überladen wird, jeder Kunde innerhalb seines gewünschten Zeitfensters bedient wird und die insgesamt zurückgelegte Strecke so kurz wie möglich ist. Dies ist das Multi-Depot-Vehicle-Routing-Problem (Mehrdepot-Fahrzeugrouting-Problem), ein komplexes logistisches Rätsel, das im Herzen moderner Lieferketten liegt. Es ist weitaus schwieriger als die einfachere Version, bei der alle LKWs von einem Ort aus starten, da das System nun zwei Probleme gleichzeitig lösen muss: die Zuweisung von Kunden zum richtigen Depot und anschließend die Planung der effizientesten Routen für die Fahrzeuge. Während sich die Welt in Richtung schnellerer Lieferungen, elektrischer Flotten und nachhaltigerer Abläufe bewegt, ist dieses Problem für Unternehmen und Städte gleichermaßen immer wichtiger geworden.
Ein Team von Forschern der Chittagong University of Engineering & Technology hat kürzlich eingehend untersucht, wie Wissenschaftler und Ingenieure diese Herausforderung in den letzten fünf Jahren angegangen sind. Sie untersuchten einhundert Studien, die zwischen 2021 und 2026 veröffentlicht wurden, um zu verstehen, wie sich das Feld entwickelt hat, welche neuen Probleme gelöst werden und wie Forscher ihre Lösungen testen. Ihre Untersuchung zeigt ein Feld im schnellen Wandel. Während das Kernziel weiterhin die Minimierung von Kosten und Fahrstrecken ist, haben sich die realen Einschränkungen vervielfacht. Heutige Modelle müssen elektrische Fahrzeuge berücksichtigen, die Ladestopps benötigen, strikte Lieferzeitfenster, die Kunden fordern, sowie die Koordination mehrerer zusammenarbeitender Depots. Die Forscher fanden heraus, dass Zeitfenster mittlerweile ein Standardmerkmal in fast sechzig Prozent der untersuchten Studien sind, und auch die Einbeziehung von elektrischem und grünem Routing ist signifikant gewachsen, was den globalen Wandel hin zur Nachhaltigkeit widerspiegelt.
Auch die Art und Weise, wie Forscher diese Probleme lösen, hat sich verschoben. Jahrzehntelang war das primäre Werkzeug die Metaheuristik, eine Klasse intelligenter Trial-and-Error-Algorithmen, die nach guten Lösungen suchen, ohne eine absolut perfekte Lösung zu garantieren. Diese Methoden bleiben der dominierende Ansatz und tauchen in dreiundachtzig Prozent der untersuchten Studien auf. Die Landschaft verändert sich jedoch. Es gibt einen spürbaren Aufstieg hybrider Frameworks, bei denen traditionelle Algorithmen mit exakten mathematischen Methoden oder neuen lernbasierten Techniken kombiniert werden. Insbesondere Methoden, die maschinelles Lernen nutzen, wie etwa Deep Reinforcement Learning und neuronale Netze, gewinnen an Bedeutung. Diese lernbasierten Ansätze, die etwa siebzehn Prozent der jüngeren Arbeiten ausmachen, versprechen, Entscheidungen nach dem Training schnell treffen zu können, obwohl sie oft dazu verwendet werden, die etablierten Optimierungs-Engines eher zu unterstützen als zu ersetzen.
Trotz dieser Fortschritte identifizierten die Forscher eine erhebliche Hürde bei der Messung des Fortschritts. Um zu wissen, ob ein neuer Algorithmus wirklich besser ist, müssen Wissenschaftler ihn gegen denselben Satz von Problemen testen, die als Benchmarks bekannt sind. Die Untersuchung ergab, dass die klassischen Benchmark-Sets, die vor Jahren erstellt wurden, zwar immer noch verwendet werden, aber nicht mehr ausreichen. Diese älteren Datensätze wurden für einfache LKWs und einzelne Depots konzipiert; sie können die Komplexität von elektrischen Flotten, Drohnenlieferungen oder dynamischen Verkehrsbedingungen nicht erfassen. Infolgedessen haben viele aktuelle Studien ihre eigenen benutzerdefinierten Datensätze erstellt oder bestehende Datensätze angepasst, um sie an ihre spezifischen Bedürfnisse anzupassen. Während dies eine realistischere Testung ermöglicht, hat es eine fragmentierte Landschaft geschaffen, in der verschiedene Forscher unterschiedliche Testfälle verwenden, was einen direkten Vergleich der Ergebnisse erschwert. Die Autoren stellen fest, dass weniger als die Hälfte der Studien auf die klassischen gemeinsamen Referenzen zurückgreift und viele der neuen, realistischen Datensätze nicht öffentlich zugänglich gemacht werden, was die Fähigkeit anderer einschränkt, die Arbeit zu verifizieren oder darauf aufzubauen.
Die Untersuchung hebt auch hervor, dass die Probleme selbst spezialisierter geworden sind. Über die reine Aufgabe der Güterbewegung hinaus modellieren Forscher nun Szenarien, die die Kühlkettenlogistik für leicht verderbliche Lebensmittel, den Transport von Gefahrgut und sogar die Koordination von Bodenfahrzeugen mit Drohnen beinhalten. In diesen komplexen Szenarien werden Faktoren wie Batteriekapazität, Ladezeiten und die Synchronisation zwischen verschiedenen Fahrzeugtypen kritisch. Die Studien zeigen, dass diese realen Details keine optionalen Beigaben mehr sind, sondern zentraler Bestandteil der Modelle. Dennoch deutet das Paper darauf an, dass die Gemeinschaft trotz der zunehmenden mathematischen Komplexität der Modelle noch immer keinen einheitlichen Weg zur Testung dieser Modelle besitzt. Die Autoren kommen zu dem Schluss, dass für einen effektiven Fortschritt des Feldes ein dringender Bedarf an standardisierten, öffentlich verfügbaren Datensätzen besteht, die diese modernen, funktionsreichen Herausforderungen widerspiegeln. Ohne diesen gemeinsamen Nenner könnten die beeindruckenden Fortschritte bei Algorithmen und Modellierung isoliert bleiben und nicht vollständig mit der nächsten Generation von Logistiksystemen verglichen oder integriert werden können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.