Multi-Depot Vehicle Routing Problems: A Narrative Review of Problem Variants, Algorithms, and Benchmarking Practices (2021–2026)
Esta revisión narrativa analiza sistemáticamente 100 estudios sobre el Problema de Enrutamiento de Vehículos con Multidepósito (MDVRP) publicados entre 2021 y 2026, destacando la evolución del campo hacia restricciones del mundo real más complejas como las ventanas de tiempo y la sostenibilidad, el dominio de las metaheurísticas híbridas junto con los métodos emergentes basados en el aprendizaje, y el estado inconsistente de las prácticas de evaluación comparativa.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina una ciudad donde los bienes deben entregarse en miles de hogares, pero los camiones de reparto no parten todos de un único almacén central. En su lugar, parten de una docena de depósitos diferentes esparcidos por la región, cada uno con su propia flota de vehículos. El desafío consiste en decidir qué camión sale de qué depósito, a qué clientes debe visitar y en qué orden, todo ello asegurando que ningún vehículo se sobrecargue, que cada cliente sea atendido dentro de su ventana de tiempo solicitada y que la distancia total recorrida sea lo más corta posible. Este es el Problema de Rutas de Vehículos de Depósitos Múltiples, un complejo rompecabezas logístico que constituye el corazón de las cadenas de suministro modernas. Es mucho más difícil que la versión más simple donde todos los camiones parten de un solo lugar, porque el sistema ahora debe resolver dos problemas a la vez: asignar los clientes al depósito correcto y luego trazar las rutas más eficientes para los vehículos. A medida que el mundo avanza hacia entregas más rápidas, flotas eléctricas y operaciones más sostenibles, este problema se ha vuelto cada vez más crítico para las empresas y las ciudades por igual.
Un equipo de investigadores de la Universidad de Ingeniería y Tecnología de Chittagong analizó recientemente cómo científicos e ingenieros han estado abordando este desafío durante los últimos cinco años. Examinaron cien estudios publicados entre 2021 y 2026 para comprender cómo ha evolucionado el campo, qué nuevos problemas se están resolviendo y cómo los investigadores prueban sus soluciones. Su revisión revela un campo en rápida transición. Si bien el objetivo central sigue siendo minimizar los costos y la distancia de viaje, las restricciones del mundo real se han multiplicado. Los modelos actuales deben dar cuenta de vehículos eléctricos que necesitan detenerse para cargar, ventanas de entrega estrictas que los clientes exigen y la coordinación de múltiples depósitos trabajando juntos. Los investigadores encontraron que las ventanas de tiempo son ahora una característica estándar en casi el sesenta por ciento de los estudios, y la inclusión de rutas eléctricas y ecológicas ha crecido significativamente, reflejando un cambio global hacia la sostenibilidad.
La forma en que los investigadores resuelven estos problemas también ha cambiado. Durante décadas, la herramienta principal ha sido las metaheurísticas, una clase de algoritmos inteligentes de prueba y error que buscan buenas soluciones sin garantizar la absoluta perfección. Estos métodos siguen siendo el enfoque dominante, apareciendo en el ochenta y tres por ciento de los estudios revisados. Sin embargo, el panorama está cambiando. Hay un aumento notable en los marcos híbridos, donde los algoritmos tradicionales se combinan con métodos matemáticos exactos o nuevas técnicas basadas en el aprendizaje. En particular, los métodos que utilizan el aprendizaje automático, como el aprendizaje por refuerzo profundo y las redes neuronales, están ganando terreno. Estos enfoques basados en el aprendizaje, que representan aproximadamente el diecisiete por ciento del trabajo reciente, ofrecen la promesa de tomar decisiones rápidamente una vez que han sido entrenados, aunque a menudo se utilizan para apoyar en lugar de reemplazar a los motores de optimización establecidos.
A pesar de estos avances, los investigadores identificaron un obstáculo significativo en cómo se mide el progreso. Para saber si un nuevo algoritmo es realmente mejor, los científicos necesitan probarlo contra un conjunto de problemas idénticos, conocidos como referentes (benchmarks). La revisión encontró que, si bien los conjuntos de referentes clásicos creados hace años todavía se utilizan, ya no son suficientes. Estos conjuntos de datos antiguos fueron diseñados para camiones simples y depósitos únicos; no pueden capturar la complejidad de las flotas eléctricas, las entregas con drones o las condiciones de tráfico dinámico. En consecuencia, muchos estudios recientes han creado sus propios conjuntos de datos personalizados o han modificado los existentes para adaptarse a sus necesidades específicas. Si bien esto permite realizar pruebas más realistas, ha creado un panorama fragmentado donde diferentes investigadores utilizan diferentes casos de prueba, lo que dificulta la comparación directa de resultados. Los autores señalan que menos de la mitad de los estudios dependen de las referencias compartidas clásicas, y muchos de los nuevos conjuntos de datos realistas no se hacen públicos, lo que limita la capacidad de otros para verificar o construir sobre ese trabajo.
La revisión también destaca cómo los problemas mismos se han vuelto más especializados. Más allá de la tarea básica de mover mercancías, los investigadores ahora modelan escenarios que involucran la logística de la cadena de frío para alimentos perecederos, el transporte de materiales peligrosos e incluso la coordinación de vehículos terrestres con drones. En estas configuraciones complejas, las restricciones como la capacidad de la batería, los tiempos de carga y la sincronización entre diferentes tipos de vehículos se vuelven críticas. Los estudios muestran que estos detalles del mundo real ya no son complementos opcionales, sino que son centrales en los modelos. Sin embargo, el artículo sugiere que, si bien los modelos matemáticos se están volviendo más sofisticados, la comunidad aún carece de una forma unificada de probarlos. Los autores concluyen que, para que el campo avance de manera efectiva, existe una necesidad urgente de conjuntos de datos estandarizados y disponibles públicamente que reflejen estos desafíos modernos y ricos en características. Sin este terreno común, los impresionantes avances en algoritmos y modelado pueden permanecer aislados, incapaces de ser comparados plenamente o integrados en la próxima generación de sistemas logísticos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.