Multi-Depot Vehicle Routing Problems: A Narrative Review of Problem Variants, Algorithms, and Benchmarking Practices (2021–2026)
Cette revue narrative analyse systématiquement 100 études sur le problème de tournées de véhicules à dépôts multiples (MDVRP) publiées entre 2021 et 2026, soulignant l'évolution du domaine vers des contraintes réelles complexes telles que les fenêtres de temps et la durabilité, la dominance des métaheuristiques hybrides aux côtés des méthodes émergentes basées sur l'apprentissage, et l'état incohérent des pratiques d'évaluation comparative.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez une ville où des marchandises doivent être livrées à des milliers de foyers, mais où les camions de livraison ne partent pas tous d'un seul entrepôt central. Au lieu de cela, ils décollent d'une douzaine de différents dépôts dispersés dans la région, chacun possédant sa propre flotte de véhicules. Le défi consiste à décider quel camion part de quel dépôt, quels clients il doit visiter et dans quel ordre, tout en veillant à ce qu'aucun véhicule ne soit surchargé, que chaque client soit servi dans son créneau horaire demandé et que la distance totale parcourue soit la plus courte possible. Il s'agit du Problème de Tournées de Véhicules à Multi-Dépôts (MDVRP), un casse-tête logistique complexe qui est au cœur des chaînes d'approvisionnement modernes. C'est un problème bien plus difficile que la version simplifiée où tous les camions partent d'un seul endroit, car le système doit désormais résoudre deux problèmes à la fois : l'affectation des clients aux bons dépôts, puis la planification des itinéraires les plus efficaces pour les véhicules. Alors que le monde se tourne vers des livraisons plus rapides, des flottes électriques et des opérations plus durables, ce problème est devenu de plus en plus crucial pour les entreprises comme pour les villes.
Une équipe de chercheurs de l'Université d'ingénierie et de technologie de Chittagong a récemment examiné de près la manière dont les scientifiques et les ingénieurs ont abordé ce défi au cours des cinq dernières années. Ils ont examiné cent études publiées entre 2021 et 2026 pour comprendre comment le domaine a évolué, quels nouveaux problèmes sont résolus et comment les chercheurs testent leurs solutions. Leur examen révèle un domaine en pleine transition. Bien que l'objectif central reste la minimisation des coûts et de la distance de voyage, les contraintes du monde réel se sont multipliées. Les modèles d'aujourd'hui doivent tenir compte des véhicules électriques qui doivent s'arrêter pour charger, des créneaux de livraison stricts exigés par les clients, et de la coordination de plusieurs dépôts travaillant ensemble. Les chercheurs ont constaté que les fenêtres de temps sont désormais une caractéristique standard dans près de soixante pour cent des études, et que l'inclusion du routage électrique et écologique a augmenté de manière significative, reflétant un virage mondial vers la durabilité.
La manière dont les chercheurs résolvent ces problèmes a également changé. Pendant des décennies, l'outil principal a été les métaheuristiques, une classe d'algorithmes intelligents de type essai-erreur qui recherchent de bonnes solutions sans garantir la solution absolument parfaite. Ces méthodes restent l'approche dominante, apparaissant dans quatre-vingt-trois pour cent des études examinées. Cependant, le paysage change. On observe une montée notable des cadres hybrides, où les algorithmes traditionnels sont combinés avec de nouvelles techniques mathématiques exactes ou basées sur l'apprentissage. En particulier, les méthodes utilisant l'apprentissage automatique, telles que l'apprentissage par renforcement profond et les réseaux de neurones, gagnent du terrain. Ces approches basées sur l'apprentissage, qui représentent environ dix-sept pour cent des travaux récents, offrent la promesse de prendre des décisions rapidement une fois entraînées, bien qu'elles soient souvent utilisées pour soutenir plutôt que pour remplacer les moteurs d'optimisation établis.
Malgré ces avancées, les chercheurs ont identifié un obstacle important dans la mesure des progrès. Pour savoir si un nouvel algorithme est réellement meilleur, les scientifiques doivent le tester contre un même ensemble de problèmes, appelés benchmarks. L'examen a révélé que, bien que les ensembles de benchmarks classiques créés il y a des années soient toujours utilisés, ils ne suffisent plus. Ces anciens jeux de données ont été conçus pour des camions simples et des dépôts uniques ; ils ne peuvent pas capturer la complexité des flottes électriques, des livraisons par drones ou des conditions de trafic dynamiques. Par conséquent, de nombreuses études récentes ont créé leurs propres jeux de données personnalisés ou ont modifié des jeux existants pour répondre à leurs besoins spécifiques. Bien que cela permette des tests plus réalistes, cela a créé un paysage fragmenté où différents chercheurs utilisent différents cas de test, ce qui rend difficile la comparaison directe des résultats. Les auteurs notent que moins de la moitié des études s'appuient sur les références partagées classiques, et que beaucoup de nouveaux jeux de données réalistes ne sont pas rendus publics, ce qui limite la capacité d'autrui à vérifier ou à s'appuyer sur ces travaux.
L'examen souligne également que les problèmes eux-mêmes sont devenus plus spécialisés. Au-delà de la tâche de base consistant à déplacer des marchandises, les chercheurs modélisent désormais des scénarios impliquant la logistique de la chaîne du froid pour les denrées périssables, le transport de matières dangereuses, et même la coordination de véhicules terrest de drones. Dans ces configurations complexes, des contraintes telles que la capacité de la batterie, les temps de charge et la synchronisation entre différents types de véhicules deviennent critiques. Les études montrent que ces détails du monde réel ne sont plus des ajouts optionnels mais sont centraux dans les modèles. Pourtant, l'article suggère que, bien que les modèles mathématiques deviennent plus sophistiqués, la communauté manque encore d'une manière unifiée de les tester. Les auteurs concluent que pour que le domaine progresse efficacement, il est urgent de disposer de jeux de données standardisés et accessibles au public qui reflètent ces défis modernes riches en fonctionnalités. Sans ce terrain d'entente, les progrès impressionnants en matière d'algorithmes et de modélisation pourraient rester isolés, incapables d'être pleinement comparés ou intégrés dans la prochaine génération de systèmes logistiques.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.