Multi-Depot Vehicle Routing Problems: A Narrative Review of Problem Variants, Algorithms, and Benchmarking Practices (2021–2026)
Deze narratieve review analyseert systematisch 100 studies over het Multi-Depot Vehicle Routing Problem (MDVRP) gepubliceerd tussen 2021 en 2026, waarbij de evolutie van het vakgebied naar complexe real-world beperkingen zoals tijdvensters en duurzaamheid, de dominantie van hybride metaheuristieken naast opkomende leergebaseerde methoden, en de inconsistente staat van benchmarking-praktijken wordt belicht.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een stad voor waar goederen aan duizenden huishoudens moeten worden geleverd, maar de bezorgwagens vertrekken niet allemaal vanuit één centraal magazijn. In plaats daarvan vertrekken ze vanuit een dozijn verschillende depots verspreid over de regio, die elk hun eigen vloot voertuigen hebben. De uitdaging is om te beslissen welke vrachtwagen van welk depot vertrekt, welke klanten hij moet bezoeken en in welke volgorde, terwijl er tegelijkertijd wordt gewaarborgd dat geen enkel voertuig overbelast wordt, elke klant binnen het gevraagde tijdvenster wordt bediend en de totale afgelegde afstand zo kort mogelijk is. Dit is het Multi-Depot Vehicle Routing Problem, een complexe logistieke puzzel die zich in het hart van moderne toeleveringsketens bevindt. Het is veel moeilijker dan de eenvoudigere versie waarbij alle vrachtwagens vanaf één plek vertrekken, omdat het systeem nu twee problemen tegelijk moet oplossen: het toewijzen van klanten aan het juiste depot en vervolgens het uitstippelen van de meest efficiënte routes voor de voertuigen. Nu de wereld beweegt naar snellere leveringen, elektrische vloten en meer duurzame bedrijfsvoering, is dit probleem steeds crucialer geworden voor bedrijven en steden.
Een team onderzoekers van de Chittagong University of Engineering & Technology heeft onlangs diepgaand onderzocht hoe wetenschappers en ingenieurs deze uitdaging de afgelopen vijf jaar hebben aangepakt. Ze onderzochten honderd studies gepubliceerd tussen 2021 en 2026 om te begrijpen hoe het vakgebied is geëvolueerd, welke nieuwe problemen worden opgelost en hoe onderzoekers hun oplossingen testen. Hun beoordeling laat een veld zien dat in een snelle transitie zit. Hoewel het kerndoel nog steeds het minimaliseren van kosten en reisafstand is, zijn de realistische beperkingen vermenigvuldigd. De modellen van vandaag moeten rekening houden met elektrische voertuigen die moeten stoppen om op te laden, strikte tijdvensters die klanten eisen, en de coördinatie van meerdere depots die samenwerken. De onderzoekers ontdekten dat tijdvensters nu een standaardkenmerk zijn in bijna zestig procent van de studies, en dat de opname van elektrisch en groen routebeheer aanzienlijk is gegroeid, wat de wereldwijde verschuiving naar duurzaamheid weerspiegelt.
De manier waarop onderzoekers deze problemen oplossen, is ook veranderd. Decennialang was het primaire instrument metaheuristieken, een klasse van slimme, trial-and-error algoritmen die zoeken naar goede oplossingen zonder een absolute perfecte oplossing te garanderen. Deze methoden blijven de dominante aanpak en komen voor in achtentachtig procent van de onderzochte studies. De situatie verandert echter. Er is een merkbare opkomst van hybride frameworks, waarbij traditionele algoritmen worden gecombineerd met exacte wiskundige methoden of nieuwe leer-gebaseerde technieken. In het bijzonder winnen methoden die gebruikmaken van machine learning, zoals deep reinforcement learning en neurale netwerken, aan terrein. Deze leer-gebaseerde benaderingen, die ongeveer zeventien procent van het recente werk uitmaken, bieden de belofte om snel beslissingen te nemen zodra ze getraind zijn, hoewel ze vaak worden gebruikt om de gevestigde optimalisatiemotoren te ondersteunen in plaats van te vervangen.
Ondanks deze vooruitgang identificeerden de onderzoekers een aanzienlijke hindernis in de manier waarop vooruitgang wordt gemeten. Om te weten of een nieuw algoritme werkelijk beter is, moeten wetenschappers het testen tegen dezelfde set problemen, bekend als benchmarks. De review toonde aan dat hoewel de klassieke benchmarksets die jaren geleden zijn gemaakt nog steeds worden gebruikt, ze niet langer voldoende zijn. Deze oudere datasets waren ontworend voor eenvoudige vrachtwagens en enkele depots; ze kunnen de complexiteit van elektrische vloten, drone-leveringen of dynamische verkeersomstandigheden niet vatten. Gevolgelijk hebben veel recente studies hun eigen aangepaste datasets gecreëerd of bestaande datasets aangepast om aan hun specifieke behoeften te voldoen. Hoewel dit zorgt voor meer realistisch testen, heeft het gezorgd voor een gefragmenteerd landschap waar verschillende onderzoekers verschillende testgevallen gebruiken, wat het direct vergelijken van resultaten moeilijk maakt. De auteurs merken op dat minder dan de helft van de studies steunt op de klassieke gedeelde referenties, en dat veel van de nieuwe, realistische datasets niet openbaar worden gemaakt, wat de mogelijkheid voor anderen beperkt om het werk te verifiëren of erop voort te bouwen.
De review benadrukt ook hoe de problemen zelf gespecialiseerder zijn geworden. Naast de basis taak van het verplaatsen van goederen, modelleren onderzoekers nu scenario's die betrekking hebben op cold-chain logistiek voor bederfelijke voedingsmiddelen, het transport van gevaarlijke stoffen en zelfs de coördinatie van voertuigen op de grond met drones. In deze complexe opstellingen worden beperkingen zoals batterijcapaciteit, laadtijden en de synchronisatie tussen verschillende soorten voertuigen cruciaal. De studies laten zien dat deze realistische details niet langer optionele toevoegingen zijn, maar centraal staan in de modellen. Toch suggereert het artikel dat, hoewel de wiskundige modellen geavanceerder worden, de gemeenschap nog steeds een verenigde manier mist om ze te testen. De auteurs concluderen dat voor een effectieve vooruitgang van het vakgebied, er een dringende behoefte is aan gestandaardiseerde, publiekelijk beschikbare datasets die deze moderne, rijke uitdagingen weerspiegelen. Zonder deze gemeenschappelijke grond kunnen de indrukwekkende vooruitgang in algoritmen en modellering geïsoleerd blijven, niet volledig in staat om vergeleken of geïntegreerd te worden in de volgende generatie logistieke systemen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.