Multi-Depot Vehicle Routing Problems: A Narrative Review of Problem Variants, Algorithms, and Benchmarking Practices (2021–2026)
Esta revisão narrativa analisa sistematicamente 100 estudos sobre o Problema de Roteamento de Veículos com Múltiplos Depósitos (MDVRP) publicados entre 2021 e 2026, destacando a evolução do campo em direção a restrições do mundo real complexas, como janelas de tempo e sustentabilidade, a dominância de metaheurísticas híbridas juntamente com métodos emergentes baseados em aprendizado, e o estado inconsistente das práticas de benchmarking.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine uma cidade onde mercadorias devem ser entregues a milhares de residências, mas os caminhões de entrega não partem todos de um único armazém central. Em vez disso, eles partem de uma dúzia de diferentes depósitos espalhados pela região, cada um com sua própria frota de veículos. O desafio é decidir qual caminhão sai de qual depósito, quais clientes ele deve visitar e em que ordem, tudo isso garantindo que nenhum veículo fique sobrecarregado, que cada cliente seja atendido dentro de sua janela de tempo solicitada e que a distância total percorrida seja a menor possível. Este é o Problema de Roteamento de Veículos com Múltiplos Depósitos, um complexo quebra-cabeça logístico que está no coração das cadeias de suprimentos modernas. É muito mais difícil do que a versão mais simples, onde todos os caminhões partem de um único lugar, porque o sistema deve agora resolver dois problemas ao mesmo tempo: atribuir clientes aos depósitos corretos e, em seguida, traçar as rotas mais eficientes para os veículos. À medida que o mundo avança em direção a entregas mais rápidas, frotas elétricas e operações mais sustentáveis, este problema tornou-se cadaemente mais crítico para empresas e cidades.
Uma equipe de pesquisadores da Universidade de Engenharia e Tecnologia de Chittagong analisou profundamente como cientistas e engenheiros têm enfrentado esse desafio nos últimos cinco anos. Eles examinaram cem estudos publicados entre 2021 e 2026 para entender como o campo evoluiu, quais novos problemas estão sendo resolvidos e como os pesquisadores testam suas soluções. Sua revisão revela um campo em rápida transição. Embora o objetivo central continue sendo minimizar custos e distância de viagem, as restrições do mundo real multiplicaram-se. Os modelos atuais devem considerar veículos elétricos que precisam parar para carregar, janelas de entrega rigorosas que os clientes exigem e a coordenação de múltiplos depósitos trabalhando em conjunto. Os pesquisadores descobriram que as janelas de tempo são agora um recurso padrão em quase sessenta por cento dos estudos, e a inclusão de roteamento elétrico e verde cresceu significativamente, refletindo uma mudança global em direção à sustentabilidade.
A maneira como os pesquisadores resolvem esses problemas também mudou. Por décadas, a principal ferramenta tem sido as meta-heurísticas, uma classe de algoritmos inteligentes de tentativa e erro que buscam boas soluções sem garantir a absoluta perfeição. Esses métodos continuam sendo a abordagem dominante, aparecendo em oitenta e três por cento dos estudos revisados. No entanto, o cenário está mudando. Há um aumento perceptível em estruturas híbridas, onde algoritmos tradicionais são combinados com métodos matemáticos exatos ou novas técnicas baseadas em aprendizado. Em particular, métodos que utilizam aprendizado de máquina, como aprendizado por reforço profundo e redes neurais, estão ganhando tração. Essas abordagens baseadas em aprendizado, que compõem cerca de dezessete por cento do trabalho recente, oferecem a promessa de tomar decisões rapidamente após serem treinadas, embora sejam frequentemente usadas para apoiar, em vez de substituir, os motores de otimização estabelecidos.
Apesar desses avanços, os pesquisadores identificaram um obstáculo significativo na forma como o progresso é medido. Para saber se um novo algoritmo é verdadeiramente melhor, os cientistas precisam testá-lo contra o mesmo conjunto de problemas, conhecidos como benchmarks. A revisão encontrou que, embora os conjuntos de benchmarks clássicos criados anos atrás ainda sejam usados, eles já não são suficientes. Esses conjuntos de dados mais antigos foram projetados para caminhões simples e depósitos únicos; eles não conseguem capturar a complexidade de frotas elétricas, entregas por drones ou condições de tráfego dinâmicas. Consequentemente, muitos estudos recentes criaram seus próprios conjuntos de dados personalizados ou modificaram os existentes para atender às suas necessidades específicas. Embora isso permita testes mais realistas, criou um cenário fragmentado onde diferentes pesquisadores usam diferentes casos de teste, tornando difícil comparar resultados diretamente. Os autores observam que menos da metade dos estudos depende das referências compartilhadas clássicas, e muitos dos novos conjuntos de dados realistas não são tornados públicos, o que limita a capacidade de outros verificarem ou construírem sobre o trabalho.
A revisão também destaca como os próprios problemas se tornaram mais especializados. Além da tarefa básica de mover mercadorias, pesquisadores estão agora modelando cenários envolvendo logística de cadeia de frio para alimentos perecíveis, transporte de materiais perigosos e até mesmo a coordenação de veículos terrestres com drones. Nesses setups complexos, restrições como capacidade de bateria, tempos de carregamento e sincronização entre diferentes tipos de veículos tornam-se críticas. Os estudos mostram que esses detalhes do mundo real não são mais complementos opcionais, mas centrais para os modelos. No entanto, o artigo sugere que, embora os modelos matemáticos estejam se tornando mais sofisticados, a comunidade ainda carece de uma forma unificada de testá-los. Os autores concluem que, para o campo avançar efetivamente, há uma necessidade urgente de conjuntos de dados padronizados e publicamente disponíveis que reflitam esses desafios modernos e ricos em recursos. Sem esse terreno comum, os impressionantes avanços em algoritmos e modelagem podem permanecer isolados, incapazes de serem totalmente comparados ou integrados à próxima geração de sistemas logísticos.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.