Stochastický dynamický vehicle routing problem

Abstract

Dynamický stochastický vehicle routing problém (DSVRP) si v posledních letech získal mnoho pozornosti. Jedná se o klasické VRP, ve kterém však všichni zákazníci nejsou známi předem, ale jsou postupně odhalováni během vykonávání plánu. Plánovač má také od začátku k dispozici stochastické údaje o požadavcích jednotlivých zákazníků, které může využít k předvídání budoucích událostí. Protože u mnoha problémů z reálného světa, jako např. rozvoz potravin, je nutné zákazníkům dovážet určité zboží, zformulovali jsme novou DSVRP variantu, ve které jsou všichni zákazníci zásobováni z některého z dostupných skladů. V této práci uvádíme matematickou definici statické a dynamické verze vehicle routing problému se sklady. K řešení tohoto problému navrhujeme dvě vyčkávací heuristiky a optimalizační strategii, která využívá soubor scénářů obsahujících jak známé, tak možné budoucí požadavky zákazníků. Z výsledků testování našeho algoritmu na množině syntetických testovacích příkladů vyplývá, že náš postup ve většině případů dokáže překonat nejlepší známé metody.

The Dynamic Stochastic Vehicle Routing Problem (DSVRP) has received increased attention in recent years. It considers a routing problem where not all customers are known in advance but are dynamically revealed during the execution of the plan. Stochastic knowledge about the dynamic customer requests is available to the solver and can be used to anticipate possible future events. Because many real-world scenarios, such as grocery delivery services, need to bring some goods to their customers, we formulate a novel DSVRP variant where each customer is supplied from one of the available warehouses. In this work, we present a mathematical definition of the static and dynamic version of the vehicle routing problem with warehouses. To solve this problem, we propose two novel waiting heuristics together with optimization strategy utilizing a pool of scenarios including both known and possible future requests. The computational results obtained on a set of synthetic test scenarios show that our approach in most cases surpasses existing state-of-the-art methods.