Investigação de características de algoritmos
vencedores para o problema de roteamento de
veículos com múltiplos atributos
Kellen Dayelle Endler1, Cassius Tadeu Scarpin2,
Alexandre Checoli Choueiri3,
Grupo de Tecnologia Aplicada à Otimização (GTAO) /
Universidade Federal do Paraná (UFPR)
Curitiba, Brasil
1
kellen_dayelle@hotmail.com, 2cassiusts@gmail.com,
3
alexandrechecoli@gmail.com
Resumo— A gama extremamente ampla de aplicações reais
em que os Problemas de Roteamento de Veículos, ou Vehicle
Routing Problem (VRP) são encontrados leva a definição de suas
muitas variantes com características e restrições adicionais, os
chamados atributos. Este campo de pesquisa é extremamente
promissor, particularmente devido a tendência para
configurações de problemas que incluem um número
continuamente crescente de atributos e as propostas de métodos
de solução capazes de abordar esses atributos de forma
simultânea. As dimensões da maioria das instâncias clássicas
dificultam a aplicabilidade de métodos exatos, tornando as
heurísticas e as meta-heurísticas, os métodos mais adequados
para aplicações práticas. Assim, este artigo investiga quais
foram as estratégias consideradas “vencedoras” utilizadas por
estes algoritmos, selecionados por seu alto desempenho em
problemas Multi-atribute VRPs (MAVRPs). Este estudo é um
passo importante no desenvolvimento de métodos unificados
que lidam com as aplicações práticas de roteamento de maneira
oportuna.
Palavras-chave— Vehicle Routing Problem (VRP), multi-
atribute (MAVRP), rich VRP, real world problems.
I. INTRODUÇÃO
O Problema de Roteamento de Veículos (PRV) ou
Vehicle Routing Problem (VRP) é um nome genérico para
uma classe de problemas de otimização combinatória em que
clientes dispersos geograficamente devem ser atendidos por
uma frota de veículos. Os veículos deixam um depósito,
servem os clientes na rede e retornam ao depósito após
completar suas rotas. Cada cliente é descrito por uma certa
Maria Teresinha Arns Steiner
Programa de Pós-Graduação em Engenharia de Produção e
Sistemas (PPGEPS)
Pontifícia Universidade Católica do Paraná (PUC-PR)
Curitiba, Brasil
maria.steiner@pucpr.br
demanda. Uma revisão de literatura recente pode ser
encontrada em [1].
Os modelos atuais de VRP visam cada vez mais
incorporar as complexidades da vida real. Os atributos do
problema consistem nas características adicionais ou
restrições que visam levar em conta as especificidades de
aplicações. Portanto, a nomenclatura utilizada para tratar de
múltiplas características do VRP é MAVRP (Multi-atribute
VRP). Cada variante clássica do VRP é suportada por uma
literatura bem desenvolvida. Exemplos dessas variantes são
descritos na seção II.
Este artigo investiga quais foram as estratégias
consideradas “vencedoras” utilizadas por algoritmos recentes
selecionados por seu alto desempenho em MAVRP. As
dimensões da maioria das instâncias de interesse bem como
as decisões que combinam múltiplos atributos
simultaneamente, (os chamados VRPs ricos – rich VRP)
(vide [2]), dificultam a aplicabilidade de métodos exatos, por
isso a importância de soluções heurísticas. Mesmo uma
pequena melhoria nas soluções pode ter enormes
consequências econômicas e ambientais. Este estudo é um
passo importante no desenvolvimento de métodos unificados
eficientes para lidar com a grande quantidade de variantes de
roteamento de veículos. Evidenciam-se algumas estratégias
de sucesso utilizadas para produzir métodos competitivos e
escalonáveis.
 II. DESCRIÇÃO DAS VARIANTES CLÁSSICAS ESTUDADAS
EM MAVRP
Considerada a versão clássica dos VRPs, o Problema de
Roteamento de Veículos Capacitado (PRVC) ou Capacitated
Vehicle Routing Problem (CVRP), pode ser definido da
seguinte forma. Seja 𝐺 = (𝑉; 𝐸) um grafo completo onde
𝑉 = {0, 1, … , 𝑛} é um conjunto de 𝑛 + 1 vértices e 𝐸 =
𝑓(𝑖, 𝑗): 𝑖, 𝑗𝜖 𝑉, 𝑖 ≠ 𝑗} é o conjunto de arestas. O vértice 0
representa o depósito, onde se encontra a frota de veículos,
enquanto o conjunto 𝑉’ = 𝑉 \{0} dos vértices restantes
representam os 𝑛 clientes. Cada cliente 𝑖 ∈ 𝑉′ possui uma
demanda 𝑞𝑖 não-negativa (assume-se 𝑞0 = 0). A cada aresta
(𝑖, 𝑗) ∈ E está associado um custo 𝑐𝑖𝑗 , também não-negativo
e 𝐶 = {1, … , 𝑚} é o conjunto de veículos homogêneos com
capacidade 𝑄.
O PRVC consiste em determinar um conjunto de rotas R
para os veículos, onde 𝑅 = (𝑖1 , 𝑖2 , … , 𝑖|𝑅| ), de tal modo que:
(i) toda rota começa e termina no depósito, isto é, 𝑖1 = 𝑖|𝑅| =
0 e { 𝑖2 , … , 𝑖|𝑅|−1 } ⊆ 𝑉′; (ii) a demanda de todos os clientes
deve ser atendida; (iii) a capacidade do veículo não pode ser
|𝑅|−1
violada (∑ℎ=2 𝑞𝑖ℎ ≤ 𝑄); (iv) cada cliente é visitado por um
único veículo; (v) a soma total dos custos deve ser
minimizada, sendo o custo 𝑐𝑟 de uma rota 𝑟 dado pela soma
|𝑅|−1
dos custos das arestas, ou seja, ∑ℎ=1 𝑐𝑖ℎ 𝑖ℎ+1 .
A seguir apresenta-se uma breve descrição de algumas
das variantes clássicas estudadas em MAVRPs. Uma revisão
bibliográfica mais detalhada dos problemas tratados pode ser
encontrada nos trabalhos: [1], [3], [4], [5], [6], [7] e [8] com
uma revisão específica sobre o MAVRPs.
• Múltiplos depósitos (MDVRP): mais de um
depósito disponível, mas cada veículo deve iniciar e terminar
no mesmo depósito em uma rota. O número de veículos por
depósito é geralmente limitado.
• Periódico (PVRP): uma dimensão de tempo é
introduzida, pois o planejamento de rota deve ser executado
em um horizonte de vários períodos. A atribuição de visitas a
clientes está sujeita a restrições de compatibilidade com os
padrões - combinações aceitáveis de períodos de visita.
• Heterogêneo (HVRP): os clientes são atribuídos a
tipos de veículos com características diferentes: capacidade,
tempos máximos de rota, custos fixos e custos variáveis em
termos de distância. Quando o número de veículos não é
restrito, o problema é geralmente chamado de Fleet Size and
Mix (FSM), caso contrário, a versão mais difícil é chamada
de VRP Heterogêneo (HVRP) (ver [9] para uma revisão).
• Split deliveries (SDVRP) – entregas fracionadas: os
clientes podem ser visitados mais de uma vez e suas
demandas podem ser divididas entre diferentes veículos,
conforme revisado em [10]. Neste caso, é necessário decidir
sobre a quantidade de mercadorias a serem entregues a cada
cliente por cada veículo.
• Backhauls (BVRP): dois tipos diferentes de clientes
são considerados, mais precisamente, linehaul e backhaul. O
primeiro tipo inclui os clientes com demandas de entrega,
enquanto o segundo inclui aqueles com coletas. Nesse caso,
os clientes de backhaul só podem ser visitados após o último
cliente linehaul e um caminho não pode ser composto apenas
de clientes de backhaul.
• Pickup and deliveries (VRPPD) – Coleta e Entrega:
deve-se visitar todas as localidades, de modo que as coletas e
entregas correspondentes sejam colocadas na mesma rota e
de tal forma que uma coleta seja realizada antes da entrega
correspondente.
• Multi-Trips (MTVRP) - Múltiplas viagens: cada
veículo pode executar uma sequência de viagens sucessivas,
muitas vezes limitada por um comprimento ou duração
máxima. Ao fazer isso, as restrições globais nas rotas, como
a duração máxima e as janelas de tempo, continuam a ser
consideradas.
• Time Windows (VRPTW) – janelas de tempo: uma
janela de tempo [𝑎𝑖 , 𝑏𝑖 ] e um tempo de serviço 𝑠𝑖 são
definidos para cada vértice 𝑖 ∈ 𝑉. O serviço de um cliente
deve iniciar dentro de sua janela de tempo e um veículo pode
chegar ao cliente i antes 𝑎𝑖 , mas não depois do 𝑏𝑖 . Tempos de
espera são permitidos.
• Time-Dependent Travel Time (TDVRP) -
dependente do tempo: Em contextos práticos, quando se
enfrenta especialmente o congestionamento da rede, os
tempos de viagem em um arco dependem da data de partida,
levando a um VRP dependente do tempo.
• Assimétrico (AVRP): os custos de dois arcos
opostos podem diferir, isto é, cij não é necessariamente igual
a cji, para i e j ∈ V.
• Open (OVRP) – Aberto: o veículo não precisa
retornar ao depósito depois de visitar o último cliente, ou seja,
𝑐𝑖0 = 0 para todo 𝑖 ∈ 𝑉. Relacionado às práticas de
faturamento dos fornecedores de transporte rodoviário, o
último retorno ao depósito não é contabilizado para os custos
de transporte.
• Site-dependent (SDVRP): uma frota heterogênea de
veículos é usada para atender um conjunto de clientes, mas
existem dependências de compatibilidade entre as
localizações dos clientes e veículos com características
particulares.
• Restrições de duração da rota (DurVRP): existe um
limite de distância percorrida ou tempo para as rotas.
• Work hours regulations (VRTDSP): Regulamentos
de horas de trabalho e interrupções do motorista.
• Cumulative (CCVRP): minimizar a soma dos
tempos de chegada aos clientes (soma mínima) ao invés da
distância total da rota. O CCVRP é motivado pela
necessidade de atender os clientes o mais rápido possível, por
exemplo, no fornecimento de bens vitais ou de resgate após
um desastre natural.
III. METODOLOGIA
Para as análises realizadas neste artigo foram avaliados os
principais artigos recentes que tratam com notoriedade em
termos de eficiência computacional do MAVRP. Para tanto,
foram analisados artigos que trabalham com os atributos
clássicos com instancias comparáveis. A Tabela I apresenta
os principais artigos analisados devido a sua notoriedade em
tempos de solução de diferentes variantes do VRP.
Apresenta-se para cada método proposto, quais e quantas
foram as variantes consideradas, sendo que estas podem ser
testadas em conjunto. A relação dos resultados obtidos por
cada um destes artigos com as melhores soluções conhecidas
BKS (Best Known Solutions) é apresentada de acordo com as
informações disponibilizadas por cada artigo. Por fim, cada
um dos artigos é uma extensão de artigos publicados
anteriormente. Estes artigos apresentam publicações de
resultados parciais e portanto, apresentam importantes
conceitos e descrições que não constam no artigo avaliado.
Dessa forma, esses artigos foram também analisados.

TABELA I: RELAÇÃO DAS CARACTERÍSTICAS DOS ARTIGOS COM ALGORITMOS UNIFICADOS PARA MAVRP AVALIADOS
Artigo / Algoritmo Variantes contempladas No. variantes testadas Artigos
Proposto / No. instâncias anteriores
relacionados
Vidal et. al (2014) Multiple depots (MDVRP), Multiple periods (PVRP), Heterogeneous 29 variantes testadas / [12], [13]
[11] / Unified fleet (HVRP), Site-dependent (SDVRP), Split deliveries (VRPSD), Profits 1099 instâncias de
Hybrid Genetic (TOP), Multiple trips (MTVRP), Pickup and deliveries (VRPPD), referência testadas:
Search (UHGS) Backhauls (VRPB), Asymmetric (AVRP), Open (OVRP), Cumulative 95% de melhores
(CCVRP), Load-dependent costs (LDVRP), Simultaneous P.and D. soluções conhecidas
(VRPSDP), Mixed Pickup and deliveries (VRPMDP), Vehicle Fleet Mix foram recuperadas ou
(VFMP), Duration constraints (DurVRP), Hard TW (VRPTW), Soft TW melhoradas.
(VRPSTW), Multiple TW (VRPMTW), General TW (VRPGTW), Time- 541 novos BKS.
dep. travel time (TDVRP), Flexible travel time (VRPFTT), Lunch breaks
(VRPLB), Work hours regulations (VRTDSP), Site choice (Generalized
VRP) (GVRP)
Koç et al. (2015) Vehicle Fleet Mix with Time Windows (VFMPTW), Heterogeneous fleet 4 variantes / [15], [16]
[14]/ Unified Hybrid with Time Windows (HVRPTW), com restrição de tempo ou distância, 360 instancias de
Evolutionary máxima em rota; referência testadas:
Algorithm (HEA) 49% de BKS foram
recuperadas ou
melhoradas.
75 novos BKS.
Penna, et al. Multiple depots (MDVRP), Heterogeneous fleet (HVRP), Multiple 12 variantes / [18], [19][18]
(2017)[17] / Unified trips (MTVRP), Backhauls (VRPB), Mixed Backhauls (VRPB), 643 instâncias de e [20]
Hybrid Heuristic, Asymmetric (AVRP), Open (OVRP), Time Windows (VRPTW), Route referência testadas:
HILS-RVRP Duration (RDVRP) 71,70% de BKS são
recuperadas ou
melhoradas.

Outro artigo relevante consiste no estudo de [23] que
apresentou um solver no Microsoft Excel®, desenvolvido
usando o Visual Basic for Applications (VBA). O solver foi
disponibilizado pelo autor para download em um site
acadêmico sem custo [22], e foi baixado mais de 2900 vezes,
até o momento desta pesquisa. Segundo o autor, desenvolver
um algoritmo de solução para o VRP é uma tarefa difícil.
Embora existam códigos de fonte aberta, a maioria é
programada em C++, e estes, segundo o autor, são projetados
“para os fortes” (pelo nível de dificuldade em utilização). O
solver desenvolvido, no entanto, pode ser entendido e
modificado por programadores de nível médio e traz uma
interface amigável e acessível.
O VRP Spreadsheet Solver proposto pode resolver mais
de 64 variantes do VRP, com base em recursos relacionados
a visitas seletivas aos clientes, coletas e entregas simultâneas,
janelas de tempo, composição da frota, restrição de distância
e destino dos veículos. O solver foi capaz de resolver
instancias de CVRP com até 200 clientes em 1h de CPU
Time. Em termos de velocidade, é difícil qualquer
comparação com os outros algoritmos de estado-da-arte,
visto que o C++ pode ser mais de 2,7 vezes mais rápido que
o VBA (o autor realizou um experimento simples para
verificação - criou uma matriz de números inteiros com
10.000 elementos, preencheu essa matriz com ⌊U [0,1] *
1000⌋ e repetiu esse processo 10.000 vezes). Além do fato de
que o gerenciamento de memória de ponteiros do C++ é
conhecido por ser muito eficiente.
IV. PRINCIPAIS CARACTERÍSTICAS DOS ALGORITMOS PARA
MAVRP
Para analisar os conceitos de heurística do MAVRP,
identificamos três categorias de atributos, definidos em
relação ao seu impacto na resolução heurística:
⎯ ASSIGN: a atribuição de clientes e rotas para recursos
(depósitos, dias, tipos de veículos);
⎯ SEQ: que determinam a estrutura da rede e sequências
de visitas e atributos;
⎯ EVAL: avaliação de sequências fixas.
Essa classificação simples está intimamente conectada
com as metodologias de resolução, pois lidar com esses três
aspectos problemáticos leva a um método de solução
completo. Observe que um atributo pode afetar vários
aspectos do problema e, portanto, possivelmente aparecer em
várias categorias. A Tabela II apresenta exemplos de
variantes clássicas abordadas pela literatura e sua [12] para os problemas MDVRP e PVRP, fez-se aqui uma
classificação. adaptação deste ajuste para um problema com múltiplos
atributos, mantendo-se os parâmetros descritos no artigo de
Já [13] avalia 15 diferentes atributos clássicos do VRP em
referência. Seja 𝜉 𝑅𝐸𝐹 a proporção alvo de indivíduos viáveis,
64 meta-heurísticas diferentes que destacavam-se pela
𝜉 𝑄 e 𝜉 𝐷 a proporção dos 100 últimos indivíduos factíveis em
qualidade de solução e/ou tempo computacional de
relação à capacidade do veículo e à duração da rota,
resolução. Neste estudo, os autores concluem que os
respectivamente. O ajuste descrito em (2) é então realizado a
melhores métodos heurísticos não sustentam seu desempenho
cada 100 iterações.
em uma única ideia "vencedora". Por sua vez, esses métodos
apresentam um equilíbrio e uma complementaridade de 𝜙𝜔 𝐸𝑖 = 𝜔 𝐸𝑖 × 1.2, se 𝜉𝐸𝑖 ≤ 𝜉 𝑅𝐸𝐹 − 0,05
conceitos. (2)
𝜔 𝐸𝑖 = 𝜔 𝐸𝑖 × 0.85, se 𝜉𝐸𝑖 ≤ 𝜉 𝑅𝐸𝐹 + 0,05
TABELA II: VARIANTES FREQUENTEMENTE ENCONTRADAS NA LITERATURA Vale mencionar que no artigo de [17], apenas soluções
ASSIGN SEQ EVAL
Open factíveis são aceitas, com exceção apenas das variantes com
Multi-Depots,
Heterogeneous, Backhauls,
Time Windows janela de tempo.
Time dependent
Multi-Periods, PickandD.,
HOS Regulations B. Representação da Solução
Split Deliv., Multiple Trips,
2D-3D Loading Soft and Multiple
Prize Collect,. Multi-Echelons Truck and
Location, Trailer,
TW Duration Constr. Meta-heurísticas são geralmente descritas relativamente
Other time feat.
Site Generalized Graph specifics: ao conceito de espaço de busca, isto é, um conjunto de
Cumulative costs
Dependent, Tree, Shoreline...
Inventory,
Simult Pick and Deliv soluções. Para muitos MAVRPs, no entanto, definir uma
Pollution/Green
Consistency.
Synchronization
solução completa vai além da descrição da rota, já que
diversas decisões adicionais relacionadas a diferentes
atributos são especificadas. Muitas meta-heurísticas são
A. Espaço de busca então projetadas para explorar um espaço de busca feito de
representações indiretas de soluções. Essas representações
Uma característica relevante do espaço de busca vem do
contêm apenas informações suficientes para que um
potencial uso de soluções infactíveis (ver [24], [25] e algoritmo decodificador eficiente possa ser aplicado a fim de
[12]). Estudos realizados desde o trabalho de [26] relatam extrair uma ou várias soluções completas ([13]).
que uma exploração controlada de soluções infactíveis pode
melhorar a busca, permitindo que ela faça a transição mais O artigo seminal de [11], bem como em estudos anteriores
facilmente entre soluções viáveis estruturalmente (vide [27], [28], [29], [30], [12], [13] para aplicações em AG,
diferentes. Além disso, o uso de soluções infactíveis pode e [31] em GRASP + ELS), utilizam a célebre representação
contribuir para melhorar a robustez do método, que é menos de [32], de um giant tour (traduzido aqui como rota gigante)
dependente da disponibilidade de uma solução inicial viável sem delimitadores de rota, como ilustrado na Figura 1.
(encontrar uma solução viável é muitas vezes Problema NP- REPRESENTAÇÃO
REPRESENTAÇÃO INDIVÍDUO
REPRESENTAÇÃO
DODO INDIVÍDUO
DO INDIVÍDUO REPRESENTAÇÃO
REPRESENTAÇÃO
REPRESENTAÇÃO
DADA
SOLUÇÃO
SOLUÇÃO
DA SOLUÇÃO

difícil). [8] detecta que 28 das 64 meta-heurísticas avaliadas 9 93 37 976 368 784 645 852 421 51 2 1 0 90 39 030090 370067 860087060 840054 25012401502 1 0
considera violações das restrições de rota (carga, duração ou SPLIT : Posicionamento
SPLIT : SPosicionamentode de
PLIT: Posicionamento de
depósitos
depósitos
depósitos
janelas de tempo).
O artigo de [11] define para a avaliação de um indivíduo REMOÇÃO
Rdos
REMOÇÃO depósitos
dos
EMOÇÃOdepósitos
dos depósitos
𝑝 o custo penalizado 𝜙 𝐶𝑂𝑆𝑇 (𝑝), definido em (1).
𝑁𝐴𝑇𝑇
𝐷 (𝑟) 𝑄 𝑄 (𝜎)
𝜙(𝑟) = 𝜑 +𝜔 𝜑 + ∑ 𝜔 𝐸𝑖 𝜑 𝐸𝑖 (𝜎) (1)
Figura 1. Representação do indivíduo e da solução.
𝑖=𝑖

Este custo consiste na soma da distância total de todas as
rotas e das penalizações de excessos relacionados ao
carregamento e outras violações de restrição dos 𝑁𝐴𝑇𝑇
atributos de EVAL. Para qualquer rota 𝑟 com distância
𝜑 𝐷 (𝑟), carregue o excesso 𝜑 𝑄 (𝑟) e os excessos 𝜑 𝐸𝑖 (𝑟) para
𝑖 𝜖 {1, … , 𝑁𝐴𝑇𝑇 } relacionados aos atributos EVAL. Onde 𝜔 𝑄
e 𝜔 𝐸𝑖 representam os coeficientes de penalização associados.
O conjunto de excessos 𝜑 𝐸𝑖 (𝜎) pode estar associado à carga
de pickup (variantes de VRPB) e/ou relaxações de janela de
tempo no sentido de [14].
Um ponto importante a ser mencionado é que o artigo de
[11] cita que as penalizações são ajustadas dinamicamente
durante a execução do algoritmo para favorecer a geração de
indivíduos factíveis. Assim, seguindo a ideia apresentada em
Como já mencionado, métodos baseados em AG para o
MAVRP vem sendo estudados mais recentemente, quando
comparados a outras meta-heurísticas. Uma tentativa de
utilização de AG para o VRP é apresentada por Breedam
(1996). Van Breedam construiu um algoritmo com
delimitadores de rotas, ou seja, os cromossomos eram
formados pelos pontos a serem atendidos e entre o final de
uma rota e o início de outra havia um gene ocupado pelo
depósito. Desse modo, as operações de crossover acabavam
produzindo soluções infactíveis que eram rejeitadas,
reduzindo a eficiência do algoritmo. Assim como também
sugere [33], o fato de algoritmos baseados em AGs não terem
obtido bons resultados nas tentativas iniciais pode ser
explicado pelo modo de construção dos cromossomos. As
primeiras tentativas foram baseadas em cromossomos com
delimitadores de rotas, o que obrigava o algoritmo a executar Em relação ao procedimento Split, este algoritmo reduz o
procedimentos de reparo para transformar as soluções problema de encontrar os delimitadores de rota para um
infactíveis obtidas nos crossovers em soluções viáveis. Para problema de caminho mais curto em um gráfico acíclico
corrigir tais distorções dos cromossomos com delimitadores auxiliar. Este algoritmo pode ser adaptado a cenários com
de rotas, é preciso utilizar algoritmos que corrigem os custos penalizados e tamanho limitado da frota.
cromossomos gerados, o que eleva o custo computacional do
crossover e prejudica a transmissão de bons trechos de rotas
para as gerações seguintes, como sugere [32].
[32] apresentou um algoritmo genético híbrido que se
mostrou superior a todos os outros algoritmos genéticos até
então publicados, comparando-se as instâncias de [34] e [35].
Dois são os fatores fundamentais para o sucesso de seu
algoritmo:
i. a codificação do cromossomo sem delimitadores
de rotas permite a utilização do operador de
crossover OX (order crossover), que é o método
de cruzamento utilizado com mais sucesso nos
algoritmos genéticos aplicados a problemas do
tipo caixeiro-viajante e de roteirização de
veículos segundo [32].
ii. formação das rotas pelo método de
particionamento da rota gigante, chamado de Figura 3. Crossover OX em cromossomos P1 e P2 (a) com
delimitadores de rota e (b) sem delimitadores de rota.
split procedure, o que garante que, para a
sequência de clientes determinada pelo A Figura 4 ilustra o algoritmo Split em uma sequência de
cromossomo, seja obtido a rota ótima. 5 clientes C1 até C5. O primeiro grafo mostra os custos dos
arcos e as demandas de cada cliente. Neste exemplo, assume-
Para ilustrar o fato de como os operadores de crossover se que a capacidade dos veículos é Q = 6. Sendo que a carga
comuns geram soluções infactíveis, tome-se, por exemplo, o máxima permitida para a inclusão de arcos (𝑖, 𝑗) no grafo ℋ
problema do caixeiro-viajante, em que o cromossomo de é de 𝑄𝑚𝑎𝑥 = 2𝑄. A duração máxima permitida é de D=150.
solução é representado por uma sequência ordenada de Todos os clientes tem um tempo de serviço idêntico 𝑑𝑖 =10, e
cidades a serem visitadas (Figura 2). Sejam P1 e P2 dois pais os parâmetros de penalização são 𝜔𝑄 =10 e 𝜔𝐷 =1. Os arcos
selecionados para cruzamento, e suponha que seja aplicado do grafo ℋ são apresentados e o custo da rota incluindo
um operador de cruzamento em dois pontos, após a 2ª e 6ª penalidades. Por exemplo, a rota atendendo clientes C3, C4 e
posições. C5 tem um custo de 165 + 20 + 15, as penalizações de 20 e
15 correspondentes ao excesso de carga de duas unidades e
i=2 j=6 i=2 j=6 duração, respectivamente. A solução ideal do problema
P1= 1 2 3 4 5 6 7 8 9 P1= 1 2 7 6 8 4 7 8 9
caminho de custo mínimo é de 260. E é composto das três
P2= 9 3 7 6 8 4 5 2 1 P2= 9 3 3 4 5 6 5 2 1 rotas seguintes: rota 1 visita C1, rota 2 com as visitas C2, C3
e C4 e rota 3 visita C5.
Figura 2. Representação de um Cross Over em dois pontos. REPRESENTAÇÃO “GIANT TOUR” COM
DIVISÃO ÓTIMA DAS ROTAS:
DISTANCIAS E DEMANDAS:
Ambas as soluções acima não representam roteiros
válidos para o problema do caixeiro-viajante, uma vez que
algumas cidades aparecem duas vezes, enquanto outras
cidades não são visitadas. A fim de evitar esse tipo de
problema, existem operadores específicos para tratar
cromossomos que representam uma permutação. O operador
OX, proposto por [36] é um exemplo de operador que permite GRAFO ℋ AND SOLUÇÃO DO CAMINHO MAIS CURTO:
tal tratamento. Para tanto, escolhem-se aleatoriamente dois
pontos de corte que irão determinar uma sub-rota; um pré-
filho é então criado, copiando-se a sub-rota na posição
correspondente do P1; os elementos da sub-rota são excluídos
do P2; a partir do segundo ponto de corte, são preenchidas as
posições vazias com os elementos não excluídos do pai 2;
quando o fim do cromossomo for atingido, continua-se a
Figura 4. Ilustração do grafo Split com a solução do caminho mais
partir da primeira posição deste. Este procedimento está curto.
ilustrado na Figura 3. Além do operador especial OX, existem
também os operadores cycle crossover (CX), partially C. Memórias e controle
mapped (PMX), position-based, e order-based ([36]). Memórias de cálculos anteriores, visando reduzir a
redundância computacional sem alterar o comportamento do
método também são usadas com frequência. Embora tais
procedimentos possam ser vistos como uma questão de
engenharia algorítmica e, portanto, não necessariamente
mencionados, eles são críticos para alcançar um bom
desempenho, especialmente em problemas para os quais as
avaliações de rota são caras [13]. As memórias mais comuns
desse tipo são dedicadas a gerenciar as informações de
movimento ([38], [39], [40] e [12]) e as avaliações de rota
[31].
Uma parte importante do tempo computacional utilizado
para resolver um problema é gasto para checar a viabilidade
da solução ou para se computar o seu custo após a realização
de um movimento. Assim, com a finalidade de acelerar a
busca e evitar a avaliação desnecessária de movimentos,
algumas Estruturas de Dados Auxiliares (EDA) são utilizadas
[21]. Na presença de atributos EVAL, a informação de re-
otimização desenvolvida em subsequências de clientes
sucessivos pode aumentar a eficiência das avaliações
vizinhas. Mecanismos de troca e realocação de clientes, que
podem ser vistos como uma recombinação de sequências de
clientes na solução [41], [42] e [13]. A Fig. 5 ilustra o
movimento de realocação dos clientes 5 e 2 da rota 𝑟1 para
depois do cliente 6 da rota 𝑟2 e pode ser visto como uma
recombinação de sequências. Na rota 𝑟1 temos as sequências
𝑟 𝑟 𝑟 𝑟 𝑟
𝜎1 1 , 𝜎21 e 𝜎31 e na rota 𝑟2 as sequências 𝜎1 2 e 𝜎22 . A nova
𝑟 𝑟
solução é formada pelas rotas 𝑟′1 e 𝑟′2 , onde 𝑟′1 = 𝜎1 1 ⊕ 𝜎31
𝑟 𝑟 𝑟
e 𝑟′2 = 𝜎1 2 ⊕ 𝜎21 ⊕ 𝜎22 , ou seja, é executada uma
concatenação das sequências.
Figura 5. Exemplo de Recombinação de Sequências após a execução
de um movimento de inserção (Shift (2; 0)).
A seguir, apresenta-se um exemplo de EDAs envolvidas nas
variantes com janelas de tempos para efetuar esse cálculo em
tempo constante. Este modelo de penalização da janela de
tempo foi adotado com sucesso nos trabalhos de [11] e [17].
A concatenação de sequências permite calcular estes valores
para toda a rota. Sejam 𝜎1 = (𝜎1(𝑖) , … , 𝜎1(𝑗) ) e 𝜎2 =
(𝜎2(𝑖) , … , 𝜎2(𝑗) ) duas subsequências de visitas. As estruturas
de dados para a subsequência concatenada 𝜎1 ⊕ 𝜎2 , são
calculadas segundo (3)–(9).
𝐷𝑢𝑟𝑎çã𝑜(𝜎1 ⊕ 𝜎2 ) = 𝐷𝑢𝑟𝑎çã𝑜(𝜎1 ) + 𝑑𝜎1 (|𝜎1|)𝜎2(1)
(3)
+ 𝐷𝑢𝑟𝑎çã𝑜(𝜎2 ) + ∆ 𝑇𝐸
𝐸𝑎𝑟𝑙𝑖𝑒𝑠𝑡(𝜎1 ⊕ 𝜎2 ) = max{𝐸𝑎𝑟𝑙𝑖𝑒𝑠𝑡(𝜎2 ) − ∆, 𝐸𝑎𝑟𝑙𝑖𝑒𝑠𝑡(𝜎2 )}
(4)
− ∆ 𝑇𝐸
𝐿𝑎𝑡𝑒𝑠𝑡(𝜎1 ⊕ 𝜎2 ) = min{𝐿𝑎𝑡𝑒𝑠𝑡(𝜎2 ) − ∆, 𝐿𝑎𝑡𝑒𝑠𝑡(𝜎1 )} + ∆𝑃𝐽𝑇 (5)
𝑃𝑒𝑛𝑎𝑙𝑖𝑑𝑎𝑑𝑒𝐽𝑇(𝜎1 ⊕ 𝜎2 )
= 𝑃𝑒𝑛𝑎𝑙𝑖𝑑𝑎𝑑𝑒𝐽𝑇(𝜎1 ) + 𝑃𝑒𝑛𝑎𝑙𝑖𝑑𝑎𝑑𝑒𝐽𝑇(𝜎2 ) (6)
+ ∆𝑃𝐽𝑇
Onde:
∆= 𝐷𝑢𝑟𝑎çã𝑜(𝜎1 ) − 𝑃𝑒𝑛𝑎𝑙𝑖𝑑𝑎𝑑𝑒𝐽𝑇(𝜎1 ) + 𝑑𝜎1 (|𝜎1|)𝜎2(1) (7)
∆ 𝑇𝐸 = max{𝐸𝑎𝑟𝑙𝑖𝑒𝑠𝑡(𝜎2 ) − ∆ − 𝐿𝑎𝑡𝑒𝑠𝑡(𝜎1 ), 0} (8)
(9)
∆𝑃𝐽𝑇 = max{𝐸𝑎𝑟𝑙𝑖𝑒𝑠𝑡(𝜎1 ) − ∆ − 𝐿𝑎𝑡𝑒𝑠𝑡(𝜎2 ), 0}
D. Vizinhanças
A busca em vizinhança de forma eficiente é essencial para
o desempenho dos algoritmos, pois geralmente contribui para
a maior parte do esforço computacional [11]. Com exceção
do artigo de [43] que apresenta um algoritmo genético que
utiliza uma mutação cruzada e aleatória, todos os algoritmos
para MAVRP são baseados em vizinhanças enumeráveis. Os
algoritmos para MAVRP analisados no presente artigo tem
vizinhanças baseadas em um conjunto de movimentos (ou
moves). A partir de uma solução inicial s, uma heurística de
busca local (Local Search – LS) explora uma vizinhança
𝒩(𝑠), usando diferentes trocas de arco em 𝑠 a fim de obter
uma solução melhor 𝑠′ substituindo 𝑠 em uma nova iteração
da heurística. Esta solução é um ótimo local do problema e
da vizinhança usada. A sucessão de estados alcançados no
curso do método constitui uma trajetória de busca no grafo
formado.
A inclusão de componentes aleatórios nas várias escolhas
de algoritmos é uma característica dominante das trajetórias
de busca. [17] cita explicitamente que realiza a busca local
através do procedimento Randomized Variable
Neighborhood Descent (RVND) [44]. No RVND ao invés de
usar uma ordem pré-definida de vizinhanças para explorar o
espaço de soluções, utiliza uma ordem aleatória a cada
chamada. Mais especificamente, sempre que em uma
determinada vizinhança não for possível melhorar a solução
corrente, o RVND seleciona, aleatoriamente, outra
vizinhança para continuar a busca pelo espaço de soluções.
Esta abordagem, segundo [21] utilizada em [44] e [18],
produz, em média, resultados melhores do que a versão com
ordem determinística das vizinhanças e tem vantagem de não
necessitar de um estudo de qual a melhor ordem de
vizinhanças.
[17] aplica um conjunto 𝒩 de dez tipos de vizinhanças.
Primeiramente, apresenta-se as estruturas de vizinhanças
inter-rotas. Destes sete movimentos são válidos em todas as
variantes. Destas estruturas, cinco são baseadas em
movimentos 𝜆-interchanges [45], considerada a troca de até
𝜆=2 clientes entre duas rotas. Essas trocas são melhores
explicadas como duplas (𝜆1 , 𝜆2 ) (com 𝜆1 < 𝜆 e 𝜆2 < 𝜆), sendo
que 𝜆1 clientes são transferidos da rota r1 para a rota r2 e 𝜆2
clientes da rota r2 para a rota r1. Portanto, são avaliados os
seguintes movimentos:
⎯ Inserção (Shift) ((1; 0); (2; 0));
⎯ Troca (Swap) ((1; 1); (2; 1); (2; 2));
Uma sexta vizinhança considerada é baseada no operador
Cross-exchange [46], que consiste em trocar dois segmentos
de diferentes rotas - 2Opt. E a última, k-Shift, consiste em
mover k clientes consecutivos para de uma rota para o final
de outra. Para as variantes com Múltiplos Depósitos duas
vizinhanças, denominadas ShiftDepot e SwapDepot, foram
implementadas. E para as variantes contendo entregas
divididas, as vizinhanças denominadas RouteAdition e k-Split
foram adotadas [47].
Quanto as estruturas de vizinhança intra-rota, foram
adotadas cinco bem conhecidas, a saber: Reinserção (similar
ao movimento Shift (1,0)), Or-opt (com dois e três clientes
adjacentes), 2-Opt e troca (similar ao Swap (1,1),) (vide
Figura 6). Essas vizinhanças também foram implementadas
usando um procedimento RVND e são chamadas toda vez
que uma solução é modificada durante a busca intra-rota.
Figura 6. Ilustração do movimento de 2-Opt e Shift(2;0). Os arcos
deletados/inseridos estão indicados com tracejado/linhas em negrito.
Em [11], a melhoria das rotas é realizada selecionando-se
aleatoriamente um vértice u e um vértice próximo v (segundo
um limite de granularidade – conceito explicado na
sequência). Sendo x e y os vértices subsequentes a u e v na
rota. A LS repete, em ordem aleatória, sobre cada vértice u e
cada um de seus vizinhos v avaliando os seguintes
movimentos (Shift (1; 0)), (Shift (2; 0)), (Swap (1; 1)), (Swap
(2; 1)), (Swap (2; 2)), (2-Opt intra-rota e inter-rota).Os
movimentos de troca e inserção são aplicados
indiferentemente nas mesmas rotas ou em rotas diferentes. Os
movimentos são examinados em ordem aleatória, sendo que
o primeiro a produzir uma melhoria é implementado.
[14] apresenta operadores destruição e operadores de
reparo também selecionados aleatoriamente considerando
seu desempenho passado e uma certa probabilidade. São nove
os Algoritmos de Remoção: aleatória; do pior em distância;
do pior em tempo; de vizinhança; Shaw; baseada em
proximidade; baseada no tempo; baseada em demanda; por
custo médio por unidade. São três os Algoritmos de Inserção
utilizados: Guloso; Guloso com função de ruído; e Guloso
com o tempo em rota.
Devido ao grande esforço computacional que demanda
esta etapa, faz-se uso de técnicas que visam restringir a
vizinhança, ou utilizá-la de forma mais eficiente. O intuito
dessas técnicas é restringir drasticamente o espaço de
soluções possíveis removendo elementos que tem baixa
probabilidade de pertencerem a soluções de boa qualidade.
Como exemplo, cita-se a busca granular de [48] utilizada
por [11], [12] e [13] para reduzir o número de clientes
avaliados nos movimentos. O benefício da vizinhança
granular reside na maior eficiência da exploração do espaço
da vizinhança, pois restringe a busca aos vizinhos com maior
probabilidade de serem caminhos para as melhores soluções.
V. CONCLUSÕES
O presente estudo foi conduzido a partir de uma
perspectiva inicial de destacar algumas variantes clássicas do
VRP tratadas pela classe de problemas dos MAVRP. Além
disso, buscou-se tratar sobre as estratégias “vencedoras”
relacionadas a escolhas de (i) Espaço de busca, (ii)
Representação da solução e (iii) Vizinhanças utilizadas por
algoritmos estado-da-arte selecionados por seu notável
desempenho computacional. Essa pesquisa vem ao encontro
do considerável desafio relacionado à abundância de
variantes do VRP e a complexidade relacionada aos métodos
de solução capazes de lidar com elas de forma unificada. A
maioria das heurísticas são desenvolvidas para problemas
específicos sendo que as estratégias adotadas podem ser
adaptadas a uma gama mais ampla de variantes do VRP.
Analisou-se em detalhes três algoritmos bem-sucedidos
recentes que tratam sobre os MAVRP, bem como os artigos
anteriores a esses com soluções parciais. O algoritmo UHGS
de [11], constituiu um grande marco para este campo de
pesquisa pela qualidade das soluções obtidas, e pela
quantidade de variantes contempladas. Além desse, os
algoritmos HEA de [14] e HILS-RVRP de [17] também foram
analisados, destacando algumas das estratégias utilizadas.
Os métodos bem-sucedidos em MAVRP não são
determinados por um único fator, mas são o resultado de um
bom equilíbrio entre vários elementos da metodologia: o uso
de diferentes espaços de busca, vizinhanças variáveis,
memórias de curto, médio e longo prazo, trade-off entre a
diversificação e intensificação, hibridização e assim por
diante. Procedimentos para restringir a vizinhança
(granularidade, buscas sequenciais) ou memórias em rotas já
avaliadas, segmentos de rota e movimentos, são necessários
em muitos casos. Além disso, pode-se notar que muitos
algoritmos dedicam a maior parte de seu tempo
computacional à avaliação de várias escolhas potenciais, sem
tirar proveito do histórico e dos cálculos já realizados. Por um
lado, memórias de longo prazo egestão da diversidade
populacional têm o potencial de escapar de ótimos locais. Por
outro lado, memórias de curto e médio prazo e métodos de
aprimoramento de soluções bem projetados fornecem os
recursos de pesquisa agressivos para concluir o refinamento
de soluções.
Por fim, este é um campo de pesquisa extremamente
promissor, particularmente dada a tendência para
configurações de problemas, incluindo um número de
variantes continuamente crescente e métodos de solução
capazes de abordar esses atributos simultaneamente. Sendo
que este estudo é um passo importante para o direcionamento
de métodos unificados que lidem de forma eficiente com as
aplicações práticas de roteamento de maneira oportuna.
REFERÊNCIAS
[1] Braekers, K, Ramaekers, K. and Van Nieuwenhuyse, I. "The vehicle
routing problem: State of the art classification and review." Computers
and Industrial Engineering, 99 (2016): 300-313.
[2] Lahyani, R., Khemakhem, M., and Semet, F. (2015). Rich vehicle
routing problems: From a taxonomy to a definition. European Journal
of Operational Research, 241(1), 1-14.
[3] Cordeau, J. F., Gendreau, M., Laporte, G., Potvin, J. Y., and Semet, F.
"A guide to vehicle routing heuristics." Journal of the Operational
Research society, 53.5 (2002): 512-522.
[4] Cordeau, J.-F., Laporte, G., Savelsbergh, M. W. P., and Vigo, D.
Transportation, Handbooks in Operations Research and Management
Science, (2007), volume 14, chapter. Vehicle Routing, (pp. 367~428).
Elsevier: Amsterdam.
[5] Golden, B., Raghavan, S., and Wasil, E., (2008). The Vehicle Routing
Problem: Latest Advances and New Challenges. New York: Springer.
[6] Gendreau, M., Potvin, J.-Y., Bräysy, O., Hasle, G., and Løkketangen,
A. "Metaheuristics for the vehicle routing problem and its extensions:
A categorized bibliography." The vehicle routing problem: latest
advances and new challenges. Springer, Boston, MA, 2008. 143-169.
[7] Toth, P., and Vigo D., eds. Vehicle routing: problems, methods, and
applications. Society for Industrial and Applied Mathematics, 2014.
[8] Vidal, T., Crainic, T. G., Gendreau, M., and Prins, C. (2013b).
"Heuristics for multi-attribute vehicle routing problems: A survey and
synthesis." European Journal of Operational Research, 231.1 (2013):
1-21.
[9] Baldacci, R., Battarra, M. and Vigo, D. "Routing a heterogeneous fleet
of vehicles." The vehicle routing problem: latest advances and new
challenges. Springer, Boston, MA, 2008. 3-27.
[10] Archetti, C., and Speranza, M. G. "Vehicle routing problems with split
deliveries." International Transactions in Operational Research 19.1-
2 (2012): 3-22.
[11] Vidal, T., Crainic, T. G., Gendreau, M., & Prins, C. "A unified solution
framework for multi-attribute vehicle routing problems." European
Journal of Operational Research 234.3 (2014): 658-673.
[12] Vidal, T., Crainic, T. G., Gendreau, M., Lahrichi, N., and Rei, W.
(2012). A Hybrid Genetic Algorithm for Multi-Depot and Periodic
Vehicle Routing Problems. Operations Research, 60(3), 611–624.
[13] Vidal, T., Crainic, T. G., Gendreau, M., and Prins, C. (2013a). "A
hybrid genetic algorithm with adaptive diversity management for a
large class of vehicle routing problems with time-windows."
Computers and operations research, 40.1 (2013): 475-489.
[14] Koç, Ç., Bektaş, T., Jabali, O., and Laporte, G. "A hybrid evolutionary
algorithm for heterogeneous fleet vehicle routing problems with time
windows." Computers and Operations Research, 64 (2015): 11-27.
[15] Koç, Ç., Bektaş, T., Jabali, O., and Laporte, G. "The fleet size and mix
pollution-routing problem." Transportation Research Part B:
Methodological, 70 (2014): 239-254.
[16] Demir, E., Bektaş, T. and Laporte, G. "An adaptive large neighborhood
search heuristic for the pollution-routing problem." European Journal
of Operational Research 223.2 (2012): 346-359.
[17] Penna, P. H. V., Subramanian, A., Ochi, L. S., Vidal, T., and Prins, C.
"A hybrid heuristic for a broad class of vehicle routing problems with
heterogeneous fleet." Annals of Operations Research, (2017): 1-70.
[18] Penna, P. H. V., Subramanian, A. and Ochi, L. S. "An iterated local
search heuristic for the heterogeneous fleet vehicle routing
problem." Journal of Heuristics 19.2 (2013b): 201-232.
[19] Subramanian, A., Penna, P. H. V., Uchoa, E., and Ochi, L. S. A hybrid
algorithm for the heterogenous fleet vehicle routing problem.
European Journal of Operational Research, 221, 285 ~ 295, (2012).
[20] Subramanian, A., Uchoa, E. and Ochi, L. S. "A hybrid algorithm for a
class of vehicle routing problems." Computers and Operations
Research, 40.10 (2013): 2519-2531.
[21] Penna, P. H. V. Um algoritmo unificado para uma classe de problemas
de roteamento de veículos com frota heterogênea. Diss. PhD thesis,
Universidade Federal Fluminense-UFF, 2013a.
[22] Erdoğan, G. "An open source spreadsheet solver for vehicle routing
problems." Computers and Operations Research, 84 (2017): 62-72.
[23] Erdoǧan, G., 2013. VRP Spreadsheet Solver. Available for download
at: http://verolog.deis.unibo.it/vrp-spreadsheet-solver.
[24] Cordeau, J-F., Laporte, G. and Mercier, A. "A unified tabu search
heuristic for vehicle routing problems with time windows." Journal of
the Operational research society, 52.8 (2001): 928-936.
[25] Nagata, Y., Bräysy, O. and Dullaert, W. "A penalty-based edge
assembly memetic algorithm for the vehicle routing problem with time
windows." Computers and operations research, 37.4 (2010): 724-737.
[26] Glover, F. 1986. Future paths for integer programming and links to
articial intelligence. Computers and Operations Research, 13(5)
533{549.
[27] Boudia, M., Prins, C., and Reghioui, M. "An effective memetic
algorithm with population management for the split delivery vehicle
routing problem." International Workshop on Hybrid Metaheuristics.
Springer, Berlin, Heidelberg, 2007.
[28] Prins, C. "Two memetic algorithms for heterogeneous fleet vehicle
routing problems." Engineering Applications of Artificial Intelligence,
22.6 (2009): 916-928.
[29] Liu, S., Huang, W. and Ma. H. "An effective genetic algorithm for the
fleet size and mix vehicle routing problems." Transportation Research
Part E: Logistics and Transportation Review 45.3 (2009): 434-445.
[30] Ngueveu, S. U., Prins, C. and Calvo, R. W. "An effective memetic
algorithm for the cumulative capacitated vehicle routing
problem." Computers and Operations Research 37.11 (2010): 1877-
1885.
[31] Duhamel, C., Potvin, J-Y. and Rousseau, J-M. "A multi-start
evolutionary local search for the two-dimensional loading capacitated
vehicle routing problem." Computers and Operations Research 38.3
(2011): 617-640.
[32] Prins, C. "A simple and effective evolutionary algorithm for the vehicle
routing problem." Computers and Operations Research 31.12 (2004):
1985-2002.
[33] Araújo, C. E. G. Algoritmos genéticos híbridos sem delimitadores de
rotas para problemas de roteirização de veículos. Diss. Universidade
de São Paulo, 2008.
[34] Christofides, N. "Combinatorial optimization." A Wiley-Interscience
Publication, Based on a series of lectures, given at the Summer School
in Combinatorial Optimization, held in Sogesta, Italy, May 30th-June
11th, 1977, Chichester: Wiley, 1979, edited by Christofides, Nicos.
1979.
[35] Golden, B. L., Wasil, E. A., Kelly, J. P., and Chao, I. M. (1998). "The
impact of metaheuristics on solving the vehicle routing problem:
algorithms, problem sets, and computational results". Fleet
management and logistics. Springer, Boston, MA, 1998. 33-56.
[36] Gen, M., and Cheng, R. Genetic algorithms and engineering
optimization. Vol. 7. John Wiley and Sons, 2000.
[37] Davis, L. "Applying adaptive algorithms to epistatic domains." IJCAI.
Vol. 85. 1985.
[38] Cordeau, J-F., and Laporte G. "A tabu search heuristic for the static
multi-vehicle dial-a-ride problem." Transportation Research Part B:
Methodological 37.6 (2003): 579-594.
[39] Alegre, J., Laguna, M. and Pacheco, J. "Optimizing the periodic pick-
up of raw materials for a manufacturer of auto parts." European
Journal of Operational Research 179.3 (2007): 736-746.
[40] Zachariadis, E. E., and Kiranoudis, C. T. "A local search metaheuristic
algorithm for the vehicle routing problem with simultaneous pick-ups
and deliveries." Expert Systems with Applications 38.3 (2011): 2717-
2726.
[41] Kindervater, G. A. P. and Savelsbergh, M. W. P. , Local Search in
Combinatorial Optimization. John Wiley and Sons, Chichester, USA,
1997.
[42] Irnich, S. "Resource extension functions: Properties, inversion, and
generalization to segments." OR Spectrum, 30.1 (2008): 113-148.
[43] Lau, H. C., Chan, T. M., Tsui, W. T., and Pang, W. K. "Application of
genetic algorithms to solve the multidepot vehicle routing problem."
IEEE transactions on automation science and engineering, 7.2 (2010):
383-392.
[44] Subramanian, A., Drummond, L. M. D. A., Bentes, C., Ochi, L. S., and
Farias, R. "A parallel heuristic for the vehicle routing problem with
simultaneous pickup and delivery." Computers and Operations
Research, 37.11 (2010): 1899-1911.
[45] Osman, I. H. "Metastrategy simulated annealing and tabu search
algorithms for the vehicle routing problem." Annals of operations
research 41.4 (1993): 421-451.
[46] Taillard, É. D., and Gambardella, L. M. Adaptive memories for the
quadratic assignment problem. Technical Report IDSIA-87-97, IDSIA,
Lugano, Switzerland, 1997.
[47] Silva, M. M., Subramanian, A., Vidal, T., and Ochi, L. S. "A simple
and effective metaheuristic for the minimum latency problem."
European Journal of Operational Research, 221.3 (2012): 513-520.
[48] Toth, P., and Vigo, D. "The granular tabu search and its application to
the vehicle-routing problem." Informs Journal on computing 15.4
(2003): 333-346.