TL;DR
- چکیده: مسئله مسیریابی وسیله نقلیه ظرفیت دار (CVRP) یک مسئله اصلی NP-hard در زمینه بهینهسازی ترکیبی است.
- هدف آن برنامهریزی مسیرهای بهینه برای ناوگان وسایل نقلیه با ظرفیت یکنواخت است که به مجموعهای از مشتریان.
- با خواستههای خاص از یک انبار خدمات ارائه میدهد و در عین حال مسافت کل سفر را به.
چه اتفاقی افتاد
چکیده: مسئله مسیریابی وسیله نقلیه ظرفیت دار (CVRP) یک مسئله اصلی NP-hard در زمینه بهینهسازی ترکیبی است. هدف آن برنامهریزی مسیرهای بهینه برای ناوگان وسایل نقلیه با ظرفیت یکنواخت است که به مجموعهای از مشتریان.
با خواستههای خاص از یک انبار خدمات ارائه میدهد و در عین حال مسافت کل سفر را به. حداقل میرساند.
CVRP به دلیل کاربردهای گسترده آن در لجستیک،. توزیع و مدیریت زنجیره تامین،.
توجه تحقیقات قابل توجهی را به خود جلب کرده است. از نظر تئوری ثابت شده است که مشکل APX-hard است و در فضاهای متریک کلی،.
راهحلهای تقریبی با دقت دلخواه را نمیتوان به دست آورد مگر اینکه P=NP. این پیچیدگیهای ذاتی اهمیت توسعه الگوریتمهای تقریبی-پیدا کردن راهحلهایی با تضمینهای عملکرد قابل اثبات در زمان چند جملهای.
را برجسته میکنند. این مقاله با هدف ارائه یک بررسی سیستماتیک و جامع از پیشرفت تحقیق در مورد الگوریتمهای تقریب.
CVRP این مقاله ابتدا بهطور دقیق CVRP و انواع کلیدی آن را تعریف میکند و منابع پیچیدگی. محاسباتی اساسی آن را روشن میکند.
متعاقباً،. مقاله به تحلیل عمیق چارچوبهای الگوریتمیاصلی و مکاتب فکری فنی در این زمینه میپردازد،.
از جمله:. چارچوب تقسیمبندی تور تکراری (ITP) که پایههای این حوزه و آخرین پیشرفتهای آن را بنا نهاد.
تکامل طرحهای تقریب (PTAS/QPTAS) برای فضاهای هندسی مانند فضای اقلیدسی. و الگوریتمهای مدرن برای نمودارهای ساختاریافته مانند درختان،.
نمودارهای مسطح،. و نمودارهایی با ابعاد بزرگراه محدود،.
با تمرکز ویژه بر تکنیکهای مبتنی بر تعبیه متریک و آرامش برنامهنویسی خطی. در نهایت،.
این مقاله بهترین نسبتهای تقریب فعلی را برای تنظیمات مختلف مشکل خلاصه میکند و بهطور سیستماتیک هستههای باز. حلنشده را تشریح میکند.
مشکلات در این زمینه، اشاره به جهت برای تحقیقات آینده. ساختارها و الگوریتمهای داده (cs.
DS)؛ ریاضیات گسسته (cs. DM) کلاسهای ACM: F.
2. 0; G.
استناد بهعنوان: (یا v5 [cs. DS] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite تاریخچه ارسال از:. Yongyu Chen [مشاهده ایمیل] [v1] جمعه،.
2 ژوئن 2023،. 14:.
45:. 33 UTC (8 KB) [v2] سه شنبه،.
13 ژوئن 2023،. 12:.
55:. 54 UTC (205 KB) [v3] چهارشنبه،.
12 ژوئیه 2023،. 00:.
35:. 40 UTC (202 KB) [v4] یکشنبه،.
5 اکتبر 2025،. ساعت 04:.
00:. 28 UTC (309 کیلوبایت) [v5] شنبه،.
4 آوریل 2026،. 21:.
59:. 10 UTC (20 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.