It is also interesting to study the

It is also interesting to study the different methodologies and
techniques that the authors apply in the reviewed literature.
Fig. 5 shows two pie charts with this distribution: it first classifies
the approaches as exact, heuristics and meta-heuristics algorithms,
while the second pie presents a distribution of the different
approximate algorithms employed in the reviewed literature. We
first observe that exact algorithms (branch and bound, mathematical
programming) are employed in 25% of reviewed papers. We
have to consider that these techniques have proven to be useful
for simplified combinatorial optimization problems, specific
settings and/or small instances. Hence, a larger focus is needed
on approaches able to solve larger instances. Because of the NPhardness
of the MDVRP, approximate heuristics have also been
proposed. Under the category of heuristic algorithms, we have
classified many different algorithms and ad-hoc methods that are
specific and do not contain a well-known meta-heuristic template.
This represents 33% of the reviewed papers. For the other 42% a
meta-heuristic algorithm is proposed. Among the available procedures,
Tabu Search (TS), genetic algorithms (GA) and simulated
annealing (SA) have been the most employed in the reviewed
literature. The other meta-heuristics have been less employed:
ant colony optimization and variable neighborhood search. Clearly,
there is a large opportunity for research here. Meta-heuristics have
long ago established themselves as state-of-the-art methodologies
for the vast majority of vehicle routing problems.

ผลลัพธ์ (ไทย) 1:

ก็ยังน่าสนใจที่จะศึกษาวิธีการต่าง ๆ และเทคนิคที่ผู้เขียนใช้ในประกอบการสรุปFig. 5 แสดงแผนภูมิวงกลมที่สองกับการแจกแจงนี้: แบ่งประเภทแรกแนวทางเป็นแน่นอน ลองผิดลองถูกและลองผิดลองถูกเมตาอัลกอริทึมขณะที่สอง วงกลมแสดงการกระจายของที่แตกต่างกันประมาณอัลกอริทึมทำงานในเอกสารประกอบการทบทวนการ เราสังเกตพบว่า อัลกอริทึม (สาขาและผูก คณิตศาสตร์แน่นอนก่อนเขียนโปรแกรม) 25% ของเอกสารทบทวนรับผิด เราต้องพิจารณาว่า เทคนิคเหล่านี้ได้พิสูจน์ให้เป็นประโยชน์สำหรับปัญหาปัญหาปรับง่าย เฉพาะการตั้งค่าหรืออินสแตนซ์ที่เล็ก ดังนั้น ต้องการความใหญ่ในวิธีแก้กรณีที่ใหญ่กว่า เนื่องจากการ NPhardnessของ MDVRP ลองผิดลองถูกประมาณยังมีการนำเสนอ ภายใต้ประเภทของอัลกอริทึมแล้ว เรามีจัดหลายอัลกอริทึมต่าง ๆ และวิธีการกิจที่เฉพาะ และไม่ประกอบด้วยแม่แล้ว meta-รู้จักกันนี้ถึง 33% ของเอกสารสรุป สำหรับ 42% เป็นอัลกอริทึม meta-แล้วมีการนำเสนอ ระหว่างขั้นตอนการใช้Tabu ค้นหา (TS), อัลกอริทึมทางพันธุกรรม (GA) และจำลองการอบเหนียว (SA) ได้เจ้ามากที่สุดในการตรวจทานแล้ววรรณกรรม มีการจ้างอื่น meta-ลองผิดลองถูกน้อย:เพิ่มประสิทธิภาพฝูงมดและการค้นหาตัวแปรพื้นที่ใกล้เคียง อย่างชัดเจนมีโอกาสมากสำหรับงานวิจัยที่นี่ Meta-ลองผิดลองถูกได้นานก่อตั้งตัวเองเป็นวิธีการทันสมัยสำหรับยานพาหนะส่วนใหญ่เส้นทางปัญหา

ผลลัพธ์ (ไทย) 2:

นอกจากนี้ยังเป็นที่น่าสนใจที่จะศึกษาวิธีการที่แตกต่างกันและ
เทคนิคที่ผู้เขียนนำไปใช้ในการทบทวนวรรณกรรม.
รูป 5 แสดงสองแผนภูมิวงกลมที่มีการกระจายนี้: มันเป็นครั้งแรกจัด
เป็นวิธีการที่แน่นอนการวิเคราะห์พฤติกรรมและขั้นตอนวิธีการวิเคราะห์พฤติกรรมเมตา,
ในขณะที่พายที่สองที่มีการกระจายตัวของที่แตกต่างกัน
โดยประมาณขั้นตอนวิธีการที่ใช้ในการทบทวนวรรณกรรม เรา
ครั้งแรกที่สังเกตได้ว่าอัลกอริทึมที่แน่นอน (สาขาและผูกพันทางคณิตศาสตร์
การเขียนโปรแกรม) ถูกว่าจ้างใน 25% ของการตรวจสอบเอกสาร เรา
ต้องพิจารณาว่าเทคนิคเหล่านี้ได้พิสูจน์แล้วว่าเป็นประโยชน์
สำหรับปัญหาการเพิ่มประสิทธิภาพ combinatorial ง่ายโดยเฉพาะ
การตั้งค่าและ / หรือกรณีที่มีขนาดเล็ก ดังนั้นการมุ่งเน้นที่มีขนาดใหญ่เป็นสิ่งจำเป็น
ในวิธีการสามารถที่จะแก้ปัญหากรณีที่มีขนาดใหญ่ เพราะ NPhardness
ของ MDVRP, การวิเคราะห์พฤติกรรมโดยประมาณยังได้รับการ
เสนอ ตามประเภทของขั้นตอนวิธีการแก้ปัญหาที่เราได้
จัดขั้นตอนวิธีการที่แตกต่างกันและวิธีการเฉพาะกิจที่มีความ
เฉพาะเจาะจงและไม่ได้มีที่รู้จักกันดีแม่แบบ meta-แก้ปัญหา.
นี้เป็น 33% ของการตรวจสอบเอกสาร สำหรับอีก 42%
ขั้นตอนวิธีการเมตาแก้ปัญหามีการเสนอ ในบรรดาวิธีการที่มีอยู่
ห้ามการค้นหา (TS) ขั้นตอนวิธีพันธุกรรม (GA) และจำลอง
การหลอม (SA) ได้รับงานมากที่สุดในการทบทวน
วรรณกรรม การวิเคราะห์พฤติกรรมเมตาอื่น ๆ ได้มีงานทำน้อย:
การเพิ่มประสิทธิภาพของอาณานิคมมดและการค้นหาพื้นที่ใกล้เคียงตัวแปร เห็นได้ชัดว่า
มีโอกาสที่ขนาดใหญ่สำหรับการวิจัยที่นี่ การวิเคราะห์พฤติกรรม meta-ได้
จัดตั้งขึ้นมานานแล้วว่าตัวเองเป็นวิธีการที่รัฐของศิลปะ
สำหรับส่วนใหญ่ของปัญหาเส้นทางรถ

ผลลัพธ์ (ไทย) 3:

นอกจากนี้ยังน่าสนใจที่จะศึกษาวิธีการและเทคนิคที่แตกต่างกัน
ผู้เขียนใช้ในการทบทวนวรรณกรรม .
รูปที่ 5 แสดงสองแผนภูมิวงกลมที่มีการกระจายนี้ ก่อนจัด
วิธีเป็นเมตาฮิวริสติกอัลกอริทึมฮิวริสติกที่แน่นอน , และ , ส่วนที่สองได้นำเสนอพาย

ประมาณอัลกอริธึมการกระจายของต่าง ๆที่ใช้ในการทบทวนวรรณกรรม เรา
สังเกตว่าขั้นตอนวิธีแรกแน่นอน ( สาขาและจำกัด , คณิตศาสตร์
โปรแกรม ) จะใช้ใน 25% ของการตรวจทานเอกสาร เรา
ต้องพิจารณาว่าเทคนิคเหล่านี้ได้พิสูจน์แล้วว่าเป็นประโยชน์สำหรับการเพิ่มประสิทธิภาพง่าย

ปัญหา , การตั้งค่าที่เฉพาะเจาะจง และ / หรือกรณีเล็ก ๆ ดังนั้น การโฟกัสขนาดใหญ่ต้องการ
ในวิธีสามารถแก้ปัญหากรณีที่มีขนาดใหญ่ขึ้น เพราะ nphardness ของ mdvrp
,ฮิวริสติกโดยประมาณยัง
เสนอ ภายใต้หมวดหมู่ของอัลกอริทึมฮิวริสติก เรามีหลายขั้นตอนวิธีการและวิธีการแตกต่างกัน

ของที่เฉพาะเจาะจงและไม่ประกอบด้วยเมตาฮิวริสติกที่แม่แบบลับ
ถึง 33% ของการตรวจทานเอกสาร สำหรับอีก 42% เป็น
เมตาฮิวริสติกอัลกอริทึมที่เสนอ ระหว่างขั้นตอนใช้ได้
มาริโอคาร์ท ( TS )ขั้นตอนวิธีเชิงพันธุกรรม ( GA ) และการหลอมจำลอง
( SA ) มีมากที่สุดที่ใช้ในการตรวจทาน
วรรณกรรม อื่น ๆที่ใช้เมตาฮิวริสติกได้รับน้อย :
อาณานิคมมดและค้นหาละแวกตัวแปร ชัดเจน ,
มีโอกาสขนาดใหญ่สำหรับการวิจัยนี้ เมตาฮิวริสติกได้จัดตั้งตัวเองเป็นรัฐ - of - the - art มานานแล้ว

วิธีการสำหรับส่วนใหญ่ของปัญหาการจัดเส้นทางยานพาหนะ .