[論文レビュー] Improved Approximation Algorithms for the Multiple-Depot Split Delivery Vehicle Routing Problem

Jingyang Zhao, Yonghang Su+1 more|arXiv (Cornell University)|Jan 5, 2026

Vehicle Routing Optimization Methods被引用数 0

ひとこと要約

この論文はMD-SDVRPの新しいパラメータ付き、XP、FPT、および bi-factor 近似アルゴリズムを提案し、定数個のデポを超えるガード条件の下でほぼ6近傍近似といくつかの改善保証を達成します。さらに5近傍近似パラメータ化手法を導入し、SDVRPへ拡張する bi-factor 結果を示します。

ABSTRACT

The Multiple-Depot Split Delivery Vehicle Routing Problem (MD-SDVRP) is a challenging problem with broad applications in logistics. The goal is to serve customers' demand using a fleet of capacitated vehicles located in multiple depots, where each customer's demand can be served by more than one vehicle, while minimizing the total travel cost of all vehicles. We study approximation algorithms for this problem. Previously, the only known result was a $6$-approximation algorithm for a constant number of depots (INFORMS J. Comput. 2023), and whether this ratio could be improved was left as an open question. In this paper, we resolve it by proposing a $(6-2\cdot 10^{-36})$-approximation algorithm for this setting. Moreover, we develop constant-factor approximation algorithms that work beyond a constant number of depots, improved parameterized approximation algorithms related to the vehicle capacity and the number of depots, as well as bi-factor approximation algorithms.

研究の動機と目的

• 複数のデポと分割配送を含む MD-SDVRP の動機付けと形式化。
• デポ数と容量の変動に対して動作する改良近似アルゴリズムの開発。
• MD-SDVRP および関連 VRP 変種のパラメータ化および bi-factor 近似フレームワークの導入。
• MD-SDVRP の結果を既存の MD-TSP/VRP 論文と関連付け、最先端の保証を拡張。

提案手法

• MD-SDVRP のための改良された二つのパラメータ化近似スキーム（XP と FPT）を、MD-TSP への削減とサイクルカバー技術に基づいて開発。
• コンポーネントベースのアプローチを用いてサイクルカバーを形成し、最短補助経路を活用して実現可能な MD-SDVRP 解を構築。
• 新規のパラメータ化された 5-近傍近似アルゴリズム（Alg.3）を、mod-Q サイクルカバー枠組みと最小費用フロー構築を使用して導入。
• bi-factor 近似フレームワーク（Alg.4 および Alg.5）を導出し、(6+4/ε+2ε, 1+ε) および XP-bi-factor 変体（5, 1+ε）を達成。
• 新しい結果を既存の MD-TSP および SDVRP 論文に結びつけ、XP/FPT MD-TSP 近似を MD-SDVRP の保証へ変換する方法を示す。

実験結果

リサーチクエスチョン

• RQ1 MD-SDVRP を固定デポ数で既知の 6-近傍近似より良い比率で近似できるか？
• RQ2 デポ数 k および車両容量 Q に関して、MD-SDVRP の XP および FPT 近似スキームの可能性は？
• RQ3 k、Q、または総需要の余裕 mQ - ∑ q_v を活用して実用的保証を達成するような効果的なパラメータ化アルゴリズムを設計できるか？
• RQ4 総車両負荷を容量近くに保ちながら強いコスト保証を達成する MD-SDVRP の bi-factor 近似を得ることは可能か？
• RQ5 MD-SDVRP の結果は SDVRP の特別ケースへどのように拡張され、既知の最良の TSP/VRP 近似とどのように関連するか？

主な発見

Problem	Approximation Ratio	Running Time	Reference
MD-SDVRP	6 - 2·10^-36	|V|^{O(k/ε)}	This Work (XP)
MD-SDVRP	Randomized 6 + ε	(1/ε)^{O(k log k)}·O(|V|^4 log|V|)	This Work (Randomized XP)
MD-SDVRP	7 - 2/k	2^{O(k log k)}·O(|V|^4 log|V|)	This Work (FPT)
MD-SDVRP	5	O(min{Q^{k-1}, binom(mQ - ∑ q_v + k - 1, k - 1)}·|V|^4 log|V|)	This Work (Alg.3)
MD-SDVRP	(6 + 4/ε + 2ε, 1 + ε)	|V|^{O(1)}	This Work (Alg.4)
MD-SDVRP	(5, 1 + ε)	O(ceil(1 + 2/ε)^{k-1}·|V|^{k+3} log|V|)	This Work (Alg.5)
SDVRP	4	O(max{|V|^3, |L|^3})	Lai et al., 2023
SDVRP	α+1−ε_α < 2.5 − 10^-36 − 1/3000	O(|V|^{O(1)})	This Work (SDVRP)

• MD-SDVRP の XP 近傍 6 - 2e-36 近似を、MD-TSP XP 近似と小エッジ列挙技法を組み合わせて確立。
• MD-SDVRP の最初の FPT (6 + ε) 近似を、乱択または決定的な MD-TSP 基底と構造化フロー構築を用いて開発。
• k、Q、および総残余需要に依存する実行時間を持つ MD-SDVRP の 5 近傍近似アルゴリズムを提案し、一般的なパラメータ条件下で XP/FPT 振る舞いを可能に。
• MD-SDVRP の bi-factor (6 + 4/ε + 2ε, 1 + ε) 近似アルゴリズムを導入；この手法は SDVRP へも拡張され、(α+1−εα) ガードを達成。
• XP-bi-factor アルゴリズム (5, 1+ε) を効率的な実行時間で提示し、このアプローチの関連 VRP 変種への適用範囲を示した。
• 先行研究と比較して（MD-SDVRP の 6-4/k、SDVRP の 4）よりも、著しく狭いまたはパラメータ化された保証を提供。