3
1
2
6
4
5
8
7
9
Solución del problema de enrutamiento de
vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Pedro Pablo Ballesteros Silva
6
4
5
8
7
9
el problema de enrutamiento de
ntregas y recogidas simultáneas
Una nueva matheurística
Pedro Pablo Ballesteros Silva
Pedro Pablo Ballesteros Silva (Bogotá,
D.C., Colombia,1955.)
Doctorado en Ingeniería, Universidad
Tecnológica de Pereira. Maestría en
Investigación de Operaciones y
Estadística, Universidad Tecnológica de
Pereira. Especialización en Ingeniería de
Producción, Universidad Distrital Francisco
José de Caldas. Ingeniero Industrial,
Universidad Distrital Francisco José de
Caldas. Docente Titular, Facultad de
Tecnología.
Es el líder del Grupo de Investigación
Logística: estrategia de la cadena de
suministro.
Ha publicado artículos en revistas
nacionales e internacionales.
ppbs@utp.edu.co
Solución del problema de
enrutamiento de vehículos con
entregas y recogidas simultáneas
Una nueva matheurística
Pedro Pablo Ballesteros Silva
Facultad de Tecnología
Colección Trabajos de Investigación
2020
Ballesteros Silva, Pedro Pablo
Solución del problema de enrutamiento de vehículos con
entregas y recogidas simultáneas : una nueva matheurística /
Pedro Pablo Ballesteros Silva. -- Pereira : Universidad
Tecnológica de Pereira, 2020.
177 páginas. – (Colección Trabajos de investigación).
ISBN: 978-958-722-490-0
e-ISBN: 978-958-722-493-1
1. Algoritmos numéricos 2. Transporte terrestre 3. Logística
empresarial 4. Optimización combinatoria 5. Metaheurística
6. Optimización matemática 7. Investigación operacional
CDD. 519.64
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
© Pedro Pablo Ballesteros Silva
© Universidad Tecnológica de Pereira
Publicación financiada con recursos de la Vicerrectoría de Investigaciones , Innovación y
Extensión de la Universidad Tecnológica de Pereira
eISBN: 978-958-722-493-1
ISBN: 978-958-722-490-0
Trabajo de Investigación
Proyecto de Investigación: Aplicación de técnicas metaheurísticas para La solución del
problema de ruteo de vehículos con entregas y recogidas simultáneas; tesis doctoral, con
código: 9-16-7.
Universidad Tecnológica de Pereira
Vicerrectoría de Investigaciones, Innovación y Extensión
Editorial Universidad Tecnológica de Pereira
Pereira, Colombia
Coordinador editorial:
Luis Miguel Vargas Valencia
luismvargas@utp.edu.co
Teléfono 313 7381
Edificio 9, Biblioteca Central “Jorge Roa Martínez”
Cra. 27 No. 10-02 Los Álamos, Pereira, Colombia
www.utp.edu.co
Montaje y producción:
María Alejandra Henao Jiménez
Universidad Tecnológica de Pereira
Pereira
Impresión y acabados:
PUBLIPRINT S.A.S
Pereira
Reservados todos los derechos
DEDICATORIA
A DIOS:
Quiero manifestar que todos los momentos felices y los
beneficios recibidos en mi vida se los debo sin duda alguna a Dios.
No ha habido ocasión en que no me ha acompañado. Gracias
Dios mío por permitirme alcanzar esta meta, aquí y ahora.
A mis padres PEDRO PABLO Y AURA MARÍA:
Hoy están ausentes en otra dimensión. A su memoria les
dedico este trabajo, como reconocimiento en su abnegada labor
de padres y por haberme infundido los valores que son y han sido
soporte de mi vida.
A MYRIAM, amada esposa:
Gracias por haber sido la esposa comprensiva y paciente
durante estos años de trabajo agotador, por preocuparse por mí,
por su respaldo y apoyo incondicionales. Gracias por el ánimo
que me dio para seguir adelante. Myriam, usted ha sido la mujer
de mi vida y también le dedico este trabajo.
A DIANA PAOLA:
Querida hijita, gracias por su colaboración, amabilidad y por
toda su ayuda que fue clave en la ejecución de esta investigación.
A mis hermanos:
Porque, a pesar de la distancia, los he tenido presentes en
cada una de mis actuaciones. A ellos, también les dedico este
trabajo.
CONTENIDO
PRÓLOGO........................................................................................................................11
RECONOCIMIENTOS...........................................................................................15
RESUMEN................................................................................................................17
ABSTRACT..............................................................................................................21
NOMENCLATURA.................................................................................................25
INTRODUCCIÓN...................................................................................................27
CAPÍTULO UNO.
FUNDAMENTACIÓN TEORICA DEL PROBLEMA DE RUTEO DE
VEHÍCULOS CON ENTREGAS Y RECOGIDAS SIMULTÁNEAS........................35
1.1. Justificación..........................................................................................................35
1.2. Metodología de búsqueda..................................................................................42
1.3. Descripción de algunas variantes del problema de ruteo de vehículos
(VRP) .........................................................................................................................43
1.4. Marco de referencia del problema de ruteo de vehículos con entregas
y recogidas simultáneas.............................................................................................46
1.4.1. Clasificación de las diferentes variantes del problema VRPPD
y sus métodos de solución............................................................................49
1.4.2. Lineas de investigación detectadas en la revisión bibliográfica....51
1.4.3. Modelos matemáticos utilizados en la solución del VRPPD........52
1.4.4. Según las técnicas de solución del VRPPD......................................64
1.4.5. Según las variantes del VRPPD.........................................................70
CAPÍTULO DOS.
DISEÑO METODOLÓGICO PARA LA TÉCNICA MATHEURÍSTICA
APLICADA EN LA SOLUCIÓN DEL VRPSPD.........................................................75
2.1. Heurísticas constructivas...................................................................................75
2.1.1. Heurística del vecino más cercano...................................................76
2.1.2. Heurística de entregas y recogidas para un vehículo,
doce clientes y con un nivel de servicio del 100 %....................................80
2.1.3. Heurística aleatoria controlada.........................................................81
2.1.4. Heurísticas con aumento de capacidad de vehículos.....................82
2.2. Técnicas exactas...................................................................................................82
2.3. Técnicas metaheurísticas: algoritmo genético de Chu-Beasley.....................83
2.3.1. Construcción de la población inicial................................................83
2.3.2. Operadores genéticos (Ballesteros Silva, 2019)...............................84
2.3.3. Proceso de optimización distribuida (Ballesteros Silva, 2019).....84
2.3.4. Etapa de reemplazo (Ballesteros Silva, 2019)..................................84
2.4. Algoritmo matheurístico propuesto para resolver el VRPSPD.....................84
CAPÍTULO TRES.
EXPERIMENTOS COMPUTACIONALES..................................................................95
3.1. Resultados con técnicas exactas........................................................................95
3.1.1. Para un depósito, un vehículo y doce clientes.................................96
3.1.2. Para un depósito, tres vehículos y doce clientes.............................96
3.1.3. Para un depósito, cuatro vehículos, treinta y ciencuenta
clientes............................................................................................................97
3.1.4. Para un depósito, k vehículos y n clientes..................................... 100
3.2. Resultados de la implementación del algoritmo genético de
Chu-Beasley............................................................................................................. 100
3.2.1. Resultados de la implementación del algoritmo genético
de Chu-Beasley para un depósito, un vehículo y cuatro clientes......... 101
3.2.2. Resultados de la implementación del algoritmo genético
de Chu-Beasley para un depósito, un vehículo y doce clientes............ 102
3.2.3. Resultados de la implementación del algoritmo genético
de Chu-Beasley-AGCB para un depósito, cuatro vehículos y
cincuenta clientes sin impacto ambiental............................................... 104
3.2.4. Resultados de la implementación del algoritmo genético
de Chu – Beasley para un depósito, k vehículos y n clientes sin
impacto ambiental...................................................................................... 109
3.3. Resultados de la implementación del algoritmo genético de
Chu-Beasley para m depósitos, k vehículos y n clientes sin impacto
ambiental.................................................................................................................. 114
3.4. Resultados de la implementación del algoritmo genético de
Chu-Beasley para un depósito, k vehículos y n clientes con impacto
ambiental.................................................................................................................. 118
3.5. Resultados de la implementación del algoritmo genético de
Chu-Beasley para m depósito, k vehículos y n clientes, con impacto
ambiental.................................................................................................................. 119
3.6. Resultados de la aplicación de la matheurística propuesta......................... 126
3.6.1. Resultados de la matheurística sin impacto ambiental............... 126
3.6.2. Resultados de la matheurística con impacto ambiental.............. 130
REFERENCIAS BIBLIOGRÁFICAS........................................................................ 153
ÍNDICE DE TABLAS
TABLA NRO. 1. Clasificación de los artículos según variante del VRPPD,
autores, métodos de solución y años de publicación............................................41
TABLA NRO. 2. Búsqueda del VRPPD en bases de datos hasta septiembre
de 2020........................................................................................................................49
TABLA NRO. 3. Matriz de distancias para tres clientes.......................................77
TABLA NRO. 4. Relación de la cantidad de mercancía para entregar di
y para recoger pi........................................................................................................77
TABLA NRO. 5. Relación de la cantidad de mercancía para entregar di
y para recoger pi. Situación inicial..........................................................................78
TABLA NRO. 6. Matriz de distancias para doce clientes.....................................78
TABLA NRO. 7. Características de los computadores utilizados.......................95
TABLA NRO. 8. Resultados obtenidos con la aplicación del modelo
matemático con instancias SCA..............................................................................99
TABLA NRO. 9. Resultados obtenidos con la aplicación del modelo
matemático con instancias CON.......................................................................... 100
TABLA NRO. 10. Resultados del AGCB para un depósito, un vehículo
y cuatro clientes...................................................................................................... 101
TABLA NRO. 11. Resultados del AGCB para un depósito, un vehículo
y doce clientes. ensayo uno................................................................................... 102
TABLA NRO. 12. Rutas del ensayo uno.............................................................. 102
TABLA NRO. 13. Resultados del AGCB para un depósito, un vehículo
y 12 clientes. Ensayo dos........................................................................................ 103
TABLA NRO. 14. Rutas del ensayo dos............................................................... 103
TABLA NRO. 15. Resultados del AGCB para un depósito, un vehículo
y doce clientes para ensayo tres............................................................................ 103
TABLA NRO. 16. Rutas del ensayo tres............................................................... 104
TABLA NRO. 17. Ensayo dos con tamaño de población k: 50......................... 105
TABLA NRO. 18. Ensayo tres con tasa de recombinación 0.90....................... 106
TABLA NRO. 19. Ensayo dos con tasa de mutación = 0.03. Instancia
SCA 3-0.................................................................................................................... 108
TABLA NRO. 20. Ensayo uno con tamaño de población 100, instancia
SCA 8-0.................................................................................................................... 110
TABLA NRO. 21. Ensayo uno con tasa de recombinación 0.80, instancia
SCA 8-0.................................................................................................................... 111
TABLA NRO. 22. Ensayo dos con tasa de mutación 0.03................................. 113
TABLA NRO. 23. Coordenadas de clientes y depósitos.................................... 114
TABLA NRO. 24. Solución obtenida con el algoritmo genético de
Chu-Beasley para el depósito uno........................................................................ 116
TABLA NRO. 25. Solución obtenida con el algoritmo genético de
Chu-Beasley para el depósito dos......................................................................... 117
TABLA NRO. 26. Solución obtenida con el algoritmo genético de
Chu-Beasley para el depósito tres........................................................................ 117
TABLA NRO. 27. Ensayo con tamaño de población 100, tr:0.80
y tm:0.03 con instancia SCA 8-0.......................................................................... 118
TABLA NRO. 28. Emisiones de CO2 por tipo de combustible........................ 120
TABLA NRO. 29. Coordenadas de ciento cincuenta clientes y cinco
depósitos.................................................................................................................. 122
TABLA NRO. 30. Solución obtenida con el algoritmo genético de
Chu-Beasley para el depósito uno........................................................................ 124
TABLA NRO. 31. Solución obtenida con el algoritmo genético de
Chu-Beasley para el depósito dos......................................................................... 124
TABLA NRO. 32. Solución obtenida con el algoritmo genético de
Chu-Beasley para el depósito tres........................................................................ 125
TABLA NRO. 33. Solución obtenida con el algoritmo genético de
Chu-Beasley para el depósito cuatro.................................................................... 125
TABLA NRO. 34. Solución obtenida con el algoritmo genético de
Chu-Beasley para el depósito cinco..................................................................... 125
TABLA NRO. 35. Resultados computacionales en la implementación
del algoritmo genético de Chu-Beasley utilizando la instancia CON
3-8 de Dethloff........................................................................................................ 127
TABLA NRO. 36. Soluciones obtenidas con el modelo matemático
propuesto por Dell’Amico et al. (2006) para la instancia CON 3-8
y un depósito........................................................................................................... 128
TABLA NRO. 37. Soluciones obtenidas con la técnica matheurística
para el depósito uno............................................................................................... 128
TABLA NRO. 38. Soluciones obtenidas con la técnica matheurística
para el depósito dos................................................................................................ 129
TABLA NRO. 39. Soluciones obtenidas con la matheurística para
el depósito tres........................................................................................................ 129
TABLA NRO. 40. Consolidado de las soluciones obtenidas con la
matheurística propuesta para los tres depósitos sin impacto ambiental......... 129
TABLA NRO. 41. Soluciones obtenidas con la matheurística con impacto
ambiental para un depósito................................................................................... 130
TABLA NRO. 42. Soluciones obtenidas con el algoritmo genético de
Chu-Beasley, instancia SCA 8-0 con impacto ambiental para un depósito.... 131
TABLA NRO. 43. Soluciones obtenidas con la matheurística propuesta
combinando programación lineal entera mixta (MILP) con el algoritmo
genético de Chu-Beasley considerando el impacto ambiental a través de
GAMS para cinco depósitos, ciento cincuenta clientes y tres vehículos
por depósito............................................................................................................ 132
TABLA NRO. 44. Soluciones con el AGCB para cinco depósitos, ciento
cincuenta clientes, tres vehículos por depósito, con impacto ambiental........ 135
TABLA NRO. 45. Soluciones con la matheurística para cinco depósitos,
ciento cincuenta clientes, tres vehículos por depósito, con impacto
ambiental................................................................................................................. 136
TABLA NRO. 46. Información inicial del depósito uno................................... 139
TABLA NRO. 47. Información final del depósito uno...................................... 140
TABLA NRO. 48. Información inicial del depósito dos.................................... 141
TABLA NRO. 49. Información final del depósito dos....................................... 142
TABLA NRO. 50. Información inicial del depósito tres................................... 143
TABLA NRO. 51. Información final del depósito tres....................................... 144
TABLA NRO. 52. Información inicial del depósito cuatro............................... 145
TABLA NRO. 53. Información final del depósito cuatro.................................. 146
TABLA NRO. 54. Información inicial del depósito cinco................................ 147
TABLA NRO. 55. Información final del depósito cinco................................... 148
TABLA NRO. 56. Resultados comparativos de la aplicación de la
matheurística y del algoritmo genético de Chu-Beasley con impacto
ambiental................................................................................................................. 149
TABLA NRO. 57. Soluciones obtenidas con la matheurística propuesta
combinando programación lineal entera mixta (MILP) con el algoritmo
genético de Chu-Beasley, con impacto ambiental a través de GAMS para
cinco depósitos, ciento cincuenta clientes y tres vehículos por depósito,
con la distancia y carga transportada normalizadas entre clientes.................. 150
TABLA NRO. 58. Soluciones obtenidas con el algoritmo genético de
Chu-Beasley, con impacto ambiental para cinco depósitos, ciento cincuenta
clientes y tres vehículos por depósito, con la distancia y carga transportada
normalizadas entre clientes................................................................................... 151
ÍNDICE DE FIGURAS
FIGURA NRO. 1. Esquema de clasificación del VRPPD.....................................49
FIGURA NRO. 2. Clases de subgrupos VRPPD...................................................50
FIGURA NRO. 3. Ubicación del depósito y los tres clientes...............................77
FIGURA NRO. 4. Solución con la heurística del vecino más cercano para
un solo vehículo.........................................................................................................79
FIGURA NRO. 5. Asignación de tres vehículos a doce clientes.........................79
FIGURA NRO. 6. Heurística constructiva para la entrega y recogida
para doce clientes con un nivel de servicio del 100 %.........................................81
FIGURA NRO. 7. Ruta obtenida con heurística aleatoria para doce
clientes y un vehículo................................................................................................81
FIGURA NRO. 8. Ruta de la heurística con aumento de capacidad
del vehículo................................................................................................................82
FIGURA NRO. 9. Representación genética de una configuración de
veinte nodos o clientes..............................................................................................83
FIGURA NRO. 10. Ruta para doce clientes obtenida con GAMS......................96
FIGURA NRO. 11. Rutas de los tres vehículos, doce clientes.............................97
FIGURA NRO. 12. Rutas de los tres vehículos para treinta clientes
y un depósito..............................................................................................................98
FIGURA NRO. 13. Función objetivo vs generación, instancia SCA 3-0........ 106
FIGURA NRO. 14. Función objetivo AGCB vs tasa de recombinación
0.90 ........................................................................................................................... 107
FIGURA NRO. 15. Función objetivo AGCB vs tasa de mutación 0.03........... 108
FIGURA NRO. 16. Función objetivo vs generación, ensayo 1, instancia
SCA 8-0.................................................................................................................... 110
FIGURA NRO. 17. Función objetivo vs generación con instancia
SCA 8-0.................................................................................................................... 112
FIGURA NRO. 18. Función objetivo AGCB vs tasa de mutación 0.03........... 113
FIGURA NRO. 19. Ubicación de clientes y depósitos....................................... 115
FIGURA NRO. 20. Primera asignación de clientes a depósitos....................... 115
FIGURA NRO. 21. Reasignación de clientes según capacidad de
depósitos.................................................................................................................. 116
FIGURA NRO. 22. Función objetivo con impacto ambiental vs generación,
para k: 100, tr:0.80 y tm:0.03 para la instancia SCA 8-0................................... 118
FIGURA NRO. 23. Diagrama de dispersión de ciento cincuenta clientes
y cinco depósitos..................................................................................................... 121
FIGURA NRO. 24. Primera asignación de clientes a depósitos....................... 121
FIGURA NRO. 25. Reasignación de clientes según capacidad de
depósitos.................................................................................................................. 123
FIGURA NRO. 26. Rutas para el depósito uno.................................................. 133
FIGURA NRO. 27. Rutas para el depósito dos................................................... 133
FIGURA NRO. 28. Rutas para el depósito tres................................................... 134
FIGURA NRO. 29. Rutas para el depósito cuatro.............................................. 134
FIGURA NRO. 30. Rutas para el depósito cinco................................................ 135
Pedro Pablo Ballesteros Silva
PRÓLOGO
De todos es conocido que, en el horizonte del tiempo de
los distintos periodos de la civilización, siempre ha habido
problemas relacionados con la movilidad. Allí, de alguna manera,
se han conocido propuestas de solución que, al principio, fueron
empíricas y se implementaron a partir de los conocimientos, la
tecnología y los recursos disponibles en cada momento histórico.
En otras palabras, siempre ha existido transporte de personas,
animales, bienes mercancías e insumos. Este transporte se ha
realizado empleando diferentes medios.
Con el significativo avance de la investigación de
operaciones, se evidencia que, después de la segunda mitad del
siglo XX, se le otorgó una connotación más científica al problema
de ruteo de vehículos y se reconoció la importancia lo que hoy
se conoce como cadena de suministro, cuyo objetivo principal
está enfocado a la atención en forma eficiente del sistema de
distribución. Obviamente incluye las operaciones y actividades
relacionadas con el transporte.
El problema de ruteo de vehículos con entregas y
recogidas simultáneas es más común de lo que se supone. Por
11
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
ejemplo, se evidencia en la realidad cuando por cualquier medio
de transporte (avión, barco, tren, vehículos automotores, entre
otros), se transportan personas y carga desde un origen a un
destino, y allí se recogen también personas y cargas que retornan
al origen inicial o van a otro destino.
Es importante tener en cuenta que, en las diferentes
variantes del problema de ruteo de vehículos, se deben considerar
necesariamente las restricciones del sistema para satisfacer
las necesidades de los clientes como los tiempos de entrega y
recogida, la capacidad y las características de los vehículos, la
disponibilidad de vías, la duración del recorrido, la existencia de
un único depósito o múltiples depósitos, el tipo de combustible,
entre otros. El objetivo de dicha consideración consiste en lograr
la optimización de los recursos disponibles de transporte y atender
las demandas de los clientes.
Entre los motivos que me impulsaron a escribir este libro
están:
• Las innumerables y reales situaciones que se presentan
en las organizaciones asociadas a la entrega y recogida de bienes
físicos, productos (semielaborados o terminados) o personas
que, considerando las restricciones del sistema, permiten las
satisfacciones de las necesidades de los clientes con soluciones
óptimas o buenas.
• Sin desconocer los importantes avances en el desarrollo de
algoritmos exactos para el VRPSPD, específicamente, soportados
en técnicas de programación matemática, cuando el tamaño
de los clientes es muy grande; no es fácil encontrar la solución
óptima y por eso es necesario considerar otras alternativas
como la matheurística propuesta. Esta genera resultados muy
competitivos con respecto a la aplicación de modelos matemáticos
de programación lineal entera mixta (MILP) en donde, por la
misma naturaleza de los problemas NP-Hard, la solución por
12
Pedro Pablo Ballesteros Silva
técnicas exactas no se obtiene dentro de un horizonte de tiempo
razonable.
• La matheurística aplicada en la investigación realizada es
muy flexible, fácil de entender y, en su ejecución, no se necesita
gran esfuerzo computacional solo el requerido por las técnicas
exactas. Por lo tanto, es preferible lograr una buena respuesta
inmediatamente y no una óptima solución a largo plazo.
Son precisamente estas bases sobre las que sugiero que se
estudie, con un buen grado de detalle, la matheurística descrita
en este libro. No obstante, no se puede perder de vista que no
existe una única forma de resolver el problema de ruteo planteado
y a menudo puede alcanzarse el mismo objetivo por diversos
caminos.
Igualmente, debe tenerse en cuenta que los investigadores
que trabajen a puertas cerradas, desconociendo las restricciones
del sistema de transporte y las necesidades básicas de los clientes
que demandan los servicios de entregas y recogidas, no harán más
que suscitar resistencias a los cambios que deben implantarse.
13
Pedro Pablo Ballesteros Silva
RECONOCIMIENTOS
Producto de la investigación realizada, el Ministerio del
Interior me otorgó el siguiente Certificado de Registro de Soporte
Lógico (Software):
15
Pedro Pablo Ballesteros Silva
RESUMEN
Desde hace muchas décadas, uno de los temas que ha sido de
mucho interés en la investigación se relaciona con los problemas de
ruteo de vehículos, el cual está presente en muchas organizaciones.
Este problema de transporte tiene múltiples implicaciones -de
orden económico, social, tecnológico y ambiental cuando se
suministran servicios a unos clientes-, en el desarrollo y ejecución
de los procesos de producción, aprovisionamiento y distribución
de bienes y servicios; incluso en el traslado de personas en un
determinado horizonte de tiempo, con un adecuado nivel de
calidad.
En gran parte de la práctica, estos procesos se realizan de
forma empírica o intuitiva. Lo anterior lleva a incurrir en elevados
costos de transporte, un fuerte impacto en el medio ambiente y
en un discutible nivel de servicio al cliente final. Por lo tanto, el
esfuerzo por mejorar y resolver científicamente esta situación es
uno de los objetivos de este libro.
Es conocido que, las decisiones estratégicas de las
organizaciones, se encuentra la administración de la cadena de
suministro la cual incluye la logística del transporte. Allí, en
forma transversal, está inmerso el problema de transporte con sus
17
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
diferentes variantes como se podría observar más adelante.
Fue necesario hacer una descripción del estado del arte
del problema de ruteo con entregas y recogidas simultáneas
(VRPSDP) para conocer los modelos relacionados en la literatura
científica, utilizada durante muchos años por investigadores con
el fin de resolver el problema. Esta clasificación considera los
diferentes métodos de solución (técnicas exactas, heurísticas,
metaheurísticas, matheurísticas y técnicas hibridas).
Aparte de los métodos exactos, utilizados en las pruebas,
en el presente libro, se propone una matheurística, conformada
por el algoritmo genético y especializado de Chu-Beasley y
algunas técnicas exactas de programación lineal, entera y mixta
(MILP), basadas en el procedimiento de Branch-and-Cut. Este fue
aplicado a la mejor configuración, obtenida del algoritmo genético
con el apoyo de métodos heurísticos constructivos. Dichos
métodos han sido aportados por el autor en la determinación de
los subproblemas, los cuales hacen parte de la generación de la
población inicial y son necesarios en la etapa de mejoría local.
El desarrollo de la investigación y la aplicación de la
matheurística propuesta cubre varios escenarios del VRPSPD: un
depósito o centro de distribución, un vehículo y varios clientes;
un depósito o centro de distribución, varios vehículos y varios
clientes; y varios depósitos (multidepósito), varios vehículos y
muchos clientes. Cada uno de estos tres escenarios incorpora en
la parte final los efectos ambientales, propios del problema, como
la emisión de CO2 generado por el tipo de combustible de los
vehículos. Es importante destacar que el método propuesto fue
objeto de ajustes y mejoras a medida que se hacían las pruebas y
los experimentos.
En estos escenarios, se escogió el transporte de carga
por las siguientes razones: es un soporte económico para la
población, constituye un soporte para la entrega de insumos para
18
Pedro Pablo Ballesteros Silva
varios sectores y es una fuente de empleo (trabajo, diversión,
vivienda, almacenes, industria, oficinas, instituciones, limpieza,
mantenimiento y reparaciones, servicios básicos, fabricación,
operación, diseño, distribución, entre otras).
El problema considera un conjunto de clientes, cuyas
demandas de recogida y entrega de productos o personas son
conocidas. Así, el objetivo consiste en obtener ciertas rutas de
costo mínimo, las cuales permiten satisfacer la demanda de los
clientes, considerando las respectivas restricciones del sistema y
los vehículos necesarios para la realización de las mismas.
El objetivo de la solución es encontrar el conjunto de rutas
que garanticen el cumplimiento de las siguientes restricciones:
• Las rutas que se definan deben comenzar y finalizar en el
depósito o centro de distribución.
• Se deben satisfacer los requerimientos de todos los clientes
al 100 % del nivel de servicio.
• Cada cliente puede ser visitado solo una vez en la ruta
seleccionada.
• En cada uno de los clientes o nodos de la ruta, el total
de la carga transportada por los vehículos no debe exceder su
capacidad. Es decir, no se aceptan situaciones de infactibilidad.
• Las técnicas empleadas deben permitir la minimización
de los costos o distancias recorridas.
La metodología desarrollada se implementa en C++, Java
y Python. Asimismo, para encontrar la solución se dispone del
software Solver CPLEX. La eficiencia de la implementación del
algoritmo se verifica con la utilización de instancias de prueba
disponibles en la literatura especializada. Como se podrá observar,
esto permitió obtener buenos resultados en tiempos de cómputo
relativamente cortos.
19
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Dado que no existe un sistema de pruebas en las empresas,
en calidad de criterio fundamental para seleccionar las instancias,
se decidió –como lo han señalado los investigadores en sus
publicaciones científicas– utilizar las instancias específicas en
la literatura especializada (relacionadas en el presente libro).
Estas han sido probadas por los investigadores para resolver el
VRPSPD y constituyen los referentes para evaluar la eficiencia de
la implementación del algoritmo propuesto.
Esta metodología se presenta en el manual del usuario
propuesto por el autor, donde se describen los procesos que
el usuario puede realizar con el software y las aplicaciones
implementadas. Estas se han programado en los lenguajes
C++, Java y Python para la plataforma Windows. Estas pueden
ejecutarse en cualquier sistema que tenga instalada la máquina
virtual Java, y los compiladores respectivos disponibles en los
sitios web http://www.java.com o http://www.java.com/es, https://
www.python.org/ y http://www.mingw.org/.
Según la literatura existente, este es un problema de
optimización combinatorial y la mayoría de sus versiones son de
la clase NP-Hard (Lenstra y Rinnooy Kant, 1981), porque, en su
proceso de solución no se trabaja con tiempo polinomial (Toth y
Vigo, 2014).
En la parte final de la investigación, se hace énfasis en
las variantes del problema que involucran variables asociadas
al medio ambiente, y en particular, la reducción del impacto de
gases de efecto invernadero. La revision observa lo publicado
hasta 2020.
20
Pedro Pablo Ballesteros Silva
ABSTRACT
Since many decades ago, one of the topics of greatest interest
in research is related with the vehicle routing problem, present
in many organizations. This, which is a transport problem, has
multiple implications (of economic, social, technological and
environmental order when there is a provision of services to
customers) in the development and implementation of production
processes, in the provisioning and distribution of goods and
services; including carrying people within a determined time
horizon, with an adequate quality level.
In the practice, these processes are carried out to a great
extent of empirical or intuitive way, incurring in high costs of
transport, in a strong impact on the environment, and in an
arguable level of final customer service. Therefore, the effort
to improve and solve scientifically this situation is one of the
contributions of the present book.
It is well known that among the strategic decisions of
organizations we can find the administration of the supply chain,
which includes the transport logistics, where the problem of
21
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
transport is transversally immersed with its different variants that
will be described later on.
It was necessary to describe the state of the art of Vehicle
Routing Problem Simultaneous Deliveries and Pickups (VRPSDP)
to understand the models listed in the international technical
literature, used for many years by specialized researchers to solve
the problem. This classification considers the different methods
of solution (exact, heuristic, metaheuristic, and matheuristic
techniques, as well as hybrid techniques.)
Aside from the exact methods used in the tests, the
work proposed a matheuristics, conformed by the Chu-Beasley
specialized genetic algorithm and exact techniques of mixed
integer linear programming, based on the Branch-and-Cut
procedure. It applied to the best configuration, obtained from
the genetic algorithm with the support of constructive heuristic
methods contributed by the author in the determination of the
sub-problems. These are part of the generation of the initial
population and are necessary in the stage of local improvement.
The development of the research and the application of the
matheuristics proposed cover several scenarios of the VRPSPD:
a depot or distribution center, a vehicle and several customers;
a depot or distribution center, several vehicles, and several
customers and several depots (multi-depots), several vehicles
and many customers. In the final part, the environmental effects
related to the problem such as the CO2 emissions caused by the
type of fuel used in the vehicles is incorporated. It is important to
highlight that the proposed method was subject to adjustments
and improvements as the tests and experiments were implemented.
The freight transport was selected in these scenarios for the
following reasons: it is an economic support for the population; it
constitutes a support for the delivery of inputs for several sectors;
it is a source of employment (jobs, entertainment, housing, stores,
22
Pedro Pablo Ballesteros Silva
industries, offices, institutions, cleaning, maintenance and repairs,
basic services, manufacturing, operation, design, distribution,
among others.)
The problem considers a set of customers, whose pickup
and delivery demands of products or people are known, and
their objective is to obtain the set of routs of minimal cost, which
permits to satisfy the demands of the customers, considering the
respective constraints of the system and the vehicles necessary for
their implementation.
The aim of the solution is to find the set of routs that
guarantee the fulfillment of the following constraints:
• The defined routes should start and finish in the depot or
distribution center.
• The requirements of all customers should be satisfied to
the 100 % of the service level.
• Each customer can be visited just once in the selected
route.
• In each of the customers or nodes of the route, the total
load transported by the vehicles should not exceed their capacity.
That is, non-feasibility situations are not accepted.
• The techniques used should allow the minimization of
costs or distances travelled.
The methodology developed is implemented in C++, Java
and Python and to find the solution we count on the CPLEX solver
software. The efficiency of the implementation of the algorithm
is verified with the use of the testing instances available in the
specialized literature, getting better results in relatively short
computing times.
This methodology is presented in the User Manual
proposed by the author, which describes the processes that
the user can perform with the software and the implemented
applications that have been programmed in the C++, Java and
23
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Python languages for the Windows platform. It can be run on
any system that has the Java virtual machine installed, and the
respective compilers available on the websites http://www.java.
com or http://www.java.com/es, https://www.python.org/ and
http://www.mingw.org/.
According to current literature, this is a combinatorial
optimization problem, and most of its versions belong to the
NP-Hard class, (Lenstra & Rinnooy Kant, 1981) because the
polynomial time is not considered in the solution process (Toth &
Vigo, 2014).
In the final part of the research, there is an emphasis on the
variants of the problem which involve variables associated with
the environment, in particular, with the reduction of the impact
of gases of greenhouse effect. The revision observes what has been
published up to 2020.
24
Pedro Pablo Ballesteros Silva
NOMENCLATURA
Para la descripción del modelo matemático utilizado con el
fin de resolver el problema, se relaciona la siguiente notación:
25
Pedro Pablo Ballesteros Silva
INTRODUCCIÓN
Las situaciones que están relacionadas con la recogida y el
envío de mercancía o personas que deben ser transportadas entre
orígenes y destinos constituyen una clase de problemas de ruteo
de vehículos, los cuales deben cumplir ciertas restricciones de
capacidad. Esta investigación se orienta a resolver el problema de
transporte de mercancías o carga física.
El problema de ruteo de vehículos con recogidas y entregas
(VRPPD) es considerado como una extensión del problema clásico
de ruteo de vehículos (VRP). El problema de ruteo de vehículos
con entregas y recogidas simultáneas (VRPSPD) fue tratado por
primera vez por Min (1989) quien resuelve un problema de entrega
y recogida en una biblioteca con un depósito, dos vehículos y
veintidós clientes. La estrategia de solución aplicada por Min
consistió en agrupar primero los clientes y luego en cada grupo
utilizar el algoritmo del agente viajero (TSP). En el trabajo de
Gendreau et al. (1999) se trata el problema del agente viajero con
recogidas y entregas. En Ai-min et al. (2009), se resuelve primero
el problema del agente viajero sin considerar las recogidas y
entregas; y luego, se determina el orden de las recogidas y entregas
de cada cliente en la ruta del agente viajero.
27
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
El objetivo del problema es encontrar una serie de rutas
para un conjunto de vehículos con costo mínimo con el objetivo
de suministrar servicio a unos clientes de la manera más adecuada
posible. Esta debe cumplir, la restricción de que los vehículos
tengan suficiente capacidad de transporte en relación con los
productos (o personas) que deben ser recogidos y/o entregados
de/a cada cliente (nodo). Se debe partir de un depósito y llegar
al mismo depósito. Se pretende hallar la solución óptima o
soluciones subóptimas de buena calidad. Según Lenstra y Rinnooy
Kant (1981), este es un problema de optimización combinatorial
y la mayoría de sus versiones son de la clase NP-Hard. Dicho de
otro modo, según Toth y Vigo (2014), la solución no se puede
encontrar en tiempo polinomial.
Existe una amplia información en la literatura especializada
y una importante evolución del VRPPD y sus variantes, como se
observa en Toth y Vigo (2014), Berbeglia et al. (2007), Berbeglia y
Hahn (2009), Gutiérrez-Jarpa et al. (2010), Liu et al. (2010), ChunHua et al. (2009), Min (1989), Subramanian et al. (2011), Masson
et al. (2014), Huang et al. (2012), Gribkovskaia et al. (2008),
Boubahri et al. (2011), Mingyong y Erbao (2010), Subramanian
(2008), Liu et al. (2013), Qu y Bard (2013), Mirzapour Al-ehashem y Rekik (2014), Rais et al. (2014), Tajik et al. (2014),
Hennig et al. (2015), Gschwind (2015), Gendreau et al. (2015),
Polat et al. (2015), Cherkesly et al. (2016), Zachariadis et al. (2016),
Hernández-Pérez et al. (2016), Li et al. (2016).
A lo largo del periodo de revisión (hasta 2020) se encuentran
publicaciones con clasificaciones desde diferentes perspectivas.
Por ejemplo, en Tajik et al. (2014) trata el problema de ruteo
de vehículos con entregas y recogidas, con ventanas de tiempo
y contaminación y lo resuelve aplicando programación lineal
entera mixta (MILP); Hennig et al. (2015) trabaja el problema de
enrutamiento de petróleo con entregas y recogidas fraccionadas y
utiliza el algoritmo de generación d¬¬e columnas para su solución.
28
Pedro Pablo Ballesteros Silva
Edirisinghe y James (2014) presentan como método de solución la
programación lineal fraccional. Recientemente, Zachariadis et al.
(2016) abordaron el problema con restricciones bidimensionales
de carga y aplicaron para su solución un algoritmo de búsqueda
local y heurística de embalaje de dos dimensiones enfocado hacia
la generación de estructuras de carga factible.
Existe una amplia información en la literatura especializada
y una importante evolución del VRPPD y sus variantes, como
se observa en Ballesteros Silva y Escobar Zuluaga (2016). En
este documento se encuentra la relación de publicaciones con
clasificaciones desde diferentes perspectivas, como se describe
más adelante.
Como método exacto, aplican, entre otras técnicas,
Branch and Price con la comparación de instancias hasta cien
clientes. A través del documento se presenta una clasificación
estructurada de los problemas de ruteo de vehículos con entregas
y recogidas (VRPPD), teniendo en cuenta su formulación
matemática y los métodos de solución empleados –tanto exactos
como aproximados– con el propósito de conocer su evolución, la
aparición de nuevas variantes del problema y sus diversos campos
de aplicación en la búsqueda de soluciones reales del problema.
El problema de ruteo de vehículos con recogida y entrega
simultáneas considera las condiciones de regreso a un depósito
(origen) de todos los vehículos o medios de transporte y de la
visita (una vez, por lo menos) a todos los clientes (nodos). Se
procura encontrar rutas de costo mínimo y la no extralimitación
de la carga del vehículo (conforme a su capacidad) a lo largo de la
ruta.
Problemas de optimización como el que se quiere intervenir
en esta investigación no se pueden resolver a través de los métodos
exactos a pesar de los impactos de la revolución de las ciencias
de la computación. Hoy se cuentan con computadores de gran
29
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
desempeño, de alta velocidad y gran capacidad de memoria. Sin
embargo, esto no es garantía para encontrar la solución óptima de
esta clase de problemas debido a la gran complejidad matemática,
y a la existencia de gran cantidad de variables y restricciones que
afectan el sistema. No se ha encontrado, a pesar de los avances
en este campo, un algoritmo que permita encontrar soluciones
óptimas en tiempo polinómico.
Esta investigación presenta una matheurística integrada
por el algoritmo genético de Chu-Beasley (metaheurística) y una
técnica exacta (programación lineal entera mixta –MILP–) con
la intención de hacer un aporte importante de solución en esta
variante del VRP. En esta dirección, se debe tener en cuenta que
la incorporación de un atributo variable o una restricción genera
otras variantes del problema que exigen estrategias y nuevos
métodos para su solución. La aplicación de la metaheurística ha
generado buenas respuestas en tiempos de cómputo muy cortos y,
en este caso, ha sido la base para la generación de subproblemas
que hacen parte del proceso de optimización distribuida de la
matheurística, tal como se describe en el numeral 1.4.2.3 de este
libro. Esta estrategia de solución, a la fecha no ha sido considerada
ni discutida en la literatura especializada por lo que, junto con la
incorporación de algunos aspectos ambientales, el presente libro
puede representar una contribución original para la solución de
esta clase de problemas de una forma más integral debido a que
son situaciones muy comunes en toda clase de industrias. Estas,
por un lado, quieren implementar sistemas de producción con
desarrollo sostenible en sus operaciones; y por otro lado, disminuir
las emisiones de CO2 en sus sistemas de distribución y transporte
teniendo en cuenta los impactos ambientales, como lo expresan
en sus trabajos Mirzapour Al-e-hashem et al. (2019), Turkensteen
y Hasle (2017), Ubeda et al. (2011) y Gupta et al. (2017).
Según Lenstra y Rinnooy (1981) no se conoce un
algoritmo que permita encontrar soluciones óptimas en tiempo
polinomial, a pesar de los avances que en los últimos años ha
30
Pedro Pablo Ballesteros Silva
tenido el desarrollo de algoritmos exactos que emplean técnicas
de programación matemática, como la programación lineal. Es
importante tener en cuenta que, a la fecha, no se ha encontrado
un algoritmo que resuelva en forma exacta el VRP con más de
ciento cincuenta clientes dispersos y asimétricos. Por lo tanto, no
se puede determinar la solución óptima. De ahí, la importancia
de implementar el método híbrido que se propone en esta
investigación para resolver el VRPSPD.
La aplicación de técnicas híbridas, como la presente
propuesta, está en una fase incipiente por lo tanto existe una
gran oportunidad para seguir investigando con resultados muy
alentadores y prácticos, teniendo en cuenta la calidad de la
solución, el tiempo computacional la simplicidad y flexibilidad,
como lo manifiesta Subramanian en su libro Heuristics Exact and
Hybrid Approaches for Vehicle Routing Problems (2012).
31
1
CAPÍTULO
UNO
Pedro Pablo Ballesteros Silva
CAPÍTULO UNO
Fundamentación teorica del problema
de ruteo de vehículos con entregas y
FUNDAMENTACIÓN TEORICA
DEL PROBLEMA
DE RUTEO DE
recogidas
simultáneas
VEHÍCULOS CON ENTREGAS Y RECOGIDAS SIMULTÁNEAS
1.1.
Justificación
El transporte dentro de la cadena logística permite llevar a cabo el proceso de distribución desde un punto
de partida hasta el destino final. El comportamiento de este proceso no se realiza de manera
unidireccional, es decir, se puede dar de productor a consumidor o viceversa.
En este caso, existen empresas que poseen y administran flotas de vehículos que facilitan el
proceso de distribución y aprovisionamiento, y la respuesta eficiente y ágil depende de la planificación
adecuada de las rutas que, a su vez, garantizan una entrega oportuna en el menor tiempo y costo posibles.
Todo esto conlleva a diferentes operaciones complejas y de allí la importancia del estudio del problema
de transporte.
La exploración de la literatura especializada se hizo en dos direcciones: en una, en forma
horizontal, se analizó la evolción del problema VRPSPD cronológicamente. Esto permite conocer los
diferentes modelos matemáticos, las técnicas y estrategias de solución y sus aplicaciones. En la otra
dirección, en forma vertical, se conocieron las distintas clases de problema de ruteo de vehículos (VRP)
existentes en el horizonte de búsqueda y cómo algunos de los aspectos más relevantes estaban asociados
con el tema objeto de esta investigación.
A continuación, se describen algunos aspectos relevantes recientes de dicha búsqueda:
En el artículo de Iassinovskaia et al. (2017) se le da mucha importancia a la reducción del impacto
ambiental, a las regulaciones relacionadas y al potencial de beneficios operacionales cuando las empresas
hacen operaciones logísticas de distribución de productos embalados y recolección de empaques vacíos
a un determinado conjunto de clientes para su reutilización en el próximo ciclo de producción. En esta
investigación, se aprecia la aplicación de los conceptos de cadena de suministro directa e inversa desde
el momento de obtención de materias primas hasta la distribución del producto terminado a clientes
finales (logística directa) y las actividades de retorno que incluyen la adquisición de productos de los
usuarios finales; la logística inversa para su recolección y retorno; las pruebas clasificación y disposición
para una posible reutilización, remanufactura, creación y explotación de nuevos mercados (Ballesteros
S. y Ballesteros R., 2007).
22
35
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Pang et al. (2011) presentan un trabajo considerando un problema de ruteo de buques relacionado
con las entregas y recogidas de cargas en distintos lugares. El tiempo de carga y descarga de las cargas
en los lugares de recogida y entrega incide significativamente en los costos de la operación. Los autores
primero formulan el problema como un modelo de programación lineal entera mixta (MILP) y, debido
que este modelo es computacionalmente difícil de resolver para instancias de gran tamaño y complejidad,
desarrollan un algoritmo heurístico para el problema usando la formulación de partición de conjunto y
las técnicas de generación de columna con un camino más corto y restringido.
El problema marítimo de entregas y recogidas con ventanas de tiempo y carga fraccionada es
tratado por Andersson et al. (2011). Su intención es presentar un método de solución exacta para un
problema de planificación, enfrentado por muchas compañías navieras que se ocupan del transporte de
cargas a granel. El método proporciona soluciones óptimas a pequeñas instancias de planificación
realista.
Investigaciones recientes, como la efectuada por Polat (2017), proponen nuevas versiones del
VRP con entregas y recogidas divididas VRPDDP y cada vehículo puede visitar cada cliente una o dos
veces. Según el autor, aplicando la metaheurística búsqueda de vecindad variable (VNS), se obtienen
buenos resultados frente a las mejores soluciones que se encuentran en la literatura especializada, en este
caso.
El problema de la recolección y entrega de camiones completos con sincronización de recursos
(Full Truckload Pickup and delivery Problem with Resource Synchronization ―FT-PDP-RS― es
estudiado por Grimault et al. (2017). En su estudio, el objetivo es optimizar el transporte de materiales
entre sitios, utilizando una flota heterogénea de camiones. Las entregas y recogidas se atienden a través
de ventanas de tiempo y, como método de solución, se aplica ALNS (algoritmo adaptativo de búsqueda
de vecindad amplia).
En los últimos años, el «enfoque verde» se ha convertido en una condición necesaria en la
industria del transporte: Mirzapour Al-e-hashem et al. (2019) presentan un artículo con la
implementación de un modelo verde para el problema de ruteo de inventario (Inventory Routing Problem
―IRP―) a través de una red «de muchos a uno», donde la demanda de cada producto es estocástica. El
modelo de programación estocástico es bi-objetivo. La primera función objetivo tiene por finalidad
minimizar el valor esperado de los costos de operación de la cadena de suministro, incluyendo los
inevitables costos de escasez. La segunda función minimiza la cantidad total de la emisión de gases de
efecto invernadero (Greenhouse Gas ―GHG― Emission) producida por los vehículos y productos
eliminados. En síntesis, con la aplicación que se presenta en el trabajo, se busca mejorar el desempeño
económico y ambiental, y minimizar las fluctuaciones de la demanda.
Wang y Lin (2017) incorporaron la incertidumbre en el tiempo de viaje, en el diseño de las
regiones de servicio para los problemas de ruteo de vehículos con entregas y recogidas con ventanas de
tiempo, los cuales son otra variante del problema VRPSPD. Para la solución, aplican un algoritmo
basado en escenarios y dividen el área de servicio en múltiples clústeres o grupo de clientes. Cada clúster
es atendido por un solo vehículo. Otra característica del modelo es que permite ajustar las rutas de los
vehículos según las condiciones del tráfico cambiante.
23
Por otra parte, de todos es conocido que las operaciones logísticas actuales están creciendo muy
rápido y, en consecuencia, la optimización de los sistemas de ruteo se ha convertido en una gran
preocupación y en una oportunidad para el uso de solucionadores de problemas de ruteo de vehículos
(VRP) a través de componentes de software integrados, precisamente como un motor de optimización.
En este sentido, Kalayci et al. (2016) presentan un trabajo cuyo objetivo es resolver el problema de ruteo
de vehículos con recogida y entrega simultánea (VRPSPD) aplicando un algoritmo metaheurístico
híbrido, compuesto por un sistema de colonia de hormigas (ACS) y una búsqueda de vecindad variable
(VNS). Lo anterior les permite obtener unos buenos resultados en tiempos de procesamiento
relativamente cortos.
Como puede observarse, los esfuerzos de los investigadores en la solución de este problema están
encaminados a mejorar el desempeño de la cadena de suministro en cada uno de los aspectos propios de
cada eslabón: clientes, productores y proveedores. Esto ha tenido la intención de contribuir al desarrollo
económico (sustentable) de las diferentes organizaciones, ofrecer un adecuado nivel de servicio a los
consumidores y procurando reducir el impacto ambiental del sistema productivo utilizado.
La contribución de un marco de optimización genérico para el apoyo a la toma de decisiones
multicriterio en sistemas de logística urbana (ecológicos) fue propuesta en el trabajo presentado a
36
comienzos de 2017 por Gupta et al. (2017). Allí, se evidencian las siguientes condiciones: la utilización
de ventanas de tiempo en las ubicaciones de los clientes; las demandas simultáneas de recogida y entrega;
el uso de una flota heterogénea de vehículos; y la heterogeneidad de los niveles de congestión del tráfico
en las redes de transporte urbano. La técnica de solución aplicada, basada en el algoritmo evolutivo de
de vehículos con recogida y entrega simultánea (VRPSPD) aplicando un algoritmo metaheurístico
híbrido, compuesto por un sistema de colonia de hormigas (ACS) y una búsqueda de vecindad variable
(VNS). Lo anterior les permite obtener unos buenos resultados en tiempos de procesamiento
relativamente cortos.
Pedro Pablo Ballesteros Silva
Como puede observarse, los esfuerzos de los investigadores en la solución de este problema están
encaminados a mejorar el desempeño de la cadena de suministro en cada uno de los aspectos propios de
cada eslabón: clientes, productores y proveedores. Esto ha tenido la intención de contribuir al desarrollo
económico (sustentable) de las diferentes organizaciones, ofrecer un adecuado nivel de servicio a los
consumidores y procurando reducir el impacto ambiental del sistema productivo utilizado.
La contribución de un marco de optimización genérico para el apoyo a la toma de decisiones
multicriterio en sistemas de logística urbana (ecológicos) fue propuesta en el trabajo presentado a
comienzos de 2017 por Gupta et al. (2017). Allí, se evidencian las siguientes condiciones: la utilización
de ventanas de tiempo en las ubicaciones de los clientes; las demandas simultáneas de recogida y entrega;
el uso de una flota heterogénea de vehículos; y la heterogeneidad de los niveles de congestión del tráfico
en las redes de transporte urbano. La técnica de solución aplicada, basada en el algoritmo evolutivo de
trayecto más corto multiobjetivo (MOSPEA) tiene como finalidad minimizar el impacto ambiental, y
disminuir los costos operativos generales de la solución de enrutamiento y las preocupaciones de calidad
de servicio. La aplicación de la propuesta en casos reales facilita el estudio de las restricciones del
problema de ruteo y sus efectos en la viabilidad económica y ambiental de los sistemas logísticos
urbanos.
En el trabajo presentado por Turkensteen y Hasle (2017) se estudia el efecto de las emisiones de
carbono en la consolidación de embarques en camiones. Con la intención de lograr una mejor utilización
de la capacidad de los vehículos, una menor distancia de recorrido y una considerable reducción de las
emisiones de carbono, los autores presentan un nuevo método de análisis de emisiones de carbono para
determinar los ahorros de emisiones obtenidos por un proveedor de transporte individual. Este recibe
solicitudes para entregar y recoger pedidos con una adecuada planeación. El método de evaluación de
carbono utiliza la distancia recorrida y el factor de carga promedio. Un aumento en el factor de carga
puede reducir parte del ahorro de emisiones de la consolidación. Se comprobó que el ahorro de emisiones
es relativamente grande para el caso de vehículos pequeños y para lugares de entrega y recogida que
están relativamente lejos del depósito. Los resultados del estudio pueden ser útiles para los usuarios y
proveedores de transporte, para los responsables de la formulación de políticas, y para los vendedores de
tecnología de enrutamiento de vehículos. El efecto ambiental del problema de ruteo de vehículos con
24
entregas y recogidas no ha tenido mucha atención en la literatura. Hasta donde se sabe, el único estudio
que proporciona resultados numéricos sobre el ahorro de emisiones de carbono es realizado por Ubeda
et al. (2011).
En marzo de 2017, Fernández Cuesta et al. (2017) presentan un nuevo problema de ruteo
VRPSPD, a saber: problema de ruteo de embarcaciones con recogidas y entregas selectivas que se puede
aplicar en la industria del petróleo y gas en alta mar. También, se formula otra versión del problema de
ruteo con recogidas y entregas con varias vías m-VRPPD. Este fue resuelto aplicando el algoritmo
adaptativo de búsqueda de vecindad amplia (ALNS), con el que se reduce el tiempo del proceso
computacional.
Se ha demostrado en las investigaciones de los últimos años sobre el VRP que la función objetivo
cada vez es más compleja y que, por ser problemas NP-Hard, no pueden ser resueltos analíticamente. En
consecuencia, se ha venido proponiendo el uso de técnicas metaheurísticas que son muy efectivas para
resolver los modelos completos de la cadena de suministro con resultados muy favorables, como se puede
evidencia en el trabajo desarrollado por Lee et al. (2016).
En la literatura especializada se encuentran pocos trabajos relacionados con la metaheurística de
algoritmo genético para solucionar el problema VRP. La investigación realizada por Ombuki-Berman y
Hanshar (2009) propone un algoritmo genético con codificación indirecta y una estrategia de mutación
entre depósitos, adaptativa para el MDVRP, con restricciones de capacidad y de longitud de ruta. El
número de clientes oscila entre cincuenta y trescientos sesenta. Según los autores, los resultados
computacionales muestran que el enfoque es competitivo con el GA existente sobre el cual mejora la
calidad de la solución para un número determinado de instancias.
Al comparar en este trabajo el enfoque de GA con otros enfoques no-GA, se muestra que, aunque
los GA son competitivos para el MDVRP, hay muchas oportunidades para investigaciones adicionales
sobre GA para MDVRP, en comparación con la «búsqueda tabú».
Otros autores como Kumar et al. (2016) tratan en su investigación dos aspectos importantes del
VRP: el problema de ruteo de la producción y distribución, y el problema de ruteo de la contaminación
con ventanas de tiempo PPRP-TW. Esto les permite formular un modelo multiobjetivo MMPPRP-TW
con dos objetivos: minimización del costo operativo total y minimización de las emisiones totales. Para
su solución, utilizaron un algoritmo de optimización
37de enjambres de partículas (SLPSO).
Por lo tanto, se puede observar que el problema de transporte con entregas y recogidas se ha
abordado a través de diferentes métodos de solución aproximados que representen simplificaciones de la
número de clientes oscila entre cincuenta y trescientos sesenta. Según los autores, los resultados
computacionales muestran que el enfoque es competitivo con el GA existente sobre el cual mejora la
calidad de la solución para un número determinado de instancias.
comparar
en de
esteenrutamiento
trabajo el enfoque
de GA con
enfoques
no-GA,simultáneas
se muestra que, aunque
SoluciónAldel
problema
de vehículos
con otros
entregas
y recogidas
los GA
sonmatheurística
competitivos para el MDVRP, hay muchas oportunidades para investigaciones adicionales
Una
nueva
sobre GA para MDVRP, en comparación con la «búsqueda tabú».
Otros autores como Kumar et al. (2016) tratan en su investigación dos aspectos importantes del
VRP: el problema de ruteo de la producción y distribución, y el problema de ruteo de la contaminación
con ventanas de tiempo PPRP-TW. Esto les permite formular un modelo multiobjetivo MMPPRP-TW
con dos objetivos: minimización del costo operativo total y minimización de las emisiones totales. Para
su solución, utilizaron un algoritmo de optimización de enjambres de partículas (SLPSO).
Por lo tanto, se puede observar que el problema de transporte con entregas y recogidas se ha
abordado a través de diferentes métodos de solución aproximados que representen simplificaciones de la
realidad con el fin de encontrar buenas rutas de distribución y aprovisionamiento, los cuales permiten a
las empresas u operadores de transporte ser competitivos en un mundo globalizado; un mundo que cada
día exige mejoras en los procesos (Ver TABLA NRO. 1).
Variante
VRPPD
Autores
Ruland y Rodin
Baldacci et al.
Subramanian et al.
Subramanian et al.
Masson et al.
Dell’Amico et al.
Gutiérrez-Jarpa et al.
Berbeglia et al.
Gendreau et al.
Cherkesly et al.
PDP
TSPDC
VRPSPD
VRPSPD
VRPPDSR
VRPSPD
VRPDSPTW
PDPS
FTPDP
PDPTWMS
Método
Año
BDA
BC
BC
BC
BC
BCP
BP
BP
BP
BC
BCP
1997
2003
2010
2011
2014
2006
2010
2009
2015
2016
25
DP
Psaraftis
Pandelis et al.
PDP
SVRPPD
DP
DP
2011
2013
LP
Dumas et al.
Tzoreff et al.
Domenjoud et al.
Bektas y Laporte
Baldacci et al.
Pang et al.
Huang et al.
Bard y Jarrah
Tajik et al.
Mirzapour Al-e-hashem y Rekik
Rais et al.
Andersson et al.
Lei et al.
Edirisinghe y James
Hennig et al.
Gschwind
Toro et al.
PDPTW
VRPPD
VRPPD
PRP
PDPTW
SRP
VRPSPD
PDP
TWPDPRP
IRP
PDPT
PDPTWSL
MFRSPSD
VRPPB
GPDP
SPDP
G-CLRP
CG
LP
CG
MILP
CG
CG
LP
CG
MILP
MILP
MILP
MILP
ABLSMV
LFP
CG
CG,BCP
MILP
1991
2002
1999
2011
2011
2011
2012
2013
2014
2014
2014
2011
2014
2014
2015
2015
2017
Min
m-VRPSPD
HC
HC
1989
26
38
Pedro Pablo Ballesteros Silva
Variante
VRPPD
VRPPD
VRPB
VRPPD
VRPBTW
TWWTVRPPD
m-VRPSP
VRPDP
m-VRPPDSL
SVRPSPD
VRPSPD
VRPPD
PDTSP
MVRPTWSD
Autores
Mosheiov
Salhi y Nagy
Nagy y Salhi
Zhong y Cole
Fabri y Recht
Lee et al.
Ganesh y Narendram
Nowak et al.
Tang et al.
Liu y Tang
Lin
Mladenović et al.
Belfiore y Yoshizaki
Yang et al.
VRPPDSR
Dondo y Cerdá
Sheridan et al.
Gendreau et al.
VRPCD
m-VRPPD
a-TSP
Método
Año
SR
HC
DSM
LS
LS
SPA
CHM
HDEDPS
SADP
HA
HTWWT
VASCÓN
HM
Algoritmo
NIFES
SCH
DAN
MINH
1998
1999
2005
2005
2006
2006
2007
2009
2009
2010
2011
2012
2013
2013
2013
2013
2015
M
Nanry y Barnes
Tang Montané y Diéguez Galvão
Chen y Wu
Chen et al.
Cao y Lai
Meng y Guo
Gribkovskaia et al.
Subramanian
Ai-Min et al.
Chun et al.
Hu y Wu
Ombuki-Berman y Hanshar
Çatay
Zachariadis et al.
Li et al.
Mingyong y Erbao
VRPPDTW
VRPSPD
VRPSPD
VRPSPD
VRPSPD
VRPSPD
SVRPDSP
VRPSPD
VRPPD
VRPSPDTW
VRPSPD
MDVRP
VRPPD
VRPSPD
PDTSP
VRPSPDTW
RTS
TS
TS
AC
GA
MH
TS
LSI
ISA
CA
QEA
GA
AC
APM
VNS
DEA
2000
2006
2006
2007
2007
2008
2008
2008
2009
2009
2009
2009
2010
2010
2011
2010
27
39
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Hou y Zhou
Pinar Goksal et al.
Sifa et al.
Fan
Boubahri et al.
Zachariadis y Kiranoudis
Petersen y Ropke
Zachariadis et al.
Serdar Tasan y Gen
Zhang et al.
García-Nájera
Wang y Chen
Şahin et al.
Ting y Liao
Pinar Goksal et al.
Chen et al.
Li et al.
Ghilas et al.
Kumar et al.
Polat
Grimault et al.
Fernández Cuesta et al.
Variante
VRPPD
SVRPSPD
VRPSPD
UPDPFV
VRPSPD
VRPSPDTW
VRPSPD
PDPCD
HM
VRPSPD
STT-VRPSPD
VRPB
TWVRPFPD
m-PDPSL
SPDP
VRPSPD
PMPDP
PDPTW-PR
PDPTW-SL
PPRP-TW
VRPDDP
FT-PDP-RS
VRPSPD
Goetschalckx y Jacobs-Blecha
Mitrović Minić y Laporte
Gribkovskaia et al.
Ganesh y Narendram
Bianchessi y Righini
Lin
Berbeglia y Hahn
Lin
VRPB
PDPTWPR
SVRPPPD
TSDP
VRPSPD
VRSPDTW
TSPPD
VRPSPDTW
Autores
D’Souza et al.
VRPPD
Erdogan et al.
PDTSP
Cruz et al.
VRPSPD
Liu et al.
VRPSPDTW
Método
Año
CA
HA
TS
TS
AC
LSA
ALNS
MH
CA
GA
MEA
CA
SA
MA
PASO
BCOM
ALNS
ALNS
SLPSO
VNS
ALNS
ALNS
MHS
MILP, HC
CIP y TS
MILP, TS
MILP, PA
LS y TS
ILP y CH
EA y HME
MILP, SPA
SA-PASOGA-AIS
LS y TS
GENVNSTS- CL- PR
GA y TS
2010
2010
2011
2011
2011
2011
2011
2009
2012
2012
2012
2013
2013
2013
2013
2015
2016
2016
2016
2017
2017
2017
1989
2004
2007
2007
2007
2008
2009
2011
2012
2012
2012
2013
28
40
Pedro Pablo Ballesteros Silva
Variante
VRPPD
Autores
Qu y Bard
Autores
Qu y Bard
Kramer et al.
Rieck et al.
Yanik et al.
Kramer et al.
Polat et al.
Yanik et al.
Li et al.
Polat et al.
Zachariadis et al.
Li et al.
Hernández-Pérez
Zachariadis et et
al.al.
Kalayci
et al.
Hernández-Pérez
et al.
Mirzapour Al-e-hashem et al.
Kalayci et al.
WangMirzapour
y Li
Al-e-hashem et al.
Qiua Wang
et al. y Li
Belgin
et al.
Qiua
et al.
WangBelgin et al.
Wang
Kumar
Agarwal y Venkateshan
Kumar
Zhang
et al.Agarwal y Venkateshan
Zhang et al.
Shi et al.
Koç et
al.et al.
Koç
Hornstra
et al.et al.
Hornstra
Año
MILP- SAN2013
HI
Método
Año
MEPBFOS y
VRPM-CPD MILP- SAN2014
GA
HPDP
2013
HI
PRP
LS-MILP
2015
MEPBFOS y
MILP, GA, 2014
VRPM-CPD
GA
VRPPD
2014
LS y HC 2015
PRP
LS-MILP
VRPSPDT
VHS-P-AS
2015
MILP,
GA,
VRPPD
2014
LSGLAS
y HC y
PDPTWPR
2016
MILP 2015
VRPSPDT
VHS-P-AS
GLAS
y
VRP2L-SPD
2DPGSLF
2016
PDPTWPR
2016
MILP
LS-SPAm-PDTSP
2016
VRP2L-SPD
2DPGSLF
MILP 2016
LS-SPAVRPSPD
ACS-VNS 20162016
m-PDTSP
MILP
IRP
HACLSM
2017
VRPSPD
ACS-VNS
2016
VRPTW
ABE
y
LS
IRP
HACLSM
20172017
PRPRPD
BS-HB
VRPTW
ABE y LS
20172018
2EVRPSPD
VND-LS 20182018
PRPRPD
BS-HB
2E- MPDP
VRPSPD
VND-LS
LSI-ALNS 20182018
MPDP
LSI-ALNS
AVRPSPD
ME-H 20182019
AVRPSPD
ME-H
20192019
M-M-VRPSPD
AMP-VNS
M-M-VRPSPD
AMP-VNS
2019
C-W
PDPTW
2019
C-W
PDPTW
algorithm 2019
algorithm
VRPSPD
MEVRPSPD
MEH H 20202020
VRPSPD-H
ALNS 20192019
VRPSPD-H
ALNS
HPDP
Rieck et al.
Shi et al.
Método
Variante
VRPPD
. 1. Clasificación
artículossegún
según variante
variante del
autores,
métodos
de solución
TABLA
TABLA
NRO.NRO
1. Clasificación
de de
loslos
artículos
delVRPPD,
VRPPD,
autores,
métodos
de solución
añosde
de publicación.
publicación.
y yaños
Elaboración propia.
propia.
Elaboración
Con respecto al análisis de la bibliografía consultada, las estadísticas correspondientes a 165
Con respecto al análisis de la bibliografía consultada, las estadísticas correspondientes a 165
artículos evaluados, que se obtienen de la TABLA NRO. 2, se enuncian a continuación:
artículos evaluados, que se obtienen de la TABLA NRO. 2, se enuncian a continuación:
•
•
En relación con la variante más estudiada del problema VRPPD, la más estudiada es VRPSPD con
En relación
la artículos;
variante más
estudiada
del problema
VRPPD,
la más estudiada
es VRPSPD
treinta con
y dos
en segundo
lugar,
está la PDP
con diecisiete;
luego, la VRPPD
con con
treintadiecisiete.
y dos artículos;
segundo por
lugar,
está la PDP Algunas
con diecisiete;
la VRPPD
VRPSPDT en
fue propuesta
seis investigadores.
variantes luego,
como IRP,
VRP2L- con
diecisiete. VRPSPDT fue propuesta por seis investigadores. Algunas variantes como IRP, VRP2L29
29
41
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
2PD, PRPRPD, 2E- VRPSPD, MPDP, AVRPSPD, M-M-VRPSPD, y VRPSPD-H aparecen en la
revisión una vez.
Si se tiene en cuenta el método de solución, se encuentran los siguientes datos en los artículos
revisados:
•
-
Porcentaje de autores que utilizaron métodos exactos (ME): 17.6 %, 29 artículos.
Heurísticas constructivas (HC): 10.9 % con 18 artículos.
Metaheurísticas (M): 22.4 % con 37 artículos.
Métodos híbridos (MH): 20.6 % con 34 artículos.
Otros: 28.5 % con 47 artículos.
En el problema-objeto de esta investigación se han considerado tanto los aspectos relacionados
con el tráfico y la movilidad como las causas principales del impacto al medio ambiente; por ejemplo, la
contaminación del aire (a través de las emisiones de dióxido, monóxido de carbono, óxido de nitrógeno,
hidrocarburos no quemados), la proliferación de ruido, el consumo desmedido de recursos, y la ocupación
extensiva del espacio por parte de los vehículos utilizados en la entrega y recogida de mercancías.
Por ejemplo, en nuestro medio actual, el sistema de transporte de carga adolece de un plan de
manejo integral a través del cual se busque no solamente minimizar los actuales y críticos problemas de
movilidad, la creciente congestión vehicular y los tiempos de viaje, entre otros, sino también desarrollar
condiciones suficientes para operar un sistema de transporte sostenible el cual reduzca los problemas
ambientales que afectan la calidad de vida de la población gracias al uso del actual sistema de transporte.
Este tema será un componente significativo en el diseño de la técnica matheurística que se piensa
implementar para la solución del problema de investigación.
1.2.
Metodología de búsqueda
Tomando como base lo expuesto anteriormente, se hizo una revisión bibliográfica del problema de ruteo
de vehículos con entregas y recogidas que se complementa con los aspectos asociados al impacto
ambiental. En esta dirección, se realizó una exploración bibliográfica en las fuentes mencionadas a
continuación:
•
•
•
•
•
Se visitaron las bases de datos de: Science Direct, Scopus, Institute of Electrical and Electronics
Enginners (IEEE), Google Scholar, Academic Search Premier, Fuente Académica, MasterFile
Elite, Oaistier, Scirus, Springer Link, Isi Web Knowledge, JStor. En la TABLA NRO. 2, se muestra
el resultado de la búsqueda en las diferentes bases de datos.
Se consultaron los artículos en las revistas: European Journal of Operational Research
(ELSEVIER), IFAC Proceedings Volumes, Computer and Operations Research, Transportation
Science, Transportation Research (Part A, B, C, D, E), Networks, Operations Research, Journal
30
of the Operational Research Society.
Se consultaron las referencias bibliográficas de algunos artículos.
Se visitaron algunos capítulos de libros sobre el problema de ruteo de vehículos.
Se leyeron algunas tesis doctorales y de maestría.
El horizonte de tiempo va desde 1959 hasta 2020, pero se le otorga más importancia a los artículos
e investigaciones recientes.
En las bases de datos hay varias formas de hacer la consulta bibliográfica. Por ejemplo, en Science
Direct esta búsqueda se puede hacer por año de publicación, por el nombre de la revista, por tópico y por
tipo de contenido. Si se quiere hacer una consulta sobre el tema «Green Vehicle Routing Problem with
Simultaneous Pickup and Delivery» en el periodo desde 2014 hasta agosto de 2020, se encuentran los
siguientes resultados:
•
Por año: Se consultaron 3 artículos en 2020, 3 en 2019, 4 en 2018, 5 artículos en 2017, 1 en 2016,
1 en 2015 y 3 en 2014.
•
Por nombre de revista («Publication title») en Transportation Research Procedia se hallaron seis
artículos pertinentes; en European Journal of Operational Research, seis artículos; y en
Transportation Research Part C: Emerging Technologies, cuatro artículos.
42
e investigaciones recientes.
En las bases de datos hay varias formas de hacer la consulta bibliográfica. Por ejemplo, en Science
Direct esta búsqueda se puede hacer por año de publicación, por el nombre de la revista, por tópico y por
tipo de contenido. Si se quiere hacer una consulta sobre el tema «Green Vehicle
Routing
Problem with
Pedro Pablo
Ballesteros
Silva
Simultaneous Pickup and Delivery» en el periodo desde 2014 hasta agosto de 2020, se encuentran los
siguientes resultados:
•
Por año: Se consultaron 3 artículos en 2020, 3 en 2019, 4 en 2018, 5 artículos en 2017, 1 en 2016,
1 en 2015 y 3 en 2014.
•
Por nombre de revista («Publication title») en Transportation Research Procedia se hallaron seis
artículos pertinentes; en European Journal of Operational Research, seis artículos; y en
Transportation Research Part C: Emerging Technologies, cuatro artículos.
•
Por tópico. Se realiza una búsqueda con base en las siguientes palabras claves (el número de
artículos resultantes por cada una de estas expresiones o tópicos se muestran entre paréntesis), a
saber:
-
Transportation Research (4)
Vehicle Route (23)
Cargo (1)
Delivery (1)
Generation (1)
Speed (1)
Vehicle (1)
•
Por tipo de contenido: Journal (165)
- Fuel Consumption (2)
- Bus (1)
- CO2 emission (1)
- Fuel (1)
- Ship (1)
- Terminal (1)
Con el procedimiento anterior se hace una búsqueda exhaustiva de los diferentes temas de esta
investigación con un óptimo grado de detalle.
Con la matheurística propuesta se puede aprovechar la capacidad subutilizada de los vehículos
cuando regresan al depósito o centro de distribución.
31
Cabe mencionar que la extensión de esta investigación considera los impactos ambientales en la
solución del problema de ruteo de vehículos con entregas y recogidas simultáneas, como se evidencia en
la exploración bibliográfica a los trabajos de los autores Bektas y Laporte (2011), Toro et al. (2017),
Yanik et al. (2014), Kramer et al. (2015), Hennig et al. (2015), Edirisinghe et al. (2014), Mirzapour Ale-hashem et al. (2019), Turkensteen y Hasle (2017), Ubeda et al. (2011) y Gupta et al. (2017).
1.3.
Descripción de algunas variantes del problema de ruteo de vehículos (VRP)
Para facilitar la comprensión de algunas de las variantes del VRP, a continuación, se hace su
correspondiente descripción:
•
VRPF-VRP difuso: fue propuesto para superar las dificultades que se presentaron en la
determinación de tiempos de viaje, y localización de los clientes y sus demandas. Se caracteriza
porque en su solución utiliza la teoría de conjuntos difusos (Eksioglu, 2009).
•
MFVRP-VRP con vehículos mixtos: los vehículos mixtos son homogéneos y pueden tener
variaciones en su capacidad, lo cual incide directamente en los costos asociados al transporte de
los artículos, como son el costo del combustible, la programación y la ejecución de su
mantenimiento (Subramanian et al., 2012).
•
OVRP-VRP abierto: en esta variante los vehículos no necesariamente pueden retornar al depósito,
una vez haya realizado su recorrido. Esta situación se puede dar cuando las empresas no cuentan
con flota propia parcial o total, y tienen que recurrir a la contratación del transporte (Marinakis,
2014).
•
DCVRP-VRP con restricciones de capacidad y distancia: en este caso, la capacidad de los
vehículos es limitada y la distancia total establecida es inferior a la suma de las distancias entre los
arcos de la ruta determinada (Tlili et al., 2014).
•
VRPB-VRP con red de retorno: la situación se presenta cuando los clientes solicitan enviar o recibir
43
sus productos o mercancías. Con esto se forman dos conjuntos de clientes en las rutas donde las
entregas se hacen primero que las recogidas y la distribución es mixta. Lo anterior, persigue una
minimización de los costos totales (Ma et al., 2013; Goetschalckx y Jacobs-Blecha, 1989; Salhi y
los artículos, como son el costo del combustible, la programación y la ejecución de su
mantenimiento (Subramanian et al., 2012).
OVRP-VRP abierto: en esta variante los vehículos no necesariamente pueden retornar al depósito,
una
vezproblema
haya realizado
su recorrido.
Esta situación
se puede ydar
cuando las
empresas no cuentan
Solución del
de enrutamiento
de vehículos
con entregas
recogidas
simultáneas
con flota
propia parcial o total, y tienen que recurrir a la contratación del transporte (Marinakis,
Una nueva
matheurística
2014).
•
•
DCVRP-VRP con restricciones de capacidad y distancia: en este caso, la capacidad de los
vehículos es limitada y la distancia total establecida es inferior a la suma de las distancias entre los
arcos de la ruta determinada (Tlili et al., 2014).
•
VRPB-VRP con red de retorno: la situación se presenta cuando los clientes solicitan enviar o recibir
sus productos o mercancías. Con esto se forman dos conjuntos de clientes en las rutas donde las
entregas se hacen primero que las recogidas y la distribución es mixta. Lo anterior, persigue una
minimización de los costos totales (Ma et al., 2013; Goetschalckx y Jacobs-Blecha, 1989; Salhi y
Nagy, 1999; y Zhong y Cole, 2005).
•
VRPTW-VRP con ventanas de tiempo: en este caso, se especifican intervalos de tiempo para que
el cliente reciba sus productos o pedidos, y se penaliza cuando los pedidos se entregan fuera del
horario convenido o los vehículos deben esperar, con el consecuente aumento en los costos de
32
operación (Ma, 2010).
•
CVRP-VRP capacitado: esta variante se ha conocido como la variación básica del VRP, donde se
requiere que la carga transportada no supere la capacidad de los vehículos, y la ruta inicia y finaliza
en el depósito o centro de distribución. Las versiones de esta variante son ACVRP cuando la matriz
de costos es asimétrica, y SCVRP cuando la matriz de costos es simétrica (Daneshzand, 2011;
Sörensen y Schittekat, 2013).
•
VRPPD-VRP con recogidas y entregas: este problema fue tratado e investigado por primera vez
por Min (1989) quien diseñó una heurística constructiva de tres fases para resolver el problema
considerando un depósito, dos vehículos y veintidós clientes.
Este caso es más común de lo que parece. Consiste en que cada vehículo sale de un depósito y
visita en cada viaje un único cliente a quien le entrega una determinada cantidad de productos.
Simultáneamente, recoge otra, teniendo en cuenta la capacidad del vehículo. El objetivo es encontrar la
ruta de costo mínimo que permita atender a todos los clientes con un nivel de servicio del 100 %. El
vehículo solo debe retornar al depósito únicamente con lo que recogió. En ningún momento debe ingresar
con productos o mercancía que no entregó (Liu et al., 2013; Coelho et al., 2012).
•
MDVRP-VRP con múltiples depósitos: aquí, existen varios depósitos, centros de distribución o
almacenes de despacho, distribuidos de manera geográfica en forma adecuada. De este punto salen
vehículos que deben atender a los clientes, teniendo en cuenta su cercanía a cada depósito o centro
de distribución. Como en los casos anteriores, se busca la ruta de costo mínimo para cada depósito
o centro de distribución con el propósito de atender a todos los clientes en sus respectivas
demandas, como se muestra en los trabajos de (Lau et al., 2010; Salhi et al., 2014; Wang, 2018; y
Koç et al., 2020).
•
SVRP-VRP estocástico: la variante en este caso está constituida por una o más variables que tienen
aleatoriedad. Pueden ser la demanda, los tiempos de recorrido o de abastecimiento y los horarios
de los clientes para ser atendidos (Allahviranloo, 2014).
•
SVRP-VRP con entrega dividida: en este caso, un mismo cliente puede ser visitado por más de un
vehículo, procurando la reducción del costo total. La razón de aplicar esta variante es que en
algunos momentos la demanda de un cliente puede estar por encima de la capacidad de un vehículo
(Bolduc et al., 2010).
•
PVRP-VRP periódico: en esta variante las operaciones con el vehículo se hacen en un tiempo
superior a un día. En estas condiciones, los clientes pueden ser atendidos o visitados una o más
33
44
Pedro Pablo Ballesteros Silva
veces en el horizonte de tiempo definido para el servicio. La solución del problema considera la
minimización de la cantidad de vehículos y el tiempo total requerido en la ruta (Cacchiani et al.,
2014).
•
VRPSPD: en este caso, todos los clientes demandan servicios de recogida y entrega de mercancía
o productos en forma simultánea. Cada uno de estos servicios son atendidos por el mismo vehículo
en una única visita. Alguno de los autores de los trabajos e investigaciones que han tratado esta
variante son: Bianchessi y Righini (2007); Chen y Wu (2006); Dell’Amico et al. (2006); Ganesh y
Narendran (2008); Zachariadis et al. (2009); Tang Montané y Diéguez Galvão (2006); Zhang et
al. (2019); Koç et al. (2020) y Kumar Agarwal y Venkateshan (2019). Es preciso tener en cuenta
que el modelo para resolver el VRPSPD se adapta del modelo para el VRPMPD, donde una de las
dos, las entregas o las recogidas, pueden asumir el valor de cero.
•
Mixed Vehicle Routing Problem with Pick up and Delivery (MVRPPD): este es un problema mixto
de ruteo de vehículos con recogida y entrega, donde los clientes solicitan únicamente uno de los
dos servicios, entrega o recogida (Baldacci et al., 2003; Zhong y Cole, 2005).
•
Meal Pickup and Delivery (MPDP): en esta variante se trata el problema del ruteo de vehículos con
proveedores de logística, entregas y recogidas de alimentos, incorporando ventanas de tiempo y
múltiples viajes. En este se aplican los métodos de solución de búsqueda local iterada (LSI) y
vecindario grande adaptativo ―ALNS― (Wang, 2018).
•
PRPRPD: problema de ruteo de producción con remanufactura, entregas y recogidas simultáneas.
En esta versión se aplica uno de los modelos de programación de entera-mixta para problemas de
ruteo de producción incluyendo la logística inversa y los procesos de remanufactura. Esta versión
fue empleada por primera vez por Qiua et al. (2018).
•
VRPSPD-H: aquí se trata el problema de la generación de rutas para vehículos con los respectivos
costos en las actividades simultáneas de entrega, recogida y manejo. En esta versión, un conjunto
de vehículos sale de un depósito o centro de distribución para atender la demanda de los clientes
en la entrega y recogida. De esta manera, los productos o artículos se entregan y los vehículos
retornan al depósito o centro de distribución cargados con las recogidas. Al respecto, puede verse
el trabajo de Hornstra et al. (2019).
•
2E-VRPSPD: problema de ruteo de vehículos de dos escalones con entregas y recogidas
simultáneas (Belgin, 2018). Este es un típico problema de transbordo, cuando desde un depósito o
centro de distribución se entregan y se recogen las cargas en centros de distribución más pequeños,
llamados satélites, y desde donde se transportan a los clientes sus productos y se recogen por lo
general envases o cajas vacías. Para la solución de esta variante del VRPSPD, se aplica el algoritmo
heurístico hibrido, basado en descendencia de vecindad variable VND y el algoritmo de búsqueda
34
local LS.
•
PDPTW: VRP con entrega y recogida y ventanas de tiempo (Pickup and Delivery Problem with
Time Windows). En el trabajo presentado por Shi et al. (2019), se plantea un novedoso servicio
en la entrega y recogida conjuntas a través del algoritmo Coppersmith-Winograd (C-W),
fundamentado en la fusión de rutas establecidas en nodos para lograr la optimización del problema
de ruteo de vehículos con entregas y recogidas con ventanas de tiempo (PDPTW).
Para este libro, el problema de ruteo de vehículos con recogida y entrega simultáneas (VRPSPD)
se considera en las siguientes variantes:
•
•
•
•
1.4.
VRPSPD para un depósito, un vehículo y varios clientes.
VRPSPD para un depósito, varios vehículos y varios clientes.
VRPSPD para varios depósitos, varios vehículos y muchos clientes.
VRPSPD para varios depósitos, varios vehículos y muchos clientes, incorporando las variables de
impacto ambiental.
45
Marco de referencia del problema de ruteo de vehículos con entregas y
recogidas simultáneas
Time Windows). En el trabajo presentado por Shi et al. (2019), se plantea un novedoso servicio
en la entrega y recogida conjuntas a través del algoritmo Coppersmith-Winograd (C-W),
fundamentado en la fusión de rutas establecidas en nodos para lograr la optimización del problema
de ruteo de vehículos con entregas y recogidas con ventanas de tiempo (PDPTW).
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva
Paramatheurística
este libro, el problema de ruteo de vehículos con recogida y entrega simultáneas (VRPSPD)
se considera en las siguientes variantes:
•
•
•
•
1.4.
VRPSPD para un depósito, un vehículo y varios clientes.
VRPSPD para un depósito, varios vehículos y varios clientes.
VRPSPD para varios depósitos, varios vehículos y muchos clientes.
VRPSPD para varios depósitos, varios vehículos y muchos clientes, incorporando las variables de
impacto ambiental.
Marco de referencia del problema de ruteo de vehículos con entregas y
recogidas simultáneas
Es importante hacer una revisión de los antecedentes históricos y las tendencias del problema de ruteo
de vehículos con entregas y recogidas considerando la siguiente estructura:
•
•
•
Búsqueda de los autores que han tratado el problema de ruteo de vehículos VRPPD.
Clasificación de los artículos según las variantes del problema VRPPD y los métodos de solución.
Análisis de la bibliografía consultada.
Para la búsqueda de los autores, se tuvo en cuenta una selección de ciento sesenta y cinco artículos
del VRPPD, divulgados hasta el año 2020. Asimismo, se exploraron las bases de datos que se relacionan
en la TABLA NRO.2.
Palabras clave
Science Direct Scopus
Multiple
Pickups,
Simple
1656
305
Deliveries and Time Windows
Reverse Logistics, Branch-andCut
1
0
VRP with Simultaneous Pickup
Palabras clave
Science Direct Scopus
and Delivery,
Deliveries, Pickups and Random
1991
266
Demands
Deliveries, Pickups and Full
3112
400
Loads
VRP with Full Load in Several
Points of Delivery and One of
318
7
Pickup
Green
Capacitated
Location
419
431
Routing Problem
Programming Problems with Split
343
329
Pickups and Deliveries.
Routing
Problem
with
Transhipment Option and Green
73
3
Focus
VRP with Two-Stage Stochastic
427
67
Programming.
Traveling Salesman for Deliveries
44
12
and Pickups Multiproduct.
Multiple Vehicles with Split for
913
320
Deliveries and Pickups.
Simultaneous Deliveries and
724
753
Pickups with Multiple Vehicles
VRP with Deliveries and Pickups
668
495
with Multiple Vehicles.
VRP Mixed with Time Windows
374
64
and Split Deliveries.
VRP with Deliveries and Pick100
23
ups and Transshipment Problem.
46
VRP with Delivery and Pickups,
29
4
Time Windows and Multiple
Stacks of Products.
VRP with Pick-up and Delivery,
Springer Link
Google
Scholar
1 072
17 900
0
Springer Link
0
Google
Scholar
1221
17 800
1812
18 400
217
8060
308
5200
1034
13 900
87
4560
178
3240
14
241
726
18 400
517
20 900
509
13 400
292
4050
80
176
24
365
35
Focus
VRP with Two-Stage Stochastic
427
67
Programming.
Traveling Salesman for Deliveries
44
12
and Pickups Multiproduct.
Multiple Vehicles with Split for
913
320
Deliveries and Pickups.
Simultaneous Deliveries and
724
753
Pickups with Multiple Vehicles
VRP withPalabras
Deliveriesclave
and Pickups Science Direct Scopus
668
495
with Multiple Vehicles.
Deliveries, Pickups and Random
1991
266
VRP Mixed with Time Windows
Demands
374
64
and Split Deliveries.
Deliveries, Pickups and Full
3112
400
VRP with Deliveries and PickLoads
100
23
ups and Transshipment Problem.
VRP with Full Load in Several
VRP with Delivery and Pickups,
318
7
Points of Delivery and One of
Time Windows and Multiple
29
4
Pickup
Stacks of Products.
Green
Capacitated
Location
419
431
VRP with Pick-up and Delivery,
Routing Problem
Time Windows, Benefits and
11
0
Programming Problems with Split
343
329
Reservation Request.
Pickups and Deliveries.
Traveling Salesman Problem with
Routing
Problem
with
849
1637
Deliveries and Pickups.
3
Transhipment
Option
Palabras
claveand Green Science73
Direct Scopus
Pollution Problem in Routing.
41 637
2504
Focus
VRP
with
Synchronized
VRP with Two-Stage Stochastic
70
23
427
67
Deliveries and Pickups.
Programming.
VRPSPD with Stochastic Travel
Traveling Salesman for Deliveries
21
13
44
12
Times.
and Pickups Multiproduct.
VRPPD with a Single Vehicle and
Multiple Vehicles with Split for
7
1
913
320
Selective Deliveries and Pickups.
Deliveries and Pickups.
VRP with Split Deliveries and
Simultaneous Deliveries and
113
78
724
753
Simultaneous Pickups.
Pickups with Multiple Vehicles
Traveling Salesman Problem with
VRP with Deliveries and Pickups
668
495
Simultaneous Deliveries and
196
455
with Multiple Vehicles.
Pickups.
VRP Mixed with Time Windows
374
64
Traveling Salesman Problem with
and Split Deliveries.
478
391
Mixed Deliveries and Pickups
VRP with Deliveries and Pick100
23
VRP with Deliveries and Pickups
ups and Transshipment Problem.
656
70
Applying Time Windows.
VRP with Delivery and Pickups,
VRP with Deliveries and Pickups,
29
4
Time Windows and Multiple
87
34
Time Windows and Pollution.
Stacks of Products.
VRPPD with Deliveries and
VRP with Pick-up and Delivery,
Pickups by Applying Windows of
69
1
11
0
Time Windows, Benefits and
Time.
Reservation Request.
VRPPD with Time Windows and
Traveling Salesman Problem with
33
2
849
1637
Waiting Times.
Deliveries and Pickups.
Vehicle Routing Problem-VRP
76 535
32 785
Pollution Problem in Routing.
41 637
2504
Vehicle Routing Problem with
552
1081
Backhauls.
VRP
with
Simultaneous
Deliveries and Pickups and Two28
0
Dimensional Load Restrictions.
Many-to-Many Route Location
Problem with Customers Pickup
1780
67
and Delivery.
VRP to Pick up Inventory of
Plants with Limited Storage
39
0
Capacity.
Vehicle Routing Problem with
5165
1426
Pick-ups and Deliveries
47
178
3240
14
241
726
18 400
517
Springer Link
509
20 900
Google
Scholar
13 400
1221
292
17 800
4050
1812
80
18 400
176
217
24
8060
365
308
11
1034
5200
315
13 900
732
87 Link
Springer
37 215
17 500
Google
4560
Scholar
64 500
52
178
1570
3240
10
14
6980
241
7
726
106
18 400
90
517
2160
20 900
509
199
13 600
400
15
292
420
4050
16 800
80
533
176
10 400
24
39
365
1440
57
11
785
315
34
732
76 517
37 215
346
366
17 500
548 000
64 500
14 100
8
546
84
4800
39
480
4442
4440
Pedro Pablo Ballesteros Silva
36
36
37
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Palabras clave
VRPPD
with
Predefined
Customer.
Multi-Vehicle Routing Problem
with Deliveries, Pickups, and
LIFO Restrictions.
VRP with Pick-up and Delivery
with Transfers.
VRPPD Applying Transport
Routes.
VRP with Selective Deliveries and
Pickups that Include Time
Windows.
VRP
with
Simultaneous
Deliveries and Pickups
VRP with Deliveries, Selective
Pickups and Time Windows.
VRP of Single and Multiple
Vehicles
with
Simultaneous
Deliveries and Pickups.
VRP with Simultaneous Delivery
and Pickup with Timeout.
VRP with Deliveries and Pickups
with Multiple Vehicles and
Several Depots.
Vehicle Routing Simultaneous
Pickup and Delivery, Review,
Survey.
Reverse
Logistics,
Remanufacturing, Vehicle Routing
Production Planning, Branch-andcut Guided Search
Vehicle
Routing
Problem
Simultaneous
Pickup
and
Delivery,
Multi-Commodities
Fast Fashion Adaptive Memory
Programming.
Science Direct Scopus
Springer Link
Google
Scholar
21
1
13
236
22
2
5
70
281
42
244
3000
58
1
52
688
61
4
34
882
245
317
179
7340
63
54
37
879
191
155
132
6540
2
0
2
118
589
315
3 934
8060
1
0
0
0
1
0
0
0
1
0
0
0
38
48
Pedro Pablo Ballesteros Silva
Palabras clave
Joint Distribution Service, Vehicle
Routing Problem, Pickup and
Delivery Problem with Time
Windows, C.W. Algorithm
Science Direct Scopus
1
0
Springer Link
Google
Scholar
0
0
1
0
0
0
Vehicle Routing Problem Pickup
and Delivery, Handling Policies,
Hybrid Heuristic.
Two-Echelon Vehicle Routing
1
0
0
0
Simultaneous Pickup and
Delivery, Variable Neighborhood
Descent, Local Search.
Meal Delivery, Sharing Logistics
1
0
0
0
Service, Multi-Trip Routing
Totales
275 031
88 898
262 794
1 592 426
TABLA NRO. 2. Búsqueda del VRPPD en bases de datos hasta septiembre de 2020.
Elaboración propia.
La clasificación de los artículos según las variantes del problema y los métodos de solución se
describen a continuación:
1.4.1.
Clasificación de las diferentes variantes del problema VRPPD y sus métodos de solución
Para quienes han tenido la oportunidad de investigar el problema VRPPD, según sus variantes, han
podido observar que se pueden tener diferentes puntos de vista. Un primer punto de vista se identifica
con la investigación de Berbeglia et al. (2007), que se fundamenta en los aspectos de estructura, visitas
y vehículos, como se observa en la FIGURA NRO. 1:
FIGURA NRO. 1. Esquema de clasificación del VRPPD.
Elaboración propia.
39
49
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Puede apreciarse que en la estructura se define el número de orígenes y destinos de los productos,
y trata tres subgrupos de problemas:
El primer subgrupo se define como un problema de grafos «de muchos a muchos problemas»
―many to many problems (M-M)―. En este caso, cualquier vértice se utiliza como origen (fuente) o
como destino. Así, se deduce que cualquier producto o mercancía puede tener múltiples orígenes y
destinos, y cualquier lugar puede ser el origen o el destino de múltiples mercancías. Su estructura es
parecida a la del problema de ruteo de vehículos con recogida y entrega simultáneas (VRPSPD). Como
ejemplo de este subgrupo, se menciona el problema de intercambio (swapping problem). También se
evidenció esta variante en el trabajo de Zhang et al. (2019).
El segundo subgrupo contiene los problemas de «uno-a-muchos-a-uno» (1-M-1). Esta estructura
se presenta cuando desde un depósito o centro de distribución se entregan determinados productos y se
recogen otros elementos que retornarán al depósito o al centro de distribución. Como ejemplos reales se
evidencia esta situación en la distribución de bebidas y recolección de envases vacíos. Otro caso de esta
estructura se presenta tanto en la logística directa o en la logística inversa, cuando se entregan productos
nuevos y se recogen productos usados, defectuosos u obsoletos.
El tercer subgrupo está constituido por los problemas de ruteo conocidos como «uno a uno» ―one
to one (1-1)―. En este caso, cada producto que se entrega por una solicitud proviene de un origen y tiene
un destino específico. Como ejemplo de esta estructura están los servicios de mensajería y el servicio de
transporte puerta a puerta. Este problema es similar a aquel del agente viajero con entregas y recogidas
mixtas.
Los tres subgrupos, cuya descripción se hizo anteriormente, se evidencian en la FIGURA NRO. 2,
donde el cuadrado representa el depósito y los círculos son los clientes.
FIGURA NRO. 2. Clases de subgrupos VRPPD.
Tomado de Toth y Vigo (2014).
En las visitas se necesita información sobre la operación de recogida (P) y entrega (D).
Las opciones que se presentan son:
•
•
•
40
PD: cuando las operaciones de recogida y de entrega se combinan.
P-D: cuando las operaciones se pueden hacer conjuntamente o por separado.
P/D: cuando cada cliente tiene una entrega o un envío requerido, pero no ambos.
Por último, la parte final del esquema es el número de vehículos que se requieren en la ejecución
de las actividades de entrega y recogida del problema VRPPD. Puede haber un vehículo o múltiples.
Entre los años 1989 y 2020 son muchas las contribuciones de las variantes del problema VRPPD,
donde se han evidenciado dos escenarios en los que se pueden describir las operaciones de entregas y
recogidas:
•
Escenario estático: se evidencia este escenario cuando, antes del diseño o construcción de las rutas,
todos los datos de entrada del problema de
50ruteo de vehículos con entregas y recogidas son
conocidos y el horizonte de planeación es limitado (Berbeglia et al., 2007).
•
Escenario dinámico: aquí, el horizonte de planeación en este escenario es ilimitado y algunos datos
PD: cuando las operaciones de recogida y de entrega se combinan.
P-D: cuando las operaciones se pueden hacer conjuntamente o por separado.
P/D: cuando cada cliente tiene una entrega o un envío requerido, pero no ambos.
•
•
•
Pedro Pablo Ballesteros Silva
Por último, la parte final del esquema es el número de vehículos que se requieren en la ejecución
de las actividades de entrega y recogida del problema VRPPD. Puede haber un vehículo o múltiples.
Entre los años 1989 y 2020 son muchas las contribuciones de las variantes del problema VRPPD,
donde se han evidenciado dos escenarios en los que se pueden describir las operaciones de entregas y
recogidas:
•
Escenario estático: se evidencia este escenario cuando, antes del diseño o construcción de las rutas,
todos los datos de entrada del problema de ruteo de vehículos con entregas y recogidas son
conocidos y el horizonte de planeación es limitado (Berbeglia et al., 2007).
•
Escenario dinámico: aquí, el horizonte de planeación en este escenario es ilimitado y algunos datos
de entrada del problema VRPPD se conocen o se pueden actualizar durante dicho horizonte o en
el marco de las diferentes operaciones de entrega y recogida de los productos. Casos típicos de este
escenario son el transporte de personas con discapacidad y el de personas mayores en zonas urbanas
(Berbeglia y Hahn, 2009; Fabri y Recht, 2006).
1.4.2.
Líneas de investigación detectadas en la revisión bibliográfica
En un sentido estricto, prácticamente, cada una de las variantes del problema VRPPD puede constituirse
como una línea de investigación. A continuación, se relacionan ciertas líneas de investigación, tomadas
de algunos trabajos recientes, presentados entre 2013 y 2020:
•
Nuevo modelo para el VRPPD con vehículos heterogéneos y capacidad configurable (Qu y Bard,
2013).
•
Optimización discreta con enjambre de partículas para el VRPSPD (Pinar Goksal et al., 2013).
•
Propuesta de una heurística eficiente para el m-VRPPD con cargas fraccionadas (Şahin et al., 2013).
•
Integración de las redes comerciales y residenciales para recogidas y entregas (Bard y Jarrah, 2013).
•
Enfoque de optimización robusta para el VRPPD en condiciones de incertidumbre y efectos de
contaminación (Tajik et al., 2014).
41
•
Problema de enrutamiento de inventario multiproducto, multiperíodo con opción de transbordo y
enfoque verde (Mirzapour Al-e-hashem y Rekik, 2014).
•
Nuevo modelo de programación entera-mixta para el VRPPD con transbordo (Rais et al., 2014).
•
Desarrollo de un modelo para el VRP con múltiples recogidas y un único envío (Yanik et al., 2014).
•
Problema de recogida de inventario de producción en varias plantas con capacidad limitada de
almacenamiento (Edirisinghe y James, 2014).
•
Problema de ruteo de vehículos con entregas y recogidas VRPPD con múltiples vehículos y
restricciones LIFO (Benavet et al., 2015).
•
VRP con entregas y recogidas sincronizadas (Gschwind, 2015).
•
Enrutamiento de petróleo y problema de programación con recogidas y entregas fraccionadas
(Hennig et al., 2015).
•
VRPPD con restricciones bidimensionales de carga (Zachariadis, 2016).
•
Propuestas de modelos y algoritmos para el VRPPD con ventanas de tiempo y múltiples pilas de
productos (Cherkesly et al., 2016).
•
Un enfoque heurístico híbrido para el problema del agente viajero con entregas y recogidas
51
multiproducto (Hernández-Pérez et al., 2016).
•
VRPPD con ventanas de tiempo, beneficios y solicitud de reservas (Li et al., 2016).
•
VRP con entregas y recogidas sincronizadas (Gschwind, 2015).
•
Enrutamiento de petróleo y problema de programación con recogidas y entregas fraccionadas
(Hennig et al., 2015).
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
•
VRPPD con restricciones bidimensionales de carga (Zachariadis, 2016).
•
Propuestas de modelos y algoritmos para el VRPPD con ventanas de tiempo y múltiples pilas de
productos (Cherkesly et al., 2016).
•
Un enfoque heurístico híbrido para el problema del agente viajero con entregas y recogidas
multiproducto (Hernández-Pérez et al., 2016).
•
VRPPD con ventanas de tiempo, beneficios y solicitud de reservas (Li et al., 2016).
•
Problema de ruteo de producción con remanufactura, entregas y recogidas simultáneas
―PRPRPD― (Qiua et al., 2018).
•
Problema ruteo de vehículos con entregas y recogidas de alimentos con proveedores de logística con
ventanas de tiempo ―MPDP― (Wang, 2018).
•
Problema de generación de rutas para vehículos de muchos a muchos productos básicos con recogida
y entrega simultáneas ―M-M-VRPSPD― (Zhang et al., 2019).
42
•
Problema de generación de rutas con entregas y recogidas simultáneas con manejo de costos
―VRPSPD-H― (Hornstra et al., 2019).
Es preciso considerar que las anteriores líneas de investigación se pueden extender a problemas
de ruteo con vehículos homogéneos y heterogéneos para un depósito y multidepósito, incluyendo
variables con impacto ambiental.
Se describen, a continuación, algunos modelos matemáticos para resolver el VRPPD, utilizados
por los investigadores en sus trabajos publicados.
1.4.3.
Modelos matemáticos utilizados en la solución del VRPPD
1.4.3.1. Modelo matemático con un depósito, varios vehículos y muchos clientes.
Según Toth y Vigo (2014), en los últimos treinta años, la mayor parte de las variantes del VRPSPD han
sido muy estudiadas y han sido objeto de varias encuestas bibliográficas; resultados que se pueden
evidenciar en los trabajos de Parragh et al. (2008), Berbeglia et al. (2007), Berbeglia y Hahn (2009),
Kumar Agarwal y Venkateshan (2019), Baldacci et al. (2004).
La factibilidad del problema VRPSPD depende de la secuencia de la ruta encontrada para visitar
los clientes y está determinada cuando, al verificar la demanda de los clientes, esta no excede la capacidad
de los vehículos.
Son muchos los modelos matemáticos del VRPSPD para un depósito, varios vehículos y muchos
clientes. A continuación, se presenta la descripción de algunos de ellos:
•
Modelo matemático para un solo producto.
Puede citarse el modelo matemático propuesto por Dell’Amico et al. (2006) el cual más tarde, fue
aplicado por Subramanian et al. (2010). Este es el modelo que se adopta en esta investigación y posee la
siguiente notación:
CONJUNTOS:
A = conjunto de arcos que consisten en los pares (i, j) e (j, i) para cada arista (i, j).
I= {1, 2,..., n}, conjunto de clientes.
I+= I È{0} y 0 representa el depósito.
PARÁMETROS:
di = cantidad de mercancía o producto que se debe entregar al cliente i∈I.
pi = cantidad de mercancía o producto que se debe recoger al cliente i∈I.
K= {1, 2, …, m}, conjunto de vehículos con capacidad
52 Q.
43
aplicado por Subramanian et al. (2010). Este es el modelo que se adopta en esta investigación y posee la
siguiente notación:
CONJUNTOS:
A = conjunto de arcos que consisten en los pares (i, j) e (j, i) para cada arista
(i, j).Pablo Ballesteros Silva
Pedro
I= {1, 2,..., n}, conjunto de clientes.
I+= I È{0} y 0 representa el depósito.
PARÁMETROS:
di = cantidad de mercancía o producto que se debe entregar al cliente i∈I.
pi = cantidad de mercancía o producto que se debe recoger al cliente i∈I.
K= {1, 2, …, m}, conjunto de vehículos con capacidad Q.
cij = matriz de costos de viaje o distancias, i, j ∈ I+, i ≠ j.
Qk= capacidad del vehículo k ∈K.
43
VARIABLES DE DECISIÓN:
xijk =
1, si el vehículo k recorre el arco (i, j) ∈ I+ de la ruta seleccionada.
0, en cualquier otro caso.
Dij = cantidad de productos o mercancía pendiente por entregar, que es transportada en el arco (i, j).
Pij = cantidad de productos o mercancía recogida, que es transportada en el arco (i, j).
Se presentan a continuación la función objetivo, las restricciones y su descripción:
Sujeto a:
(1)
%
"#$ ∑%∈&,!∈$ ∑"∈$! &!" '!"
%
∑%∈& ∑"∈$,!(" '!"
=1
∑"∈$ '"!% = 1
∀# ∈ +
%
%
∑)∈$! !() '!)
− ∑"∈$! "() ')"
=0
%
∑"∈$ '-"
≤"
∑"∈$! 5"! − ∑"∈$! 5!" = 6!
∑"∈$! 7!" − ∑"∈$! 7"! = 8!
%
5!" + 7!" ≤ ∑%∈& :% '!"
5!" ≥ 0
7!" ≥ 0
%
'!"
∈ {0,1}
%
6" ' % !" ≤ 5!" ≤ ∑%∈&(:% − 6! )'!"
%
8! ' % !" ≤ 7!" ≤ ∑%∈& A:% − 8" B'!"
(2)
∀# ∈ +
(3)
∀, ∈ -
⥂ ∀#, 2, 3 ∈ + +
´
∀,, " ∈ -
(4)
(5)
(6)
∀# ∈ +
∀# ∈ +
∀(#, 2) ∈ + + ∀, ∈ ∀(#, 2) ∈ + +
(7)
(8)
(9)
∀(#, 2) ∈ + +
(10)
∀(#, 2) ∈ @
(12)
∀(#, 2) ∈ + +
%
5!" + 7!" ≤ A:% − "C'D0, 8" − 6" , 6! − 8! EB'!"
%
5!" + 7!" ≤ A:% − "C'D0, 8" − 6" , 6! − 8! EB'!"
∀(#, 2) ∈ @
∀(#, 2) ∈ @
∀(#, 2) ∈ @
(11)
(13)
44
(14)
(15)
La función objetivo (1) minimiza la suma de las distancias recorridas en la ruta seleccionada. Con
la restricción (2) existe garantía para que cada cliente pueda ser visitado solamente una vez en la ruta
seleccionada. La restricción (3) hace que cada vehículo salga de cada nodo o cliente una sola vez en la
ruta. La restricción (4) garantiza que, si el vehículo k llega al cliente s, este tiene que continuar su
recorrido a partir de este cliente. Esta restricción evita los subtours. Un subtour es un ciclo simple que
no pasa por todos los vértices del grafo. Con la restricción (5) se asegura que cada vehículo solo puede
53
ser asignado a una ruta y cada cliente sea visitado una sola vez por dicho vehículo. Las expresiones (6),
(7) y (8) son restricciones que garantizan la conservación del flujo de los productos entregados y
recogidos en las rutas establecidas. La naturaleza de las variables de decisión y las condiciones de no
%
8! ' % !" ≤ 7!" ≤ ∑%∈& A:% − 8" B'!"
%
5!" + 7!" ≤ A:% − "C'D0, 8" − 6" , 6! − 8! EB'!"
∀(#, 2) ∈ @
∀(#, 2) ∈ @
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
%
%
5!" + 7!" ≤ A: − "C'D0, 8" − 6" , 6! − 8! EB'!"
∀(#, 2) ∈ @
(13)
(14)
(15)
La función objetivo (1) minimiza la suma de las distancias recorridas en la ruta seleccionada. Con
la restricción (2) existe garantía para que cada cliente pueda ser visitado solamente una vez en la ruta
seleccionada. La restricción (3) hace que cada vehículo salga de cada nodo o cliente una sola vez en la
ruta. La restricción (4) garantiza que, si el vehículo k llega al cliente s, este tiene que continuar su
recorrido a partir de este cliente. Esta restricción evita los subtours. Un subtour es un ciclo simple que
no pasa por todos los vértices del grafo. Con la restricción (5) se asegura que cada vehículo solo puede
ser asignado a una ruta y cada cliente sea visitado una sola vez por dicho vehículo. Las expresiones (6),
(7) y (8) son restricciones que garantizan la conservación del flujo de los productos entregados y
recogidos en las rutas establecidas. La naturaleza de las variables de decisión y las condiciones de no
negatividad se presentan en las restricciones (9), (10) y (11). Si se pretende obtener una desigualdad más
fuerte para la no negatividad de la restricción (9), esta se puede sustituir por la desigualdad (12), como
lo sustenta Gouveia, (1995), en su trabajo publicado, cuya característica es el empleo de límites más
estrechos. Siguiendo la misma estrategia anterior de utilizar desigualdades más fuertes para Pij, se pueden
sustituir las restricciones (10) por (13) y (8) por (14), respectivamente. Con la desigualdad (15) se logra
que cada borde o arista no adyacente al depósito sea recorrida como máximo una vez.
Inicialmente, el modelo se aplica para el escenario de un depósito, un vehículo (haciendo k=1) y
varios clientes; y luego se hace extensivo a un depósito, varios vehículos (haciendo k=m) y muchos
clientes.
Al hacer la revisión bibliográfica de este problema, se encontró que la mayor parte de los trabajos
publicados tratan el grupo de «muchos a muchos» (M-M) y se considera el caso de un solo artículo o
producto que debe ser transportado entre múltiples orígenes y destinos.
También, en esta revisión se observó que la mayoría de los trabajos realizados se refieren a un
depósito y son contadas las investigaciones donde tratan el problema con múltiples depósitos
(Subramanian, 2012).
•
Modelo matemático con rutas de lanzadera (PDPS).
Este problema es un caso especial del VRPDP con ventanas de tiempo, donde los viajes entre los sitios
de recogida y los de entrega pueden separase en dos ramas. Una rama visita los puntos de recogida y
termina en un punto de entrega. Y la otra es un viaje entre dos puntos de entrega. Fue propuesto por
Massonm et al. (2014). El modelo propuesto varía significativamente con respecto al modelo clásico del
45
VRPPD, sobre todo, en las restricciones del sistema.
•
Modelo matemático para VRPPD con ventanas de tiempo y múltiples pilas de productos
(PDPTWMS).
Este modelo fue propuesto por Cherkesly et al. (2016) y consiste en determinar un conjunto de rutas
viables de menor costo en las que se minimiza el número de vehículos. Aplica dos técnicas en su solución:
una para la formulación de partición y otra para el modelado del problema de precio (pricing problem).
Los modelos matemáticos, utilizados en esta variante, son más complejos que el modelo clásico del
VRPPD.
•
Modelo matemático para dos productos.
Baldacci et al. (2004) proponen un algoritmo exacto para el problema de enrutamiento de vehículo
capacitado CVRP. Este incluye una nueva formulación de programación entera basada en un flujo de red
de dos productos. Este modelo no se puede aplicar directamente para el VRPSPD, pero puede ser la base
para otra investigación.
•
Modelo matemático para el problema de recogidas y entregas sincronizadas ―Synchronized
Pickup and Delivery Problem (SPDP)―.
Gschwind (2015) fue el investigador que propuso 54
este modelo. Su objetivo es encontrar un conjunto de
rutas de costo o distancia mínima que satisfagan el emparejamiento, la precedencia, las capacidades y las
ventanas de tiempo en la atención a las diferentes solicitudes requeridas por los usuarios desde un
depósito hasta el punto de destino, utilizando una flota de vehículos homogéneos. «Emparejar» significa
•
Modelo matemático para dos productos.
Baldacci et al. (2004) proponen un algoritmo exacto para el problema de enrutamiento de vehículo
capacitado CVRP. Este incluye una nueva formulación de programación entera basada en un flujo de red
Pedro Pablo Ballesteros Silva
de dos productos. Este modelo no se puede aplicar directamente para el VRPSPD, pero puede ser la base
para otra investigación.
•
Modelo matemático para el problema de recogidas y entregas sincronizadas ―Synchronized
Pickup and Delivery Problem (SPDP)―.
Gschwind (2015) fue el investigador que propuso este modelo. Su objetivo es encontrar un conjunto de
rutas de costo o distancia mínima que satisfagan el emparejamiento, la precedencia, las capacidades y las
ventanas de tiempo en la atención a las diferentes solicitudes requeridas por los usuarios desde un
depósito hasta el punto de destino, utilizando una flota de vehículos homogéneos. «Emparejar» significa
organizar las órdenes de entrega y de recogida para darles servicio en la misma ruta. «Precedencia»
corresponde a una restricción de modelo que garantiza que el cliente anteriormente visitado hace parte
de la ruta factible. La función objetivo minimiza los costos totales de enrutamiento y las restricciones de
partición garantizan que todas las solicitudes se cumplan estrictamente una vez.
Ahora bien, la descripción de las características de los modelos matemáticos del VRPPD con dos,
tres y cuatro índices se presenta a continuación:
•
Para dos índices: nuevo modelo de programación lineal entera mixta (MILP) para la recogida y
entrega con transbordo.
En el trabajo realizado por Rais et al. (2014), se considera una generalización adicional que permite el
transbordo en la red. Además, los vehículos son heterogéneos y un tamaño flexible de la flota. El número
de restricciones y variables en el modelo está limitado por el tamaño polinomial del problema. La
46
descripción del modelo es:
NOTACIÓN:
Sea G (N, A) un grafo dirigido que tenga el conjunto de nodos N y el conjunto de arcos A. Para i,
j ∈ N, denotamos el arco de i a j como i, j ∈ A.
Sea K el conjunto de vehículos indexados por k = 1, ..., |K|; para cada vehículo k, denotamos su
capacidad de carga por uk. Sea o (k), o '(k) ∈ N, respectivamente, el depósito inicial y el depósito final
del vehículo k ∈ K.
Sea R el conjunto de solicitudes de recogida y entrega del cliente indexadas por r = 1, ..., |R|; qr
es la cantidad de solicitudes. Asociados con cada cliente solicitante r ∈ R, hay un par p(r), d(r)
con p(r) ∈ N el nodo de recogida y d(r) ∈ N el nodo de entrega correspondiente; para cada requerimiento,
la cantidad de carga transportada qr necesita ser recogida desde p(r) y entregada en d(r).
Se denota por T ⊆ N el conjunto de nodos de transbordo en G. cijk representa el costo unitario de
transporte desde el nodo i ∈ N al j ∈ N utilizando el vehículo k ∈ K.
VARIABLES DE DECISIÓN:
xijk=1 si el vehículo k utiliza el arco ij; = 0, en cualquier otro caso, ∀ij ∈ A y ∀k ∈ K.
yijkr=1 si el vehículo k transporta el requerimiento r a través del arco ij; =0; en cualquier otro caso
∀ij ∈ A, ∀k ∈ K y ∀r ∈ R.
MODELO MATEMÁTICO Y DESCRIPCIÓN:
Sujeto a:
%
"#$ ∑%∈&,!"∈. ∑ & % !" '!"
%
∑"∈. '!"
≤1
∑_(2: #2 ∈ @)▒'_#2^, = ∑_(2: 2N ∈ @)▒'_2#^,
55
%
∑":!"∈. '!"
− ∑":"!∈. '"!% = 0 ∀, ∈ -,
∀, ∈ -, ∀# = H(,)
∀, ∈ -, ∀# = H(,), ∀N = H^′ (,)
∀# ∈ P/{H(,), H 0 (,)}
(16)
(17)
(18)
(19)
transporte desde el nodo i ∈ N al j ∈ N utilizando el vehículo k ∈ K.
VARIABLES DE DECISIÓN:
ij =1 si el vehículo k utiliza el arco ij; = 0, en cualquier otro caso, ∀ij ∈ A y ∀k ∈ K.
Soluciónxdel
problema de enrutamiento de vehículos con entregas y recogidas simultáneas
yijkrmatheurística
=1 si el vehículo k transporta el requerimiento r a través del arco ij; =0; en cualquier otro caso
Una nueva
k
∀ij ∈ A, ∀k ∈ K y ∀r ∈ R.
MODELO MATEMÁTICO Y DESCRIPCIÓN:
%
"#$ ∑%∈&,!"∈. ∑ & % !" '!"
Sujeto a:
%
∑"∈. '!"
≤1
∑_(2: #2 ∈ @)▒'_#2^, = ∑_(2: 2N ∈ @)▒'_2#^,
%
∑":!"∈. '!"
− ∑":"!∈. '"!% = 0 ∀, ∈ -,
∀, ∈ -, ∀# = H(,)
∀, ∈ -, ∀# = H(,), ∀N = H^′ (,)
∀# ∈ P/{H(,), H 0 (,)}
∑%∈& ∑":!"∈. R!"%1 = 1 ∀S ∈ T, ∀# ∈ 8(S)
∑%∈&, ∑":"!∈. R"!%1 = 1 ∀S ∈ T, ∀# ∈ 6(S)
(16)
(17)
(18)
(19)
(20)
47
(21)
∑%∈& ∑":!"∈. R!"%1 − ∑%∈& ∑":"!∈. R"!%1 = 0 ∀S ∈ T, ∀# ∈ U
(22)
R!"%1 ≤ '"!% ∀#2 ∈ @, ∀, ∈ -, ∀S ∈ T
(24)
∑":!"∈. R!"%1 − ∑":"!∈. R"!%1 = 0 ∀, ∈ -,
%
∑1∈2 V1 R!"%1 ≤ W% '!"
∀S ∈ T, ∀# ∈ P/U
∀#2 ∈ @, ∀, ∈ -
%
'!"
∈ {0,1}, ∀#2 ∈ @, ∀, ∈ -
R!"%1 ∈ {0,1}, ∀#2 ∈ @, ∀, ∈ -, ∀S ∈ T
(23)
(25)
(26)
(27)
En esta dirección, el objetivo del problema (16) es encontrar un conjunto de rutas de costo
mínimo para los vehículos que pueda satisfacer todas las solicitudes de los clientes.
RESTRICCIONES:
(17) exige que cada vehículo pueda iniciar como máximo una ruta desde su punto de origen.
(18) exige que el mismo vehículo debe terminar la ruta en su depósito final.
(19) mantiene la conservación del flujo de los vehículos a través de los nodos en la red.
(20), (21) respectivamente, garantizan que todas las recolecciones y entregas de las solicitudes
del cliente se cumplen.
(22) mantiene la conservación del flujo de solicitudes en los nodos de transbordo y permite que
las peticiones cambien de un vehículo a otro.
(23) mantiene la conservación del flujo de petición en los nodos que no son de transbordo. Esta
requiere que cualquier vehículo que traiga una solicitud también deba llevar la misma petición.
(24) impone un flujo de vehículo en un arco si hay algún flujo de solicitud en el mismo vehículo,
en el mismo arco.
48
56
Pedro Pablo Ballesteros Silva
(25) garantiza la capacidad de cada vehículo en cada arco de la red.
Las restricciones (26) y (27), respectivamente, requieren que las variables xijk y yijkr sean binarias.
•
Para tres índices. Problema de ruteo de inventario multiperíodo con una opción de transbordo:
Un enfoque verde (Multi-Product Multi-Period Inventory Routing Problem with a Transshipment
Option: A Green Approach).
Esta investigación fue realizada por Mirzapour Al-e-hashem y Rekik (2014) y trata el problema en el
cual múltiples vehículos capacitados distribuyen productos de múltiples proveedores a una sola planta
con el fin de satisfacer la demanda dada de cada producto en un horizonte de planificación finito. En esta
cadena de suministro, los productos están listos para su recolección en el lugar del proveedor cuando
llega el vehículo. Una opción de transbordo es considerada como una posible solución para aumentar el
rendimiento de la cadena de suministro y muestra el impacto de esta solución en el medio ambiente. Lo
anterior lleva a incorporar al modelo cuestiones de logística verde como la interrelación entre el costo de
transporte y el nivel de emisión de gases de efecto invernadero. El modelo propuesto es un programa
lineal entero- mixto y resuelto por CPLEX.
CONJUNTOS:
Ω= {0, 1…N+1}, conjunto de todos los nodos.
ω = {1, 2…N}, conjunto de proveedores.
O = {0}, depósito (empresa de alquiler de vehículos).
F = {N+1}, planta ensambladora.
PARÁMETROS:
Dpt: demanda por tipo de producto p (1, 2, …, P) en el periodo t (1, 2, …, T).
vk: costo de transporte por unidad para el vehículo tipo k (1, 2, …, K).
uk: costo fijo por vehículo tipo k por viaje.
NTkt: número de vehículos tipo k en el periodo t.
capk: capacidad del vehículo tipo k.
hip: costo de mantenimiento de inventario en el nodo i para el producto tipo p por unidad de
producto por periodo.
cij: longitud del arco {i, j}.
Iip0: nivel del inventario inicial del producto tipo p en el nodo i.
GHLt: nivel permitido de emisión de gases en cada periodo.
GHGk: emisión de gases de efecto invernadero (GHG) producida por el vehículo tipo k.
49
VARIABLES DE DECISIÓN:
Iipt: nivel de inventario del producto p en el proveedor i {i ϵ w} o en la planta de ensamble {i ϵ F}
en el periodo t.
xijkt: variable binaria que determina si el arco {i, j} es visitado por el vehículo k en el periodo t.
yikt: variable binaria que determina si el proveedor i es visitado por el vehículo k en el periodo t.
Qijpkt: indica la cantidad del producto p transportada por el vehículo k a través del arco (i,j) en el
periodo t.
aipt: cantidad del producto tipo p recogido en el proveedor i en el periodo t.
bipt: cantidad del producto tipo p transportado al proveedor i en el periodo t.
MODELO MATEMÁTICO:
Sujeto a:
"#$ X ∑(!,")∈6 ∑%,3 Y% &!" '!"%3 + ∑!∈6∪9,7,3 ℎ!7 +!73 + ∑!∈:,%,3 W% '-!%3
(28)
57
+!73 = +!7(3;<)) + [!73 − C!73 ∀# ∈ \, 8 ≠ #, ^
(29)
en el periodo t.
xijkt: variable binaria que determina si el arco {i, j} es visitado por el vehículo k en el periodo t.
yikt: variable binaria que determina si el proveedor i es visitado por el vehículo k en el periodo t.
Qijpkt: indica la cantidad del producto p transportada por el vehículo k a través del arco (i,j) en el
periodo t.
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
a : cantidad del producto tipo p recogido en el proveedor i en el periodo t.
Una nuevaipt matheurística
bipt: cantidad del producto tipo p transportado al proveedor i en el periodo t.
MODELO MATEMÁTICO:
Sujeto a:
"#$ X ∑(!,")∈6 ∑%,3 Y% &!" '!"%3 + ∑!∈6∪9,7,3 ℎ!7 +!73 + ∑!∈:,%,3 W% '-!%3
+!73 = +!7(3;<)) + [!73 − C!73 ∀# ∈ \, 8 ≠ #, ^
+(=+<)73 = +(=+<)7(3;<) + ∑!∈>,%
:!(=+<)7%3 − 573 ∀8^
∑"∈6 '!"%3 = ∑"∈6 '"!%3 = R!%3
∀# ∈ \, ,, ^
∑% R!%3 ≤ 1 ∀# ∈ \, ^
∑"∈:∪?,% :"!7%3 + C!73 − [!73 = ∑"∈:∪9,% :!"7%3
∑7 :!"7%3 ≤ &C8% '!"%3
(29)
(30)
(31)
(32)
(33)
∀(#, 2) ∈ _, ,, ^
(34)
∀,, ^
(36)
C!73 ≤ +!7(3;<) ∀# ∈ \, 8 ≠ #, ^
∑!∈:,% '-!%3 ≤ PU%3
∀# ∈ \, 8, ^
(28)
(37)
∑!∈:,% '-!%3 ≥ 1 ∀^
∑!∈:,% '!(=+<)%3 ≥ 1 ∀,, ^
∑(!,")∈: ∑% `a`% &!" '!"%3 ≤ `ab3
'!-%3 = 0 ∀# ∈ \, ,, ^
(35)
∀^
(38)
(39)
50
(40)
'(=+<)!%3 = 0 ∀# ∈ \, ,, ^
(41)
'-(=+<)%3 = 0 ∀,, ^
(43)
R!%3 , '!"%3 ∈ {0,1} ∀(#, 2) ∈ _, ,, ^
(45)
'!%3 = 0 ∀# ∈ _, ,, ^
(42)
:-!7%3 = 0 ∀# ∈ \, 8, ,, ^
(44)
:!"7%3 , C!73 , [!73 ≥ 0, c$^cSH3
(46)
Conforme a lo anterior, (28) es la función objetivo del modelo propuesto, la cual minimiza el
costo total de la cadena de suministro, incluyendo los costos de mantenimiento de inventario y los costos
de transporte.
RESTRICCIONES:
(29) es una ecuación de balance de inventario en los proveedores y determina que el nivel de
inventario para el tipo de producto p, en el proveedor i, en el período t, es igual a su nivel de inventario
anterior (período t-1) más la cantidad disponible en el período t (transbordado por los vehículos) menos
la cantidad recogida por el vehículo en el período t.
(30) es una ecuación de balance de inventario en la planta de ensamblaje que implica que el nivel
de inventario para el producto p en el período actual
58es igual a su nivel de inventario anterior; además de
la cantidad total entregada por los vehículos, menos su demanda en el período actual.
(31) y (32) garantizan que cada proveedor no debe ser visitado por los vehículos más de una vez
:!"7%3 , C!73 , [!73 ≥ 0, c$^cSH3
(46)
Conforme a lo anterior, (28) es la función objetivo del modelo propuesto,
la cual
minimiza
el
Pedro Pablo
Ballesteros
Silva
costo total de la cadena de suministro, incluyendo los costos de mantenimiento de inventario y los costos
de transporte.
RESTRICCIONES:
(29) es una ecuación de balance de inventario en los proveedores y determina que el nivel de
inventario para el tipo de producto p, en el proveedor i, en el período t, es igual a su nivel de inventario
anterior (período t-1) más la cantidad disponible en el período t (transbordado por los vehículos) menos
la cantidad recogida por el vehículo en el período t.
(30) es una ecuación de balance de inventario en la planta de ensamblaje que implica que el nivel
de inventario para el producto p en el período actual es igual a su nivel de inventario anterior; además de
la cantidad total entregada por los vehículos, menos su demanda en el período actual.
(31) y (32) garantizan que cada proveedor no debe ser visitado por los vehículos más de una vez
en cada período.
(33) es una ecuación del balance de inventario para el arco {i, j}, visitado durante el período t.
Esta asegura que la cantidad de producto p, enviada del proveedor i, en el período t, es igual a la cantidad
de ese producto enviada a este proveedor más la cantidad de ese producto recogida por el vehículo menos
la cantidad transbordada a este proveedor en el período actual.
(34) garantiza que no se debe exceder la capacidad del vehículo. También implica que la cantidad
51)
del tipo de producto p, transportada por el tipo de vehículo k, a través del arco {i, j} en el período t (Qijpkt
debe ser positiva si solo el arco {i, j} es visitado por este vehículo en este período (xijkt = 1).
La restricción (35) asegura que los vehículos no pueden recoger de los proveedores, que no
producen ese producto, una cantidad de productos más de lo que se transbordó a ellos en períodos
anteriores.
La restricción (36) limita el número de vehículos de tipo k disponibles en el período t a una
cantidad determinada.
Las restricciones (37) y (38) son restricciones de eliminación de subtours que aseguran que un
viaje comienza en el depósito (nodo 0) y termina en la planta de montaje (nodo N + 1).
La restricción (39) controla las emisiones de gases de efecto invernadero de un problema logístico
a un nivel dado (restricción de GHG).
Las restricciones (40) hasta la (43) determinan los arcos infactibles.
La restricción (44) especifica que los vehículos no deben devolver ninguna cantidad al depósito
(nodo O).
Finalmente, las restricciones (45) y (46) definen los tipos de variables.
El límite de GHG introducido puede interpretarse como un límite ético (fijado por la estrategia
corporativa) o como un umbral sobre el cual la empresa podría pagar impuestos o tasas adicionales debido
a su proporción de emisiones. Los resultados muestran que el modelo es sencillo de usar en la práctica;
se realizó un análisis de sensibilidad para demostrar que el modelo podría presentar soluciones más
constructivas desde el punto de vista de la logística verde.
•
Para cuatro índices: problema de enrutamiento de la ubicación de muchos a muchos con
transporte entre las instalaciones en la recogida y entrega de multiproductos desde un depósito.
En el trabajo efectuado por Rieck et al. (2014), se considera una variante del problema de enrutamiento
de localización de muchos a muchos, donde las instalaciones del distribuidor deben localizarse y los
clientes con demandas de recogida o entrega deben combinarse en las rutas del vehículo. Además, se
tienen en cuenta varios productos básicos y procesos de transporte entre centros. Una aplicación práctica
del problema se puede encontrar en la industria59
del comercio de la madera, donde las compañías
proporcionan sus servicios usando las redes entre las instalaciones. Los autores utilizaron un modelo
52
corporativa) o como un umbral sobre el cual la empresa podría pagar impuestos o tasas adicionales debido
a su proporción de emisiones. Los resultados muestran que el modelo es sencillo de usar en la práctica;
se realizó un análisis de sensibilidad para demostrar que el modelo podría presentar soluciones más
constructivas desde el punto de vista de la logística verde.
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
• nueva
Para
cuatro índices: problema de enrutamiento de la ubicación de muchos a muchos con
Una
matheurística
transporte entre las instalaciones en la recogida y entrega de multiproductos desde un depósito.
En el trabajo efectuado por Rieck et al. (2014), se considera una variante del problema de enrutamiento
de localización de muchos a muchos, donde las instalaciones del distribuidor deben localizarse y los
clientes con demandas de recogida o entrega deben combinarse en las rutas del vehículo. Además, se
tienen en cuenta varios productos básicos y procesos de transporte entre centros. Una aplicación práctica
del problema se puede encontrar en la industria del comercio de la madera, donde las compañías
proporcionan sus servicios usando las redes entre las instalaciones. Los autores utilizaron un modelo
lineal entero-mixto para la solución del problema y usaron el software CPLEX 12.4 para resolver
instancias de pequeña escala. También, se introdujo un procedimiento de inicio múltiple, basado en 52
un
esquema de corrección y optimización, y un algoritmo genético. Estos construyen de manera eficiente
buenas soluciones para instancias de mediana y gran escala.
CONJUNTOS:
V: IÈHÈJ, donde I es el conjunto de proveedores, H conjunto de instalaciones y J los puntos de
entrega de los productos.
PARÁMETROS:
cij: costo unitario de transporte entre los nodos i e j ϵV.
fh: costo fijo para planear, construir y mantener las instalaciones.
C: capacidad de los vehículos.
VARIABLES DE DECISIÓN:
yh=
xkrij=
Lkrip≥0
Lprhh´≥0
£
k
jp≥0
Y kip≥0
1
0, en cualquier otro caso.
1, caso 1: el arco {i, j} es atravesado por el vehículo k ϵ K en la ruta
r ϵ {r1, r3};
i ϵ I, j ϵ IÈ J; i ϵ J, j ϵ J È H, j ϵ I.
Caso 2: el arco {i, j} es atravesado por el vehículo k ϵ K en la ruta r2; i ϵ
I, j ϵ H.
Caso 3: el arco {i, j} es atravesado por el vehículo k ϵ K en la ruta r1; i ϵ
I, j ϵ H.
Caso 4: el arco {i, j} es atravesado por el vehículo k ϵ K en la ruta r3; i ϵ
I, j ϵ H.
0, en cualquier otro caso.
Cantidad de producto p ϵ P antes de visitar el nodo i ϵ I È J en la ruta r
ϵ{r1,r3} y cantidad de producto p ϵ P en el vehículo k ϵ K antes de visitar
la instalación i ϵ H en la ruta r1.
Cantidad de producto p ϵ P que ha sido transportado en el vehículo k ϵ K
desde la instalación h a la instalación h´ en la ruta r2; h, h´ϵ H, h ≠ h´ y
cantidad de producto p ϵ P en el vehículo k ϵ K antes de visitar la
instalación i ϵ H en la ruta r1.
Cantidad de producto p ϵ P en el vehículo k ϵ K que tiene que ser enviado
al nodo j ϵ J y a todos los siguientes otros nodos, y cantidad de producto
p ϵ P en el vehículo k ϵ K que tiene que ser cargado en la instalación j ϵ H.
53
Variable a linearizar el término x kr3hi L kr3ip; i ϵ I È J, h ϵ H, k ϵ Kh, p ϵ P
especifica la cantidad en los vehículos.
MODELO MATEMÁTICO:
60
(47)
instalación i ϵ H en la ruta r1.
Cantidad de producto p ϵ P en el vehículo k ϵ K que tiene que ser enviado
al nodo j ϵ J y a todos los siguientes otros nodos, y cantidad de producto
p ϵ P en el vehículo k ϵ K que tiene que ser cargado en la instalación j ϵ H.
£ kjp≥0
Pedro Pablo Ballesteros Silva
Variable a linearizar el término x kr3hi L kr3ip; i ϵ I È J, h ϵ H, k ϵ Kh, p ϵ P
especifica la cantidad en los vehículos.
Y kip≥0
MODELO MATEMÁTICO:
(47)
Sujeto a:
∑%∈& ∑1∈
"
{$%}
∑%∈& ∑1∈
"
{$%}
%1
∑@∈$,@(! '@!
+ ∑%∈&' ∑1∈
"
{$% }
%1
∑A∈B 'A!
=1
%1
%1
∑!∈C,!(" '!"
+ ∑%∈& ∑A∈B 'A" ( = 1
%1
∑!∈D,!(A 'A!
≤ RA
#∈+
2∈d
ℎ ∈ a, , ∈ -A , S ∈ T
%1)
%1
%1
%1
%1
∑A∈B,!(A 'A!
+ ∑@∈$,@(! '@!) − ∑@∈$,@(! '!@) − ∑A∈B '!A ) − ∑"∈E '!" ) = 0 # ∈ +, , ∈ -A
%1(
%1
%1
%1
∑A∈B 'A!
+ ∑@∈$,@(! '@!( − ∑@∈$,@(! '!@( − ∑"∈E '!" ( = 0
%1)
%1
%1
∑!∈$ '!A
+ ∑"∈E '"A ) − ∑!∈$ 'A! ) = 0
%1
%1
'A’A% − 'AA’% = 0
# ∈ +, , ∈ -A
ℎ ∈ a, , ∈ -A
%1)
%1
%1
%1
∑!∈$ '!"
+ ∑G∈E,G(" 'G" ) − ∑A∈B '"A ) − ∑G∈E,G(" '"G ) = 0
ℎ ∈ a, , ∈ -A
2 ∈ d, , ∈ -A
%1(
%1
%1
%1
%1
∑!∈$ '!"
+ ∑A∈B 'A" ( + ∑G∈E,G(" 'G" ( − ∑A∈B '"A ( − ∑G∈E,G(" '"G ( = 0
%1
%1
b!7) ≤ fA1 − 'A! ) B
%1
%1
# 0 ∈ +, ℎ ∈ a, , , ∈ -A , 8 ∈ 7
%1
b@7) ≤ b!7) + C!7 + fA1 − '!@) B
%1
%1
%1
bA7) ≤ b!7) + C!7 + fA1 − '!A ) B
%1
%1
%1
%1
%1
%1
%1
%1
b"7) ≤ b!7) + C!7 + fA1 − '!" ) B
b"7) ≤ bG7) − [G7 + fA1 − 'G" ) B
%1
bA7) ≤ b"7) − ["7 + fA1 − '"A ) B
%1
)
∑7∈H,!(A b%1
!7 ≤ f
%1
2 ∈ d, , ∈ -A
%1
*$(
%
b"7
%1
(53)
(55)
(56)
(57)
54
(58)
# ∈ +, 2 ∈ d, , ∈ -A , 8 ∈ 7
(61)
2 ∈ d, ℎ ∈ a, , ∈ -A , 8 ∈ 7
(63)
(60)
2, $ ∈ d, 2 ≠ $, , ∈ -A , 8 ∈ 7
(62)
# ∈ g, , ∈ -
(64)
ℎ, ℎ0 ∈ a, ℎ ≠ ℎ0 , 8 ∈ 7
ℎ, ℎ0 ∈ a, ℎ ≠ ℎ0 , , ∈ -
(65)
(66)
(67)
%01
(68)
%01
(69)
7%
(
0
≤ ∑%∈&' bA7) + ∑%∈& ∑A0∈BAh7%
A0A − hAA0 B + fA1 − 'A" B 2 ∈ d, ℎ ∈ a, , ∈ -A , 8 ∈ 7
A0(A
(52)
# ∈ +, ℎ ∈ a, , ∈ -A , 8 ∈ 7
7%
(
0
b!7 ( ≤ ∑%∈&' bA7) + ∑%∈& ∑A0∈BAh7%
A0A − hAA0 B + fA1 − 'A! B # ∈ +, ℎ ∈ a, , ∈ -A , 8 ∈ 7
A0(A
(51)
(59)
%1)
7%
∑%∈&' h7%
AA0 ≤ ∑%∈&' bA7 + ∑%∈&'* hA0A
%01
(50)
#, " ∈ +, # ≠ ", , ∈ -A , 8 ∈ 7
bA7) ≤ f ∑!∈$∪E '!A ) ℎ ∈ a, , ∈ -A , 8 ∈ 7
%1%
∑7∈H h7%
AA0 ≤ f'AA0
(49)
(54)
ℎ, ℎ’ ∈ a, ℎ ≠ ℎ’, , ∈ -A
%1(
%1
%1
%1
∑!∈$ '!A
+ ∑"∈E '"A ( − ∑!∈$ 'A! ( − ∑"∈E 'A" ( = 0
(48)
61 seleccionar la ubicación de las instalaciones y las
La función objetivo (47) define el criterio para
rutas de vehículos. Asimismo, minimiza los costos fijos y operativos, así como los costos de transporte.
RESTRICCIONES:
)
∑7∈H,!(A b%1
!7 ≤ f
%1
%1
# ∈ g, , ∈ -
bA7) ≤ f ∑!∈$∪E '!A ) ℎ ∈ a, , ∈ -A , 8 ∈ 7
(64)
(65)
%1)
7%
Solución del problema
de enrutamiento
conhentregas
y recogidas
∑%∈&
h7% ≤ ∑%∈&de
bvehículos
+ ∑%∈&
ℎ,
ℎ0 ∈ a, ℎ simultáneas
≠ ℎ0 , 8 ∈ 7
' AA0
' A7
'* A0A
Una nueva matheurística
(66)
%01
%01
(68)
%01
(69)
%1
%1%
∑7∈H h7%
AA0 ≤ f'AA0
7%
7%
7%
7%
ℎ, ℎ0 ∈ a, ℎ ≠ ℎ0 , , ∈ -
b!7 ( ≤ ∑%∈&' bA7) + ∑%∈& ∑A0∈BAhA0A − hAA0 B + fA1 − 'A! ( B # ∈ +, ℎ ∈ a, , 0 ∈ -A , 8 ∈ 7
*$(
%
b"7
%1
A0(A
≤ ∑%∈&' bA7) + ∑%∈& ∑A0∈BAhA0A − hAA0 B + fA1 − 'A" ( B 2 ∈ d, ℎ ∈ a, , 0 ∈ -A , 8 ∈ 7
A0(A
(67)
La función objetivo (47) define el criterio para seleccionar la ubicación de las instalaciones y las
rutas de vehículos. Asimismo, minimiza los costos fijos y operativos, así como los costos de transporte.
RESTRICCIONES:
Las restricciones (48) y (49) aseguran que cada punto de suministro y cada punto de entrega serán
visitados precisamente una vez por un vehículo determinado.
La restricción (50) garantiza que una instalación establecida puede dejarse una vez en cada ruta
(r1, r2 y r3) para el tránsito a los puntos de suministro, puntos de entrega o instalaciones del concentrador.
Las restricciones (51) hasta la (57) son limitaciones de conservación de flujo, aplicadas a cada
nodo y para cada vehículo.
La restricción (58) especifica las cantidades de producto después de que los vehículos salen de
las instalaciones h en sus primeras rutas. Esas cantidades deben ser 0 ya que los vehículos salen a una
55
instalación vacía y normalmente vuelven allí cargados.
Las desigualdades (59) hasta la (63) indican las cantidades de productos en los vehículos después
de detenerse en el primer nodo (el cual es definitivamente un punto de suministro) y los otros nodos en
las primeras rutas, respectivamente.
En la restricción (64) las cargas en las primeras rutas deben ser inferiores o iguales a la capacidad
de los vehículos implicados.
La restricción (65) garantiza que las cantidades de producto en un centro de no alcanzado por un
vehículo será 0.
Las desigualdades (66) hasta la (69) consideran las restricciones de carga en las segundas rutas.
Por lo tanto, la restricción (66) restringe la carga de los vehículos a las cantidades de productos que están
presentes en una instalación con respecto a las primeras rutas de los vehículos. Si se atraviesa un enlace
inter-instalación, la restricción (69) garantiza que los flujos inter-instalación no excedan las capacidades
de los vehículos.
El modelo tiene otras 23 restricciones que pueden ser consultas por el lector en el trabajo de Rieck
et al. (2014). Dichas restricciones sirven para múltiples propósitos como: obtener soluciones precisas;
indicar limites superiores y límites más bajos en las variables auxiliares; especificar las cantidades de
productos en los vehículos después de parar en el primer nodo, que será un punto de suministro o un
punto de entrega, y los otros nodos en la tercera ruta; indicar que las cargas transportadas deben ser
menores o iguales a las capacidades respectivas de los vehículos.
Con las restricciones (32) hasta la (34), las cantidades de productos en los vehículos al salir de
una instalación central en la tercera ruta; se conectan las variables de carga que son necesarias para
formular las restricciones de esta en las terceras rutas de los vehículos, entre otras. Los autores formularon
el modelo matemático en GAMS con el fin de encontrar soluciones exactas al problema que se investiga.
•
Para cuatro índices con reducción de carbono.
En el trabajo de Wang y Li (2017), conscientes de las preocupaciones sobre el cambio climático global,
han puesto atención a la logística de bajo carbono, junto con otros investigadores, porque esta área se ha
convertido en una fuente importante de emisiones de carbono, y de ahí que se hagan esfuerzos para
62
reducir las emisiones de carbono en operaciones logísticas. En su investigación, se estudia el problema
56
menores o iguales a las capacidades respectivas de los vehículos.
Con las restricciones (32) hasta la (34), las cantidades de productos en los vehículos al salir de
una instalación central en la tercera ruta; se conectan las variables de carga que son necesarias para
Pedro Pablo Ballesteros Silva
formular las restricciones de esta en las terceras rutas de los vehículos, entre otras. Los autores formularon
el modelo matemático en GAMS con el fin de encontrar soluciones exactas al problema que se investiga.
•
Para cuatro índices con reducción de carbono.
En el trabajo de Wang y Li (2017), conscientes de las preocupaciones sobre el cambio climático global,
han puesto atención a la logística de bajo carbono, junto con otros investigadores, porque esta área se ha
convertido en una fuente importante de emisiones de carbono, y de ahí que se hagan esfuerzos para
reducir las emisiones de carbono en operaciones logísticas. En su investigación, se estudia el problema
de ruteo de localización con flota heterogénea para entregas y recogidas simultáneas con ventanas de
tiempo con bajo carbón.
56
Para resolver este problema, diseñan un algoritmo heurístico e híbrido en dos fases: en primer
lugar, se introduce el concepto de distancia espacio-temporal y se usa el algoritmo genético para agrupar
los clientes y construir una ruta inicial. Después, se utiliza el algoritmo de búsqueda de vecindario
variable para la búsqueda local. Al incorporar la idea de la simulación-algoritmo de recocido en el marco
del algoritmo de vecindad variable, la capacidad de optimización global del algoritmo se mejora.
Simultáneamente, se incorpora la estrategia de ajuste del vehículo en el proceso de optimización. Se
realizan experimentos para investigar el rendimiento del algoritmo heurístico propuesto. Los resultados
computacionales muestran que la solución inicial, considerando la distancia espacio-temporal, tiene
ventajas en la eficiencia del algoritmo y en la calidad de la solución.
El cálculo de la emisión total de carbono y el consumo de combustible desempeñan un papel
prominente en la investigación. Se consideran, para su determinación, los factores de la pendiente de la
carretera, la carga del vehículo y la distancia de viaje. El consumo total de combustible se calcula
sumando el consumo de combustible de cada sub-ruta; si aij el coeficiente de la pendiente de la carretera,
Uij la carga del vehículo entre el nodo i y el nodo j, dij la distancia entre el nodo i y el nodo j, a y b el
coeficiente del consumo de combustible del vehículo y h el coeficiente de transformación. El consumo
de combustible de un vehículo desde el nodo i al nodo j, denotado por wij está dado por (70), a saber:
i!" = j!" AC ∗ l!" + [B ∗ 6!"
(70)
Sobre la base del cálculo del consumo de combustible del vehículo, las emisiones de CO2 del
vehículo pueden denotarse por Eij, como se observa en (71):
m!" = h ∗ i#2
(71)
1.4.3.2 Modelo matemático con varios depósitos, varios vehículos y muchos clientes.
Son pocos los autores que han abordado el problema de ruteo de vehículos multidepósito con entregas y
recogidas. Uno de los primeros trabajos de esta variante fue implementado por Salhi y Nagy (1999) a
finales de los años 90 y, para su solución, se aplicó la heurística de inserción con retornos.
Los investigadores Nagy y Salhi (2005) propusieron una heurística integrada para las entregas y las
recogidas, donde la carga máxima de una ruta x es la carga total más grande en el vehículo durante la
ruta; la carga máxima de una sección de una ruta es el máximo de las cargas entre clientes consecutivos
a y b de ruta x. Lo mismo se hace para la carga mínima, respectivamente. Se incorpora también una
variable para la menor carga en la ruta de un vehículo o la menor carga en una sección de la ruta. Si la
máxima carga en la ruta x es menor o igual a la capacidad de los vehículos y la mínima carga en la ruta
x es mayor a 0, la ruta es factible. La heurística integrada consta de las siguientes fases: (a) Encontrar
57
una solución inicial débilmente factible; (b) mejorar esta solución manteniendo una viabilidad débil; (c)
hacer la solución fuertemente factible y (d) mejorar esta solución manteniendo fuerte viabilidad.
1.4.4. Según las técnicas de solución del VRPPD.
En este caso, los artículos revisados se clasificaron por la aplicación de los métodos de solución así:
técnicas exactas, heurísticas, metaheurísticas e híbridos (método exacto, heurísticas y matheurísticas).
1.4.4.1.Métodos exactos (ME).
•
Búsqueda directa de árbol (BDA). Esta contiene
63 los siguientes algoritmos:
Algoritmo Branch and Cut: el método para este problema fue inicialmente aplicado por Ruland y Rodin
(1997) y se compone de una flota de vehículos que atiende a un conjunto de clientes. Es un ejemplo de
x es mayor a 0, la ruta es factible. La heurística integrada consta de las siguientes fases: (a) Encontrar
Solución
del problema
de enrutamiento
con solución
entregasmanteniendo
y recogidas simultáneas
una solución
inicial débilmente
factible;de
(b)vehículos
mejorar esta
una viabilidad débil; (c)
hacernueva
la solución
fuertemente factible y (d) mejorar esta solución manteniendo fuerte viabilidad.
Una
matheurística
1.4.4. Según las técnicas de solución del VRPPD.
En este caso, los artículos revisados se clasificaron por la aplicación de los métodos de solución así:
técnicas exactas, heurísticas, metaheurísticas e híbridos (método exacto, heurísticas y matheurísticas).
1.4.4.1.Métodos exactos (ME).
•
Búsqueda directa de árbol (BDA). Esta contiene los siguientes algoritmos:
Algoritmo Branch and Cut: el método para este problema fue inicialmente aplicado por Ruland y Rodin
(1997) y se compone de una flota de vehículos que atiende a un conjunto de clientes. Es un ejemplo de
una versión restringida del problema del agente viajero múltiple y se encontró la solución óptima para
2392 ciudades (destinos) atendida desde un solo depósito. Subramanian et al. (2011) aplican el algoritmo
de Branch and Cut con restricciones que aseguren que la capacidad no se exceda en el medio de la ruta
incorporando una separación aproximada. El algoritmo fue probado en 87 casos entre 50 y 200 clientes,
mejorando los límites inferiores y mostrando nuevas soluciones óptimas. En Masson et al. (2014) tratan
este problema como un caso especial del problema de recogida y entrega con ventanas de tiempo en dos
partes. Así, evalúan el método considerando 193 solicitudes de transporte en las instancias generadas y
en el mundo real. La solución óptima se alcanzó con un máximo de 87 clientes en un tiempo de cálculo
de una hora.
Gendreau et al. (2015) trabajan una generalización del problema del agente viajero asimétrico cuya
finalidad es satisfacer las solicitudes de los clientes, que involucran la recogida o entrega de un solo
producto con rutas de distancia y costo mínimos. En su investigación presentan formulaciones
matemáticas para esta clase de problemas y aplican algoritmos de ramificación y corte con el fin de
resolver de forma óptima las formulaciones del modelo. Para dos de los modelos, se obtienen cortes de
Benders basados en la descomposición clásica y generalizada de Benders. Al final, se analizan las
diferentes formulaciones matemáticas y enfoques de solución incorporados en conjuntos de datos
conocidos en la literatura especializada.
Algoritmo Branch and Price (BP): Dell’Amico et al. (2006) presentan la forma de aplicar esta
técnica a la solución del VRPSPD. Utilizando una búsqueda bidireccional, se demuestra en la práctica la
efectividad de la solución tanto para el enfoque exacto como para el enfoque relajado haciendo las
pruebas con instancias de referencia con demandas simples y compuestas.
El mismo procedimiento del algoritmo de Branch and Price fue aplicado por Gutiérrez-Jarpa et al.
(2010), utilizando ventanas de tiempo y un conjunto de vehículos homogéneos. Contemporáneamente,
los investigadores Berbeglia et al. (2009) publican una investigación sobre este problema en forma
dinámica, donde los objetos o las personas son recogidos y entregados en tiempo real.
58
Branch and Cut and Price (BCP): Cherkesly et al. (2016) proponen modelos y algoritmos para
resolver el problema de ruteo de vehículos con recogidas y entregas con ventanas de tiempo y múltiples
pilas. Estas se cargan por la parte posterior y se opera con el sistema LIFO, lo que significa que cuando
se recoge un artículo, se coloca en la parte posterior de la pila; por su parte, Masson et al. (2014) tratan
el problema de ruteo de vehículos con entregas y recogidas con ventanas de tiempo. De esta índole, lo
descomponen en dos partes: en la primera etapa, se recoge y en la segunda, se entrega.
•
Programación lineal entera mixta (MILP): aquí se encuentran trabajos que estudian el problema
aplicando grafos especiales, algoritmos polinomiales en ciclos, y grafos que satisfacen las peticiones de
recogida y entrega de los clientes, respetando las restricciones de capacidad del vehículo cuando los
depósitos son considerados en forma exógena y endógena como en las siguientes investigaciones de
Tzoreff et al. (2002), Andersson et al. (2011), Tajik et al. (2014), Mirzapour Al-e-hashem y Rekik
(2014), Rais et al. (2014) y Huang et al. (2012). En este último trabajo tratan el problema como un asunto
medioambiental, asociado a la logística inversa en la entrega y recogida de productos. De esta índole,
incorporan en el modelo variables como el consumo de combustible y los costos de emisión del carbono,
procurando reducir el efecto invernadero al implementar rutas verdes.
•
Generación de columnas (CG). A continuación, se mencionan algunos autores con sus respectivas
investigaciones:
64
En su trabajo titulado «The Pickup and Delivery Problem with Time Windows» (1991), Yvan Dumas,
Jacques Desroisiers y Francois Soumis desarrollan un algoritmo que usa un esquema de generación de
columnas con una ruta corta más restringida como un subproblema. El algoritmo puede manejar múltiples
recogida y entrega de los clientes, respetando las restricciones de capacidad del vehículo cuando los
depósitos son considerados en forma exógena y endógena como en las siguientes investigaciones de
Tzoreff et al. (2002), Andersson et al. (2011), Tajik et al. (2014), Mirzapour Al-e-hashem y Rekik
(2014), Rais et al. (2014) y Huang et al. (2012). En este último trabajo tratan el problema como un asunto
medioambiental, asociado a la logística inversa en la entrega y recogida de productos. De esta índole,
Pedro Pablo Ballesteros Silva
incorporan en el modelo variables como el consumo de combustible y los costos de emisión del carbono,
procurando reducir el efecto invernadero al implementar rutas verdes.
•
Generación de columnas (CG). A continuación, se mencionan algunos autores con sus respectivas
investigaciones:
En su trabajo titulado «The Pickup and Delivery Problem with Time Windows» (1991), Yvan Dumas,
Jacques Desroisiers y Francois Soumis desarrollan un algoritmo que usa un esquema de generación de
columnas con una ruta corta más restringida como un subproblema. El algoritmo puede manejar múltiples
depósitos y diferentes tipos de vehículos.
En la investigación de Baldacci et al. (2011) se presenta un nuevo algoritmo exacto para el PDP
con ventanas de tiempo, basado en una formulación entera similar a una partición configurada.
Asimismo, se describe un procedimiento de delimitación que encuentra una solución dual casi óptima de
la relajación de programación lineal de la formulación al combinar dos fórmulas duales que son heurística
de ascenso, y un procedimiento de generación de corte y columna.
Pang et al. (2011) han desarrollado un algoritmo heurístico para el problema usando la formulación
de partición de conjunto y las técnicas de generación de columna. La efectividad de la heurística se
prueba a través de extensos experimentos computacionales.
Los investigadores Qu y Bard (2013) presentan una nueva versión del VRPPD heterogéneo en el
que la capacidad de cada vehículo puede modificarse reconfigurando su interior para satisfacer diferentes
tipos de demandas de los clientes. El trabajo fue motivado por una planificación de ruta diaria, problema
que surge en un centro de actividad o de distribución.
59
Por otra parte, Hennig et al. (2015) comparan dos enfoques de modelos de flujo de caminos
alternativos para investigar su grado de aplicabilidad en una configuración de generación de columnas.
Para este propósito, se aplica pre-generación de ruta antes de la optimización. El primer enfoque usa
variables de decisión continuas para la recogida y la entrega con el fin de decidir sobre las cantidades de
envío. El segundo enfoque es capaz de resolver instancias más grandes y es más eficiente en términos de
rendimiento computacional; sin embargo, la calidad de la solución puede disminuir debido a la
discretización.
Domenjoud et al. (1999) tratan el problema incluyendo la generación de horarios en la atención de
entregas y recogidas a los clientes, aplicando el esquema de generación de columnas.
Bard y Jarrah (2013), en sus investigaciones, aumentan el alcance del problema trabajando redes
residenciales y comerciales. Este demuestra que se presenta una reducción significativa del recorrido
cuando la red residencial y comercial se combinan total o parcialmente.
•
Generación de columnas (CG y BCP). En especial es significativo el trabajo de Gschwind (2015).
Allí, se presenta el problema de recogida y entrega sincronizadas, se desarrollan cuatro enfoques de
generación de columnas basados en diferentes subproblemas, se diseñan nuevos algoritmos de etiquetado
para la solución de dos de los subproblemas y se informan resultados computacionales extensos para
comparar el impacto de los enfoques.
•
Programación dinámica (DP). La programación dinámica se define como un enfoque general para
la solución de problemas donde es necesario tomar decisiones en etapas sucesivas. Estas decisiones
condicionan la evolución futura del sistema en cada etapa, afectando a las situaciones y a las decisiones
en las que el sistema se encontrará en el futuro (denominadas estados). Conviene resaltar que, a diferencia
de la programación lineal, el modelado de problemas de programación dinámica no sigue una forma
estándar. Así, para cada problema, será necesario especificar cada uno de los componentes que
caracterizan un problema de programación dinámica. A continuación, se presentan algunos aportes de
autores que han empleado la programación dinámica en la solución del VRPPD:
Por ejemplo, Hirilaos Psaraftis, en su artículo «A Multi-Commodity, Capacited Pickup and
Delivery Problem: The single and Two Vehicle Cases» (2011) propuso soluciones de programación
dinámica para un escenario multiproducto con recogidas y entregas capacitadas.
65
Por su parte, Pandelis et al. (2013) trabajaron un algoritmo de programación dinámica para fines
especiales como la optimización del costo, considerando el problema en un horizonte de tiempo finito e
infinito para clientes predefinidos, tanto para la entrega como para la recogida.
la solución de problemas donde es necesario tomar decisiones en etapas sucesivas. Estas decisiones
condicionan la evolución futura del sistema en cada etapa, afectando a las situaciones y a las decisiones
en las que el sistema se encontrará en el futuro (denominadas estados). Conviene resaltar que, a diferencia
de la programación lineal, el modelado de problemas de programación dinámica no sigue una forma
estándar. Así, para cada problema, será necesario especificar cada uno de los componentes que
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
caracterizan un problema de programación dinámica. A continuación, se presentan algunos aportes de
Una nueva matheurística
autores que han empleado la programación dinámica en la solución del VRPPD:
Por ejemplo, Hirilaos Psaraftis, en su artículo «A Multi-Commodity, Capacited Pickup and
Delivery Problem: The single and Two Vehicle Cases» (2011) propuso soluciones de programación
dinámica para un escenario multiproducto con recogidas y entregas capacitadas.
Por su parte, Pandelis et al. (2013) trabajaron un algoritmo de programación dinámica para fines
especiales como la optimización del costo, considerando el problema en un horizonte de tiempo finito e
infinito para clientes predefinidos, tanto para la entrega como para la recogida.
•
Algoritmo basado en la versión multicorte en forma de L (ABLSMV) y programación lineal
fraccionada (LFP). A continuación, se describen brevemente dos trabajos que aplican el algoritmo:
60
En su artículo «A Multicut L-Shaped Based Algorithm to Solvea Stochastic Programming Model
for the Mobile Facility Routing and Scheduling Problem» (2014), Chao Lei, Wei-Hua y Lixin Miao
consideran el problema de ruteo y programación de las instalaciones móviles con demanda estocástica,
con entregas y recogidas, y determinan simultáneamente la ruta y el cronograma de una flota de
instalaciones móviles las cuales atienden a clientes con demanda incierta para minimizar el costo total
generado durante el horizonte de planificación.
En diversa dirección, Edirisinghe y James (2014) abordan el problema de recoger inventarios de
producción en varias plantas que tienen capacidad de almacenamiento limitada. La producción en las
plantas es continua con tasas conocidas y se debe programar una flota de vehículos para transportar el
producto de las plantas a un depósito central o almacén. Para tal fin, se realizan múltiples recolecciones
en una planta determinada con el fin de evitar el cierre.
•
Diseño de experimentos: En relación con este método exacto, el trabajo de Nowak et al. (2009) es
considerablemente ilustrativo ya que estos autores hacen un estudio empírico sobre el beneficio de las
cargas divididas con el problema de recogida y entrega. Este es afectado por el tamaño medio, el número
de orígenes relativos a los destinos, el agrupamiento de los depósitos y las ubicaciones de los clientes.
1.4.4.2 Heurísticas (H).
Se sabe que las heurísticas son procedimientos que muestran soluciones ―por lo general― de buena
calidad, aplicando una exploración restringida del espacio de búsqueda. A través de las heurísticas, es
viable resolver problemas conocidos o similares. En las siguientes líneas, se presenta una relación de las
heurísticas, teniendo en cuenta una clasificación establecida por Rocha et al. (2011): entre métodos
constructivos y de fases, como se muestra a continuación:
Heurísticas constructivas (HC):
•
-
Partición de recorrido ―SR― (Mosheiov, 1998).
-
Algoritmos heurísticos para depósito simple y múltiple DSM (Nagy y Salhi, 2005).
-
Búsqueda local ―LS― (Fabri y Recht, 2006).
-
Trayectoria más corta ―SPA― (Lee et al., 2006).
-
Heurística con ventanas de tiempo y tiempos de espera ―HTWWT― (Lin, 2011).
-
Heurística del vecino más cercano ―MINH― (Gendreau et al., 2006; Gendreau et al., 2015).
61
66
Pedro Pablo Ballesteros Silva
- Heurística de búsqueda variable del vecino más cercano ―VASCÓN― (Mladenović et al.,
2012).
-
Heurística general para VRPPD GHVRPPD (Gribkovskaia et al., 2007).
-
Heurística para recogidas y entregas selectivas del VRPPPD PDSH (Gribkovskaia et al., 2008).
-
Algoritmo NIFES (Yang et al. 2013).
-
Política dinámica del vecino más cercano DAN (Sheridan et al., 2013).
-
Métodos heurísticos HM (Belfiore y Yoshizaki, 2013).
- - Heurística
de de
barrido
SCH (Dondo
Cedá,
2013).
Heurística
búsqueda
variableydel
vecino
más cercano ―VASCÓN― (Mladenović et al.,
2012).
- Algoritmo de fraccionamiento para entregas y recogidas simultáneas SAD (Tang et al., 2009).
-
-
Heurística general para VRPPD GHVRPPD (Gribkovskaia et al., 2007).
Heurística híbrida ―HA― (Liu y Tang, 2010)1.
- Heurística para recogidas y entregas selectivas del VRPPPD PDSH (Gribkovskaia et al., 2008).
- Heurística de diseño de experimentos con entregas y recogidas fraccionadas ―HDEDPS―
(Nowak
et al. 2009).
- Algoritmo
NIFES (Yang et al. 2013).
- - Heurística
constructiva
―CHM―
(Ganesh
y Narendran,
2007)2.
Política dinámica
del multifase
vecino más
cercano DAN
(Sheridan
et al., 2013).
- - Algoritmo
fraccionamiento
para entregas
y recogidas
Métodos de
heurísticos
HM (Belfiore
y Yoshizaki,
2013).simultáneas (Tang et al., 2009; Wang et
al., 2010).
- Heurística de barrido SCH (Dondo y Cedá, 2013).
1.4.4.3 Metaheurísticas (M).
- Algoritmo de fraccionamiento para entregas y recogidas simultáneas SAD (Tang et al., 2009).
Son consideradas como estrategias superiores que guían a las heurísticas para lograr soluciones factibles
en los dominios donde los problemas son complejos. Se 1aplican, por lo general, para resolver problemas
- Heurística híbrida ―HA― (Liu y Tang, 2010) .
NP-completos, asociados a problemas de optimización combinatorial, y utilizan la teoría de la
complejidad
computacional.
- Heurística
de diseño de experimentos con entregas y recogidas fraccionadas ―HDEDPS―
(Nowak et al. 2009).
En la búsqueda
realizada,
se encontraron
las con
siguientes
metaheurísticas:
Tiene algoritmos
para determinar
el conjunto
óptimo de rutas
el fin de satisfacer
totalmente, tanto la demanda de entrega
2
como -la demanda
de la población
de clientes.
Se encontró
que el enfoque
propuesto
da buenos2007)
resultados
Heurística
constructiva
multifase
―CHM―
(Ganesh
y Narendran,
. en comparación con
los algoritmos existentes.
•2 En suBúsqueda
local iterativa
―LSI―
(Subramanian,
2008).
trabajo propusieron
una heurística
constructiva
de múltiples
fases agrupando nodos con criterio de proximidad.
- elAlgoritmo
de fraccionamiento
entregas
y recogidas
simultáneas
et al.,
2009; Wang
Utilizaron
algoritmo retractilado
y asignaron para
los vehículos
empleando
el procedimiento
de (Tang
asignación
generalizada.
Para et
la última
al.,búsqueda
2010). aplicaron el algoritmo genético.
1
•
Búsqueda local ―LSA― (Zachariadis y Kiranoudis, 2011).
62
Metaheurísticas
(M).―VNS― (Li et al., 2011; Polat, 2017).
• 1.4.4.3
Búsqueda
local variable
Son consideradas como estrategias superiores que guían a las heurísticas para lograr soluciones factibles
Búsqueda tabú reactiva ―RTS― (Nanry y Barnes, 2000).
en los dominios donde los problemas son complejos. Se aplican, por lo general, para resolver problemas
NP-completos, asociados a problemas de optimización combinatorial, y utilizan la teoría de la
•
Búsqueda tabú ―TS― (Fan, 2011; Gribkovskaia et al., 2007; Tang Montané y Diéguez Galvão,
complejidad computacional.
2006; Sifa et al., 2011).
•
• 1 Tiene
Recocido
simulado
mejorado
―ISA―
(Ai-min
2009).
algoritmos
para determinar
el conjunto
óptimo
de rutas et
conal.,
el fin
de satisfacer totalmente, tanto la demanda de entrega
como la demanda de la población de clientes. Se encontró que el enfoque propuesto da buenos resultados en comparación con
los algoritmos existentes.
• 2 EnMetaheurística
hibrida
y Guo,
20083; Zachariadis
et al.,
2009).
su trabajo propusieron
una―MH―
heurística(Meng
constructiva
de múltiples
fases agrupando
nodos
con criterio de proximidad.
•
Utilizaron el algoritmo retractilado y asignaron los vehículos empleando el procedimiento de asignación generalizada. Para
la última búsqueda aplicaron el algoritmo genético.
Procedimientos de memoria adaptativa ―APM― (Zachariadis et al., 2010).
62
•
Algoritmo de colonia de hormigas ―AC― (Çatay, 2010; Chen et al., 2007; Boubahri et al., 2011).
•
67 y Erbao, 2010).
Algoritmo diferencial evolutivo ―DEA― (Mingyong
•
Algoritmo genético ―GA― (Chun-Hua et al., 2009; Zhang et al., 2012; Liu et al., 2010; OmbukiBerman y Hanshar, 2009).
•
Búsqueda local iterativa ―LSI― (Subramanian, 2008).
•
Búsqueda local ―LSA― (Zachariadis y Kiranoudis, 2011).
•
Búsqueda
local variable
―VNS―de
(Livehículos
et al., 2011;
2017).
Solución
del problema
de enrutamiento
con Polat,
entregas
y recogidas simultáneas
Una nueva matheurística
•
Búsqueda tabú reactiva ―RTS― (Nanry y Barnes, 2000).
•
Búsqueda tabú ―TS― (Fan, 2011; Gribkovskaia et al., 2007; Tang Montané y Diéguez Galvão,
2006; Sifa et al., 2011).
•
Recocido simulado mejorado ―ISA― (Ai-min et al., 2009).
•
Metaheurística hibrida ―MH― (Meng y Guo, 20083; Zachariadis et al., 2009).
•
Procedimientos de memoria adaptativa ―APM― (Zachariadis et al., 2010).
•
Algoritmo de colonia de hormigas ―AC― (Çatay, 2010; Chen et al., 2007; Boubahri et al., 2011).
•
•
En la búsqueda
realizada,
se encontraron
siguientes
metaheurísticas:
Algoritmo
diferencial
evolutivo
―DEA― las
(Mingyong
y Erbao,
2010).
Algoritmo híbrido ―HA― (Pinar Goksal et al., 2010; Pinar Goksal et al., 20134).
Búsqueda local
iterativa
―LSI―
(Subramanian,
2008).
••
Algoritmo
genético
―GA―
(Chun-Hua
et al., 2009;
Zhang et al., 2012; Liu et al., 2010; Ombuki•
Algoritmo evolutivo ―QEA― (Hu y Wu, 2009).
Berman y Hanshar, 2009).
•
Búsqueda local ―LSA― (Zachariadis y Kiranoudis, 2011).
•
Sistema artificial inmune (D’Souza et al., 2012; Subramanian, 2008).
•
Algoritmo de coevolución ―CA― (Hou y Zhou, 2010; Serdar Tasan y Gen, 2012; Wang y Chen,
•
Búsqueda local variable ―VNS― (Li et al., 2011; Polat, 2017).
2013).
•
Optimización de enjambre de partículas ―PASO― (Pinar Goksal et al., 2013).
•
Búsqueda
tabú reactiva
―RTS―
Barnes, 2000).
Recocido simulado
―SA―
(Şahin(Nanry
et al., y2013).
•
Algoritmo adaptativo de búsqueda de vecindad amplia ―ALNS― (Ghilas et al., 2016; Petersen y
2011; Li et al.,―TS―
2016; Grimault
et al., 2017; Fernández
Cuesta et al., 2017).
•Ropke,Búsqueda
(Fan, 2011;
Algoritmo tabú
memético ―MA―
(TingGribkovskaia
y Liao, 2013).et al., 2007; Tang Montané y Diéguez Galvão,
2006; Sifa et al., 2011).
••
Algoritmo
multiobjetivo
(García-Nájera,
2012).Goksal et al., 20134).
Algoritmo evolucionario
híbrido ―HA―
(Pinar Goksal
et al., 2010; Pinar
•
••
Recocido simulado mejorado ―ISA― (Ai-min et al., 2009).
Método
de evolutivo
optimización
de la colmena
de abejas
Algoritmo
―QEA―
(Hu y Wu,
2009).(Chen et al., 2015).
se emplea el hibrida
algoritmo―MH―
revisado de
partición
de recorrido
para obtener et
la al.,
solución
inicial del problema de
• En esta,
Metaheurística
(Meng
y Guo,
20083; Zachariadis
2009).
del vehículo
con la recogidade
y entrega
simultáneas.
En la fase―SLPSO―
de búsqueda de(Kumar
tabú reactivo,
••enrutamiento
Algoritmo
de optimización
enjambres
de
partículas
et al.,también
2016).se proponen
Sistema
artificial
inmune
(D’Souza
et
al.,
2012;
Subramanian,
2008).
módulos de búsqueda de vecindario variable para mejorar los resultados.
3
•
Procedimientos de memoria adaptativa ―APM― (Zachariadis et al., 2010).
1.4.4.4
Métodos híbridos
(MHS).de partículas ―PASO― (Pinar Goksal et al., 2013).
•
Optimización
de enjambre
63
•
Algoritmo de colonia de hormigas ―AC― (Çatay, 2010; Chen et al., 2007; Boubahri et al., 2011).
Se
enadaptativo
esta clasificación
los siguientes
procedimientos
o métodos:
• mencionan
Algoritmo
de búsqueda
de vecindad
amplia ―ALNS―
(Ghilas et al., 2016; Petersen y
Ropke,
2011; Li et
al., 2016;evolutivo
Grimault―DEA―
et al., 2017;
Fernándezy Cuesta
et al., 2017).
•
Algoritmo
diferencial
(Mingyong
Erbao, 2010).
•
Búsqueda local ―LS― y búsqueda tabú ―TS― (Erdogan et al., 2012).
•
Algoritmo genético
evolucionario
multiobjetivo
2012).
―GA―
(Chun-Hua(García-Nájera,
et al., 2009; Zhang
et al., 2012; Liu et al., 2010; Ombuki•
Procedimiento de inserción más barato ―CIP― y búsqueda tabú ―TS― (Mitrović Minić y
Berman y Hanshar, 2009).
Laporte,
2004).de optimización de la colmena de abejas (Chen et al., 2015).
•
Método
•
Algoritmo de coevolución ―CA― (Hou y Zhou, 2010; Serdar Tasan y Gen, 2012; Wang y Chen,
••
Programación lineal entera ―ILP― y heurística constructiva ―CH― (Lin, 2008).
2013).Algoritmo de optimización de enjambres de partículas ―SLPSO― (Kumar et al., 2016).
•1.4.4.4Algoritmos
exactos (MHS).
―EA― y métodos heurísticos ―HME― (Berbeglia y Hahn, 2009).
Métodossimulado
híbridos
•
Recocido
―SA― (Şahin et al., 2013).
•Se mencionan
Búsquedaentabú
lista de candidatos
―PR― y encadenamiento
de trayectorias ―GENVNS-TSestacon
clasificación
siguientes
o métodos:
•
Algoritmo memético
―MA―los
(Ting
y Liao,procedimientos
2013).
CL-PR― (Cruz et al., 2012).
•
•
Búsqueda local ―LS― y búsqueda tabú ―TS― (Erdogan et al., 2012).
Algoritmo genético ―GA― y búsqueda tabú ―TS― (Liu et al., 2013).
•
Procedimiento de inserción más barato ―CIP― y búsqueda tabú ―TS― (Mitrović Minić y
3
•Laporte,
Programación
mixta
con trayectoria
corta ―MILP-SPA―
(Lin, 2011).
En esta,
se emplea elentera
algoritmo
revisado
de partición más
de recorrido
para obtener la solución
inicial del problema de
2004).
enrutamiento del vehículo con la recogida y entrega simultáneas. En la fase de búsqueda de tabú reactivo, también se proponen
módulos de búsqueda de vecindario variable para mejorar los resultados.
•4 Aquí Programación
linealdeentera
―ILP―
heurística
constructiva
(Lin,
2008).
63
se presenta un enfoque
solución
basado eny la
optimización
de enjambre―CH―
de partículas
(PASO)
en el que se realiza
una búsqueda local mediante el algoritmo de descenso de vecindario variable (VND).
•
Algoritmos exactos ―EA― y métodos heurísticos ―HME― (Berbeglia y Hahn, 2009).
64
•
Búsqueda tabú con lista de candidatos ―PR― y encadenamiento de trayectorias ―GENVNS-TSCL-PR― (Cruz et al., 2012).
68
•
Algoritmo genético ―GA― y búsqueda tabú ―TS― (Liu et al., 2013).
1.4.4.4 Métodos híbridos (MHS).
Se mencionan en esta clasificación los siguientes procedimientos o métodos:
Pedro Pablo Ballesteros Silva
•
Búsqueda local ―LS― y búsqueda tabú ―TS― (Erdogan et al., 2012).
•
Procedimiento de inserción más barato ―CIP― y búsqueda tabú ―TS― (Mitrović Minić y
Laporte, 2004).
•
Programación lineal entera ―ILP― y heurística constructiva ―CH― (Lin, 2008).
•
Algoritmos exactos ―EA― y métodos heurísticos ―HME― (Berbeglia y Hahn, 2009).
•
Búsqueda tabú con lista de candidatos ―PR― y encadenamiento de trayectorias ―GENVNS-TSCL-PR― (Cruz et al., 2012).
•
Algoritmo genético ―GA― y búsqueda tabú ―TS― (Liu et al., 2013).
•
Programación entera mixta con trayectoria más corta ―MILP-SPA― (Lin, 2011).
•
Programación lineal entera mixta-búsqueda adaptativa de vecindad y heurística de inserción:
4
Aquí se presenta un enfoque de solución basado en la optimización de enjambre de partículas (PASO) en el que se realiza
―MILPSAN-HI―
(Quelyalgoritmo
Bard, 2013).
una búsqueda
local mediante
de descenso de vecindario variable (VND).
64
•
Programación entera mixta, algoritmo genético ―GA― y algoritmo modificado del ahorro
―MAS―.
•
Heurística de búsqueda por vecindad variable ―VHS―, perturbación ―P― y heurística del
ahorro ―AS― (Polat et al., 2015).
•
Algoritmo de búsqueda local para 2L-SPD 2DP ―GSLF― y heurística de embalaje de dos
dimensiones para la generación de estructuras de carga factible ―2DPGSLF― (Zachariadis et al., 2016).
•
Variable de vecindad descendente ―VND―, procedimiento generador de un conjunto inicial de
soluciones PGSIS y fase de perturbación ―P― y refinamiento ―R― (Polat et al., 2015).
•
Procedimiento de entradas múltiples basado es esquemas fijos de optimización ―MEPBFOS― y
algoritmo genético ―GA― (Rieck et al., 2014).
•
Programación lineal entera mixta ―MILP―, gran búsqueda local adaptativa ―GLAS― (Li et al.,
2016).
•
Recocido simulado, optimización de enjambre de partículas ―PASO―, algoritmo genético y
sistema artificial inmune ―AIS― (D’Souza et al., 2012).
•
Búsqueda local ―LS―, procedimiento de agitación ―SPA― y programación lineal entera mixta
―MILP― (Hernández-Pérez et al., 2016).
•
Programación lineal entera mixta ―MILP― y búsqueda tabú ―TS― (Gribkovskaia et al., 2007).
•
Programa entero mixto, algoritmo genético, búsqueda local y heurística constructiva, un nuevo
modelo VRPPD y un enfoque heurístico con solución híbrida para ventas en línea (Yanik et al., 2014).
•
Algoritmo hibrido combinado con el método en forma de L ―una especie de enfoque de
descomposición para la optimización estocástica― (Mirzapour Al-e-hashem et al., 2017).
•
Búsqueda local ―LS― y algoritmo basado en escenarios ―ABE― (Wang y Li, 2017).
•
Sistema de colonia de hormigas ―ACS― y búsqueda de vecindad variable ―VNS― (Kalayci et
al., 2016).
65
69
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
1.4.4.5 Híbridos (exacto y matheurística) con componente ambiental.
Este problema de ruteo con consideraciones ambientales fue presentado en la literatura especializada por
Huang et al. (2012), quien afirma que la reducción de gases de efecto invernadero como el dióxido de
carbono se ha convertido en un grave problema ambiental en todo el mundo y es objeto de estudio en los
diferentes sectores económicos e industrias. En países como China, dado el volumen de la carga
transportada por carretera, es considerado como un aspecto clave en la reducción de carbono. En esta
investigación, los autores estudian el problema VRPSPD verde (g-VRPSPD), el cual incluye el consumo
de combustible y los costos de emisión de carbono.
La comparación de los resultados obtenidos con el modelo tradicional de minimización de
distancias y los obtenidos con el modelo g-VRPSPD propuesto muestran que este último puede generar
rutas más amigables con el medio ambiente, sin afectar demasiado la distancia total recorrida. Asimismo,
permite establecer estrategias de ruteo para vehículos ecológicos.
En el artículo escrito por Bektas y Laporte (2011), los autores parten de la base de que la cantidad
de contaminación emitida por un vehículo está relacionada por factores como la carga y la velocidad, y
en consecuencia tratan el problema de ruteo de contaminación con una función multiobjetivo que consiste
en minimizar los costos operativos (salarios de los conductores, consumo de combustible asociado a las
distancias de los viajes y carga del vehículo) y costos medioambientales (combustibles contaminantes),
teniendo en cuenta las limitaciones de capacidad de los vehículos y las ventanas de tiempo de servicio.
En Kramer et al. (2015), se trata el problema de enrutamiento con contaminación (PRP), que es
una variante del VRP con consideraciones ambientales. El objetivo es encontrar rutas que minimicen los
costos operacionales y ambientales teniendo en cuenta las restricciones de capacidad y las ventanas de
tiempo de servicio. Para su solución, se utiliza una metaheurística que combina la búsqueda local con
programación lineal-entera. Con el método propuesto, se hizo la comparación de los resultados obtenidos
con algoritmos anteriores de la literatura y se lograron nuevas soluciones mejoradas que son reportadas
para todos los problemas considerados en este contexto.
Toro et al. (2017) manifiestan en su trabajo cómo, en los últimos años, diferentes problemas de logística
y de investigación operativa han considerado las cuestiones de efecto invernadero y los costos
relacionados con el impacto ambiental en actividades industriales y de transporte. Estos autores utilizan
un nuevo modelo matemático para determinar el cálculo de las emisiones de gases de efecto invernadero
y un nuevo modelo matemático para el problema de enrutamiento de ubicación capacitado (Capacitated
Location Routing Problem ―CLRP―). Sus resultados son útiles en el proceso de decisión al interior de
la planeación estratégica.
1.4.5. Según las variantes del VRPPD
En la literatura técnica se encuentra que el problema de ruteo con entregas y recogidas simultáneas
66
(VRPSPD) se empezó a estudiar por Min (1989), quien desarrolló una heurística de tres fases, como se
aprecia en Subramanian (2008).
A continuación, se relacionan las variantes del problema VRPPD detectadas en la revisión del estado del
arte:
•
•
•
•
•
•
•
•
•
•
•
AVRPSPD: Problema de ruteo de vehículos con entregas y recogidas simultáneas.
CVRPMPDTW: VRP capacitados con múltiples recogidas, entregas simples y ventanas de
tiempo.
DRDPCO: VRP con entregas y recogidas, demandas aleatorias y pedidos predefinidos del cliente.
FTPDP: VRP con entregas y recogidas con cargas completa.
FT-PDP-RS: problema de recolección y entrega de camiones completos con sincronización de
recursos.
FTVRP: VRP con carga completa en varios puntos de entrega y uno de recogida.
G-CLRP: Problema capacitado de ubicación de ruteo verde.
GPDP: Enrutamiento de petróleo y problemas de programación con recogidas y entregas
70
fraccionadas.
MDVRP: Problema de ruteo de vehículos multidepósito.
MDVRPMPD: Problema de ruteo de vehículos multidepósito con entregas y recogidas.
MFRSPSD: VRP con programación estocástica de dos etapas.
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
AVRPSPD: Problema de ruteo de vehículos con entregas y recogidas simultáneas.
CVRPMPDTW: VRP capacitados con múltiples recogidas, entregas simples y ventanas de
tiempo.
DRDPCO: VRP con entregas y recogidas, demandas aleatorias y pedidos predefinidos del cliente.
Pedro Pablo Ballesteros Silva
FTPDP: VRP con entregas y recogidas con cargas completa.
FT-PDP-RS: problema de recolección y entrega de camiones completos con sincronización de
recursos.
FTVRP: VRP con carga completa en varios puntos de entrega y uno de recogida.
G-CLRP: Problema capacitado de ubicación de ruteo verde.
GPDP: Enrutamiento de petróleo y problemas de programación con recogidas y entregas
fraccionadas.
MDVRP: Problema de ruteo de vehículos multidepósito.
MDVRPMPD: Problema de ruteo de vehículos multidepósito con entregas y recogidas.
MFRSPSD: VRP con programación estocástica de dos etapas.
M-M-VRPSPD: Problema de generación de rutas para vehículos de muchos a muchos productos
básicos con recogida y entrega simultáneas.
MPDP: Problema de entrega y recogida de alimentos.
m-PDTSP: Problema del agente viajero para entregas y recogidas multiproducto.
m-VRPPDSL: VRP con múltiples vehículos con fraccionamiento de carga para entregas y
recogidas.
m-VRPSPD: VRP con entregas y recogidas simultáneas con múltiples vehículos.
m-VRPPD: VRP con entregas y recogidas con múltiples vehículos.
m-VRPPD-md: VRP con entregas y recogidas con múltiples vehículos y varios depósitos.
MVRPPD: VRP con entregas y recogidas mixtas.
MVRPTWSD: VRP mixto con ventanas de tiempo y entregas fraccionadas.
PDP: Problema de ruteo de vehículos con sistema de entregas y recogidas.
PDPS: Problema de ruteo de vehículos, con entregas y recogidas, con rutas de lanzadera.
PDPCD: Problema de recogidas y entregas con transbordo.
PDPT: VRP con entregas y recogidas, y problema de transbordo.
PDPTW: VRP con entrega y recogida y ventanas de tiempo.
PDPTWPR: VRP con entrega y recogida con ventanas de tiempo, beneficios y requerimientos
reservados.
PDPTWMS: VRP con entrega y recogida, ventanas de tiempo y múltiples pilas de productos. 67
PDPTW: Problema de entregas y recogidas con ventanas de tiempo.
PDTSP: Problema del agente viajero con entregas y recogidas.
PMPDP: Problema de recolección y entrega de muchos a muchos.
PPRP-TW: Problema de ruteo de producción y contaminación con ventanas de tiempo.
PRP: Problema de contaminación en ruteo.
PRPRPD: Problema de ruteo de producción con remanufactura, entregas y recogidas simultáneas.
SRP: Problema de ruteo de buques (Ship Routing Problem).
SPDP: VRP con entregas y recogidas sincronizadas.
STT-VRPSPD: VRPSPD con tiempos estocásticos de viaje.
SVRPPPD: VRPPD con un solo vehículo y entregas, y recogidas selectivas.
SVRPSPD: VRP con entregas y recogidas simultáneas fraccionadas.
TSDP: Problema del agente viajero con entregas y recogidas simultáneas.
TSPDC Problema del agente viajero con entregas y recogidas mixtas.
TWPDP: VRP con entregas y recogidas, aplicando ventanas de tiempo.
TWPDPRP: VRP con entregas y recogidas, ventanas de tiempo y contaminación.
TWVRPFPD: VRPPD con entregas y recogidas aplicando ventanas de tiempo.
TWWTVRPPD: VRPPD con ventanas de tiempo y tiempos de espera.
UPDPFV: Problema urbano de recogida y entrega, considerando velocidad difusa dependiendo de
tiempo.
VRP: Problema de ruteo de vehículos.
VRPB: Problema de ruteo de vehículos con retornos.
VRP2LSPD: VRP con entregas y recogidas simultáneas, y restricciones bidimensionales de carga.
VRPM-CPD: Problema de ubicación de ruta de muchos a muchos con clientes de recogida y
entrega.
VRPPB: VRP para recoger inventario de plantas de capacidad limitada de almacenamiento.
VRPPD: Problema de ruteo de vehículos con recogidas y entregas.
VRPDDP: Problema de ruteo de vehículos con entregas y recogidas divididas.
VRPPDPC: VRPPD con cliente predefinido.
71
VRPPDPLT: Problemas de ruteo multivehículo con entregas y recogidas, y restricciones LIFO.
VRPPDPS: VRP con recogidas y entregas, con traslados.
VRPPDSR: VRPPD aplicando rutas de transporte.
UPDPFV: Problema urbano de recogida y entrega, considerando velocidad difusa dependiendo de
tiempo.
•
VRP: Problema de ruteo de vehículos.
•
VRPB: Problema de ruteo de vehículos con retornos.
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
•Una nueva
VRP2LSPD:
VRP con entregas y recogidas simultáneas, y restricciones bidimensionales de carga.
matheurística
•
VRPM-CPD: Problema de ubicación de ruta de muchos a muchos con clientes de recogida y
entrega.
•
VRPPB: VRP para recoger inventario de plantas de capacidad limitada de almacenamiento.
•
VRPPD: Problema de ruteo de vehículos con recogidas y entregas.
•
VRPDDP: Problema de ruteo de vehículos con entregas y recogidas divididas.
•
VRPPDPC: VRPPD con cliente predefinido.
•
VRPPDPLT: Problemas de ruteo multivehículo con entregas y recogidas, y restricciones LIFO.
•
VRPPDPS: VRP con recogidas y entregas, con traslados.
•
VRPPDSR: VRPPD aplicando rutas de transporte.
•
VRPDSPTW: VRP con entregas y recogidas selectivas que incluyen ventanas de tiempo.
•
VRPSPD: VRP con entregas y recogidas simultáneas.
•
VRPSPDTW: VRP con entregas, recogidas selectivas y ventanas de tiempo.
•
VRPSPDSM: VRP de vehículos simples y múltiples, con entregas y recogidas simultáneas.
•
VRPSPDT: VRP con entregas y recogidas simultáneas con tiempo límite.
•
VRPSPD-H: Problema de generación de rutas con entregas y recogidas simultáneas, con manejo
68
de costos.
•
•
•
VRPTW: VRP con ventanas de tiempo.
2E- VRPSPD: Problema de ruteo de vehículos de dos escalones con entregas y recogidas
simultáneas.
69
72
2
CAPÍTULO
DOS
Pedro Pablo Ballesteros Silva
CAPÍTULO DOS para la técnica
Diseño metodológico
matheurística aplicada en la solución
del VRPSPD
DISEÑO METODOLÓGICO PARA LA TÉCNICA MATHEURÍSTICA
APLICADA EN LA SOLUCIÓN DEL VRPSPD
Para la realización de este libro, es importante destacar la consulta obligada en la literatura especializada,
incluyendo las respectivas instancias para hacer las pruebas, los modelos matemáticos existentes y las
variadas técnicas de solución empleadas para el problema de ruteo de vehículos con recogida y entrega
simultaneas (VRPSPD). Es importante tener en cuenta que, al no existir un sistema de pruebas en las
empresas; en calidad de criterio fundamental para seleccionar las instancias, se decidió ―como lo han
hecho los investigadores en sus publicaciones científicas― utilizar las instancias específicas en la
literatura especializada (relacionadas en el documento). Estas han sido probadas por estos investigadores
para resolver el VRPSPD y constituyen los referentes para evaluar la eficiencia de la implementación del
algoritmo propuesto frente a los resultados obtenidos por los investigadores en este tema, situación
también planteada en el resumen de este libro.
De la misma forma, se hizo uso de diferentes métodos de solución para el VRPSPD, apoyados en
lenguajes de programación como C, C++ y Java para realizar las respectivas validaciones de algunos de
los modelos encontrados y la simulación del modelo propuesto extensivo y a varios depósitos, vehículos
y clientes, con el fin de encontrar buenas rutas de distribución y aprovisionamiento.
A continuación, se presenta una descripción de los métodos de solución, empleados en este libro,
producto de la investigación realizada:
2.1.
Heurísticas constructivas
Como lo define Gallego et al. (2015), la heurística constructiva es un algoritmo que paso a paso permite
adicionar componentes individuales (en nuestro caso, clientes a un depósito) hasta encontrar una solución
factible, utilizando un proceso que agrega en forma iterativa elementos a la estructura que representa la
solución. Se describen algunas heurísticas constructivas, utilizadas en esta investigación:
75
70
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
2.1.1. Heurística del vecino más cercano
La heurística que se propone tiene como fundamento el procedimiento del algoritmo del vecino más
cercano (Nearest Neighbor Algorithm). Este fue uno de los primeros algoritmos empleados para resolver
el problema del agente viajero. El algoritmo muestra un camino corto que muchas veces no es el ideal.
El procedimiento del algoritmo del vecino más cercano para el agente viajero es:
•
Paso 1. Elegir un vértice arbitrario como punto de partida.
•
Paso 2. Determinar la arista de menor distancia que esté conectada al vértice elegido con un vértice
no visitado V.
•
Paso 3. Convertir el vértice actual en V.
•
Paso 4. Identificar dicho vértice visitado como V.
•
Paso 5. Terminar el algoritmo cuando todos los vértices han sido visitados.
La secuencia de los vértices visitados es la ruta que debe seguir el agente viajero con el algoritmo
del vecino más cerca.
Para el caso de la investigación, se hace una adaptación propia de este algoritmo para el problema
VRPPD y queda el procedimiento de la siguiente manera:
•
Paso 1. Iniciar el recorrido en el depósito.
•
Paso 2. Determinar la arista de menor distancia que esté conectada al cliente más cercano en el
siguiente movimiento siempre y cuando no se afecte la factibilidad; es decir, una vez ubicado el cliente
más cercano, la cantidad de mercancía que falta por entregar junto con la cantidad de mercancía que se
ha recogido no debe superar la capacidad de los vehículos. Si hay un cliente que tiene menor distancia,
pero es infactible, se escoge el siguiente de menor distancia que sea factible.
•
Paso 3. Convertir el vértice actual en V.
•
Paso 4. Identificar dicho vértice visitado como V.
•
Paso 5. Terminar el algoritmo, retornando al depósito cuando todos los clientes han sido visitados
y son factibles.
El objetivo del algoritmo es encontrar, en lo posible, la ruta más corta para visitar cada cliente
una sola vez y regresar a la ciudad de origen (que en el caso del VRPPD corresponde al depósito). Se
71
debe tener en cuenta que, si los últimos pasos del recorrido son comparables en distancia a los primeros
pasos, el recorrido es razonable; pero si estos son mucho mayores, es probable que se encuentren mejores
recorridos. A manera de ejemplo, se aplica la heurística del vecino más cercano para tres escenarios: un
depósito, un vehículo y tres clientes; un depósito, un vehículo y doce clientes; y un depósito, tres
vehículos y doce clientes.
•
Un depósito, un vehículo y tres clientes. En las tablas nro. 3 y 4, se muestran los datos de la matriz
de distancias, las cantidades que se van a entregar di y las cantidades que se van a recoger pi.
Cij
0
1
2
3
0
19
45 18
1
19
23 43
2
45 23
57
3
18 43
57
TABLA NRO. 3. Matriz de distancias para tres clientes.
Elaboración propia.
76
Cliente
1
di
540
pi
480
recorridos. A manera de ejemplo, se aplica la heurística del vecino más cercano para tres escenarios: un
El objetivo del algoritmo es encontrar, en lo posible, la ruta más corta para visitar cada cliente
depósito,unaunsola
vehículo
y tres clientes; un depósito, un vehículo y doce clientes; y un depósito, tres
vez y regresar a la ciudad de origen (que en el caso del VRPPD corresponde al depósito). Se
vehículos
y
doce
clientes.
debe tener en cuenta que, si los últimos pasos del recorrido son comparables en distancia a los primeros
pasos, el recorrido es razonable; pero si estos son mucho mayores, es probable que se encuentren mejores
•
Pedro Pablo Ballesteros Silva
manera
de ejemplo,
aplica laEn
heurística
del vecino
para treslos
escenarios:
Unrecorridos.
depósito,Aun
vehículo
y tres se
clientes.
las tablas
nro. 3más
y 4,cercano
se muestran
datos deunla matriz
depósito, un vehículo y tres clientes; un depósito, un vehículo y doce clientes; y un depósito, tres
devehículos
distancias,
las clientes.
cantidades que se van a entregar di y las cantidades que se van a recoger pi.
y doce
•
Un depósito, un vehículo y tres clientes. En las tablas nro. 3 y 4, se muestran los datos de la matriz
Cij
0
1
2
3
de distancias, las cantidades que se van a entregar di y las cantidades que se van a recoger pi.
0
19
45 18
1 C 190
-1
23
43
2
3
ij
2 0 45- 23
19
45 1857
3 1 1819 43
57 43 23
2
45de distancias
23
57 tres clientes.
TABLA NRO. 3. Matriz
para
3Elaboración
18
43 propia.
57
TABLA NRO. 3. Matriz de distancias para tres clientes.
Elaboración propia.
Cliente
di
pi
1
540
480
Cliente
di
pi
540
480
21
272
343
272
343
32
220
240
3
220
240
1 032 1 063
1 032 1 063
TABLATNRO
. 4.
Relación
de la
para
entregar
recoger
pi.
i y para
ABLA
NRO
. 4. Relación
de cantidad
la cantidadde
demercancía
mercancía para
entregar
di y d
para
recoger
pi.
Elaboración
propia.
Elaboración propia.
la FIGURA
se puede
observarlalaubicación
ubicación de
y elydepósito.
Los clientes
más
En la FEn
IGURA
NRO. NRO
3 se. 3puede
observar
delos
losclientes
clientes
el depósito.
Los clientes
más
cercanos
al
depósito
son
el
1
y
el
3.
cercanos al depósito son el 1 y el 3.
18
18
2
45
43
43
3
23
1
Depósito
Depósito
23
1
19
19
45
2
57
57
FIGURA
3 NRO. 3. Ubicación del depósito y los tres clientes.
Elaboración propia.
FIGURA NRO. 3. Ubicación del depósito y los tres clientes.
Las rutas de este algoritmo son: Elaboración propia.
72
Ruta 1: depósito®1®2®3®depósito, con una distancia recorrida de 117 unidades de longitud.
Ruta 2: depósito®3®1®2®depósito, con una distancia recorrida de 129 unidades de longitud.
De estas dos rutas se escoge la ruta 1 por tener la menor distancia, aunque ambas rutas son
factibles.
•
Un depósito, un vehículo y doce clientes. En la TABLA NRO. 5 se relacionan las cantidades que se
van a entregar di y las cantidades que se van a recoger pi. La matriz de distancias se puede observar
en la TABLA NRO. 6.
Cliente
1
8
9
10
11
12
5
7
6
Situación inicial
di
540
220
230
300
210
240
77
192
343
393
pi
480
240
200
300
250
210
169
369
319
72
De estas dos rutas se escoge la ruta 1 por tener la menor distancia, aunque ambas rutas son
factibles.
•
Un depósito, un vehículo y doce clientes. En la TABLA NRO. 5 se relacionan las cantidades que se
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
a entregar
di y las cantidades que se van a recoger pi. La matriz de distancias se puede observar
Unavan
nueva
matheurística
en la TABLA NRO. 6.
Cliente
1
8
9
10
11
12
5
7
6
3
2
4
Situación inicial
di
540
220
230
300
210
240
192
343
393
280
380
272
3 600
pi
480
240
200
300
250
210
169
369
319
300
420
343
3 600
TABLA NRO. 5. Relación de la cantidad de mercancía para entregar di y para recoger pi. Situación
inicial.
Elaboración propia.
J
I
Cij
0
1
2
C3ijC
ij
44
55
66
77
88
99
1010
1111
1212
0
19
47
00
74
4545
112
112
114
114
145
145
1818
3737
5454
6464
5353
1
2
3
4
5
6
7
8
9
10
19
47
74 45 112 114 145 18
37
54
19
47 23 96 113 129 43
72
79
19
23 14 84
96JJ 115 67
97 100
11 23
22
3-3 18
44 48
55
10
47
59
78
82
112
111
66
77
88
99 10
2323 14
80 95
95 57
57 85
85 8585
14 18
18 -- 64
64
80
9696 84
16 21
21 109
109 132
132 123
123
84 48
48 64
64 -16
113
15 134
134 159
159 149
149
113 96
96 59
59 80
80 16
16
-15
129
15
140 163
163 150
150
129 115
115 78
78 95
95 21
21
15
-- 140
4343 67
140 -- 17
17 2222
67 82
82 57
57 109
109 134 140
7272 97
163 17
17 - - 1111
97 112
112 85
85 132
132 159 163
7979 100
150 22
22 11
11 - 100 111
111 85
85 123
123 149 150
91 90
90 70
70 93
93 121 120
7575 91
120 35
35 37
37 1818
66 64
64 45
45 71
71
98 100
5353 66
100 30
30 48
48 3838
ABLANRO
NRO. .6.
6.Matriz
Matriz de
de distancias
distancias para
TT
ABLA
para doce
doceclientes.
clientes.
Elaboración propia.
propia.
Elaboración
11
64
75
91
90
1111
7070
9393
121
121
120
120
3535
3737
1818
-1616
12
53
53
66
64
1212
4545
7171
9898
100
100
3030
4848
3838
1616
--
73
presentan,a acontinuación,
continuación,cuatro
cuatro rutas
rutas obtenidas
obtenidas de
SeSe
presentan,
de la
la aplicación
aplicacióndedelalaheurística
heurísticadeldelvecino
vecino
más
cercano:
más
cercano:
Ruta 1: depósito®1®2®3®6®7®5®4®12®11®10®9®8®depósito. Esta ruta tiene una
Ruta 1: depósito®1®2®3®6®7®5®4®12®11®10®9®8®depósito. Esta ruta tiene una
distancia total recorrida de 345 unidades de longitud. Es una ruta infactible.
distancia total recorrida de 345 unidades de longitud. Es una ruta infactible.
Ruta 2: depósito®1®8®9®10®11®12®5®7®6®3®2®4®depósito. Esta ruta tiene una
Ruta 2: depósito®1®8®9®10®11®12®5®7®6®3®2®4®depósito. Esta ruta tiene una
distancia total recorrida de 372 unidades de longitud. Esta ruta es factible.
distancia total recorrida de 372 unidades de longitud. Esta ruta es factible.
Ruta 3: depósito®1®8®9®10®11®12®5®7®6®3®4®2®depósito. La distancia total
Rutaen3:esta
depósito®1®8®9®10®11®12®5®7®6®3®4®2®depósito.
La en
distancia
total
recorrida
ruta es de 369 unidades de longitud. Esta ruta es factible y puede apreciarse
la FIGURA
recorrida
NRO. 4. en esta ruta es de 369 unidades de longitud. Esta ruta es factible y puede apreciarse en la FIGURA
NRO. 4.
En este ejemplo, entre las rutas 2 y 3 se escoge la ruta 3 por tener menor distancia recorrida.
En este ejemplo, entre las rutas 2 y 3 se escoge la ruta 3 por tener menor distancia recorrida.
78
Ruta 4: depósito®1®2®4®3®5®6®7®12®11®10®9®8®depósito.
Esta ruta tiene un
recorrido
unidades de longitud que es menor que las anteriores, pero es infactible.
Rutade4:329
depósito®1®2®4®3®5®6®7®12®11®10®9®8®depósito.
Esta ruta tiene un
recorrido de 329 unidades de longitud que es menor que las anteriores, pero es infactible.
•
Un depósito, tres vehículos y doce clientes. La relación de las cantidades que se van a entregar di
Ruta 2: depósito®1®8®9®10®11®12®5®7®6®3®2®4®depósito. Esta ruta tiene una
distancia total recorrida de 372 unidades de longitud. Esta ruta es factible.
Ruta 3: depósito®1®8®9®10®11®12®5®7®6®3®4®2®depósito. La distancia total
Pedro Pablo Ballesteros Silva
recorrida en esta ruta es de 369 unidades de longitud. Esta ruta es factible y puede apreciarse en la FIGURA
NRO. 4.
En este ejemplo, entre las rutas 2 y 3 se escoge la ruta 3 por tener menor distancia recorrida.
Ruta 4: depósito®1®2®4®3®5®6®7®12®11®10®9®8®depósito. Esta ruta tiene un
recorrido de 329 unidades de longitud que es menor que las anteriores, pero es infactible.
•
Un depósito, tres vehículos y doce clientes. La relación de las cantidades que se van a entregar di
y las cantidades que se van a recoger pi se puede, observar en TABLA NRO. 5. La matriz de distancias
se encuentra en la TABLA NRO. 6.
En este caso, se aplica un algoritmo de división usando criterios geográficos para asignar un
vehículo a cada uno de los tres grupos de clientes y luego se resuelve cada grupo utilizando la heurística
constructiva del vecino más cercano, evitando los subtours.
74
2
1
19
14
47
18
4
Depósito
3
59
43
8
17
6
71
9
5
12
11
15
21
16
10
18
7
11
Distancia recorrida: 369 unidades de longitud
FIGURA NRO. 4. Solución con la heurística del vecino más cercano para un solo vehículo.
Elaboración propia.
19
2
14
1
19
74
Depósito
4
18
3
18
112
37
8
16
145
9
35
11
10
6
5
15
12
7
38
16
11
Distancia recorrida: 587 unidades de longitud
FIGURA NRO. 5. Asignación de tres vehículos a doce clientes.
Elaboración propia.
Ruta para el vehículo 1: depósito®1®2®4®3®depósito.
75
79
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Distancia recorrida: 144 unidades de longitud. Esta es una ruta factible.
Ruta para el vehículo 2: depósito®5®6®7®depósito.
Distancia recorrida: 288 unidades de longitud. La ruta es factible.
Ruta para el vehículo 3: depósito®8®9®10®11®12®depósito. Esta ruta que se inicia con el
cliente 8 y está más cerca al depósito es infactible. Entonces, se aplica el algoritmo con el siguiente
cliente (9) más cerca al depósito.
La ruta factible para el vehículo 3 es: depósito®9®10®12®11®8®depósito.
Distancia recorrida 155 unidades de longitud.
5.
La distancia total recorrida por los tres vehículos es: 587 unidades de longitud. Ver FIGURA NRO.
Se deja al lector la comprobación de la factibilidad de las anteriores rutas.
Como se puede observar, el algoritmo del vecino más cercano es de fácil aplicación en problemas
de ruteo de pocos clientes y se complica en problemas con muchos clientes; precisamente, porque en
muchas ocasiones el vecino más cercano es infactible, teniendo que recurrir a las pruebas de error y
ensayo.
2.1.2. Heurística de entregas y recogidas para un vehículo, doce clientes y con un nivel de servicio
del 100 %
Esta heurística es propuesta por el autor de la investigación.
Comprende los siguientes pasos:
•
•
•
Se comienza con el cliente más cercano al depósito que cumpla la condición di > pi, la cual es un
criterio esencial para liberar capacidad del vehículo y evitar infactibilidades.
Se visita al siguiente cliente, controlando la factibilidad de carga al aplicar el algoritmo del vecino
más cercano y verificar que el nivel de servicio se cumpla en el 100 %.
Si en algún cliente se presenta infactibilidad, a pesar de estar cercano al cliente anterior, se continúa
con el siguiente cliente más cercano que haga la ruta factible hasta terminar la visita a los demás
clientes y retornar al depósito.
76
80
Pedro Pablo Ballesteros Silva
La ruta obtenida es: depósito®1®2®3®6®7®5®4®12®10®9®11®8®depósito.
Distancia recorrida: 404 unidades de longitud.
La ruta se muestra en la FIGURA NRO. 6.
2
19
23
1
19
3
4
Depósito
59
18
45
8
64
6
5
35
9
37
15
12
38
21
11
7
10
11
Distancia recorrida: 404 unidades de longitud
FIGURA NRO. 6. Heurística constructiva para la entrega y recogida para doce clientes con un nivel de
servicio del 100 %.
Elaboración propia.
2.1.3. Heurística aleatoria controlada
Este es un procedimiento estocástico que se compone de los siguientes pasos:
•
•
•
•
Se generan números aleatorios para cada cliente evitando repeticiones.
Se ordenan los números aleatorios de menor a mayor, según la cantidad de clientes.
Se comienza el recorrido desde el depósito al cliente que tiene el menor número aleatorio,
verificando su factibilidad (di > pi). En caso de infactibilidad, se escoge el cliente con el siguiente
menor número aleatorio; se repite el proceso hasta terminar la ruta; y se consideran los clientes
anteriores que no se pudieron asignar por infactibilidad.
Finalmente, se retorna al depósito.
En la FIGURA NRO. 7 se puede apreciar la ruta factible, obtenida con esta heurística.
19
2
23
1
19
3
4
Depósito
77
80
85
64
8
17
Distancia recorrida: 981 unidades de
longitud
6
109
64
5
9
100
12
7
10
11
150
93
149
FIGURA NRO. 7. Ruta obtenida con heurística aleatoria para doce clientes y un vehículo.
Elaboración propia.
La distancia recorrida es de 981 unidades de longitud. Esta está distante de la solución alcanzada
con la heurística del vecino más cercano en la ruta 3 (369 unidades de longitud).
Implementar esta heurística es muy complejo debido a la naturaleza del problema y al carácter
81
estocástico de los números aleatorios.
2.1.4. Heurísticas con aumento de capacidad de vehículos.
5
9
100
12
7
10
150
11
93
149
Solución del problema de enrutamiento de vehículos
con entregas y recogidas simultáneas
FIGURA
NRO. 7. Ruta obtenida con heurística aleatoria para doce clientes y un vehículo.
Una nueva
matheurística
Elaboración propia.
La distancia recorrida es de 981 unidades de longitud. Esta está distante de la solución alcanzada
con la heurística del vecino más cercano en la ruta 3 (369 unidades de longitud).
Implementar esta heurística es muy complejo debido a la naturaleza del problema y al carácter
estocástico de los números aleatorios.
2.1.4. Heurísticas con aumento de capacidad de vehículos.
Este procedimiento considera las infactibilidades que se puedan presentar utilizando el algoritmo del
vecino más cercano. Su implementación se describe a continuación:
•
•
•
•
Se establecen las diferencias entre las cantidades que se van a entregar di y las que se van a recoger
pi .
Se acumulan las diferencias cuando di < pi.
Se agrega a la capacidad del vehículo la cantidad acumulada en el paso anterior, con valor absoluto.
Se traza el recorrido aplicando el algoritmo del vecino más cercano con la nueva capacidad del
vehículo, obtenida en el paso anterior.
Para el caso de un depósito, un vehículo y doce clientes, con este algoritmo, se obtiene la ruta que se
presenta en la FIGURA NRO. 8:
19
1
19
2
14
18
4
Depósito
3
78
59
18
17
8
6
71
9
12
10
18
11
15
21
16
11
5
7
Distancia recorrida: 316 unidades de longitud
FIGURA NRO. 8. Ruta de la heurística con aumento de capacidad del vehículo.
Elaboración propia.
Esta ruta factible muestra una distancia recorrida de 316 unidades de longitud que es mejor que
las obtenidas para el mismo problema con las anteriores heurísticas, descritas en este capítulo. Esta
respuesta coincide con la del método exacto, variando la capacidad del vehículo en el modelo
matemático.
2.2.
Técnicas exactas
En este libro se adopta el modelo matemático propuesto por Dell’Amico et al. (2006) y aplicado por
Subramanian et al. (2011).
La descripción del modelo matemático se puede observar en la sección 1.4.1.1. que considera un
depósito, varios vehículos y muchos clientes.
2.3.
Técnicas metaheurísticas: algoritmo genético de Chu-Beasley
La implementación del algoritmo genético de Chu y Beasley (1997) se lleva a cabo en los siguientes
escenarios:
•
•
•
•
Para un depósito, un vehículo y tres clientes.
82
Para un depósito, un vehículo y doce clientes.
Para un depósito, cuatro vehículos y cincuenta clientes.
Para un depósito, k vehículos y n clientes.
2.2.
Técnicas exactas
En este libro se adopta el modelo matemático propuesto por Dell’Amico et al. (2006) y aplicado por
Subramanian et al. (2011).
Pedro Pablo Ballesteros Silva
La descripción del modelo matemático se puede observar en la sección 1.4.1.1. que considera un
depósito, varios vehículos y muchos clientes.
2.3.
Técnicas metaheurísticas: algoritmo genético de Chu-Beasley
La implementación del algoritmo genético de Chu y Beasley (1997) se lleva a cabo en los siguientes
escenarios:
•
•
•
•
•
•
Para un depósito, un vehículo y tres clientes.
Para un depósito, un vehículo y doce clientes.
Para un depósito, cuatro vehículos y cincuenta clientes.
Para un depósito, k vehículos y n clientes.
Para m depósitos, k vehículos y n clientes.
Para m depósitos, k vehículos y n clientes con impacto ambiental.
79
Las anteriores implementaciones incluyen las etapas que se describen a continuación:
2.3.1. Construcción de la población inicial
La representación de una configuración del VRPSPD para 20 nodos o clientes, y su codificación se
muestran en la FIGURA NRO. 9.
FIGURA NRO. 9. Representación genética de una configuración de veinte nodos o clientes.
Elaboración propia.
La longitud de la configuración o solución queda definida por la cantidad de clientes o nodos que
son atendidos por los vehículos. Es importante anotar que las rutas están determinadas por las
capacidades de los vehículos, y por las cantidades de productos que se deben entregar y recoger en cada
cliente. Así, en la configuración que se muestra en la FIGURA NRO. 9, el vehículo que cubre la ruta 1 sale
y llega al depósito después de atender los clientes 20, 6, 2, 8, 13, 3, 9 y 15; el vehículo que recorre la ruta
2 sale y llega al depósito y visita los clientes 16, 1, 17, 10, 19 y 12; finalmente, el vehículo de la ruta 3
sale y llega al depósito después de servir a los clientes 4, 11, 18, 5, 14 y 7. Todos los vehículos no pueden
exceder su capacidad de carga.
Los datos de entrada son:
La matriz de costos o distancias cij.
La cantidad de productos para entregar di.
La cantidad de productos para recoger pi.
La cantidad de vehículos k con capacidad Q homogénea.
El conjunto de parámetros que están asociados al tamaño de la población, la tasa de
recombinación y la tasa de mutación son los que definen en gran parte el comportamiento del algoritmo
genético. Esto es denominado programa de control del algoritmo genético. Los valores de estos
parámetros, recomendados en la literatura especializada, son los siguientes (Gallego et al., 2015):
Población: entre 30 y 200 clientes.
Tasa de recombinación: intervalo [0.05-1.0].
83
80
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Tasa de mutación: intervalo [0.001-0.050].
En cada configuración generada a partir del algoritmo genético de Chu y Beasley (1997) se
obtiene el valor de la función objetivo (fitness), se muestra la factibilidad o infactibilidad de la ruta y se
explicita la carga de cada vehículo asignado en las diferentes subrutas o vehículos de la configuración.
A partir del valor de la función objetivo y la factibilidad de las configuraciones o individuos se
utilizan los operadores genéticos que se describen a continuación:
2.3.2. Operadores genéticos (Ballesteros Silva, 2019)
Los tres operadores genéticos utilizados en el AGCB son: selección, recombinación y mutación. La
selección se hace por torneo.En la recombinación, se aplica las técnicas OBX y PMX.En el operadormutación se utilizan las estrategias shift y swap para mejorar las configuraciones obtenidas de la
recombinación.
2.3.3. Proceso de optimización distribuida (Ballesteros Silva, 2019)
2.3.4. Etapa de reemplazo (Ballesteros Silva, 2019)
Con el propósito de parametrizar el algoritmo genético de Chu y Beasley (1997), tanto en la parte
convencional como en la parte ambiental, fue necesario realizar muchas pruebas que permitieron alcanzar
una buena implementación y poner el algoritmo a punto en su funcionamiento.
2.4.
Algoritmo matheurístico propuesto para resolver el VRPSPD
Este algoritmo hibrido es el producto de la investigación de la solución del VRPSPD como tema de la
tesis doctoral de Ballesteros Silva (2019), con lo que se obtuvo el reconocimiento del Ministerio del
Interior de Colombia, como obra inédita, a través del Certificado de Registro de Soporte Lógico –
Software, se han considerado dos situaciones:
•
Para el caso de un depósito, k vehículos y n clientes.
El algoritmo propuesto en este escenario está formado por:
o
o
o
o
•
Algoritmo genético de Chu-Beasley.
Algoritmo generador de matrices.
Modelo matemático para resolver el VRPSPD.
Algoritmo graficador.
Para el caso de m depósitos, k vehículos y n clientes.
81
En este caso, el algoritmo propuesto está integrado por:
o
o
o
o
o
Algoritmo clustering.
Algoritmo genético de Chu – Beasley.
Algoritmo generador de matrices.
Modelo matemático para resolver el VRPSPD.
Algoritmo graficador.
Es importante tener en cuenta que el algoritmo graficador se emplea para efectuar el trazado de
las rutas, por lo tanto, se debe considerar como un elemento complementario del AGCB.
Para facilitar la implementación del algoritmo genético de Chu y Beasley, (1997) con m depósitos,
k vehículos y n clientes, se diseñaron dos algoritmos:
84
Algoritmo de clustering: la aplicación de este algoritmo se hace antes de utilizar el algoritmo genético
de Chu-Beasley (AGCB). Está integrado por dos fases:
o
o
o
o
Algoritmo genético de Chu – Beasley.
Algoritmo generador de matrices.
Modelo matemático para resolver el VRPSPD.
Algoritmo graficador.
Pedro Pablo Ballesteros Silva
Es importante tener en cuenta que el algoritmo graficador se emplea para efectuar el trazado de
las rutas, por lo tanto, se debe considerar como un elemento complementario del AGCB.
Para facilitar la implementación del algoritmo genético de Chu y Beasley, (1997) con m depósitos,
k vehículos y n clientes, se diseñaron dos algoritmos:
Algoritmo de clustering: la aplicación de este algoritmo se hace antes de utilizar el algoritmo genético
de Chu-Beasley (AGCB). Está integrado por dos fases:
Fase 1:
•
•
Se parte de instancias conocidas para múltiples depósitos. Si las instancias están dadas en
coordenadas, se calcula la distancia entre clientes, y entre estos y los depósitos.
Se aplica la heurística del vecino más cercano, asignando a cada depósito los clientes más cercanos,
sin tener en cuenta su capacidad.
Fase 2:
•
•
•
•
•
•
Una vez efectuada la fase 1, se analiza la capacidad de cada depósito teniendo en cuenta los clientes
asignados. Es decir, si se presentan depósitos con exceso de clientes que rebasan la capacidad de
los depósitos, se determina la diferencia que hay entre el depósito actual y los demás depósitos.
A continuación, se determina si hay depósitos reasignables. Si la respuesta es afirmativa, se elige
el depósito que tenga la menor distancia y se analiza si dicho depósito tiene capacidad para recibir
uno o varios clientes.
Si la respuesta es afirmativa, se reasigna los clientes a dicho depósito, considerando la capacidad
del depósito.
Se repite la anterior acción hasta que todos los clientes sean asignados a los depósitos sin exceder
su capacidad.
Cada depósito queda con sus respectivos clientes. De este modo, se obtenien asignaciones factibles.
82
Conocida la asignación para cada depósito con sus respectivos clientes, se aplica el AGCB para
cada depósito.
Algoritmo generador de matrices: Este algoritmo se aplica a la mejor configuración o la configuración
incumbente, obtenida del AGCB, y también es propuesta por el autor. Su descripción es:
•
Inicio: se toma la mejor configuración del AGCB.
•
Considerando la capacidad de cada vehículo, se asignan secuencialmente los clientes hasta agotar
su capacidad.
•
Se repite la acción anterior para el resto de los vehículos hasta el último cliente de la configuración
del AGCB.
•
Las configuraciones establecidas para cada vehículo son la base para generar las matrices de
distancia, y las cantidades que se van a entregar y recoger en cada secuencia.
•
Una vez generadas las matrices para cada vehículo estas se constituyen en problemas pequeños a
los cuales se les aplica por separado el modelo matemático, codificado en General Algebraic Modeling
System (GAMS). De esta índole, se obtiene la solución óptima para cada vehículo.
•
Con la integración de las soluciones para cada vehículo, se forma una nueva configuración que se
compara con el valor obtenido con el AGCB y se evalúa cuál de los dos tiene mejor desempeño tanto por
su función objetivo como por el tiempo de procesamiento.
Todas las anteriores implementaciones se hicieron en lenguaje Java, versión 1.8.0-131, a excepción
del modelo matemático que se programó en C++ y en GAMS (GAMS Development, 2002). Aquellas
son resueltas con el software CPLEX 12.5.
Con respecto a la variante del algoritmo genético de Chu y Beasley (1997) para m depósitos, k
vehículos y n clientes con impacto ambiental en la sección siguiente, se hace una breve descripción de
sus antecedentes:
Este problema hasta la fecha no ha sido resuelto aplicando el AGCB; sin embargo, es conveniente
85
citar algunos trabajos e investigaciones que han considerado efectos ambientales.
Por ejemplo, Toro (2016), en su tesis doctoral estudió modelos-multiobjetivo que incluyeron la
compara con el valor obtenido con el AGCB y se evalúa cuál de los dos tiene mejor desempeño tanto por
su función objetivo como por el tiempo de procesamiento.
Todas las anteriores implementaciones se hicieron en lenguaje Java, versión 1.8.0-131, a excepción
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
del modelo matemático que se programó en C++ y en GAMS (GAMS Development, 2002). Aquellas
Una nueva matheurística
son resueltas con el software CPLEX 12.5.
Con respecto a la variante del algoritmo genético de Chu y Beasley (1997) para m depósitos, k
vehículos y n clientes con impacto ambiental en la sección siguiente, se hace una breve descripción de
sus antecedentes:
Este problema hasta la fecha no ha sido resuelto aplicando el AGCB; sin embargo, es conveniente
citar algunos trabajos e investigaciones que han considerado efectos ambientales.
Por ejemplo, Toro (2016), en su tesis doctoral estudió modelos-multiobjetivo que incluyeron la
optimización de los costos de operación e inversión, y la minimización de las emisiones de partículas
generadas por el consumo de combustible. Dicha tesis consta de dos partes, la primera debida al peso del
vehículo y la segunda debida a la cantidad de carga transportada. Las variantes aplicadas fueron el
problema de localización con ruteo verde (GCLRP) y el problema de localización con ruteo abierto y
verde (GOLRP).
Se conocieron algunos factores que incidieron en el consumo de combustible de los vehículos83y
en las emisiones de CO2 como: el peso del vehículo; la velocidad y la aceleración del vehículo; la
distancia; las condiciones de la vía (curvas, pendientes, glorietas y semáforos); las condiciones
meteorológicas (temperatura ambiental, la velocidad y dirección del viento); el nivel de congestión, entre
otros. Afirma que, por lo general, las emisiones de CO2 y el consumo de combustible están relacionadas
con el tipo de conducción de múltiples paradas y arranques.
La descripción de algunas técnicas para la estimación de emisiones las cuales fueron de gran
ayuda en el desarrollo de esta investigación, se presenta a continuación:
Xiao et al. (2012) consideran que el consumo de combustible representa una parte importante y
creciente de los costos de transporte. En el artículo, se agrega el factor de consumo de combustible (FCR),
considerado como una función dependiente de la carga, al problema clásico de encaminamiento de
vehículos capacitados (CVRP) para extender los estudios tradicionales sobre CVRP con el objetivo de
minimizar el consumo de combustible. En esta dirección, aplican el modelo de optimización matemática
para caracterizar formalmente el FCR considerando el problema de ruteo de vehículos capacitados CVRP
(FCVRP), así como una versión basada en cadenas para el cálculo. Los resultados de los experimentos
muestran que el modelo FCVRP puede reducir el consumo de combustible un 5 % en promedio en
comparación con el modelo CVRP. Los factores que causan la variación en el consumo de combustible
también se identifican y se discuten en dicho trabajo.
Gupta et al. (2017) presentan en su investigación un algoritmo evolutivo multiobjetivo y
multiatributo que pretende determinar el trayecto más corto para soluciones integrales a las
manifestaciones del mundo real del problema de enrutamiento de vehículos clásicos. Se destaca la
introducción de un marco genérico de optimización que considera una variedad de atributos que
comúnmente ocurren en aplicaciones industriales. Tienen en cuenta restricciones del mundo real como
ventanas de tiempo, demandas simultáneas de recogida y entrega, la utilización de una flota heterogénea
de vehículos, y la heterogeneidad de los niveles de congestión del tráfico en las redes de transporte
urbano. Estos atributos quedan incluidos en el programa multiobjetivo que tiene como objetivo
minimizar el impacto ambiental, al tiempo que se abordan simultáneamente los costos operativos
generales de la solución de enrutamiento y los problemas de calidad del servicio.
El modelo matemático utilizado ayuda a resolver el problema de ruteo verde de vehículos
multiobjetivo y multiatributo. También se considera explícitamente la minimización de emisiones
contaminantes de los vehículos. En particular, la emisión de monóxido de carbono (CO) se tiene en
cuenta debido a su amenaza a largo plazo al medio ambiente, además de su impacto inmediato en la
salud. Sin embargo, se observa que, a pesar del número significativo de publicaciones que existen en el
tema de las VRP de múltiples atributos, la mayoría de estos artículos y trabajos se refieren al caso de la
84
86
Pedro Pablo Ballesteros Silva
optimización de un solo objetivo Vidal et al. (2013) a menudo ignorando el impacto ambiental de las
soluciones de enrutamiento encontradas.
Por lo expuesto anteriormente, se afirma que existen varias formas de encontrar una función que
minimice la emisión de CO2 en el problema de ruteo de vehículos. Entre ellas, se destaca la utilización
de un modelo matemático que aplica una técnica exacta o que emplea la configuración mostrada por la
incumbente, producto del AGCB en este caso. Así, con los parámetros asociados al consumo de
combustible requerido (galones por unidad de distancia recorrida) y emisión de Kg de CO2 por galón de
combustible, se obtiene el total de emisiones de CO2 en la ruta establecida. Por lo anterior, se calcula por
la expresión (72), donde:
Etotal corresponde al total de emisiones en Kg de CO2 en la ruta establecida.
K= {1, 2, …, m} expresa el conjunto de vehículos con capacidad Q.
I= {1, 2, ..., n} expresa el conjunto de clientes.
I+= I È{0}, 0 representa el depósito.
k1 corresponde al parámetro que indica la cantidad promedio de combustible por kilómetro
recorrido.
k2 corresponde al parámetro que indica la cantidad promedio de Kilogramo de CO2 por galón de
combustible.
cij es la matriz de costos de viaje o distancia.
xijk expresa la variable de decisión que es 1 si el vehículo k recorre el arco (i,j) en la ruta
seleccionada o es 0 en cualquier otro caso. De este modo,
%
Etotal= k1*k2*"#$ ∑%∈&,!∈$ ∑"∈$! &!" '!"
(72)
Para la determinación de los parámetros k1 y k2 existen varios informes y documentos que ayudan
en este propósito:
Según Hutton (2002), el combustible diésel estándar produce 2.82 kg de CO2 por litro de diésel y 2.57
kg de CO2 por litro de diésel en azufre.
El Department of the Environment, Transport and Regions ―DETR― (2000) establece que,
utilizando las dos clases de diésel, la cantidad de emisiones es 2.68 Kg de CO2 por litro de combustible
consumido.
Otro documento que trata el tema de la estimación de las emisiones es presentado por el Clean
Air Institute (2013), el cual muestra las metodologías para la estimación de emisiones de transporte
urbano de carga y guías para la recopilación y organización de datos.
El tema de la estimación del consumo de combustible en vehículos de transporte por carretera
85
puede ser la base para otra investigación, asociada a variables como las características del vehículo, carga
transportada y condiciones de la carretera por donde circula, ya que se considera dentro de la estructura
de costos de operación vehicular como una componente variable, representando entre el 20 % y 60 % de
estos costos. Existen métodos directos e indirectos para la determinación del consumo de combustible
con la utilización de algunos modelos predictores, con cierto grado de exactitud, como se puede observar
en el trabajo publicado por Posada Henao y González-Calderon (2013). Estos modelos deben ser
adaptados a las condiciones particulares de cada lugar.
En el documento Los sistemas sostenibles de transporte de mercancías: oportunidades para los
países en desarrollo (2015) se puede apreciar cómo, desde hace un buen tiempo, los sistemas sostenibles
de transporte de mercancías son oportunidades para los países en desarrollo, lo cual, se ha evidenciado
en varios foros mundiales como la «Cumbre para la tierra» de 1992, la «Conferencia de las Naciones
Unidas sobre el Desarrollo Sostenible (Río+20)», la «XIII UNCTAD» y, recientemente, la «Resolución
de la Asamblea General de las Naciones Unidas sobre la contribución de los corredores de transporte y
tránsito a la cooperación internacional para el desarrollo sostenible». En esta dirección, se debe
considerar el trabajo que trata la contaminación en el problema de ruteo de vehículos el cual es presentado
87
por Kumar et al. (2016).
En este estudio, el sector del transporte por carretera se ha comprometido de manera específica y
puede ser la base para otra investigación, asociada a variables como las características del vehículo, carga
transportada y condiciones de la carretera por donde circula, ya que se considera dentro de la estructura
de costos de operación vehicular como una componente variable, representando entre el 20 % y 60 % de
estos costos. Existen métodos directos e indirectos para la determinación del consumo de combustible
con la utilización de algunos modelos predictores, con cierto grado de exactitud, como se puede observar
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
en elnueva
trabajo
publicado por Posada Henao y González-Calderon (2013). Estos modelos deben ser
Una
matheurística
adaptados a las condiciones particulares de cada lugar.
En el documento Los sistemas sostenibles de transporte de mercancías: oportunidades para los
países en desarrollo (2015) se puede apreciar cómo, desde hace un buen tiempo, los sistemas sostenibles
de transporte de mercancías son oportunidades para los países en desarrollo, lo cual, se ha evidenciado
en varios foros mundiales como la «Cumbre para la tierra» de 1992, la «Conferencia de las Naciones
Unidas sobre el Desarrollo Sostenible (Río+20)», la «XIII UNCTAD» y, recientemente, la «Resolución
de la Asamblea General de las Naciones Unidas sobre la contribución de los corredores de transporte y
tránsito a la cooperación internacional para el desarrollo sostenible». En esta dirección, se debe
considerar el trabajo que trata la contaminación en el problema de ruteo de vehículos el cual es presentado
por Kumar et al. (2016).
En este estudio, el sector del transporte por carretera se ha comprometido de manera específica y
oluntaria a mejorar la infraestructura, y utilizar tecnologías y llevar a cabo prácticas innovadoras (por
ejemplo, inversiones en tecnologías innovadoras de motores y vehículos, formación de conductores e
ideas logísticas innovadoras) con el propósito de reducir las emisiones de CO2 en un 30 % para 2030.
Por su parte, la investigación de Ubeda et al. (2011), a través de un estudio de caso trata la importancia
de la logística verde en el problema de transporte.
El sector del transporte en 2012 generó alrededor del 25 % de las emisiones mundiales de dióxido
de carbono (CO2), procedentes del uso de combustibles. Se estima que dichas emisiones se incrementen
un 1.7% anual hasta 2030. Más del 80 % del aumento estimado ocurriría en los países en desarrollo y
mayor parte de las emisiones serían generadas por el transporte terrestre.
Se calcula que las emisiones generales de CO procedentes del transporte internacional
relacionado con el comercio, se multipliquen por un factor de 3.9 entre 2010 y 2050. Las proyecciones
de las emisiones de CO2 del transporte por carretera y por ferrocarril indican unos aumentos del 240 %
y del 600 %.
La discusión sobre la energía, el transporte y la sostenibilidad está relacionado con el debate
actual sobre cómo afrontar los imperativos del desarrollo sostenible y el cambio climático. Una de las
principales preocupaciones es el impacto negativo del consumo de petróleo en el medio ambiente, en
particular, la contaminación del aire y las emisiones de gases de efecto invernadero. Por lo tanto,
86
mantener los combustibles fósiles y las tecnologías conexas en los sistemas de transporte de mercancías
convertirán los sistemas de transporte en insostenibles y frustrará los esfuerzos por mantener las
emisiones de carbono a niveles manejables.
No obstante, como ejemplo la Iniciativa del Transporte Ecológico de Mercancías de China de
2012 que implementó un programa nacional con el objetivo de lograr un uso más eficiente del
combustible, reducir las emisiones de CO2 y de contaminantes del aire procedentes del transporte de
mercancías por carretera, y adoptar tecnologías más limpias y sistemas más inteligentes de gestión del
transporte.
El documento de Clean Air Institute (2013) hace una importante contribución al transporte de
mercancías en las zonas urbanas que está relacionado directamente con la actividad económica de las
regiones. Se afirma que, al incrementar la actividad económica de las zonas urbanas, la utilización de
combustibles para el sector-transporte. Lo anterior, en el proceso de combustión, genera una serie de
subproductos con implicaciones en salud pública o en el cambio climático (gases de efecto invernadero
―GEI― o contaminantes climáticos de vida corta). En términos generales, el transporte de carga a nivel
urbano genera una mayor cantidad de emisiones que el transporte de carga interurbano porque se utilizan
vehículos más pequeños y antiguos que, además, circulan a menor velocidad, con aceleración y frenado
constante.
Por lo anterior, la estimación de emisiones de CO2 del transporte de carga a nivel urbano requiere
de información y metodologías que contemplen las particularidades del sector de forma específica. Esta,
tanto en Colombia como en Latinoamérica, es muy escasa. El documento presenta las metodologías
principales para la estimación de emisiones y para construir unas recomendaciones sobre las formas de
recopilar información con miras a futuras evaluaciones de transporte de carga en zonas urbanas.
88
En el mismo documento se hace referencia a los objetivos secundarios, a saber:
regiones. Se afirma que, al incrementar la actividad económica de las zonas urbanas, la utilización de
combustibles para el sector-transporte. Lo anterior, en el proceso de combustión, genera una serie de
subproductos con implicaciones en salud pública o en el cambio climático (gases de efecto invernadero
―GEI― o contaminantes climáticos de vida corta). En términos generales, el transporte de carga a nivel
urbano genera una mayor cantidad de emisiones que el transporte de carga interurbano porque se utilizan
Pedro Pablo Ballesteros Silva
vehículos más pequeños y antiguos que, además, circulan a menor velocidad, con aceleración y frenado
constante.
Por lo anterior, la estimación de emisiones de CO2 del transporte de carga a nivel urbano requiere
de información y metodologías que contemplen las particularidades del sector de forma específica. Esta,
tanto en Colombia como en Latinoamérica, es muy escasa. El documento presenta las metodologías
principales para la estimación de emisiones y para construir unas recomendaciones sobre las formas de
recopilar información con miras a futuras evaluaciones de transporte de carga en zonas urbanas.
En el mismo documento se hace referencia a los objetivos secundarios, a saber:
•
•
•
•
Recopilar los procedimientos disponibles para la medición de emisiones provenientes del
transporte de carga a nivel urbano, en especial, en América Latina.
Identificar la información requerida para la realización de estas estimaciones.
Identificar y documentar las herramientas existentes para la medición de emisiones de transporte
de carga urbano de flotas de camiones y su capacidad para evaluar el impacto que diferentes
políticas logran.
Presentar una guía para la recopilación y generación de información necesaria para evaluar los
impactos de intervenciones sobre transporte de carga en emisiones de CO2 en zonas urbanas, en
Latinoamérica.
Los vehículos impulsados por motores de combustión interna producen en general tres tipos de
87
emisiones de contaminantes: evaporativas de combustión, y de desgaste de frenos y llantas. Las
emisiones liberadas a través del tubo de escape son el producto de la combustión de combustibles fósiles
y comprende, la generación de una serie de contaminantes criterio y GEI.
Los contaminantes criterio (ozono, monóxido de carbono, partículas suspendidas totales, plomo,
dióxido de azufre y óxidos de nitrógeno) que son emitidos, incluyen:
•
Partículas suspendidas con diámetros aerodinámicos menores a 10 y 2.5 micrómetros (PM10,
PM2.5).
•
Monóxido de carbono (CO).
•
Dióxido de azufre (SO2).
•
Óxidos de nitrógeno (NOx).
•
Compuestos orgánicos volátiles (COV).
Las emisiones de GEI atribuibles a la utilización de combustibles fósiles han demostrado una
contribución directa al incremento de la temperatura regional en proporciones mayores a las que se
habrían presentado de forma natural. De estas, las más relevantes que se derivan del sector transporte
son:
•
•
•
Dióxido de carbono (CO2).
Metano (CH4).
Óxido nitroso (N2O).
La estimación de emisiones por distancia recorrida se determina por la ecuación (73):
Donde:
mm3I3JK = ∑%∈& fg% ∗ -Tg% ∗ ng% ∗ n+%
(73)
EEtotal = Estimación de emisiones por distancia recorrida.
CVk = Consumo promedio de combustible del tipo de vehículo k (unidad de volumen/unidad de
distancia).
KRVk = Distancia recorrida por el tipo de vehículo k en un periodo determinado (unidad de
distancia/ unidad de tiempo).
FVk = Flota vehicular del tipo de vehículo k (número de vehículos).
FIk = Factor de intensidad del vehículo k (unidad de masa / unidad volumétrica).
89
88
2
•
•
Metano (CH4).
Óxido nitroso (N2O).
La estimación de emisiones por distancia recorrida se determina por la ecuación (73):
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Donde:
mm3I3JK = ∑%∈& fg% ∗ -Tg% ∗ ng% ∗ n+%
(73)
EEtotal = Estimación de emisiones por distancia recorrida.
CVk = Consumo promedio de combustible del tipo de vehículo k (unidad de volumen/unidad de
distancia).
KRVk = Distancia recorrida por el tipo de vehículo k en un periodo determinado (unidad de
distancia/ unidad de tiempo).
FVk = Flota vehicular del tipo de vehículo k (número de vehículos).
FIk = Factor de intensidad del vehículo k (unidad de masa / unidad volumétrica).
Al igual que la ecuación para la determinación de emisiones de los contaminantes locales, las
emisiones totales estarán determinadas por el tipo de vehículo, el factor de emisión y la flota vehicular.
88
La variable «energía» depende tanto de la edad del vehículo como del tipo de vehículo, incluyendo sus
características tecnológicas.
Para la aplicación de la anterior ecuación para la estimación de emisiones de CO2, se necesitan
los siguientes datos básicos:
•
•
•
Características de la flota vehicular.
Actividad vehicular.
Factores de emisión.
Las características de la flota vehicular incluyen información sobre el tipo de vehículo (liviano o
pesado), año-modelo, tamaño de motor, tipo de combustible y tecnología de control de emisiones.
Para la actividad vehicular, se estima el recorrido anual promedio por vehículo, por tipo o clase
y se multiplica por el número total de vehículos de ese tipo.
Para el factor de emisión (FE) de contaminantes-criterio se tiene en cuenta que la cantidad y el
tipo de contaminantes emitidos mediante el tubo de escape de los vehículos automotores depende de
diferentes factores, como características tecnológicas, sistemas de control de emisiones, mantenimiento,
distancia recorrida, características del combustible (presión de vapor y contenido de azufre), y
condiciones fisiográficas de la zona, como la altura sobre el nivel del mar, tipo de vías, temperatura y
humedad.
La consecución de la información de estos datos básicos requiere un trabajo de campo y la
aplicación de métodos directos e indirectos que demandan mucho esfuerzo y tiempo, porque la mayor
parte de esta información se debe recolectar, tabular y analizar.
Para complementar lo anterior, se diseña una matriz de impacto ambiental que modifica la matriz
original de distancias, incorporando las pendientes de las vías, la clase de combustible y la carga
transportada, entre otras. Al respecto, se deben considerar los siguientes criterios de ponderación:
Factor de impacto ambiental mayor que 1: se aplica cuando el vehículo hace un recorrido en
subida en el arco (i, j). En este orden de ideas, se deben considerar los aspectos enunciados en el párrafo
anterior, los cuales hacen que el esfuerzo del motor sea mayor y, por lo tanto, hay más generación de
CO2 (cuando existe combustión completa del combustible). Por ejemplo, si el vehículo recorre una
carretera en ascenso bien pavimentada hace menos esfuerzo que recorrer la misma carretera destapada
en subida porque la potencia demandada sobre el motor es mayor y, por consiguiente, presenta una mayor
emisión de CO2.
89
Factor de impacto ambiental igual a 1: se aplica cuando el vehículo hace un recorrido en terreno
plano en el arco (i, j). En este orden de ideas, se deben considerar el esfuerzo del motor es normal lo
mismo que la emisión de CO2.
Factor de impacto ambiental menor que 1:
90se aplica cuando el vehículo hace un recorrido en
descenso en el arco (i, j), hay menos esfuerzo del motor y menos emisión de CO2.
Con estos criterios se construye la matriz de impacto ambiental que junto con la matriz original
Pedro Pablo Ballesteros Silva
en subida porque la potencia demandada sobre el motor es mayor y, por consiguiente, presenta una mayor
emisión de CO2.
Factor de impacto ambiental igual a 1: se aplica cuando el vehículo hace un recorrido en terreno
plano en el arco (i, j). En este orden de ideas, se deben considerar el esfuerzo del motor es normal lo
mismo que la emisión de CO2.
Factor de impacto ambiental menor que 1: se aplica cuando el vehículo hace un recorrido en
descenso en el arco (i, j), hay menos esfuerzo del motor y menos emisión de CO2.
Con estos criterios se construye la matriz de impacto ambiental que junto con la matriz original
de distancias genera la matriz de distancias modificada, la cual será utilizada en el algoritmo genético de
Chu-Beasley.
Según Salazar Marín et al. (2016), en el análisis estático y dinámico de los vehículos existen
fuerzas que afectan su movimiento. En este sentido, se deben tener en cuenta los siguientes conceptos:
cargas debidas al peso y centro de gravedad, cargas resistivas del vehículo en movimiento (fuerza debida
a la pendiente, fuerza debida a la rodadura, fuerza por efectos aerodinámicos y fuerza de tracción). Con
el análisis de las resistivas, se puede determinar la potencia requerida de la unidad motora en función de
todos los parámetros de carga involucrados.
90
91
3
CAPÍTULO
TRES
Pedro Pablo Ballesteros Silva
CAPÍTULO TRES
Experimentos computacionales
EXPERIMENTOS COMPUTACIONALES
Los modelos matemáticos, que se han utilizados en este libro, se implementaron en C++ y en GAMS
(GAMS Development, 2002) y han sido resueltos con el software CPLEX 12.5, empleando tres
computadores con las características descritas en la TABLA NRO. 7:
Lenovo B40 Laptop
Dell Latitude E6500 Laptop
Lenovo Personal Computer
• Intel processor core (TM)
1.70 GHz – 2.40 GHz x4.
• RAM memory: 4.00 GB
• 64 bits OS.
• Intel
processor
core • Intel Processor Core (TM)
(TM)2 Duo 2.80 GHz – 2.80 3.00 GHz – 3.00 GHz x4.
GHz.
• RAM memory: 8.00 GB
• RAM memory: 4.00 GB
• 64 bits OS.
• 64 bits OS.
TABLA NRO. 7. Características de los computadores utilizados.
Elaboración propia.
En la literatura asociada al VRPSPD se conocen tres clases de problemas de prueba: Dethloff
(2001) propuso 40 instancias de referencia con 50 clientes y la cantidad de vehículos fueron 4, 9 y 10;
Salhi y Nagy (1999) trabajaron 14 instancias, la cantidad de clientes estuvo en el rango 50-199 y los
vehículos empleados fueron 3, 4, 5, 6, 7 y 10; y Montané y Galvão (2006) utilizaron 12 instancias con
100-200 clientes y la cantidad de vehículos fueron 3, 5, 9, 10, 12, 16, 23, y 28. Los tres emplearon un
solo depósito.
A continuación, se muestran los resultados obtenidos aplicando el modelo matemático con algunas de
las instancias de Dethloff (2001).
3.1.
Resultados con técnicas exactas
El modelo matemático utilizado en todas las pruebas realizadas fue propuesto por Dell’Amico et al.
(2006) y aplicado por Subramanian et al. (2010). Su descripción se encuentra en el numeral 1.4.1. de este
91
libro.
3.1.1. Para un depósito un vehículo y doce clientes
Los datos se encuentran en las tablas nro.5 y 6.
95
Solución obtenida utilizando el software GAMS: 369 unidades de longitud.
Tiempo de ejecución: 0.010 segundos.
Ruta: depósito®1®8®9®10®11®12®5®7®6®3®4®2®depósito.
El modelo
en todas
las pruebas
realizadas
propuestosimultáneas
por Dell’Amico et al.
Solución
delmatemático
problema deutilizado
enrutamiento
de vehículos
con
entregas fue
y recogidas
(2006)
y aplicado
por Subramanian et al. (2010). Su descripción se encuentra en el numeral 1.4.1. de este
Una
nueva
matheurística
libro.
3.1.1. Para un depósito un vehículo y doce clientes
Los datos se encuentran en las tablas nro.5 y 6.
Solución obtenida utilizando el software GAMS: 369 unidades de longitud.
Tiempo de ejecución: 0.010 segundos.
Ruta: depósito®1®8®9®10®11®12®5®7®6®3®4®2®depósito.
Esta ruta se muestra en la FIGURA NRO. 10.
1
19
2
47
14
18
4
Depósito
59
43
17
3
8
6
71
9
5
15
12
11
10
18
16
11
21
7
Distancia recorrida: 369 unidades de longitud
FIGURA NRO. 10. Ruta para doce clientes obtenida con GAMS.
Elaboración propia.
En todas las tablas donde se relaciona la función objetivo, ésta está expresada en unidades de
longitud.
3.1.2. Para un depósito, tres vehículos y doce clientes
Los datos se encuentran en las tablas nro. 5 y 6.
Solución obtenida utilizando el software GAMS: 549 unidades de longitud.
Tiempo de ejecución= 25.43 segundos.
Rutas:
Para el vehículo 1:
Depósito®6®7®5®4®depósito.
Distancia vehículo 1: 259 unidades de longitud.
Para el vehículo 2:
Depósito®9®10®12®11®8®depósito.
Distancia vehículo 2: 155 unidades de longitud.
Para el vehículo 3:
Depósito®1®2®3®depósito.
Distancia vehículo 3: 135 unidades de longitud.
96
Estas rutas se grafican en la FIGURA NRO. 11:
92
Depósito®6®7®5®4®depósito.
Distancia vehículo 1: 259 unidades de longitud.
Para el vehículo 2:
Depósito®9®10®12®11®8®depósito.
Distancia vehículo 2: 155 unidades de longitud.
Pedro Pablo Ballesteros Silva
Para el vehículo 3:
Depósito®1®2®3®depósito.
Distancia vehículo 3: 135 unidades de longitud.
Estas rutas se grafican en la FIGURA NRO. 11:
FIGURA NRO. 11. Rutas de los tres vehículos, doce clientes.
Elaboración propia.
93
3.1.3. Para un depósito, cuatro vehículos, treinta y cincuenta clientes
Aquí, se muestran los resultados para cuatro vehículos y treinta clientes, utilizando el software GAMS.
Los datos de las cantidades que se deben entregar y las que se deben recoger corresponden a los de la
instancia SCA 3-0 modificada.
Los resultados son:
Solución obtenida utilizando el software GAMS: 1,328,60 unidades de longitud.
Tiempo de ejecución= 983.98 segundos.
La gráfica de las rutas puede observarse en la FIGURA NRO. 12:
94
97
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
FIGURA NRO. 12. Rutas de los tres vehículos para treinta clientes y un depósito.
Elaboración propia.
En la FIGURA NRO. 12 no existen subtours y en cada ruta se comprobó que la carga entregada y
recogida no excede la capacidad de los vehículos, lo que constituye una prueba de consistencia del
modelo matemático utilizado.
Rutas:
Para el vehículo 1:
Depósito®6®5®12®30®19®1®21®4®28®7®25®22®14®23®20®29®depósito.
Distancia: 612.33 unidades de longitud.
Para el vehículo 2:
Depósito®26®3®10®depósito.
Distancia: 218.73 unidades de longitud.
Para el vehículo 3:
Depósito®15®16®3®8®27®2®18®11®9®24®17®depósito.
Distancia: 497.54 unidades de longitud.
95
Para el caso de los cincuenta clientes, se utilizaron las instancias de Dethloff (2001) disponibles
SCA 3-0 a SCA 3-9 para cuatro vehículos, cuyos resultados se muestran en la TABLA NRO.8:
Instancia
/clientes
SCA 3-0/50
SCA-3-1/50
SCA-3-2/50
SCA 3-3/50
SCA 3-4/50
SCA 3-5/50
SCA 3-6/50
SCA-3-7/50
SCA-3-8/50
SCA 3-9/50
Número de
vehiculos
4
4
4
4
4
4
4
4
4
4
Valor
Valor obtenido Mejor limite
reportado
635.62
636.09
615.73
697.84
697.83
681.32
659.34
659.33
658.09
680.04
680.03
669.42
690.50
690.48
690.33
659.90
659.91
647.48
639.97
651.11
650.91
659.17
659.18
659.01
703.12
719.50
709.93
681.00
681.02
677.87
98
Gap(%)
0.032
0.024
0.002
0.016
0.000
0.019
0.000
0.000
0.013
0.005
Tiempo de
proceso (min)
11 426.53
7 219.30
17.44
2 268.28
41 270.34
12 622.6
4 510.52
2 913.13
20 286.35
23 133.36
TABLA NRO. 8. Resultados obtenidos con la aplicación del modelo matemático con instancias SCA.
Adaptado de Dethloff (2001).
Depósito®15®16®3®8®27®2®18®11®9®24®17®depósito.
Distancia: 497.54 unidades de longitud.
Pedro Pablo Ballesteros Silva
Para el caso de los cincuenta clientes, se utilizaron las instancias de Dethloff (2001) disponibles
SCA 3-0 a SCA 3-9 para cuatro vehículos, cuyos resultados se muestran en la TABLA NRO.8:
Instancia
/clientes
SCA 3-0/50
SCA-3-1/50
SCA-3-2/50
SCA 3-3/50
SCA 3-4/50
SCA 3-5/50
SCA 3-6/50
SCA-3-7/50
SCA-3-8/50
SCA 3-9/50
Número de
vehiculos
4
4
4
4
4
4
4
4
4
4
Valor
Valor obtenido Mejor limite
reportado
635.62
636.09
615.73
697.84
697.83
681.32
659.34
659.33
658.09
680.04
680.03
669.42
690.50
690.48
690.33
659.90
659.91
647.48
639.97
651.11
650.91
659.17
659.18
659.01
703.12
719.50
709.93
681.00
681.02
677.87
Gap(%)
0.032
0.024
0.002
0.016
0.000
0.019
0.000
0.000
0.013
0.005
Tiempo de
proceso (min)
11 426.53
7 219.30
17.44
2 268.28
41 270.34
12 622.6
4 510.52
2 913.13
20 286.35
23 133.36
TABLA NRO. 8. Resultados obtenidos con la aplicación del modelo matemático con instancias SCA.
Adaptado de Dethloff (2001).
En la primera columna se encuentra el nombre de la instancia con la cantidad de clientes. El
número de vehículos se relaciona en la columna 2. Para estas instancias, los valores obtenidos (columna
4) con la aplicación del modelo matemático están muy cerca de los valores reportados por Subramanian
(2012), como se puede observar en la columna 3.
En algunos casos, la variación es de una centésima como en las instancias SCA 3-1, SCA 3-2,
SCA 3-3, SCA 3-5, SCA 3-7; en otros, la diferencia es de 2 centésimas (SCA 3-4, SCA 3-9). En las
instancias SCA 3-0, SCA 3-6, SCA 3-8 la diferencia es mayor, pero de todas formas es una buena
solución. Con el modelo matemático propuesto, se obtuvieron cuatro resultados que superaron los valores
reportados por Subramanian (2012) en las instancias SCA 3-1, SCA 3-2, SCA 3-3 y SCA 3-4.
El GAP, que se muestra en la columna 6 es la variación porcentual entre el valor obtenido menos
el mejor límite (columna 5) sobre el valor obtenido. El GAP entre más se acerque a 0, indica que la
solución converge a su valor óptimo.
Es de anotar que el tiempo total de proceso para estas 10 instancias fue de 2094.46 horas. (ver
columna 7).
96
99
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
3.1.4. Para un depósito, k vehículos y n clientes
Para estas pruebas, se utilizaron las instancias CON 3-0 a CON 3-9; CON 8-1, CON 8-4 y CON 8-7 de
Dethloff (2001). Los resultados obtenidos se presentan en la TABLA NRO. 9:
Instancia/
clientes
CON 3-0/50
CON 3-1/50
CON 3-2/50
CON 3-3/50
CON 3-4/50
CON 3-5/50
CON 3-6/50
CON 3-7/50
CON 3-8/50
CON 3-9/50
CON 8-1/50
CON 8-4/50
CON 8-7/50
Número de
Valor
vehículos reportado
4
4
4
4
4
4
4
4
4
4
9
9
9
616.46
554.47
514.11
591.19
588.47
563.70
493.01
576.48
523.05
578.25
732.44
759.11
800.22
Valor
obtenido
Mejor
límite
Gap (%)
616.50
554.45
518.02
591.20
597.83
563.67
499.07
576.48
523.08
578.25
740.83
772.19
814.50
610.14
550.89
507.16
590.52
570.92
553.04
499.02
563.61
523.02
578.15
725.26
753.61
779.16
1.03%
0.64%
2.10%
0.11%
4.50%
1.89%
0.01%
2.23%
0.01%
0.02%
2.10%
2.41%
4.34%
Tiempo de
proceso (s)
75 340.23
80 223.30
273 301.27
2612.47
355.07
12 401.78
573 120.47
308 797.80
96 850.82
145 572.79
236 145.09
374 079.85
1 374 631.12
Tiempo de
proceso
(min)
1255.67
1337.06
4555.02
43.54
5.92
206.70
9552.01
5146.63
1614.18
2426.21
3935.75
6234.66
22 910.52
TABLA NRO. 9. Resultados obtenidos con la aplicación del modelo matemático con instancias CON.
Adaptado de Dethloff (2001).
Tal como se describió en la sección anterior, en la primera columna, se ubica el nombre de la
instancia con la cantidad de clientes. La cantidad de vehículos se relaciona en la columna 2. Los valores
reportados se observan en la columna 3.
En la columna 4 se relacionan los valores obtenidos con la aplicación del modelo matemático,
propuesto por Dell’Amico et al. (2006) que se pueden comparar con los valores reportados en la columna
3 (Subramanian, 2012). Nótese que no hay diferencias significativas. Por el contrario, hay valores
obtenidos, muy cercanos a los valores reportados, lo cual indica un buen desempeño del algoritmo, como
puede observarse en las instancias CON 3-1/50, CON 3-3/50, CON 3-5/50, CON 3-7/50, CON 3-8/50,
CON 3-9/50, donde la diferencia entre el valor reportado y el valor obtenido, en algunos casos, es de 0 y
en otros es de 1, 2 o 3 centésimas. Con el modelo matemático propuesto, se obtuvieron 2 resultados que
superaron los valores reportados por Subramanian (2012) en las instancias CON 3-1, CON 3.5 y en 2
instancias los resultados fueron idénticos: CON 3-7 y CON 3-9.
El GAP, que se muestra en la columna 6 es la variación porcentual entre el valor obtenido menos
el mejor límite (columna 5) sobre el valor obtenido. El GAP, entre más se acerque a 0, indica que la
solución converge a su valor óptimo.
97
El tiempo total de proceso para estas 13 instancias fue de 987.06 horas. (Columna 7). El tiempo
total de procesamiento para las 23 instancias suma 3098.50 horas.
3.2.
Resultados de la implementación del algoritmo genético de Chu-Beasley
Para estos experimentos se aplicó el algoritmo genético de Chu y Beasley (1997), descrito en el numeral
1.4.2.3., y el modelo matemático utilizado es con un depósito, varios vehículos-muchos clientes; el cual
fue propuesto Dell’Amico et al. (2006), descrito en la sección 1.4.1.1. de este libro. De sus aplicaciones,
se obtuvieron los siguientes resultados:
3.2.1. Resultados de la implementación del algoritmo genético de Chu-Beasley para un depósito,
un vehículo y cuatro clientes
Se consideraron los siguientes parámetros:
Capacidad del vehículo = 270 unidades.
Para el ensayo uno:
100
Para
el ensayo dos:
Tasa de recombinación: 0.80.
Tasa de mutación: 0.01.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.01.
total de procesamiento para las 23 instancias suma 3098.50 horas.
3.2.
Resultados de la implementación del algoritmo genético de Chu-Beasley
Para estos experimentos se aplicó el algoritmo genético de Chu y Beasley (1997), descrito en el numeral
Pedro Pablo Ballesteros
1.4.2.3., y el modelo matemático utilizado es con un depósito, varios vehículos-muchos
clientes; elSilva
cual
fue propuesto Dell’Amico et al. (2006), descrito en la sección 1.4.1.1. de este libro. De sus aplicaciones,
se obtuvieron los siguientes resultados:
3.2.1. Resultados de la implementación del algoritmo genético de Chu-Beasley para un depósito,
un vehículo y cuatro clientes
Se consideraron los siguientes parámetros:
Capacidad del vehículo = 270 unidades.
Para el ensayo uno:
Para el ensayo dos:
Tasa de recombinación: 0.80.
Tasa de mutación: 0.01.
Población k: 300 configuraciones.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.01.
Población k: 500 configuraciones.
Para el ensayo tres:
Para el ensayo cuatro:
Tasa de recombinación: 1.0
Tasa de mutación: 0.01
Población k: 500 configuraciones.
Tasa de recombinación: 0.80.
Tasa de mutación: 0.05.
Población k: 1 000 configuraciones.
Para el ensayo cinco:
Tasa de recombinación: 0.90.
Tasa de mutación: 0.05
Población k: 2 000 configuraciones.
En la TABLA NRO. 10 se presentan los resultados y las rutas. La matriz de distancias para un depósito,
cuatro clientes y un vehículo con di (cantidad de mercancía para entregar) y pi (cantidad de mercancía
para recoger).
Resultados
Ensayos
1
2
3
4
5
AGCB
Unidades de
longitud
31.30
31.30
31.30
31.30
31.30
Tiempo de
proceso(ms)
0.0
9.0
10.0
30.0
63.0
Método exacto
Unidades de
longitud
31.30
31.30
31.30
31.30
31.30
Rutas
98
Dep®1®2®3®4®dep
Dep®1®2®3®4®dep
Dep®1®2®3®4®dep
Dep®1®2®3®4®dep
Dep®1®2®3®4®dep
TABLA NRO. 10. Resultados del AGCB para un depósito, un vehículo y cuatro clientes.
Elaboración propia.
Como puede observarse, hay coincidencia de resultados entre AGCB y el método exacto, para
este caso, porque es un problema pequeño. Los tiempos de cómputo varían en cada ensayo dependiendo
del número total de configuraciones que hacen parte de la población inicial. A medida que aumenta el
número de configuraciones, incrementa el tiempo de procesamiento en el algoritmo genético de Chu y
Beasley (1997). Las variaciones de las tasas de mutación y de recombinación no afectan el tiempo de
proceso del AGCB. El tiempo de procesamiento en GAMS para el método exacto es de 10 milisegundos
(ms). Se puede observar en este caso que, para problemas pequeños, el tiempo de procesamiento del
método exacto es mayor que el tiempo de ejecución del AGCB en los ensayos 1, 2 y 3.
3.2.2. Resultados de la implementación del algoritmo genético de Chu-Beasley para un depósito,
un vehículo y doce clientes.
Los parámetros para este escenario son:
Capacidad del vehículo = 3600 unidades
101
El tamaño de la población es de 100 configuraciones.
Se hacen tres ensayos con diferentes ciclos generacionales, como se relaciona a continuación:
este caso, porque es un problema pequeño. Los tiempos de cómputo varían en cada ensayo dependiendo
del número total de configuraciones que hacen parte de la población inicial. A medida que aumenta el
número de configuraciones, incrementa el tiempo de procesamiento en el algoritmo genético de Chu y
Beasley (1997). Las variaciones de las tasas de mutación y de recombinación no afectan el tiempo de
proceso del
El tiempo
de procesamiento
en GAMS
para el método
exacto
es de 10 milisegundos
Solución
delAGCB.
problema
de enrutamiento
de vehículos
con entregas
y recogidas
simultáneas
(ms).nueva
Se puede
observar en este caso que, para problemas pequeños, el tiempo de procesamiento del
Una
matheurística
método exacto es mayor que el tiempo de ejecución del AGCB en los ensayos 1, 2 y 3.
3.2.2. Resultados de la implementación del algoritmo genético de Chu-Beasley para un depósito,
un vehículo y doce clientes.
Los parámetros para este escenario son:
Capacidad del vehículo = 3600 unidades
El tamaño de la población es de 100 configuraciones.
Se hacen tres ensayos con diferentes ciclos generacionales, como se relaciona a continuación:
Ensayo uno: contiene 794 ciclos generacionales de los que se toman los resultados de las
generaciones 44, 194, 344, 494, 644 y 794 para evaluar el comportamiento de la incumbente. La tasa de
recombinación aplicada es 1.0 y la tasa de mutación es 0.01 (ver TABLA NRO. 11).
El tiempo de procesamiento se expresa en milisegundos. En la última columna se muestra la
variación porcentual entre los resultados del método exacto menos el valor del AGCB sobre el método
exacto. Las rutas para el ensayo 1 se relacionan en la TABLA NRO. 12:
Ensayo
Generación
1
794
644
494
344
194
44
Resultados
AGCB (*) Metódo exacto(*) Tiempo(ms) Variación %
369
369
15 554
0,00%
372
6 760
372
4 079
372
1 540
372
902
372
340
99
TABLA NRO. 11. Resultados del AGCB para un depósito, un vehículo y doce clientes. ensayo uno.
Elaboración propia.
(*): Unidades de longitud.
En el numeral 3.1.1. se muestran los resultados del método exacto para un depósito, un vehículo
y doce clientes y un tiempo de ejecución de 0.010 segundos (10 ms). En este caso, se obtuvo la misma
respuesta con AGCB.
Ensayo
1
Generación
744
644
494
344
194
44
Rutas
Dep®1®8®9®10®11®12®5®7®6®3®4®2®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
TABLA NRO. 12. Rutas del ensayo uno.
Elaboración propia.
Ensayo dos: contiene 889 ciclos generacionales y se relacionan los resultados de las generaciones
148, 296, 444, 592, 740 y 889 para evaluar el comportamiento de la incumbente. Se utilizó una tasa de
recombinación de 0.90 y la tasa de mutación es 0.01 (ver TABLA NRO. 13).
En este ensayo con el AGCB se obtuvo la misma respuesta que el método exacto en un tiempo
de 6,916 ms que es mayor que el tiempo del método exacto (10 ms) ―ver numeral 3.1.1.―.
Las rutas del ensayo dos se presentan en la TABLA NRO. 14:
102
100
Pedro Pablo Ballesteros Silva
Ensayo
Generación
2
889
740
592
444
296
148
Resultados
AGCB(*) Metódo exacto(*) Tiempo(ms) Variación %
369
369
6 916
0.00%
372
1 349
372
799
372
616
372
425
372
256
TABLA NRO. 13. Resultados del AGCB para un depósito, un vehículo y 12 clientes. Ensayo dos.
Elaboración propia
(*): Unidades de longitud.
Ensayo
Generación
889
740
592
444
296
148
2
Rutas
Dep®1®8®9®10®11®12®5®7®6®3®4®2®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
TABLA NRO. 14. Rutas del ensayo dos.
Elaboración propia.
Ensayo tres contiene 611 ciclos generacionales y se toman los resultados de las generaciones 106,
207, 308, 409, 510 y 611 para conocer el comportamiento de la incumbente. Se utilizó una tasa de
recombinación de 0.80 y la tasa de mutación es 0.05 (ver TABLA NRO. 15).
Ensayo
Generación
3
611
510
409
308
207
106
Resultados
AGCB
Metódo exacto Tiempo(ms) Variación %
369
369
124 664
0.00%
369
892
369
777
372
614
372
466
372
272
TABLA NRO. 15. Resultados del AGCB para un depósito, un vehículo y doce clientes para ensayo tres.
Elaboración propia.
En este ensayo las soluciones con valor de 369, obtenidas con el AGCB, coinciden con las del
método exacto, con tiempos de ejecución de 124.66 s frente a 10 ms del exacto. En este caso, el tiempo
de procesamiento del AGCB es mayor que la técnica exacta. Las soluciones del AGCB son factibles
101
(ver numeral 3.1.1.).
Las rutas del ensayo tres se encuentran en la TABLA NRO. 16.
Ensayo
3
Generación
611
510
409
308
207
106
Rutas
Dep®1®8®9®10®11®12®5®7®6®3®4®2®dep.
Dep®1®8®9®10®11®12®5®7®6®3®4®2®dep.
Dep®1®8®9®10®11®12®5®7®6®3®4®2®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
TABLA NRO. 16. Rutas del ensayo tres.
Elaboración propia.
La diferencia entre los tres ensayos radica en la cantidad de ciclos generacionales y en el tiempo
103
de procesamiento del AGCB. En los tres ensayos,
el algoritmo converge con la misma solución: 369
unidades de longitud, la cual coincide con el resultado de la heurística constructiva del vecino más
cercano, descrita en el numeral 2.1.1. de este libro.
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
de
del AGCB es mayor que la técnica exacta. Las soluciones del AGCB son factibles
Unaprocesamiento
nueva matheurística
(ver numeral 3.1.1.).
Las rutas del ensayo tres se encuentran en la TABLA NRO. 16.
Ensayo
3
Generación
611
510
409
308
207
106
Rutas
Dep®1®8®9®10®11®12®5®7®6®3®4®2®dep.
Dep®1®8®9®10®11®12®5®7®6®3®4®2®dep.
Dep®1®8®9®10®11®12®5®7®6®3®4®2®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
Dep®1®8®9®10®11®12®5®7®6®3®2®4®dep.
TABLA NRO. 16. Rutas del ensayo tres.
Elaboración propia.
La diferencia entre los tres ensayos radica en la cantidad de ciclos generacionales y en el tiempo
de procesamiento del AGCB. En los tres ensayos, el algoritmo converge con la misma solución: 369
unidades de longitud, la cual coincide con el resultado de la heurística constructiva del vecino más
cercano, descrita en el numeral 2.1.1. de este libro.
3.2.3. Resultados de la implementación del algoritmo genético de Chu-Beasley-AGCB para un
depósito, cuatro vehículos y cincuenta clientes sin impacto ambiental
Para estas pruebas se utilizaron las instancias disponibles de Dethloff (2001) para un solo depósito
son a saber:
Las instancias de Dethloff (2001) incluyen el número de clientes y el depósito, la matriz de
distancias, la cantidad del producto que se va a entregar y la cantidad de producto que se va a recoger:
SCA 3-0 a SCA 3-9 para 4 vehículos y 50
clientes.
CON 3-0 a CON 3-9 para 4 vehículos y 50
clientes.
SCA 8-0 a SCA 8-9 para 9 vehículos y 50
clientes.
CON 8-0 a SCA 8-9 para 9 vehículos y 50
clientes.
Las pruebas experimentales en esta sección se realizaron en la instancia SCA 3-0 para 4 vehículos
y 50 clientes. Aquellas fueron propuestas por Dethloff (2001) para ajustar la parametrización del AGCB.
3.2.3.1 Ensayos variando el tamaño de la población, dejando constantes las tasas de recombinación y
de mutación.
Para el ensayo uno:
Cantidad de vehículos: 4.
Número de configuraciones k: 80.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Para el ensayo dos:
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Para el ensayo tres:
Cantidad de vehículos: 4.
Número de configuraciones k: 70.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Para el ensayo cuatro:
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
102
Los valores de la función objetivo para los cuatro ensayos anteriores son:
Ensayo uno: 716.87 unidades de longitud.
Ensayo tres: 749.32 unidades de longitud.
Ensayo dos: 686.07 unidades de longitud.
104
Ensayo cuatro: 746.78 unidades de longitud.
De estos cuatro ensayos, el de mejor función objetivo lograda con AGCB es el ensayo dos.
Cantidad de vehículos: 4.
Número de configuraciones k: 70.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.03.
Pedro Pablo Ballesteros Silva
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Los valores de la función objetivo para los cuatro ensayos anteriores son:
Ensayo uno: 716.87 unidades de longitud.
Ensayo tres: 749.32 unidades de longitud.
Ensayo dos: 686.07 unidades de longitud.
Ensayo cuatro: 746.78 unidades de longitud.
De estos cuatro ensayos, el de mejor función objetivo lograda con AGCB es el ensayo dos.
Ballesteros Silva (2019). El resultado se puede apreciar en la TABLA NRO. 17 y FIGURA NRO. 13 donde se
muestra que el AGCB alcanza un valor de la función objetivo de 686.07 unidades de longitud con un
tiempo de procesamiento de 6 076.48 segundos y a partir de las 748 660 generaciones se estabiliza. El
valor de la función objetivo del modelo exacto de la instancia SCA 3-0 utilizada por Subramanian (2012)
es el mismo: 635.62 unidades de longitud y 7200 segundos de tiempo de procesamiento.
Ninguno de estos cuatro ensayos superó el valor de la función objetivo, obtenido con el método
exacto opuesto por el autor (635.62 unidades de longitud), pero el tiempo de procesamiento con el AGCB
es mucho menor que el tiempo de procesamiento del método exacto (11 426.54 minutos), como se
observa en la TABLA NRO. 17.
3.2.3.2. Ensayos variando la tasa de recombinación, dejando constantes el tamaño de la población y la
tasa de mutación, instancia SCA 3-0:
De los ensayos obtenidos en el numeral 3.2.3.1., se observa que la mejor función objetivo se logra con
un tamaño de la población de k = 50 configuraciones y tasa de mutación 0.03. En los ensayos para este
escenario, se modifica la tasa de recombinación. Veamos la TABLA NRO. 17 y FIGURA NRO. 13:
Para el ensayo
Para
uno:
el ensayo dos:
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.70.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
103
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.80.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Para el ensayo tres:
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Generación
0
1 840
6 530
11 039
35 050
54 284
99 471
193 366
525 455
748 660
F.O. AGCB
2 117.87
1 576.11
1 229.93
1 058.62
900.99
828.69
761.13
738.96
707.24
686.07
Tiempo
F.O. Método Tiempo
(milisegundos) exacto
(milisegundos)
37
19 128
57 704
96 126
288 593
438 812
797 762
1 540 763
4 215 811
6 076 479
635.62
7 200 000
TABLA NRO. 17. Ensayo dos con tamaño de población k: 50.
Elaboración propia.
105
104
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
FIGURA NRO. 13. Función objetivo vs generación, instancia SCA 3-0.
Elaboración propia.
En consonancia con Ballesteros Silva (2019), los valores de la función objetivo para los tres
ensayos anteriores son:
Ensayo uno: 725.17 unidades de longitud.
Ensayo tres: 695.05 unidades de longitud.
Ensayo dos: 738.26 unidades de longitud.
A continuación, en la TABLA NRO. 18 y la FIGURA NRO. 14 se puede observar el resultado del
ensayo tres, el cual tiene el mejor valor de la función objetivo, obtenida con AGCB:
Generación F.O. AGCB
0
14 792
36 866
53 261
80 523
118 997
202 609
506 660
1 520 171
1 805 045
2 147.4
1 485.78
1 181.92
1 078.57
979.27
872.93
812.81
742.20
704.27
695.05
F.O.
Tiempo
Tiempo
Método
(milisegundos)
(milisegundos)
exacto
48
232 690
494 641
675,624
1 000 908
1 472 780
2 378 370
5 380 092
17 989 814
20 567 897
635.62
7 200 000
105
TABLA NRO. 18. Ensayo tres con tasa de recombinación 0.90.
Elaboración propia.
En este ensayo, el AGCB, con 1 805 045 ciclos generacionales y 20 567.89 segundos logra una
función objetivo de 695.05 unidades de longitud frente a 635.62 unidades de longitud del modelo exacto
que se demoró 7 200 segundos.
106
118 997
202 609
506 660
1 520 171
1 805 045
872.93
812.81
742.20
704.27
695.05
1 472 780
2 378 370
5 380 092
17 989 814
20 567 897
635.62
7 200 000
Pedro Pablo Ballesteros Silva
TABLA NRO. 18. Ensayo tres con tasa de recombinación 0.90.
Elaboración propia.
En este ensayo, el AGCB, con 1 805 045 ciclos generacionales y 20 567.89 segundos logra una
función objetivo de 695.05 unidades de longitud frente a 635.62 unidades de longitud del modelo exacto
que se demoró 7 200 segundos.
FIGURA NRO. 14. Función objetivo AGCB vs tasa de recombinación 0.90.
Elaboración propia.
Con base en los tres ensayos anteriores, realizados con la instancia SCA 3-0, el mejor valor de la
función objetivo (695.05 unidades de longitud) se logra con una tasa de recombinación de 0.90,
manteniendo constantes el tamaño de la población (k=50) y la tasa de mutación (tm= 0.03). Con el
modelo aplicado por el autor del libro se logra un valor de la función objetivo de 635.62 unidades de
longitud con un tiempo de procesamiento de 11,426.54 minutos (685,592.40 segundos) para esta
instancia.
106
Se nota que ninguno de estos tres ensayos superó el valor de la función objetivo, obtenido con
el
método exacto del autor. Sin embargo, el tiempo de procesamiento con el AGCB es mucho menor que
el tiempo de procesamiento del método exacto, logrado con dicho modelo.
3.2.3.3. Ensayos variando la tasa de mutación, dejando constantes el tamaño de la población y la tasa
de recombinación, instancia SCA 3-0.
De los ensayos descritos en el numeral 3.2.3.2., la mejor función objetivo se logra con un tamaño de la
población k = 50 y una tasa de recombinación de 0.90. Para este escenario, se modifica la tasa de
mutación. Veamos:
La información para estos ensayos es:
Para el ensayo uno:
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación:0.90.
Tasa de mutación: 0.02.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Para el ensayo dos:
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Para el ensayo tres:
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.04.
Capacidad de los vehículos: 830.
Estrategia de mutación: shift (1,0).
Los valores de la función objetivo para los tres ensayos anteriores son:
Ensayo uno: 734.94 unidades de longitud.
Ensayo tres: 725.44 unidades de longitud.
107
Ensayo dos: 655.30 unidades de longitud.
Cantidad de vehículos: 4.
Número de configuraciones k: 50.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.04.
Capacidad
los vehículos:
830.
Solución
delde
problema
de enrutamiento
de vehículos con entregas y recogidas simultáneas
Estrategia
de mutación: shift (1,0).
Una
nueva matheurística
Los valores de la función objetivo para los tres ensayos anteriores son:
Ensayo uno: 734.94 unidades de longitud.
Ensayo tres: 725.44 unidades de longitud.
Ensayo dos: 655.30 unidades de longitud.
Puede observarse en la TABLA NRO. 19 y FIGURA NRO. 15 que el mejor valor de la función objetivo
se obtiene con el ensayo dos aplicando el AGCB.
Generación F.O. AGCB
0
1 127
4 835
11 595
25 031
46 061
103 299
242 004
1 808 619
1 977 649
2 127.99
1 765.49
1 296.49
988.16
899.36
840.39
719.46
704.31
687.07
655.30
F.O.
Tiempo
Tiempo
Método
(milisegundos)
(milisegundos)
exacto
28
9 394
34 671
81 629
168 447
314 635
708 641
1 607 660
11 911 038
13 029 194
635.62
7 200 000
107
TABLA NRO. 19. Ensayo dos con tasa de mutación = 0.03. Instancia SCA 3-0.
Elaboración propia.
En la TABLA NRO. 19 se aprecia que el AGCB logra un valor de la función objetivo de 655.30
unidades de longitud con un tiempo de procesamiento de 13 029.19 segundos y a partir del 1 977 649
generación se estabiliza. El valor de la función objetivo del modelo exacto de la instancia SCA 3-0,
utilizada por Subramanian (2012) es el mismo: 635.62 unidades de longitud y 7200 segundos de tiempo
de ejecución.
FIGURA NRO. 15. Función objetivo AGCB vs tasa de mutación 0.03.
Elaboración propia.
Obsérvese que ninguno de estos tres ensayos superó el valor de la función objetivo, obtenido con
el método exacto y propuesto por el autor. Sin embargo, el tiempo de procesamiento con el AGCB es
mayor que el tiempo de procesamiento del método exacto logrado con dicho modelo: 13 029.19 segundos
vs 7.200 segundos durante el cual se obtuvo una incumbente (655.30 unidades de longitud).
108
De los diez ensayos realizados con la instancia SCA 3-0, se obtuvieron los siguientes resultados:
•
Modificando el tamaño de la población k = 80, 50, 70 y 50, y dejando constantes la tasa de
mutación (0.03) y la tasa de recombinación (0.90); la incumbente obtenida fue de 686.07 unidades de
longitud para k = 50, con 748 660 ciclos generacionales.
•
Variando la tasa de recombinación (0.70,108
0.80 y 0.90), dejando constantes la tasa de mutación
(0.03) y el tamaño de la población (50); el valor de la incumbente obtenida es de 695.05 unidades de
longitud con tasa de recombinación 0.90 y 1 805 045 ciclos generacionales.
Pedro Pablo Ballesteros Silva
mayor que el tiempo de procesamiento del método exacto logrado con dicho modelo: 13 029.19 segundos
vs 7.200 segundos durante el cual se obtuvo una incumbente (655.30 unidades de longitud).
De los diez ensayos realizados con la instancia SCA 3-0, se obtuvieron los siguientes resultados:
•
Modificando el tamaño de la población k = 80, 50, 70 y 50, y dejando constantes la tasa de
mutación (0.03) y la tasa de recombinación (0.90); la incumbente obtenida fue de 686.07 unidades de
longitud para k = 50, con 748 660 ciclos generacionales.
•
Variando la tasa de recombinación (0.70, 0.80 y 0.90), dejando constantes la tasa de mutación
(0.03) y el tamaño de la población (50); el valor de la incumbente obtenida es de 695.05 unidades de
longitud con tasa de recombinación 0.90 y 1 805 045 ciclos generacionales.
•
Modificando la tasa de mutación (0.02, 0.03 y 0.04), dejando constantes la tasa de recombinación
(0.90) y el tamaño de la población (50); el valor de la incumbente obtenida es de 655.30 unidades de
longitud con 1 977 649 ciclos generacionales y tasa de mutación 0.03.
El ensayo que muestra el mejor resultado con el AGCB corresponde a un valor de la función
objetivo de 655.30 unidades de longitud con una tasa de mutación de 0.03, tasa de recombinación de 0.90
y tamaño de la población de k = 50.
El criterio de parada para la instancia SCA 3-0 se establece por el valor reportado en la literatura
científica, en este caso, 635.62 unidades de longitud (Ver TABLA NRO. 19).
3.2.4. Resultados de la implementación del algoritmo genético de Chu-Beasley para un depósito,
k vehículos y n clientes sin impacto ambiental
A continuación, se relacionan los ensayos efectuados durante el proceso de parametrización del algoritmo
genético de Chu y Beasley (1997) utilizando la instancia SCA 8-0 de Dethloff, con un valor reportado
de la función objetivo de 961.50 unidades de longitud según Subramanian (2012).
3.2.4.1.
Variando tamaño de la población y manteniendo constantes la tasa de recombinación y la
tasa de mutación con instancia SCA 8-0.
Para el ensayo uno:
Cantidad de vehículos: 10.
Número de configuraciones k: 100.
Tasa de recombinación: 1.0.
Tasa de mutación: 0.05.
Capacidad de los vehículos: 310.
Para el ensayo dos:
Cantidad de vehículos: 10.
Número de configuraciones k: 90.
Tasa de recombinación: 1.0.
Tasa de mutación: 0.05.
Capacidad de los vehículos: 310.
Estrategia de mutación: shift (1,0).
Estrategia de mutación: shift (1,0).
109
Para el ensayo tres:
Cantidad de vehículos: 10.
Número de configuraciones k: 80.
Tasa de recombinación: 1.0.
Tasa de mutación: 0.05.
Capacidad de los vehículos: 310.
Estrategia de mutación: shift (1,0).
son:
Para los tres ensayos anteriores, según Ballesteros Silva (2019), los valores de la función objetivo
Ensayo uno: 998.82 unidades de longitud.
Ensayo tres: 1 130.16 unidades de longitud.
Ensayo dos: 1 011.79 unidades de longitud.
Puede observarse en la TABLA NRO. 20 y FIGURA NRO. 16 que el mejor valor de la función objetivo
se obtiene con el ensayo uno aplicando el AGCB.
109
En la TABLA NRO. 20 se aprecia que el AGCB logra un valor de la función objetivo de 998.82
unidades de longitud con un tiempo de procesamiento de 12 325 843 milisegundos y, a partir de las
3 459 204 generaciones, se estabiliza. El valor de la función objetivo del modelo exacto de la instancia
Para el ensayo tres:
Cantidad de vehículos: 10.
Número de configuraciones k: 80.
Tasa de recombinación: 1.0.
Tasa de mutación: 0.05.
Solución
del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Capacidad
de los vehículos: 310.
Una
nueva matheurística
Estrategia de mutación: shift (1,0).
son:
Para los tres ensayos anteriores, según Ballesteros Silva (2019), los valores de la función objetivo
Ensayo uno: 998.82 unidades de longitud.
Ensayo tres: 1 130.16 unidades de longitud.
Ensayo dos: 1 011.79 unidades de longitud.
Puede observarse en la TABLA NRO. 20 y FIGURA NRO. 16 que el mejor valor de la función objetivo
se obtiene con el ensayo uno aplicando el AGCB.
En la TABLA NRO. 20 se aprecia que el AGCB logra un valor de la función objetivo de 998.82
unidades de longitud con un tiempo de procesamiento de 12 325 843 milisegundos y, a partir de las
3 459 204 generaciones, se estabiliza. El valor de la función objetivo del modelo exacto de la instancia
SCA 8-0, utilizada por Subramanian (2012), es 961.50 unidades de longitud y 7200 segundos de tiempo
de procesamiento.
Generación F.O. AGCB
0
946
384 325
1 080 189
1 366 712
1 999 638
2 432 307
3 035 668
3 448 100
3 459 204
2 229.822
2 226.372
2 144.082
1 866.252
1 756.312
1 507.472
1 357.552
1 126.652
998.82
998.82
F.O.
Tiempo
Tiempo
Método
(milisegundos)
(milisegundos)
exacto
89
15 276
1 445 693
3 844 216
4 904 500
7 924 979
8 959 434
10 279 914
12 242 639
12 325 843
961.50
7 200 000
TABLA NRO. 20.
10. Ensayo uno con tamaño de población 100, instancia SCA 8-0.
Elaboración propia.
110
FIGURA NRO. 16. Función objetivo vs generación, ensayo 1, instancia SCA 8-0.
Elaboración propia.
Obsérvese que ninguno de estos tres ensayos superó el valor de la función objetivo obtenido con
el método exacto, logrado por Subramanian (2012), y el tiempo de procesamiento en el AGCB es mayor
que el del método exacto.
3.2.4.2.
Variando la tasa de recombinación y manteniendo constantes tamaño de la población y la
tasa de mutación con instancia SCA 8-0.
Para el ensayo uno:
Para el ensayo dos:
Cantidad de vehículos: 10.
Número de configuraciones k: 100.
Tasa de recombinación: 0.80.
Cantidad de vehículos: 10.
Número de configuraciones k: 100.
Tasa de recombinación: 0.90.
110
FIGURA NRO. 16. Función objetivo vs generación, ensayo 1, instancia SCA 8-0.
Elaboración propia.
Obsérvese que ninguno de estos tres ensayos superó el valor de la función
objetivo
obtenidoSilva
con
Pedro Pablo
Ballesteros
el método exacto, logrado por Subramanian (2012), y el tiempo de procesamiento en el AGCB es mayor
que el del método exacto.
3.2.4.2.
Variando la tasa de recombinación y manteniendo constantes tamaño de la población y la
tasa de mutación con instancia SCA 8-0.
Para el ensayo uno:
Para el ensayo dos:
Cantidad de vehículos: 10.
Número de configuraciones k: 100.
Tasa de recombinación: 0.80.
Tasa de mutación: 0.05.
Capacidad de los vehículos: 310.
Estrategia de mutación: shift (1,0).
Cantidad de vehículos: 10.
Número de configuraciones k: 100.
Tasa de recombinación: 0.90.
Tasa de mutación: 0.05.
Capacidad de los vehículos: 310.
Estrategia de mutación: shift (1,0).
Para el ensayo tres:
Cantidad de vehículos: 10.
Número de configuraciones k: 100.
Tasa de recombinación: 0.95.
Tasa de mutación: 0.05.
Capacidad de los vehículos: 310.
Estrategia de mutación: shift (1,0).
111
Los valores de la función objetivo para los tres ensayos anteriores según, Ballesteros Silva
(2019), son:
Ensayo uno: 975.31 unidades de longitud.
Ensayo tres: 1 010.12 unidades de longitud.
Ensayo dos: 1 125.31 unidades de longitud.
En la TABLA NRO. 21 y FIGURA NRO. 17 puede observarse que el mejor valor de la función objetivo
se obtiene con el ensayo uno aplicando el AGCB.
Tiempo
F.O. Método Tiempo
(milisegundos) exacto
(milisegundos)
0
2 397.47
54
8 641
2 231.53
1 233 479
75 781
2 215.47
2 402 580
137 845
1 311.47
3 451 101
222 638
1 311.47
4 792 091
279 263
1 195.53
8 011 140
482 479
1 152.67
9 344 866
664 916
1 059.53
12 197 670
731 337
1 009.67
13 782 042
781 664
975.31
15 274 075
961.50
7 200 000
TABLA NRO. 21. Ensayo uno con tasa de recombinación 0.80, instancia SCA 8-0.
Elaboración propia.
Generación
F.O. AGCB
En la TABLA NRO. 21 se observa que el AGCB logra la función objetivo con un valor de 975.31
unidades de longitud con un tiempo de procesamiento de 15 274.08 segundos y, a partir de las 781 664
generaciones, se estabiliza. El valor de la función objetivo del modelo exacto de la instancia SCA 8-0,
utilizada por Subramanian (2012), es el mismo: 961.50 unidades de longitud y 7 200 segundos de tiempo
de ejecución.
De los ensayos realizados con la instancia SCA 8-0, se observa que el mejor resultado de la
incumbente (975.31), corresponde al de una tasa de recombinación de 0.80.
111
112
Elaboración propia.
En la TABLA NRO. 21 se observa que el AGCB logra la función objetivo con un valor de 975.31
unidades de longitud con un tiempo de procesamiento de 15 274.08 segundos y, a partir de las 781 664
generaciones,
se estabiliza.
El valor de la
objetivo
del modelo
exacto de
la instancia SCA 8-0,
Solución
del problema
de enrutamiento
defunción
vehículos
con entregas
y recogidas
simultáneas
utilizada
por
Subramanian (2012), es el mismo: 961.50 unidades de longitud y 7 200 segundos de tiempo
Una
nueva
matheurística
de ejecución.
De los ensayos realizados con la instancia SCA 8-0, se observa que el mejor resultado de la
incumbente (975.31), corresponde al de una tasa de recombinación de 0.80.
112
. 17.NRO
Función
objetivo
instancia
SCA 8-0.
FIGURA NRO
FIGURA
. 17. Función
objetivovs
vs generación
generación concon
instancia
SCA 8-0.
Elaboración propia.
propia.
Elaboración
3.2.4.3.
3.2.4.3.
Variando la tasa de mutación y manteniendo constantes tamaño de la población y tasa de
Variando la
tasa de mutación
manteniendo
constantes tamaño de la población y tasa de
recombinación
con instanciay SCA
8-0.
recombinación con instancia SCA 8-0.
Para estos ensayos, se toman las mejores funciones objetivos, obtenidas en los numerales 3.2.4.1.
y 3.2.4.2., es decir:
Para estos ensayos, se toman las mejores funciones objetivos, obtenidas en los numerales 3.2.4.1.
y 3.2.4.2., es Con
decir:
tasa de recombinación = 0.80 y tamaño de la población = 100:
Para el ensayo uno:
Para el ensayo dos:
Con tasa de recombinación = 0.80 y tamaño de la población = 100:
Cantidad de vehículos: 10.
Cantidad de vehículos: 10.
Número
Para el ensayo
uno:de configuraciones k: 100.
Número
de configuraciones
k: 100.
Para
el ensayo
dos:
Tasa de recombinación: 0.80.
Para el ensayo tres:
Tasa de mutación: 0.01.
de vehículos:
10.
Capacidad deCantidad
los vehículos:
310.
Número de configuraciones k: 100.
Estrategia de mutación: shift (1,0).
100.
Tasa de recombinación: 0.80.
Tasa de mutación: 0.03.
Capacidad de los vehículos: 310.
Estrategia de mutación: shift (1,0)
Tasa de recombinación: 0.80.
Tasa de mutación: 0.01.
Cantidad de vehículos:
Capacidad de 10.
los vehículos: 310.
Estrategia de mutación:
shift (1,0).
Número de configuraciones
k: 100.
Para el
Tasa de recombinación: 0.80.
Tasa de mutación: 0.05.
Capacidad
ensayo
tres: de los vehículos: 310.
Estrategia de mutación: shift (1,0).
Cantidad de vehículos: 10.
Número de configuraciones k: 100.
Tasa de recombinación: 0.80.
Tasa de mutación: 0.05.
Capacidad de los vehículos: 310.
Estrategia de mutación: shift (1,0).
Tasa de recombinación: 0.80.
Tasa de mutación: 0.03.
Cantidad
Capacidadde
de vehículos:
los vehículos: 10.
310.
Estrategia
de
mutación:
shift (1,0) k:
Número de configuraciones
113
112
113
Pedro Pablo Ballesteros Silva
son:
Los valores de la función objetivo para los tres ensayos anteriores, según Ballesteros Silva (2019),
Ensayo uno: 1046.70 unidades de longitud.
Ensayo tres: 987.12 unidades de longitud.
Ensayo dos: 972.83 unidades de longitud.
En la TABLA NRO. 22 y FIGURA NRO. 18 puede observarse que el mejor valor de la función objetivo
se obtiene con el ensayo dos, aplicando el AGCB. Se observa en esta tabla que el AGCB se estabiliza a
partir de las 8 909 907 generaciones con un valor de la función objetivo de 972.83 unidades de longitud
y un tiempo de procesamiento de 12 982 942 mls (12 982.94 segundos) frente al valor de la función
objeto del modelo exacto, aplicado por Subramanian (2012), instancia SCA 8-0 (961.50 unidades de
longitud) con 7200 segundos de procesamiento.
De los ensayos realizados con la instancia SCA 8-0, se obtuvieron los siguientes resultados:
•
Modificando el tamaño de la población k: 100, 90 y 80 configuraciones, dejando constantes la
tasa de mutación (0.05) y la tasa de recombinación (1.0); la incumbente obtenida fue de 998.82 unidades
de longitud para k: 100 con 3 459 204 ciclos generacionales.
Generación F.O. AGCB
2 296.2697554113
0.00
1 337
1,968.61
1 706
1,933.04
49 605
1,706.66
913 335
1,313.66
2 687 683
1,191.80
3 729 910
1,089.95
4 807 321
1,086.95
5 810 534
1,070.36
8 909 907
972.83
Tiempo
(milisegundos)
29
23 118
970 602
2 620 459
3 623 290
7 062 825
8 884 509
10 562 235
11 499 615
12 982 942
F.O.
Método
exacto
961.50
Tiempo
(milisegundos)
7 200 000
TABLA NRO. 22. Ensayo dos con tasa de mutación 0.03.
Elaboración propia.
114
FIGURA NRO. 18. Función objetivo AGCB vs tasa de mutación 0.03.
FIGURA NRO. 18. Función objetivo AGCB vs tasa de mutación 0.03.
Elaboración propia.
Elaboración propia.
•
Variando
la tasala de
(0.80,
0.95),yydejando
dejando
constantes
la de
tasa
de mutación
•
Variando
tasarecombinación
de recombinación
(0.80,0.90
0.90 y
y 0.95),
constantes
la tasa
mutación
(0.05) y(0.05)
el tamaño
de lade
población
(100);
elelvalor
incumbenteobtenida
obtenida
es975.31
de 975.31
unidades
de
y el tamaño
la población
(100);
valorde
de la incumbente
es de
unidades
de
condetasa
de recombinación
0.80
y 781664
664
ciclos generacionales.
longitudlongitud
con tasa
recombinación
0.80
y 781
ciclos
generacionales.
113
•
•
Modificando la tasa de mutación (0.01, 0.03 y 0.05), y dejando constantes la tasa de
recombinación (0.80) y el tamaño de la población (100); el valor de la incumbente obtenida es de 972.83
Modificando la tasa de mutación (0.01, 0.03 y 0.05), y dejando constantes la tasa de
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
FIGURA NRO. 18. Función objetivo AGCB vs tasa de mutación 0.03.
Elaboración propia.
•
Variando la tasa de recombinación (0.80, 0.90 y 0.95), y dejando constantes la tasa de mutación
(0.05) y el tamaño de la población (100); el valor de la incumbente obtenida es de 975.31 unidades de
longitud con tasa de recombinación 0.80 y 781 664 ciclos generacionales.
•
Modificando la tasa de mutación (0.01, 0.03 y 0.05), y dejando constantes la tasa de
recombinación (0.80) y el tamaño de la población (100); el valor de la incumbente obtenida es de 972.83
unidades de longitud con 8 909 907 ciclos generacionales y tasa de mutación 0.03.
En resumen, de los nueve ensayos efectuados con la instancia SCA 8-0, el ensayo dos presenta el
mejor valor de la función objetivo (incumbente), con 972.83 unidades de longitud considerando un
tamaño de población de 100 configuraciones, con tasa de recombinación de 0.80 y tasa de mutación de
0.03. Esta se encuentra muy cerca al compararse con el valor reportado por Subramanian (2012), 961.50
unidades de longitud. Esto indica el buen desempeño del AGCB aplicado.
El criterio de parada para la instancia SCA 8-0 se establece por el valor reportado en la literatura
científica, en este caso, 961.50 unidades de longitud Subramanian (2012).
3.3.
Resultados de la implementación del algoritmo genético de Chu-Beasley para
m depósitos, k vehículos y n clientes sin impacto ambiental.
Para este propósito fue necesario diseñar y aplicar el algoritmo de clustering, descrito en el numeral 2.4.
En la TABLA NRO. 23 se muestran las coordenadas de los cincuenta clientes y los tres depósitos,
a saber:
Clientes
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
x
-99
-59
0
-17
-69
31
5
-12
-64
-12
-18
-77
-53
83
24
17
42
-65
y
-97
50
14
-66
-19
12
-41
10
70
85
64
-16
88
-24
41
21
96
0
Clientes
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
x
-47
85
-35
54
64
55
17
-61
-61
17
79
-62
-90
52
-54
8
37
-83
y
-26
36
-54
-21
-17
89
-25
66
26
-72
38
-2
-68
66
-50
-84
-90
49
Clientes
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Depósito 1
Depósito 2
Depósito 3
x
35
7
12
57
92
-3
-7
42
77
59
25
69
-82
74
Depositos
40
-60
-60
y
-1
59
48
95
28
97
52
-15
-43
-49
91
-19
-14
-70
115
-80
20
-20
TABLA NRO. 23. Coordenadas de clientes y depósitos.
Elaboración propia.
En la FIGURA NRO. 19 se muestra, en el diagrama de dispersión, la ubicación de los clientes y
depósitos para este ejemplo.
114
13
14
15
16
17
18
-53
83
24
17
42
-65
88
-24
41
21
96
0
31
32
33
34
35
36
-90
52
-54
8
37
-83
-68
66
-50
-84
-90
49
49
50
Depósito 1
Depósito 2
Depósito 3
-82
74
Depositos
40
-60
-60
-14
-70
-80
20
-20
Pedro Pablo Ballesteros Silva
TABLA NRO. 23. Coordenadas de clientes y depósitos.
Elaboración propia.
En la FIGURA NRO. 19 se muestra, en el diagrama de dispersión, la ubicación de los clientes y
depósitos para este ejemplo.
FIGURA NRO. 19. Ubicación de clientes y depósitos.
Elaboración propia.
116
Una primera etapa realiza la asignación de clientes a los depósitos teniendo en cuenta la menor
distancia, como se muestra en la FIGURA NRO. 20, sin considerar la capacidad de los depósitos.
Depósito 2
Depósito 3
Depósito 1
FIGURA NRO. 20. Primera asignación de clientes a depósitos.
Elaboración propia.
En la figura anterior, los depósitos 1 y 2 están sobrecargados, por lo que es necesario hacer una
reasignación de algunos clientes entre depósitos para balancear su capacidad. Esta operación se realiza
con la segunda etapa del algoritmo de clustering (ver FIGURA NRO. 21).
Depósito 2
Depósito 3
115
Depósito 1
FIGURA NRO. 21. Reasignación de clientes según capacidad de depósitos.
FIGURA NRO. 20. Primera asignación de clientes a depósitos.
Elaboración propia.
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
En la figura anterior, los depósitos 1 y 2 están sobrecargados, por lo que es necesario hacer una
Una nueva matheurística
reasignación de algunos clientes entre depósitos para balancear su capacidad. Esta operación se realiza
con la segunda etapa del algoritmo de clustering (ver FIGURA NRO. 21).
Depósito 2
Depósito 3
Depósito 1
FIGURA NRO. 21. Reasignación de clientes según capacidad de depósitos.
117
Elaboración propia.
La asignación definitiva de clientes a depósitos con el algoritmo de clustering queda así:
Al depósito 1: clientes 14, 20, 22, 23, 25, 28, 29, 34, 35, 37, 41, 44, 45, 46, 48, 50.
Al depósito 2: clientes 2, 9, 10, 11, 13, 17, 24, 26, 27, 36, 38, 39, 40, 42, 43, 47.
Al depósito 3: clientes 1, 5, 12, 19, 21, 30, 31, 33, 49, 4, 7, 18, 6, 8, 3, 16, 15, 32.
Para resolver este problema de varios depósitos, varios vehículos y múltiples clientes, se aplica
en cada depósito el algoritmo genético de Chu y Beasley (1997) para un depósito, varios vehículos y
múltiples clientes. Sus resultados se presentan a continuación:
Para el depósito uno:
Cantidad de clientes: 16.
Número de vehículos: 3.
Número de configuraciones: 2000.
Capacidad de los vehículos: 320.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.00.
Intervalos para PMX: 2-4, 6-8, 12-14.
Secuencia de las rutas por clientes
Rutas
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
Mejor resultado de Chu-Beasley para el
depósito uno:
Valor de la función objetivo lograda: 715.05
unidades de longitud.
Total ciclos generacionales: 437 618.
Total tiempo de proceso: 647 924 mls.
Ver TABLA NRO. 24.
dep
dep
dep
35
34
44
23
22 dep
45
46
48
50
dep
28
25
37
41
20
29
14 dep
Distancia total deposito 1 Chu - Beasley:
Solución
Chu Beasley
210.47
189.60
314.98
715.05
TABLA NRO. 24. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito uno.
Elaboración propia.
Para el depósito dos:
Cantidad de clientes: 16.
Número de vehículos: 3.
Número de configuraciones: 6000.
Capacidad de los vehículos: 350.
Mejor resultado de Chu-Beasley para el
depósito dos:
Valor de la función objetivo lograda: 1183.42
unidades de longitud.
116
118
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
Beasley
35
34
44
23
22 dep
210.47
45
46
48
50
dep
189.60
28
25
37
41
20
29
14 dep
314.98
Distancia total deposito 1 Chu - Beasley:
715.05 Silva
Pedro Pablo Ballesteros
dep
dep
dep
TABLA NRO. 24. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito uno.
Elaboración propia.
Para el depósito dos:
Cantidad de clientes: 16.
Número de vehículos: 3.
Número de configuraciones: 6000.
Capacidad de los vehículos: 350.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.0.
Intervalos para PMX: 2-4, 6-8, 12-14.
Secuencia de las rutas por clientes
Rutas
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
Mejor resultado de Chu-Beasley para el
depósito dos:
Valor de la función objetivo lograda: 1183.42
unidades de longitud.
Total ciclos generacionales: 1588,507.
Total tiempo de proceso: 5 086 714 mls. 118
Ver TABLA NRO. 25.
dep
dep
dep
24
2
47
38
36
dep
11
10
17
39
43
27
dep
13
26
42
40
9
dep
Distancia total deposito 2 Chu - Beasley:
Solución
Chu Beasley
512.34
279.77
391.31
1 183.42
TABLA NRO. 25. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito dos.
Elaboración propia.
Para el depósito tres:
Cantidad de clientes: 18.
Número de vehículos: 3.
Número de configuraciones: 4000.
Capacidad de los vehículos: 350.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.00.
Intervalos para PMX: 2-5, 8-11, 12-15.
Mejor resultado de Chu-Beasley para el
depósito tres:
Valor de la función objetivo lograda: 907.01
unidades de longitud.
Total ciclos generacionales: 160 253.
Total tiempo de proceso: 792 074 mls.
Ver TABLA NRO. 26.
TABLA NRO. 26. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito tres.
Elaboración propia.
El total de la distancia para los tres depósitos, aplicando del algoritmo genético de Chu y Beasley
(1997) es de 2805.48 unidades de longitud.
Los resultados de las tablas anteriores, se alcanzan después de realizar 2 186 378 ciclos
generacionales (437 618 + 1 588 597+160 253 generaciones de cada depósito) con el AGCB para cada
119
uno de los depósitos. Para este problema de ruteo de vehículos con entregas y recogidas, no hay instancias
que trabajen con múltiples depósitos, por lo que fue necesario establecer un sistema de prueba y efectuar
las respectivas simulaciones.
Con resultados como lo anteriores, se aplica la matheurística propuesta para mejorar el
desempeño del algoritmo genético de Chu y Beasley (1997) a través del modelo de programación lineal
(ver numeral 3.6.1., sección «Para un depósito, cuatro vehículos y cincuenta clientes», donde se muestra
la comparación de los resultados para cada depósito, aplicando el AGCB y el método exacto, usando
GAMS, con la instancia CON 3-8 de Dethloff ―2001―).
117
3.4.
Resultados de la implementación del algoritmo genético de Chu-Beasley para
un depósito, k vehículos y n clientes con impacto ambiental
(1997) es de 2805.48 unidades de longitud.
Los resultados de las tablas anteriores, se alcanzan después de realizar 2 186 378 ciclos
generacionales (437 618 + 1 588 597+160 253 generaciones de cada depósito) con el AGCB para cada
uno de losdel
depósitos.
problema de
de vehículos
ruteo de vehículos
con entregas
y recogidas,
no hay instancias
Solución
problemaPara
de este
enrutamiento
con entregas
y recogidas
simultáneas
que trabajen
con múltiples depósitos, por lo que fue necesario establecer un sistema de prueba y efectuar
Una
nueva matheurística
las respectivas simulaciones.
Con resultados como lo anteriores, se aplica la matheurística propuesta para mejorar el
desempeño del algoritmo genético de Chu y Beasley (1997) a través del modelo de programación lineal
(ver numeral 3.6.1., sección «Para un depósito, cuatro vehículos y cincuenta clientes», donde se muestra
la comparación de los resultados para cada depósito, aplicando el AGCB y el método exacto, usando
GAMS, con la instancia CON 3-8 de Dethloff ―2001―).
3.4.
Resultados de la implementación del algoritmo genético de Chu-Beasley para
un depósito, k vehículos y n clientes con impacto ambiental
Con la aplicación de la matriz de impacto ambiental, diseñada por el autor, a continuación, en la TABLA
FIGURA NRO. 22 se muestran los resultados del AGCB con impacto ambiental, con un tamaño
de la población de 100 configuraciones, una tasa de recombinación del 0.80 y una tasa de mutación de
0.03. Con la matriz de impacto ambiental, no se modifican ni la función objetivo ni las restricciones. Se
utiliza para cambiar los datos de entrada y, una vez resuelto el problema, se asignan los valores iniciales
de las rutas.
NRO. 27 y
Generación F.O. AGCB
0
3 293
40 255
573 515
1 123 768
1 723 773
2 518 818
3 167 842
3 747 609
4 361 369
4 988 407
2 790.00
2 255.98
2 181.58
1 900.82
1 803.63
1 450.82
1 327.95
1 318.86
1 313.69
1 071.93
975.13
Tiemp o
(milisegundos)
3 264
565 336
1 298 965
1 715 511
2 440 767
3 016 154
3 623 840
4 085 099
4 910 188
5 272 822
5 539 470
120
TABLA NRO. 27. Ensayo con tamaño de población 100, tr:0.80 y tm:0.03 con instancia SCA 8-0.
Elaboración propia.
FIGURA NRO. 22. Función objetivo con impacto ambiental vs generación, para k: 100, tr:0.80 y
tm:0.03 para la instancia SCA 8-0.
Elaboración propia.
A continuación, se presenta la comparación de los resultados obtenidos para la instancia SCA 80 aplicando el algoritmo genético Chu y Beasley (1997) en el escenario sin impacto ambiental y con
impacto ambiental con tamaño de la población 100, tr : 0.80 y tasa de mutación de 0.03 y la solución por
el método exacto sin impacto ambiental:
Resultados de AGCB para la instancia SCA 8-0,
sin impacto ambiental, tamaño de población 100
configuraciones, tasa de recombinación de 0.80 y
tasa de mutación de 0.03:
118
Resultados de AGCB para la instancia SCA 80 con impacto ambiental, tamaño de población
100 configuraciones, tasa de recombinación de
0.80 y tasa de mutación de 0.03:
121
tm:0.03 para la instancia SCA 8-0.
Elaboración propia.
A continuación, se presenta la comparación de los resultados obtenidos para la instancia SCA 8Pablo Ballesteros
0 aplicando el algoritmo genético Chu y Beasley (1997) en el escenario Pedro
sin impacto
ambiental ySilva
con
impacto ambiental con tamaño de la población 100, tr : 0.80 y tasa de mutación de 0.03 y la solución por
el método exacto sin impacto ambiental:
Resultados de AGCB para la instancia SCA 8-0,
sin impacto ambiental, tamaño de población 100
configuraciones, tasa de recombinación de 0.80 y
tasa de mutación de 0.03:
Función objetivo lograda: 972.83 unidades de
longitud en 8 909 907 ciclos evolutivos.
Resultados de AGCB para la instancia SCA 80 con impacto ambiental, tamaño de población
100 configuraciones, tasa de recombinación de
0.80 y tasa de mutación de 0.03:
Función objetivo lograda: 975.13 unidades de
longitud en 4 988 407 ciclos evolutivos.
121
Tiempo de procesamiento: 12 982 942 mls (12
982.94 segundos), tomados de la TABLA NRO. 36.
Tiempo de procesamiento: 5539.47segundos.
Resultados aplicando el método exacto sin
impacto ambiental:
Resultados aplicando el método exacto con
impacto ambiental:
Función objetivo lograda: 961.51 unidades de
longitud.
Función objetivo lograda: 881.10 unidades de
longitud.
Tiempo de proceso: 149 956.87 segundos.
Tiempo de procesamiento: 92 819.72
segundos.
•
•
•
3.5.
De esta comparación se deduce que:
El resultado logrado con el algoritmo genético de Chu y Beasley (1997) está muy cerca del valor
reportado por Subramanian (2012), que es de 961.50 unidades de longitud.
El resultado de la aplicación del método exacto sin ambiental presenta una diferencia de una
centésima con respecto al valor reportado por Subramanian (2012), que es de 961.50 unidades de
longitud.
El resultado de la aplicación del método exacto con ambiental presenta una diferencia de 80.4
unidades de longitud menos con respecto al valor reportado por Subramanian (2012) que es de
961.50 unidades de longitud.
Resultados de la implementación del algoritmo genético de Chu-Beasley para
m depósito, k vehículos y n clientes, con impacto ambiental
En esta parte de la investigación se indagó a acerca se las instancias utilizadas por algunos investigadores
para el caso de m depósitos, k vehículos y n clientes. Se consideró una flota homogénea de vehículos
para los experimentos. A continuación, se relacionan los parámetros que se necesitan para hacer las
pruebas en AGCB:
k1 :
parámetro que indica la cantidad promedio de combustible por kilómetro recorrido para
un vehículo con capacidad de 20 toneladas de carga. En un informe de Transportation Research Institute
(2014) se encuentra que el consumo medio de combustible de un vehículo con esta capacidad de 1 galón
por 15.81 km recorridos. En este trabajo, se asigna un galón de combustible por cada 12 km recorridos
dada la topografía del terreno.
k2 :
parámetro que indica la cantidad promedio de Kg de CO2 por galón de combustible. Para
122
establecer este parámetro, se presenta la siguiente descripción:
Para que un motor de combustión interna mueva un vehículo por una carretera debe convertir la
energía almacenada en el combustible, en energía mecánica para conducir las ruedas. Este proceso
produce dióxido de carbono (CO2).
Consultando el documento de Natural Resources Canada (2017), la oficina del Medio Ambiente
y Cambio Climático publica factores para estimar el CO2 y otras emisiones de la combustión de
combustible. Las emisiones de CO2 del tubo de escape varían según el tipo de combustible debido a sus
diferentes densidades. Los combustibles de hidrocarburos más densos, como el diésel, contienen más
carbono y, por lo tanto, producirán más CO2 para un volumen dado de combustible.
119
Las emisiones de CO2 del tubo de escape para diversos combustibles de transporte se muestran
en la TABLA NRO. 28:
k2 :
parámetro que indica la cantidad promedio de Kg de CO2 por galón de combustible. Para
Para
que uneste
motor
de combustión
un vehículo por una carretera debe convertir la
establecer
parámetro,
se presenta lainterna
siguientemueva
descripción:
energía almacenada en el combustible, en energía mecánica para conducir las ruedas. Este proceso
que
un motor
de combustión
mueva
vehículo recogidas
por una carretera
debe convertir la
SoluciónkPara
problema
de
enrutamiento
deinterna
vehículos
conun
entregas
simultáneas
produce dióxido
(CO
:del carbono
parámetro
que
indica la cantidad
promedio
de Kg deyCO
de combustible. Para
2).
2de
2 por galón
energía
almacenada
en el combustible, en energía mecánica para conducir las ruedas. Este proceso
Una
nueva
matheurística
establecer
este
parámetro, se presenta la siguiente descripción:
produce dióxido de carbono (CO2).
Consultando el documento de Natural Resources Canada (2017), la oficina del Medio Ambiente
Para que un motor de combustión interna mueva un vehículo por una carretera debe convertir la
Consultando
el documento
de para
Naturalestimar
Resources
la oficina
del Medio la
Ambiente
y Cambioenergía
Climático
publica
elCanada
CO2para
y(2017),
otras
emisiones
combustión de
almacenada
en elfactores
combustible,
en energía mecánica
conducir
las ruedas.de
Este proceso
y Cambio
Climático publica
factores
para estimar el CO2 y otras emisiones de la combustión de
combustible.
Lasdióxido
emisiones
de CO
2 del
produce
de carbono
(CO
2). tubo de escape varían según el tipo de combustible debido a sus
combustible. Las emisiones de CO2 del tubo de escape varían según el tipo de combustible debido a sus
diferentesdiferentes
densidades.
Los combustibles de hidrocarburos más densos, como el diésel, contienen más
densidades. Los combustibles de hidrocarburos más densos, como el diésel, contienen más
Consultando el documento de Natural Resources Canada (2017), la oficina del Medio Ambiente
carbono y,carbono
por lo
tanto,
másmás
CO
un volumen dado de combustible.
2 para
y, por lo producirán
tanto, producirán
CO
2 para un volumen dado de combustible.
en la
y Cambio Climático publica factores para estimar el CO2 y otras emisiones de la combustión de
combustible. Las emisiones de CO2 del tubo de escape varían según el tipo de combustible debido a sus
Las emisiones
CO2 tubo
del tubo
escape para
para diversos
combustibles
de transporte
se muestran
dedeescape
diversos
combustibles
de transporte
se
Lasdiferentes
emisiones
de COde
2 del
densidades.
Los
combustibles
de hidrocarburos
más densos,
como el diésel,
contienen más
en la TABLA NRO. 28:
carbono
por lo tanto, producirán más CO2 para un volumen dado de combustible.
TABLA
NROy,
. 28:
muestran
Tipo de combustible
Emisión de CO2 (kg/L)
Las emisiones de CO2 del tubo de escape para diversos combustibles
de transporte se muestran
Tipo
de
combustible
Emisión
de CO2 (kg/L)
Gasolina
2.29
en la TABLA NRO. 28:
E10 (10 % etanol + 90 % gasolina)
2.212.29
Gasolina
E85
(85
%
etanol
+
15
%
gasolina)
Tipo
combustible
CO2.21
2 (kg/L)
E10 (10
%deetanol
+ 90 % gasolina) Emisión de1.61
Diesel
2.66
Gasolina
2.291.61
E85 (85
%
etanol
+
15
%
gasolina)
B5 (5 % biodiesel + 95 % diésel)
2.65
E10 (10 % etanol + 90 % gasolina)
2.21
DieselB20 (20 % biodiesel + 80 % diésel)
2.622.66
E85 (85 % etanol + 15 % gasolina)
1.61
ABLA NRO. 28.
Emisiones
de CO2 por tipo de combustible.
B5 (5 Diesel
%Tbiodiesel
+ 95
% diésel)
2.662.65
Tomada
de Environment
and
Climate Change Canada2.62
(2017).
B20 (20
biodiesel
+ 95
80%%diésel)
diésel)
B5 %
(5 %
biodiesel +
2.65
B20 (20
%. biodiesel
+ 80 % diésel)
TABLA
NRO
de CO
tipo 2.62
de
combustible.
2 porlitros,
Teniendo
en cuenta
que28.
unEmisiones
galón equivale
a 3.7854
se considera
que la cantidad de
TABLA NRO. 28. Emisiones de CO2 por tipo de combustible.
Tomada
de
Environment
and
Climate
Change
Canada
(2017).
emisiones de CO2 por galón de gasolina es 8.6685 kg de CO2 por galón de gasolina.
Tomada de Environment and Climate Change Canada (2017).
Según
Sistemaque
Europeo
de Negociación
de CO23.7854
, un kg delitros,
CO2 cuesta
0.009 dólaresque
y un la
galón
TeniendoTeniendo
en el
cuenta
un un
galón
se considera
cantidad de
en cuenta que
galónequivale
equivale aa 3.7854
litros, se
considera
que la cantidad
de
de gasolina 3.92 dólares (Toro, 2016) Estos datos pueden servir para calcular el costo total de emisión
de
CO
por
galón
de
gasolina
es
8.6685
kg
de
CO
por
galón
de
gasolina.
2
2
por
galón
de
gasolina
es
8.6685
kg
de
CO
por
galón
de
gasolina.
emisionesemisiones
de
CO
2
2
de CO en
la ruta obtenida con el AGCB. En este libro se considera
la emisión de CO por tipo de
2
2
combustible. Esto se muestran en la TABLA NRO. 28.
Según el Sistema Europeo de Negociación de CO2, un kg de CO2 cuesta 0.009 dólares y un galón
Según
el Sistema
Europeo
de2016)
Negociación
CO2servir
, un kg
decalcular
CO2 cuesta
dólares
de gasolina
3.92 dólares
(Toro,
Estos datosde
pueden
para
el costo0.009
total de
emisióny un galón
Endólares
este caso,(Toro,
se sigue la misma
metodologíapueden
utilizada en el numeral
3.3: se aplica
el algoritmo
de
gasolina
parala calcular
costo
de 3.92
CO2 en
la ruta obtenida2016)
con el Estos
AGCB.datos
En este libro seservir
considera
emisión deelCO
tipo dede emisión
2 por total
clustering diseñado por el autor. Este fue descrito en la sección 2.4.
ABLA
NRO
.
28.
combustible.
Esto
se
muestran
en
la
T
CO2 en la ruta obtenida con el AGCB. En este libro se considera la emisión de CO2 por tipo de
de
de
combustible. Esto
muestran
en la TABLA
NRO
. 28.
La se
aplicación
del algoritmo
se hace
para
150 clientes y 5 depósitos (Goetschalckx y JacobsEn este caso, se sigue la misma metodología utilizada en el numeral 3.3: se aplica el algoritmo de
Blecha 1989).
clustering diseñado por el autor. Este fue descrito en la sección 2.4.
En este caso, se sigue la misma metodología utilizada en el numeral 3.3: se aplica el algoritmo de
123
La aplicación
del algoritmo
se descrito
hace para en
150laclientes
y 52.4.
depósitos (Goetschalckx y Jacobsclustering diseñado
por el autor.
Este fue
sección
Blecha 1989).
La aplicación del algoritmo se hace para 150 clientes y 5 depósitos (Goetschalckx
123 y JacobsBlecha 1989).
123
120
Pedro Pablo Ballesteros Silva
El diagrama de dispersión de la ubicación de los clientes y depósitos se puede apreciar en la
FIGURA NRO. 23 y sus coordenadas se encuentran en la TABLA NRO. 29.
FIGURA NRO. 23. Diagrama de dispersión de ciento cincuenta clientes y cinco depósitos.
Elaboración propia.
En la primera etapa del algoritmo clustering se realiza la asignación de clientes a los depósitos
teniendo en cuenta la menor distancia, como se muestra en la FIGURA NRO. 24, sin considerar la capacidad
de los depósitos.
Depósito 4
Depósito 2
Depósito 1
124
Depósito 5
Depósito 3
FIGURA NRO. 24. Primera asignación de clientes a depósitos.
Elaboración propia.
121
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Clientes
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
x
-99
-59
0
-17
-69
31
5
-12
-64
-12
-18
-77
-53
83
24
17
42
-65
-47
85
-35
54
64
55
17
-61
-61
17
79
-62
-90
52
-54
8
37
-83
35
7
12
57
y Clientes x
-97
41
92
50
42
-3
14
43
-7
-66
44
42
-19
45
77
12
46
59
-41
47
25
10
48
69
70
49
-82
85
50
74
64
51
69
-16
52
29
88
53
-97
-24
54
-58
41
55
28
21
56
7
96
57
-28
0
58
-76
-26
59
41
36
60
92
-54
61
-84
-21
62
-12
-17
63
51
89
64
-37
-25
65
-97
66
66
14
26
67
60
-72
68
-63
38
69
-18
-2
70
-46
-68
71
-86
66
72
-43
-50
73
-44
-84
74
-3
-90
75
36
49
76
-30
-1
77
79
59
78
51
48
79
-61
95
80
6
y Clientes x
28
81
-19
97
82
-20
52
83
-81
-15
84
7
-43
85
52
-49
86
83
91
87
-7
-19
88
82
-14
89
-70
-70
90
-83
59
91
71
33
92
85
9
93
66
9
94
78
93
95
9
73
96
-36
73
97
66
55
98
92
42
99
-46
40
100
-30
-29
101
-42
42
102
20
-45
103
15
46
104
1
35
105
64
89
106
-96
58
107
93
-75
108
-40
34
109
86
-82
110
91
-79
111
62
-30
112
-24
7
113
11
-20
114
-53
41
115
-28
-94
116
7
-62
117
95
70
118
-3
-26
119
53
94
120
58
y
-62
51
37
31
12
-91
-92
-74
85
-30
-61
11
-48
-87
-79
4
39
-17
-79
-63
63
42
98
-17
20
85
-29
-84
35
36
-8
4
96
62
-71
-4
-9
17
-90
-19
Clientes
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
x
-83
-1
-4
-82
-43
6
70
68
-94
-94
-21
64
-70
88
2
33
-70
-38
-80
-5
8
-61
76
49
-30
1
77
-58
82
-80
y
84
49
17
-3
47
-6
99
-29
-30
-20
77
37
-19
65
29
57
6
-56
-95
-39
-22
-76
-22
-71
-68
34
79
64
-97
55
Depósitos
x
Depósito 1
Depósito 2
Depósito 3
Depósito 4
Depósito 5
70
40
40
-60
-60
y
0
80
-80
20
-20
TABLA NRO. 29. Coordenadas de ciento cincuenta clientes y cinco depósitos.
Elaboración propia.
126
122
Pedro Pablo Ballesteros Silva
En la figura anterior, los depósitos 2 y 4 están sobrecargados, por lo que es necesario hacer una
reasignación de algunos clientes entre depósitos para balancear su capacidad. Esta operación se realiza
con la segunda etapa del algoritmo (ver FIGURA NRO. 25).
FIGURA NRO. 25. Reasignación de clientes según capacidad de depósitos.
Elaboración propia.
La asignación definitiva de los ciento cincuenta clientes a cinco depósitos con este algoritmo
queda así:
Al depósito 1, 36 clientes: 6, 14, 16, 20, 22, 23, 25, 29, 37, 41, 44, 45, 48, 60, 85, 92, 97, 98, 105,
107, 109, 110, 111, 116, 117, 120, 126, 128, 132, 141, 143, 52, 84, 59, 134, 51.
Al depósito 2, 30 clientes: 10, 11, 15, 17, 24, 32, 38, 39, 40, 42, 43, 47, 55, 56, 66, 67, 75, 78, 80,
102, 103, 113, 122, 127, 131, 136, 147, 135, 57, 101.
Al depósito 3, 22 clientes: 4, 7, 28, 34, 35, 46, 50, 63, 76, 77, 86, 87, 88, 91, 93, 94, 95, 119, 144,
149, 146, 3.
Al depósito 4, 28 clientes: 2, 8, 9, 13, 26, 27, 36, 53, 58, 62, 64, 65, 69, 73, 82, 83, 89, 96, 106,
112, 114, 118, 121, 123, 125, 137, 148, 150.
Al depósito 5, 34 clientes: 1, 5, 12, 19, 21, 30, 31, 33, 49, 61, 68, 70, 71, 72, 74, 79, 81, 90, 99,
100, 104, 108, 115, 124, 129, 130, 133, 138, 139, 140, 142, 145, 18, 54.
Con las coordenadas de los clientes y depósitos se establece la respectiva matriz de distancias
que, junto con la cantidad de producto que se va a entregar (di) y la cantidad de producto que se va recoger
127
(pi) son la base para aplicar el algoritmo genético de Chu y Beasley (1997) para cada depósito.
Este problema de varios depósitos, varios vehículos y múltiples clientes se resuelve aplicando el
algoritmo genético de Chu y Beasley (1997) para un depósito, varios vehículos y múltiples clientes.
Sus resultados se presentan a continuación:
Para el depósito uno ver TABLA NRO. 30:
Cantidad de clientes: 36.
Número de vehículos: 3.
Número de configuraciones: 2000.
Capacidad de los vehículos: 600.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.
Intervalos para PMX: 6-12, 15-20, 25-30.
Valor Función objetivo lograda: 1803.10
unidades de longitud.
123
que, junto con la cantidad de producto que se va a entregar (di) y la cantidad de producto que se va recoger
(pi) son la base para aplicar el algoritmo genético de Chu y Beasley (1997) para cada depósito.
Este problema de varios depósitos, varios vehículos y múltiples clientes se resuelve aplicando el
Solución
problema
de enrutamiento
de vehículos
con entregas
y recogidas
algoritmodel
genético
de Chu
y Beasley (1997)
para un depósito,
varios
vehículos simultáneas
y múltiples clientes.
Una nueva matheurística
Sus resultados se presentan a continuación:
Para el depósito uno ver TABLA NRO. 30:
Cantidad de clientes: 36.
Número de vehículos: 3.
Número de configuraciones: 2000.
Capacidad de los vehículos: 600.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.
Intervalos para PMX: 6-12, 15-20, 25-30.
Valor Función objetivo lograda: 1803.10
unidades de longitud.
TABLA NRO. 30. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito uno.
Elaboración propia.
Para el depósito uno, la cantidad de ciclos generacionales fue de 326 536 y el tiempo de proceso
fueron 684.56 segundos.
En la TABLA NRO. 31 se muestra la solución encontrada por el AGCB para el depósito dos.
Cantidad de clientes: 30.
Número de vehículos: 3.
Número de configuraciones: 2000.
Capacidad de los vehículos: 600.
Tasa de mutación: 0.05.
Rut as
Tasa de recombinación: 1.
Intervalos para PMX: 5-10, 15-20, 23-26.
Valor de la función objetivo lograda:
831.07 unidades de longitud.
Solución Chu
Beasley
11 101 57 131 66 47 147 127 dep
284.19
Secuencia de las rutas por clientes
Ruta vehículo 1 dep 136
38 43
Ruta vehículo 2 dep
15 122 56
24
32 40
17 78 67 dep
Ruta vehículo 3 dep
39 102 75 135 103 80 113 10 42 55 dep
Distancia total deposito 2 Chu - Beasley:
128
260.40
286.48
831.07
TABLA NRO. 31. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito dos.
Elaboración propia.
En el depósito dos se necesitaron 482 199 ciclos generacionales con un tiempo de procesamiento
de 671.07 segundos.
Para el depósito tres ver TABLA NRO. 32:
Cantidad de clientes: 22.
Número de vehículos: 3.
Número de configuraciones: 4 000.
Capacidad de los vehículos: 350.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.
Intervalos para PMX: 4-7, 10-13, 15-17.
Valor de la función objetivo lograda:
1 325.85 unidades de longitud.
124genético de Chu-Beasley para el depósito tres.
TABLA NRO. 32. Solución obtenida con el algoritmo
Elaboración propia.
Para el depósito tres se utilizaron 583 359 ciclos generacionales cuyo procesamiento se demoró
Para el depósito tres ver TABLA NRO. 32:
Cantidad de clientes: 22.
Número de vehículos: 3.
Número de configuraciones: 4 000.
Capacidad de los vehículos: 350.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.
Intervalos para PMX: 4-7, 10-13, 15-17.
Valor de la función objetivoPedro
lograda:
Pablo Ballesteros Silva
1 325.85 unidades de longitud.
TABLA NRO. 32. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito tres.
Elaboración propia.
Para el depósito tres se utilizaron 583 359 ciclos generacionales cuyo procesamiento se demoró
45 806.82 segundos.
Para el depósito cuatro ver TABLA NRO. 33:
Cantidad de clientes: 28.
Número de vehículos: 3.
Número de configuraciones: 6 000.
Capacidad de los vehículos: 620.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.
Intervalos para PMX: 5-10, 16-20, 23-26.
Valor Función objetivo lograda: 1 439.27
unidades de longitud.
129
TABLA NRO. 33. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito cuatro.
Elaboración propia.
Para el depósito cuatro se necesitaron 607 680 ciclos generacionales y un tiempo de cómputo de
15 145.04 segundos.
Para el depósito cinco ver TABLA NRO. 34:
Cantidad de clientes: 34.
Número de vehículos: 3.
Número de configuraciones: 6 000.
Capacidad de los vehículos: 620.
Tasa de mutación: 0.05.
Tasa de recombinación: 1.
Intervalos para PMX: 6-12, 17-23, 25-30.
Valor Función objetivo lograda: 1 414.01
unidades de longitud.
TABLA NRO. 34. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito cinco.
Elaboración propia.
Para el depósito cinco, la cantidad de ciclos generacionales fue de 676 055 y en el tiempo de
proceso se necesitaron 23 466.59 segundos.
El total de la distancia para los cinco depósitos, aplicando del algoritmo genético de Chu y
125que se puede comparar con los resultados de la
Beasley (1997) es de 6813.30 unidades de longitud,
matheurística con impacto ambiental para varios depósitos de la sección 3.6.2.
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
TABLA
NRO
. 34. Solución obtenida con el algoritmo genético de Chu-Beasley para el depósito cinco.
Una
nueva
matheurística
Elaboración propia.
Para el depósito cinco, la cantidad de ciclos generacionales fue de 676 055 y en el tiempo de
proceso se necesitaron 23 466.59 segundos.
El total de la distancia para los cinco depósitos, aplicando del algoritmo genético de Chu y
Beasley (1997) es de 6813.30 unidades de longitud, que se puede comparar con los resultados de la
matheurística con impacto ambiental para varios depósitos de la sección 3.6.2.
El criterio de parada para el caso en los que no se conocen resultados publicados en la literatura
especializada se establece considerando la mejor solución encontrada después de un determinado número
130
de ciclos generacionales.
Con estos resultados, se aplica la matheurística propuesta para mejorar a través del modelo de
programación lineal, el desempeño del algoritmo genético de Chu-Beasley (1997).
3.6.
Resultados de la aplicación de la matheurística propuesta
El algoritmo híbrido propuesto en este libro está compuesto por el algoritmo de Chu-Beasley y un método
de programación lineal entera-mixta (MILP).
El pseudo-código de la matheurística se puede consultar en Ballesteros Silva (2019).
ambiental:
Se describen los resultados de la matheurística sin impacto ambiental y con impacto
3.6.1. Resultados de la matheurística sin impacto ambiental.
Estos resultados se presentan en los siguientes escenarios:
•
Para un depósito, cuatro vehículos y cincuenta clientes:
A partir de la configuración obtenida aplicando el algoritmo genético de Chu y Beasley
(1997) y utilizando la instancia CON 3-8 de Dethloff, que emplea un depósito, cuatro vehículos y
cincuenta clientes, se obtiene el valor de la función objetivo de 537.36, donde se consideran las rutas que
recorren los cuatro vehículos. Cada ruta se trata como un problema de programación lineal pequeño que
se puede resolver muy fácil con el respectivo modelo matemático propuesto por Dell’Amico et al. (2006).
En otras palabras, se está aplicando la matheurística que, apoyada en una buena configuración
producida por el algoritmo genético de Chu y Beasley (1997) y dos algoritmos constructivos diseñado
por el autor: uno que genera las matrices de distancia y las cantidades de productos que se deben entregar
y recoger en cada cliente (nodo) de cada una de las rutas, y otro permite el control de la carga para cada
ruta, datos que son necesarios para el modelo matemático de programación lineal entera-mixta (MILP)
que se va a aplicar.
En la TABLA NRO. 35 se presentan los respectivos resultados computacionales, donde se
puede observar que de veinticuatro experimentos se obtuvieron dos configuraciones con valores de la
función objetivo de 539.28 y 537.36 que, comparados con 523.05 ―el valor reportado por Subramanian
(2012) como el valor óptimo de esta instancia―, muestra buenos resultados en tiempos de computo
131
relativamente cortos (13.77 min y 14.45 min, respectivamente).
Última generación en
la que se mantuvo la
mejor función
objetivo
Número de
experimentos
Tamaño de
la
población
1
200
9 546 568
539.28
539.22
826.58
2
200
169 195 900
634.56
6022.13
3
200
126
631.47
14 797 376
604.41
606.86
621.71
4
200
18 281 904
601.59
604.66
865.83
5
200
25 751 135
566.4
569.15
1296.69
A
B
C(s)
Pedro Pablo Ballesteros Silva
(2012) como el valor óptimo de esta instancia―, muestra buenos resultados en tiempos
relativamente
cortos
mindey esta
14.45instancia―,
min, respectivamente).
(2012) como el
valor(13.77
óptimo
muestra buenos resultados en tiempos
relativamente cortos (13.77 min y 14.45 min, respectivamente).
Última generación en
Tamaño de
Número de
la que se mantuvo la
la de Última generación en
A
B
Tamaño
experimentos
mejor
función la
la que
se mantuvo
Número de
población
A
B
la
objetivo
mejor función
experimentos
población
objetivo
1
200
9 546 568
539.28
539.22
de computo
de computo
C(s)
C(s)
826.58
1
2
200
9 546
169
195 568
900
539.28
631.47
539.22
634.56
826.58
6022.13
2
3
200
169
195 376
900
14 797
631.47
604.41
634.56
606.86
6022.13
621.71
3
4
200
14
18 797
281 376
904
604.41
601.59
606.86
604.66
621.71
865.83
4
5
200
18 751
281 135
904
25
601.59
566.4
604.66
569.15
865.83
1296.69
5
6
200
253 751
875 135
938
566.4
618.01
569.15
620.88
1296.69
272.66
6
7
200
875 848
938
213 615
618.01
606.92
620.88
608.98
272.66
750.13
7
8
200
21
13 615
634 848
095
606.92
538.78
608.98
543.38
750.13
612.28
8
9
200
13
634 952
095
6 847
538.78
543.45
543.38
545.59
612.28
413.04
9
10
200
6
2 847
136 952
193
543.45
690.19
545.59
692.52
413.04
196.78
10
11
200
2
1 136
557 193
888
690.19
601.54
692.52
604.33
196.78
101.57
11
12
200
1 557
795 888
437
601.54
610.41
604.33
614.69
101.57
107.84
12
13
200
1 139
795 029
437
610.41
676.67
614.69
701.18
107.84
51.40
13
14
200
7 139
860 029
846
676.67
612.69
701.18
613.77
51.40
216.72
14
15
200
7
6 860
991 846
854
612.69
546.82
613.77
550.75
216.72
411.33
15
16
200
6 594
991 774
854
546.82
605.87
550.75
609.91
411.33
134.55
16
17
200
16 594
078 774
477
605.87
644.01
609.91
646.70
134.55
523.78
17
18
200
16
41 078
765 477
529
644.01
593.76
646.70
597.38
523.78
1131.61
18
19
200
41
44 765
159 529
790
593.76
551.33
597.38
553.53
1131.61
1378.16
19
20
200
44
12 159
396 790
611
551.33
584.14
553.53
586.64
1378.16
803.85
20
21
200
12
17 396
381 611
286
584.14
537.36
586.64
541.40
803.85
866.87
21
22
200
17
19 381
271 286
996
537.36
602.20
541.40
604.85
866.87
851.25
22
23
200
19 271
105
346 996
307
602.20
567.76
604.85
579.51
851.25
4786.89
23
24
200
105
346 211
307
50 972
567.76
571.41
579.51
573.79
4786.89
1836.32
TABLA
la211
implementación
del algoritmo
Chu24NRO. 35. Resultados
200 computacionales
50en
972
571.41
573.79genético de
1836.32
Beasley
utilizando la instancia
CON 3-8 de Dethloff.
TABLA NRO. 35. Resultados
computacionales
en la implementación
del algoritmo genético de ChuElaboración
propia.
Beasley utilizando
la instancia
CON 3-8 de Dethloff.
132
Elaboración propia.
132
Donde:
A: Mejor valor de la función objetivo en la respectiva generación.
B: Peor valor de la función objetivo en la respectiva generación.
C: Tiempo de cómputo para el número de generaciones relacionado (segundos).
NRO. 36.
Las soluciones obtenidas, en este caso, para las cuatro rutas se pueden apreciar en la TABLA
127
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Rutas
Solución
Solución
Solución
Mejor
Chu
Soluciónmatheurística
Chu
solución
Beasley
matheurística
Beasley
posible
Secuencia de las rutas
Rutas
Secuencia de las rutas
Ruta vehículo 1 dep 25 27 42 36 37 24
Ruta vehículo 1 dep 25 27 42 36 37 24
Ruta vehículo 2 dep 14 21 22 12
Ruta vehículo 2 dep 14 21 22 12
Ruta vehículo 3 dep 35 45 16
Ruta vehículo 3 dep 35 45 16
9
4
9
2 43 50 31 29 39
2 43 50 31 29 39
6 41 18 15 26 19 48 49
5 10 30
5 10 30
Ruta vehículo 4 dep 40 23 38 34
Ruta vehículo 4 dep 40 23 38 34
4
6 41 18 15 26 19 48 49
3
1 13 17 32 44 28 33
1 13 17 32 44 28 33
dep
194.71
196.63
190.26
dep
128.74
126.73
116.52
8 11 dep
183.73
184.62
183.73
dep
31.30
31.30
31.30
538.48
539.28
dep
3
194.71
dep
128.74
8 11 dep
183.73
dep
31.30
7 46 20 47
7 46 20 47
Distancia total recorrida matheurística
Distancia total recorrida matheurística
538.48
Distancia
totalChu-Beasley:
desde Chu-Beasley:
Distancia
total desde
539.28
Solución
según Subramanian
Solución
óptima óptima
según Subramanian
(2012) (2012)
Mejor
solución
posible
523.05
196.63
190.26
126.73
116.52
184.62
31.30
539.28
183.73
31.30
539.28
523.05
TABLA
36. Soluciones
obtenidas
el modelo
matemático
propuesto
por Dell’Amico
et al.para
(2006)
para la CON
instancia
TABLA
NRONRO
. 36..Soluciones
obtenidas
con elcon
modelo
matemático
propuesto
por Dell’Amico
et al. (2006)
la instancia
3-8 yCON
un 3-8 y un
depósito.
depósito.
Elaboración
Elaboración
propia propia
La solución obtenida desde la técnica matheurística (538.48 unidades de
longitud) difiere de 15.43 unidades de longitud por encima de la solución óptima (523.05
unidades de longitud), presentada por Subramanian (2012). La solución obtenida, para este
caso, por el algoritmo genético de Chu-Beasley es de 539.28 unidades de longitud, difiere
escasamente en 0.80 unidades de longitud con respecto al método de programación lineal,
aspecto que indica un buen desempeño del algoritmo híbrido propuesto por el autor.
•
Para tres depósitos, tres vehículos y cincuenta clientes:
134
Aplicando la misma metodología enunciada al principio de este numeral, se
presentan los resultados de la matheurística para este caso. En esa dirección, se toman como
base las soluciones para cada depósito obtenidas con el algoritmo genético de Chu y Beasley
(1997), las cuales se muestran en las tablas nro. 24, 40, 41 para los depósitos 1, 2 y 3,
respectivamente (ver numeral 3.3). Para el depósito uno, en la TABLA NRO. 37 se relacionan
los resultados obtenidos a través del software GAMS:
Ruta vehículo 1 dep 35 34 44 22 23
dep
Solución
matheurística
208.58
Ruta vehículo 2 dep 46 48 45 50
dep
155.89
Ru tas
Secuencia de las rutas para clientes
Ruta vehículo 3 dep 28 25 37 29 20 41 14 dep
Distancia total recorrida según matheurística,
deposito uno
300.47
664.94
TABLA NRO. 37. Soluciones obtenidas con la técnica matheurística para el depósito uno.
Elaboración propia.
Al comparar este resultado con el obtenido en relación con este mismo depósito
por medio del algoritmo genético de Chu y Beasley (1997), 715.05 unidades de longitud, se
evidencia un mejor resultado con la matheurística propuesta, el cual es un híbrido formado
por el AGCB y el modelo matemático.
Para el depósito dos, los resultados obtenidos a través del software GAMS se
muestran en la TABLA NRO. 38:
128
135
134
Elaboración propia.
Al comparar este resultado con el obtenido en relación con este mismo depósito
por medio del algoritmo genético de Chu y Beasley (1997), 715.05 unidades de longitud, se
Pedro
Ballesteros
Silva
evidencia un mejor resultado con la matheurística propuesta, el cual
es Pablo
un híbrido
formado
por el AGCB y el modelo matemático.
Para el depósito dos, los resultados obtenidos a través del software GAMS se
muestran en la TABLA NRO. 38:
TABLA NRO. 38. Soluciones obtenidas con la técnica matheurística para el depósito dos.
135
Elaboración propia.
El valor obtenido a través del algoritmo genético de Chu y Beasley (1997) para
este depósito fue 1183.42 unidades de longitud. Dicho resultado está muy cerca del total
logrado por la matheurística, es decir, 918.94 unidades de longitud. Como se ha mencionado
anteriormente, la matheurística es un híbrido formado por el AGCB y un modelo matemático.
Para el depósito tres, se pueden observar los resultados en la TABLA NRO. 39,
obtenidos con GAMS.
TABLA NRO. 39. Soluciones obtenidas con la matheurística para el depósito tres.
Elaboración propia.
Si se compara este resultado con el valor logrado para este depósito a través del
algoritmo genético de Chu y Beasley (1997), 907.01; la diferencia es pequeña, lo cual indica
un buen desempeño de la matheurística aplicada.
En la TABLA NRO. 40 se muestra el total de la distancia para los tres depósitos,
aplicando la matheurística:
TABLA NRO. 40. Consolidado de las soluciones obtenidas con la matheurística propuesta
para los tres depósitos sin impacto ambiental.
Elaboración propia.
129
136
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
El total de los resultados obtenidos con el algoritmo genético de Chu y Beasley (1997)
para los tres depósitos es de 2 805.48 unidades de longitud (ver TABLA NRO. 26). Como se
puede notar, al aplicarles el algoritmo híbrido (matheurística), se logra un mejoramiento
notable (se disminuye la distancia recorrida en 390.82 unidades de longitud) y se obtiene una
distancia total recorrida para los tres depósitos de 2 414.66 unidades de longitud.
3.6.2. Resultados de la matheurística con impacto ambiental
A continuación, se describen sus resultados para varios escenarios:
•
Para un depósito.
Se debe considerar el resultado de la aplicación del AGCB con impacto ambiental
para la instancia SCA 8-0 (modificada por la matriz de impacto ambiental), la cual
corresponde a 975.13 unidades de longitud con 4 988 407 ciclos generacionales y un tiempo
de procesamiento de 5539.47 segundos (ver TABLA NRO. 42). La instancia SCA 8-0 tiene
datos para 50 clientes y 10 vehículos.
A partir del mejor resultado de la función objetivo, obtenido de la TABLA NRO.
27, numeral 3.4, se toma la configuración que contiene la incumbente 975.13 unidades de
longitud, correspondiente al ensayo que se hace para un tamaño de la población de 100
configuraciones, con tasa de recombinación de 0.80 y tasa de mutación de 0.03. Asimismo,
se generan las diez matrices para las diez rutas que considera esta instancia.
Cada matriz de distancias con sus correspondientes datos de entrega di y de
recogida pi, se constituye en un problema de programación lineal pequeño que se resuelve
aplicando el software GAMS. Los resultados de la aplicación de la matheurística se muestran
en la TABLA NRO. 41:
137
TABLA NRO.41. Soluciones obtenidas con la matheurística con impacto ambiental para un
depósito.
Elaboración propia.
Los resultados detallados aplicando el algoritmo genético de Chu-Beasley para esta
misma instancia son mostrados en la TABLA NRO. 42.
130
TABLA NRO.41. Soluciones obtenidas con la matheurística con impacto ambiental para un
Pedro Pablo Ballesteros Silva
depósito.
Elaboración propia.
Los resultados detallados aplicando el algoritmo genético de Chu-Beasley para esta
misma instancia son mostrados en la TABLA NRO. 42.
TABLA NRO. 42. Soluciones obtenidas con el algoritmo genético de Chu-Beasley, instancia
SCA 8-0 con impacto ambiental para un depósito.
Elaboración propia.
Como puede apreciarse, los resultados obtenidos con el algoritmo genético de Chu y
Beasley (1997), 1501.70 unidades de longitud se pueden mejorar con la matheurística
propuesta que logra una distancia total recorrida de 1323.10 unidades de longitud. Esto indica
un buen desempeño de la matheurística propuesta.
138
•
Para varios depósitos.
Se consideran cinco depósitos, ciento cincuenta clientes y tres vehículos por depósito
(ver TABLA NRO. 43), donde se muestran las rutas obtenidas para este caso aplicando el
algoritmo genético de Chu y Beasley (1997).
A partir de estos resultados de las funciones objetivo alcanzadas, relacionadas en
dichas tablas, se toman las configuraciones que contiene la incumbente para cada depósito.
A estas configuraciones, se les aplica el generador de matrices para obtener la información
que requiere la matheurística, es decir, tres matrices por depósito (son tres rutas tres rutas,
una por vehículo). En total son quince matrices.
Cada matriz de distancias con sus correspondientes datos de entrega di y de
recogida pi, constituye un problema de programación lineal pequeño que se resuelve
aplicando la matheurística propuesta, para lo cual se utiliza el software GAMS. Los
resultados se muestran en la TABLA NRO. 43.
131
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
TABLA NRO. 43. Soluciones obtenidas con la matheurística propuesta combinando
programación lineal entera mixta (MILP) con el algoritmo genético de Chu-Beasley
considerando el impacto ambiental a través de GAMS para cinco depósitos, ciento
cincuenta clientes y tres vehículos por depósito.
Elaboración propia.
Las rutas generadas con la aplicación de la matheurística para cada depósito se
muestran en las siguientes figuras nro. 26 a 30. Estas rutas corresponden a los depósitos uno
a cinco, respectivamente:
140
132
Pedro Pablo Ballesteros Silva
26. Rutas para el depósito uno.
FIGURA NRO. 16.
Elaboración propia.
FIGURA NRO. 27. Rutas para el depósito dos.
Elaboración propia.
133
141
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
FIGURA NRO. 28. Rutas para el depósito tres.
Elaboración propia.
FIGURA NRO. 29. Rutas para el depósito cuatro.
Elaboración propia.
142
134
Pedro Pablo Ballesteros Silva
FIGURA NRO. 30. Rutas para el depósito cinco.
Elaboración propia.
A continuación, se hace la comparación de las soluciones obtenidas con el algoritmo
genético de Chu y Beasley (1997) y las soluciones logradas con la matheurística para los
cinco depósitos, ciento cincuenta clientes y tres vehículos por depósito, considerando el
impacto ambiental (ver tablas nro. 44 y 45):
Resultados obtenidos con el algoritmo genético de Chu-Beasley.
Distancia total para el depósito uno
1 790.93 km.
Distancia total para el depósito dos
831.07 km.
Distancia total para el depósito tres
1 325.85 km.
Distancia total para el depósito cuatro
1 439.27 km.
Distancia total para el depósito cinco
1 414.01 km.
Total distancia recorrida aplicando
6 801.13 km.
AGCB
Consumo promedio de combustible
2 145.42 litros de gasolina.
Emisión de CO2
4 913.02 kg de CO2
TABLA NRO. 44. Soluciones con el AGCB para cinco depósitos, ciento cincuenta clientes,
tres vehículos por depósito, con impacto ambiental.
Elaboración propia.
143
135
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
TABLA NRO. 45. Soluciones con la matheurística para cinco depósitos, ciento cincuenta
clientes, tres vehículos por depósito, con impacto ambiental.
Elaboración propia.
Se puede evidenciar que la distancia total recorrida, aplicando la matheurística
propuesta (4212.54) es mejor que el resultado logrado con el algoritmo genético de Chu y
Beasley (1997), 6801.13, situación que indica un buen desempeño de la propuesta
presentada.
Con los datos expuestos en el numeral 3.5, donde se estableció que los vehículos en
promedio transportan 20 toneladas, consumen 1 galón de gasolina cada 12 kilómetros y cada
galón de gasolina produce 8.669 kg de CO2, se puede observar en las dos tablas anteriores el
consumo promedio de combustible y la cantidad de emisión de CO2 para el total de distancias
obtenidas a través del algoritmo genético de Chu y Beasley (1997) y de la matheurística.
Asimismo, se puede notar que hay una significativa disminución en la generación de
emisión de CO2 cuando se aplica la matheurística, a saber: 1869.91 kg de CO2 menos.
Otra forma de determinar la emisión de CO2 se describe en la investigación realizada
por Huang et al. (2012), quienes proponen el cálculo del consumo de combustible y la
emisión de CO2 a partir de las siguientes ecuaciones (74) y (75):
!"#$%&" () *"&+%$,-+.)!" = (!" ∗ 12 ∗ 34!" + 6!" 7 + +8
Donde:
9&-$-ó# () !;# !" = h ∗ (!" ∗ 12 ∗ 34!" + 6!" 7 + +8
(74)
(75)
Consumo de combustibleij corresponde al consumo combustible necesario para
recorrer el arco (i, j).
dij representa distancia entre el nodo i y el nodo j.
144
136
Pedro Pablo Ballesteros Silva
a y b representan los coeficientes de consumo de combustible.
Dij expone la cantidad de producto para entregar que se transporta en el arco (i, j).
Pij alude a la cantidad de producto recogido que se transporta en el arco (i, j).
Emisión de CO2ij representa la emisión de CO2 en el arco (i, j).
h corresponde a la tasa de emisión de consumo de combustible (kg de CO2/litro de
combustible). Como puede observarse en la TABLA NRO. 28.
Lo importante de este trabajo es que consideran que tanto el consumo de combustible
y la emisión de CO2 dependen de la distancia recorrida y de la carga transportada entre los
diferentes nodos o clientes. Con esta consideración, surge otra forma de determinar la
secuencia de los clientes, aplicando el impacto ambiental a la configuración generada por el
algoritmo genético de Chu y Beasley (1997). Así, con las nuevas matrices obtenidas a través
del conversor, se utiliza la matheurística propuesta. Entonces, el procedimiento
implementado es:
1.
Tomar la mejor configuración generada por el algoritmo genético de Chu-Beasley
(AGCB).
2.
Organizar la asignación inicial de cada depósito según la mejor configuración del
AGCB. Consiste en colocar en forma tabular la información de la configuración obtenida
con el AGCB para cada depósito: cliente visitado, coordenadas (x, y), cantidad de producto
a entregar y cantidad de producto a recoger.
3.
Determinar la distancia entre los clientes o nodos obtenidos en el numeral 2.
4.
Calcular la carga acumulada Dij + Pij, consumo de combustible y emisión de CO2
para cada trayecto.
5.
Normalizar la distancia y Dij + Pij: Normalizar la distancia consiste en dividir cada
distancia recorrida entre el promedio de la distancia recorrida por cada vehículo en relación
con cada depósito. Normalizar la carga transportada en cada nodo consiste en dividir dicha
carga entre el promedio de la carga transportada por cada vehículo para cada depósito. Luego,
se suman la distancia normalizada con la carga normalizada, puesto que son datos
adimensionales.
6.
Ordenar la secuencia con base en los resultados del numeral anterior. Se suman los
valores normalizados y se ordenan de menor a mayor. Esto garantiza una distribución
equitativa para cada vehículo en el nuevo recorrido.
145
137
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
7.
Hacer la asignación de las cargas para cada vehículo según su capacidad. Crear la
secuencia requerida en el generador de matrices. Esto constituye el insumo para aplicar el
modelo matemático en la matheurística propuesta. Con la nueva configuración, se aplica el
generador de matrices para los problemas pequeños de cada vehículo.
8.
Resolver cada subproblema, empleando el software GAMS.
9.
Se aplica proceso de optimización distribuida, descrito en el numeral 2.3.3.
Una forma de integrar las variables distancia y Dij + Pij es hacer su normalización.
Esta genera valores adimensionales que se pueden sumar. Con esta nueva consideración, se
puede establecer una nueva secuencia, procurando mantener la carga de los vehículos por
debajo de capacidad plena; situación que indica menos generación de CO2 en cada recorrido.
En las tablas nro. 46 hasta la 55 se muestra la información inicial y final obtenida de
la aplicación del procedimiento descrito anteriormente. Esta es la base para aplicar la
matheurística propuesta a cada uno de los cinco depósitos con ciento cincuenta clientes y tres
vehículos por depósito.
Para calcular el consumo de combustible, se toma la distancia recorrida y se
multiplica por la tasa de consumo por km la cual corresponde a 0.3154 litros de gasolina por
km.
Para determinar la emisión de CO2, se toma el total de combustible (litros de gasolina)
y se multiplica por la tasa de generación de CO2 (kg de CO2 /litro de combustible) que es
2.29 kg de CO2 / litro de gasolina (ver TABLA NRO. 28).
En las tablas numeradas del 46 al 55:
io, i15, i29 identifican al depósito, cliente 15, cliente 29…
x, y son las coordenadas de clientes y depósitos.
di corresponde a la cantidad de producto que se entrega en el cliente i.
pi representa la cantidad de producto que se recoge al cliente i.
Dij + Pij es la cantidad de mercancía acumulada por entregar y cantidad de mercancía
acumulada recogida.
Es importante anotar que las tablas 47, 49, 51, 53 y 55, que contienen la información
final de cada depósito, son una nueva distribución de clientes, considerando la normalización
de distancias, y la carga acumulada por entregar y acumulada recogida. Esta nueva
distribución se logra ordenando de menor a mayor los valores de la columna (A + B) de las
tablas que contienen la información inicial para cada depósito.
146
SITUACIÓN INICIAL DEPÓSITO UNO.
DEPOSITO UNO
x
y
di
pi
D ij +P ij
d ij (k m)
Consumo de Emisión de
combustibleij CO2ij (kg
(litros)
CO2 )
0
i0
70
0
1 593.43
-
1 593.43
52
i15
29
33
58.94
36.43
1 570.92
52.63
16.60
117
i29
95
-9
14.94
8.37
1 564.35
78.23
24.68
56.51
20
i4
85
36
5.49
4.33
1 563.19
46.10
14.54
33.30
41
i10
92
28
85.37
110.68
1 588.50
10.63
3.35
7.68
59
i16
41
42
57.23
83.89
52.89
16.68
38.21
110
i26
91
36
89.47
138104.39
1 615.16
1 630.08
50.36
15.89
36.38
134
i34
88
65
41.85
47.35
1 635.58
29.15
9.20
21.06
92
i20
85
11
58.94
36.43
1 613.07
54.08
17.06
39.07
6
i1
31
12
63.19
79.23
1 629.11
54.01
17.04
39.02
38.02
Pedro Pablo Ballesteros Silva
distribución se logra ordenando de menor a mayor los valores de la columna (A + B) de las
tablas que contienen la información inicial para cada depósito.
SITUACIÓN INICIAL DEPÓSITO UNO.
DEPOSITO UNO
x
y
di
pi
D ij +P ij
d ij (k m)
Consumo de Emisión de
combustibleij CO2ij (kg
(litros)
CO2 )
0
i0
70
0
1 593.43
-
1 593.43
52
i15
29
33
58.94
36.43
1 570.92
52.63
16.60
117
i29
95
-9
14.94
8.37
1 564.35
78.23
24.68
56.51
20
i4
85
36
5.49
4.33
1 563.19
46.10
14.54
33.30
41
i10
92
28
85.37
110.68
1 588.50
10.63
3.35
7.68
59
i16
41
42
57.23
83.89
1 615.16
52.89
16.68
38.21
110
i26
91
36
89.47
104.39
1 630.08
50.36
15.89
36.38
134
i34
88
65
41.85
47.35
1 635.58
29.15
9.20
21.06
92
i20
85
11
58.94
36.43
1 613.07
54.08
17.06
39.07
6
i1
31
12
63.19
79.23
1 629.11
54.01
17.04
39.02
60
i17
92
40
9.15
4.96
1 624.92
67.12
21.17
48.49
97
i21
66
39
12.79
17.15
1 629.28
26.02
8.21
18.80
29
i8
79
38
28.98
21.35
1 621.65
13.04
4.11
9.42
132
i33
64
37
27.30
39.77
1 634.12
15.03
4.74
10.86
109
i25
86
35
34.90
31.66
1 630.88
22.09
6.97
15.96
105
i23
64
20
31.24
32.58
1 632.22
26.63
8.40
19.24
84
i18
7
31
37.58
32.62
1 627.26
58.05
18.31
41.93
107
i24
93
-29
9.15
4.96
1 623.07
104.86
33.08
75.75
38.02
14
i2
83
-24
14.24
16.80
1 625.63
11.18
3.53
8.08
120
i30
58
-19
26.99
15.45
1 614.09
25.50
8.04
18.42
126
i31
6
-6
86.46
61.71
1 589.34
53.60
16.91
38.72
45
i12
77
-43
92.69
120.93
1 617.58
80.06
25.25
57.83
18.28
48
i13
69
-19
93.61
130.46
1 654.43
25.30
7.98
143
i36
76
-22
85.31
88.70
1 657.82
7.62
2.40
5.50
111
i27
62
-8
85.37
110.68
1 683.13
19.80
6.25
14.30
25
i7
17
-25
3.14
4.37
1 684.36
48.10
15.17
34.75
98
i22
92
-17
31.24
32.58
1 685.70
75.43
23.79
54.49
116
i28
7
-4
56.67
36.01
1 665.04
85.99
27.13
62.12
128
i32
68
-29
31.96
29.57
1 662.65
65.92
20.79
47.62
23
i6
64
-17
66.21
52.17
1 648.61
12.65
3.99
9.14
22
i5
54
-21
27.30
39.77
1 661.08
10.77
3.40
7.78
141
i35
8
-22
1.84
1.10
1 660.34
46.01
14.51
33.24
51
i14
69
59
1.84
1.10
1 659.60
101.40
31.99
73.25
37
i9
35
-1
47.17
50.82
1 663.25
68.96
21.75
49.82
85
i19
52
12
30.42
20.37
1 653.20
21.40
6.75
15.46
44
i11
42
-15
85.29
109.45
1 677.36
28.79
9.08
20.80
16
0
i3
17
21
59.17
32.48
1 650.67
48.83
15.40
35.27
57.01
17.98
41.18
Totales
1 593.43
1 650.67
1 655.24
TABLA NRO. 46. Información inicial del depósito uno.
Elaboración propia.
147
139
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
SITUACIÓN FINAL DEPÓSITO UNO
DEPOSITO UNO
0
i0
x
70
y
di
-
1 593.43
pi
D ij +P ij
-
1 593.43
A+B
143
i36
76
-22.00
85.31
88.70
1 596.82
1.18
41
i10
92
28.00
85.37
110.68
1 622.13
1.21
14
i2
83
-24.00
14.24
16.80
1 624.69
1.24
22
i5
54
-21.00
27.30
39.77
1 637.16
1.26
29
i8
79
38.00
28.98
21.35
1 629.53
1.28
23
i6
64
-17.00
66.21
52.17
1 615.49
1.29
132
i33
64
37.00
27.30
39.77
1 627.96
1.34
111
i27
62
-8.00
85.37
110.68
1 653.27
1.47
85
i19
52
12.00
30.42
20.37
1 643.22
1.49
109
i25
86
35.00
34.90
31.66
1 639.98
1.49
120
i30
58
-19.00
26.99
15.45
1 628.44
1.56
48
i13
69
-19.00
93.61
130.46
1 665.29
1.58
97
i21
66
39.00
12.79
17.15
1 669.65
1.58
105
i23
64
20.00
31.24
32.58
1 670.99
1.59
134
i34
88
65.00
41.85
47.35
1 676.49
1.65
44
i11
42
-15.00
85.29
109.45
1 700.65
1.67
20
i4
85
36.00
5.49
4.33
1 699.49
1.99
141
i35
8
-22.00
1.84
1.10
1 698.75
2.04
16
i3
17
21.00
59.17
32.48
1 672.06
2.10
25
i7
17
-25.00
3.14
4.37
1 673.29
2.11
110
i26
91
36.00
89.47
104.39
1 688.21
2.12
52
i15
29
33.00
58.94
36.43
1 665.70
2.14
59
i16
41
42.00
57.23
83.89
1 692.36
2.17
126
i31
6
-6.00
86.46
61.71
1 667.61
2.17
92
i20
85
11.00
58.94
36.43
1 645.10
2.20
6
i1
31
12.00
63.19
79.23
1 661.14
2.20
84
i18
7
31.00
37.58
32.62
1 656.18
2.29
128
i32
68
-29.00
31.96
29.57
1 653.79
2.49
60
i17
92
40.00
9.15
4.96
1 649.60
2.49
37
i9
35
-1.00
47.17
50.82
1 653.25
2.56
117
i29
95
-9.00
14.94
8.37
1 646.68
2.71
98
i22
92
-17.00
31.24
32.58
1 648.02
2.72
45
i12
77
-43.00
92.69
120.93
1 676.26
2.78
116
i28
7
-4.00
56.67
36.01
1 655.60
2.94
51
i14
69
59.00
1.84
1.10
1 654.86
3.28
107
i24
93
-29.00
9.15
4.96
1 650.67
3.34
V
e
h
í
c
u
l
o
1
V
e
h
í
c
u
l
o
2
V
e
h
í
c
u
l
o
3
TABLA NRO. 47. Información final del depósito uno.
Elaboración propia.
148
140
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
SITUACIÓN INICIAL DEPÓSITO 2
DEPOSITO 2
x
y
di
pi
D ij +P ij
-
Consumo de Emisión de
d ij (k m) combustiblei CO2ij (kg
j (litros)
CO2)
0
i0
40
80
1 568.87
136
i26
33
57
90.78
115.67
1 568.87
1 593.76
24.04
7.58
17.37
38
i7
7
59
31.96
29.57
1 591.37
26.08
8.23
18.84
43
i11
-7
52
92.08
49.60
1 548.89
15.65
4.94
11.31
11
i2
-18
64
55.82
59.78
1 552.85
16.28
5.14
11.76
101
i30
-42
63
1.62
1.07
1 552.30
24.02
7.58
17.35
57
i29
-28
73
12.79
17.15
1 556.66
17.20
5.43
12.42
131
i25
-21
77
91.21
136.03
1 601.48
8.06
2.54
5.82
66
i15
14
89
59.17
32.48
1 574.79
37.00
11.67
26.73
47
i12
25
91
14.94
8.37
1 568.22
11.18
3.53
8.08
147
i27
77
79
12.79
17.15
1 572.58
53.37
16.84
38.55
127
i24
70
99
47.17
50.82
1 576.23
21.19
6.68
15.31
17
i4
42
96
9.05
11.04
1 578.22
28.16
8.88
20.34
10.86
40
i9
57
95
73.81
51.37
1 555.78
15.03
4.74
24
i5
55
89
41.85
47.35
1 561.28
6.32
1.99
4.57
78
i18
51
70
93.61
130.46
1 598.13
19.42
6.13
14.03
10.84
67
i16
60
58
9.05
11.04
1 600.12
15.00
4.73
32
i6
52
66
69.43
76.52
1 607.21
11.31
3.57
8.17
15
i3
24
41
80.43
108.84
1 635.62
37.54
11.84
27.12
122
i23
-1
49
69.43
76.52
1 642.71
26.25
8.28
18.96
56
i14
7
73
63.19
79.23
1 658.75
25.30
7.98
18.28
18.42
39
i8
12
48
89.69
96.33
1 665.39
25.50
8.04
102
i20
20
42
46.35
40.48
1 659.52
10.00
3.15
7.22
75
i17
36
41
92.69
120.93
1 687.76
16.03
5.06
11.58
135
i28
2
29
3.14
4.37
1 688.99
36.06
11.38
26.05
103
i21
15
98
63.19
79.23
1 705.03
70.21
22.15
50.72
80
i19
6
94
26.99
15.45
1 693.49
9.85
3.11
7.12
113
i22
11
96
92.08
49.60
1 651.01
5.39
1.70
3.89
10
i1
-12
85
9.15
4.96
1 646.82
25.50
8.04
18.42
42
i10
-3
97
79.06
51.93
1 619.69
15.00
4.73
10.84
55
i13
28
93
46.35
40.48
1 613.82
0
Totales
1 568.87
1 613.82
31.26
9.86
22.58
17.69
5.58
12.78
700.89
TABLA NRO. 48. Información inicial del depósito dos.
Elaboración propia.
149
141
Pedro Pablo Ballesteros Silva
SITUACIÓN FINAL DEPÓSITO DOS
DEPOSITO DOS
x
y
di
pi
D ij +P ij
-
1 568.87
47.35
1 574.37
A+B
0
i0
40
80
1 568.87
24
i5
55
89
41.85
113
i22
11
96
92.08
49.60
1 531.89
1.26
131
i25
-21
77
91.21
136.03
1 576.71
1.35
1.25
47
i12
25
91
14.94
8.37
1 570.14
1.47
102
i20
20
42
46.35
40.48
1 564.27
1.47
80
i19
6
94
26.99
15.45
1 552.73
1.49
32
i6
52
66
69.43
76.52
1 559.82
1.50
40
i9
57
95
73.81
51.37
1 537.38
1.63
43
i11
-7
52
92.08
49.60
1 494.90
1.65
67
i16
60
58
9.05
11.04
1 496.89
1.66
42
i10
-3
97
79.06
51.93
1 469.76
1.67
11
i2
-18
64
55.82
59.78
1 473.72
1.68
57
i29
-28
73
12.79
17.15
1 478.08
1.73
75
i17
36
41
92.69
120.93
1 506.32
1.76
78
i18
51
70
93.61
130.46
1 543.17
1.85
127
i24
70
99
47.17
50.82
1 546.82
1.92
101
i30
-42
63
1.62
1.07
1 546.27
2.03
136
i26
33
57
90.78
115.67
1 571.16
2.05
38
i7
7
59
31.96
29.57
1 568.77
2.14
2.15
56
i14
7
73
63.19
79.23
1 584.81
10
i1
-12
85
9.15
4.96
1 580.62
2.15
39
i8
12
48
89.69
96.33
1 587.26
2.16
122
i23
-1
49
69.43
76.52
1 594.35
2.18
17
i4
42
96
9.05
11.04
1 596.34
2.22
55
i13
28
93
46.35
40.48
1 590.47
2.38
66
i15
14
89
59.17
32.48
1 563.78
2.61
135
i28
2
29
3.14
4.37
1 565.01
2.64
15
i3
24
41
80.43
108.84
1 593.42
2.68
147
i27
77
79
12.79
17.15
1 597.78
3.34
103
i21
15
98
63.19
79.23
1 613.82
4.16
V
e
h
í
c
u
l
o
1
V
e
h
í
c
u
l
o
2
V
e
h
í
c
u
l
o
3
TABLA NRO. 49. Información final del depósito dos.
Elaboración propia.
150
142
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
SITUACIÓN INICIAL DEPÓSITO TRES
DEPOSITO TRES
x
y
di
pi
D ij +P ij
Consumo de Emisión d e
d ij (k m) combustible i CO2ij (kg
CO2)
j (litros)
0
i0
40
-80
965.69
-
965.69
34
i5
8
-84
37.58
32.62
960.73
32.25
10.17
23.30
50
i8
74
-70
26.99
15.45
949.19
67.47
21.28
48.74
149
i22
82
-97
57.23
83.89
975.85
28.16
8.88
20.34
144
i20
49
-71
1.62
1.07
975.30
42.01
13.25
30.35
28
i4
17
-72
94.95
90.52
970.87
32.02
10.10
23.13
146
i21
1
34
63.19
79.23
986.91
107.20
33.82
77.44
95
i18
9
-79
46.35
40.48
981.04
113.28
35.73
81.83
93
i16
66
-48
85.31
88.70
984.43
64.88
20.47
46.87
46
i7
59
-49
56.67
36.01
963.77
7.07
2.23
5.11
94
i17
78
-87
1.62
1.07
963.22
42.49
13.40
30.69
91
i15
71
-61
1.84
1.10
962.48
26.93
8.50
19.45
77
i11
79
-62
14.94
8.37
955.91
8.06
2.54
5.82
88
i14
82
-74
31.96
29.57
953.52
12.37
3.90
8.94
63
i9
51
-45
89.47
104.39
968.44
42.45
13.39
30.67
3
i1
0
14
85.31
88.70
971.83
77.99
24.60
56.34
119
i19
53
-90
35.53
20.25
956.55
116.73
36.82
84.32
87
i13
-7
-92
47.17
50.82
960.20
60.03
18.94
43.36
86
i12
83
-91
86.46
61.71
935.45
90.01
28.39
65.02
35
i6
37
-90
30.42
20.37
925.40
46.01
14.51
33.24
76
i10
-30
-94
56.67
36.01
904.74
67.12
21.17
48.49
4
i2
-17
-66
1.62
1.07
904.19
30.87
9.74
22.30
7
i3
5
-41
12.79
17.15
908.55
33.30
10.50
24.06
0
i0
52.40
16.53
37.85
Totales
965.69
908.55
TABLA NRO. 50. Información inicial del depósito tres.
Elaboración propia.
151
143
Pedro Pablo Ballesteros Silva
SITUACIÓN FINAL DEPÓSITO TRES
DEPÓSITO TRES
x
y
di
pi
D ij +P ij
A+B
0
i0
40
-80.00
965.69
0.00
965.69
46
i7
59
-49.00
56.67
36.01
945.03
1.14
77
i11
79
-62.00
14.94
8.37
938.46
1.15
88
i14
82
-74.00
31.96
29.57
936.07
1.23
91
i15
71
-61.00
1.84
1.10
935.33
1.52
4
i2
-17
-66.00
1.62
1.07
934.78
1.54
149
i22
82
-97.00
57.23
83.89
961.44
1.56
7
i3
5
-41.00
12.79
17.15
965.80
1.59
34
i5
8
-84.00
37.58
32.62
960.84
1.62
28
i4
17
-72.00
94.95
90.52
956.41
1.63
94
i17
78
-87.00
1.62
1.07
955.86
1.82
144
i20
49
-71.00
1.62
1.07
955.31
1.83
63
i9
51
-45.00
89.47
104.39
970.23
1.83
35
i6
37
-90.00
30.42
20.37
960.18
1.85
87
i13
-7
-92.00
47.17
50.82
963.83
2.15
76
i10
-30
-94.00
56.67
36.01
943.17
2.23
93
i16
66
-48.00
85.31
88.70
946.56
2.27
50
i8
74
-70.00
26.99
15.45
935.02
2.29
3
i1
0
14.00
85.31
88.70
938.41
2.51
86
i12
83
-91.00
86.46
61.71
913.66
2.70
146
i21
1
34.00
63.19
79.23
929.70
3.09
95
i18
9
-79.00
46.35
40.48
923.83
3.20
119
i19
53
-90.00
35.53
20.25
908.55
3.24
V
e
h
í
c
u
l
o
1
V
e
h
í
c
2
V
e
h
í
c
.
3
TABLA NRO. 51. Información final del depósito tres.
Elaboración propia.
152
144
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
SITUACIÓN INICIAL DEPÓSITO CUATRO.
DEPOSITO
CUATRO.
x
y
di
Consumo de Emisión d e
D ij +P ij d ij (k m) combustible i CO2ij (kg
j (litros)
CO2)
pi
0
i0
-60
20
1 597.08
-
1 597.08
58
i9
-76
55
31.24
32.58
1 598.42
38.48
12.14
27.80
123
i24
-4
17
59.88
37.51
1 576.05
81.41
25.68
58.81
82
i15
-20
51
69.43
76.52
1 583.14
37.58
11.85
27.15
137
i26
-70
6
10.52
12.08
1 584.70
67.27
21.22
48.59
8
i2
-12
10
31.24
32.58
1 586.04
58.14
18.34
42.00
53
i8
-97
9
85.31
88.70
1 589.43
85.01
26.82
61.41
65
i12
-97
35
80.43
108.84
1 617.84
26.00
8.20
18.78
62
i10
-12
42
34.90
31.66
1 614.60
85.29
26.90
61.61
114
i21
-53
62
85.29
109.45
1 638.76
45.62
14.39
32.96
2
i1
-59
50
58.94
36.43
1 616.25
13.42
4.23
9.69
9
i3
-64
70
57.23
83.89
1 642.91
20.62
6.50
14.90
42.19
69
i13
-18
34
39.17
57.71
1 661.45
58.41
18.43
118
i22
-3
17
93.61
130.46
1 698.30
22.67
7.15
16.38
150
i28
-80
55
9.15
4.96
1 694.11
85.87
27.09
62.03
106
i19
-96
85
57.23
83.89
1 720.77
34.00
10.73
24.56
89
i17
-70
85
89.69
96.33
1 727.41
26.00
8.20
18.78
148
i27
-58
64
31.24
32.58
1 728.75
24.19
7.63
17.47
112
i20
-24
4
79.06
51.93
1 701.62
68.96
21.75
49.82
83
i16
-81
37
59.88
37.51
1 679.25
65.86
20.78
47.58
27
i6
-61
26
10.52
12.08
1 680.81
22.83
7.20
16.49
96
i18
-36
4
63.19
79.23
1 696.85
33.30
10.50
24.06
121
i23
-83
84
56.48
39.64
1 680.01
92.78
29.27
67.02
13
i4
-53
88
89.47
104.39
1 694.93
30.27
9.55
21.87
73
i14
-44
7
92.08
49.60
1 652.45
81.50
25.71
58.87
64
i11
-37
46
14.24
16.80
1 655.01
39.62
12.50
28.62
36
i7
-83
49
86.46
61.71
1 630.26
46.10
14.54
33.30
26
i5
-61
66
90.78
115.67
1 655.15
27.80
8.77
20.08
125
i25
-43
47
30.42
20.37
1 645.10
26.17
8.26
18.90
31.91
10.07
23.05
0
0
Totales
1 597.08
1 645.10
TABLA NRO. 52
. Información inicial del depósito cuatro.
Elaboración propia.
153
145
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
SITUACIÓN FINAL DEPÓSITO CUATRO.
DEPÓSITO CUATRO
x
y
di
0
i0
-60
20
1 597.08
2
i1
-59
50
58.94
pi
D ij +P ij
-
1 597.08
36.43
1 574.57
A+B
1.26
9
i3
-64
70
57.23
83.89
1 601.23
1.43
27
i6
-61
26
10.52
12.08
1 602.79
1.50
118
i22
-3
17
93.61
130.46
1 639.64
1.51
65
i12
-97
35
80.43
108.84
1 668.05
1.53
125
i25
-43
47
30.42
20.37
1 658.00
1.55
148
i27
-58
64
31.24
32.58
1 659.34
1.56
26
i5
-61
66
90.78
115.67
1 684.23
1.59
89
i17
-70
85
89.69
96.33
1 690.87
1.59
13
i4
-53
88
89.47
104.39
1 705.79
1.66
96
i18
-36
4
63.19
79.23
1 721.83
1.73
1.75
82
i15
-20
51
69.43
76.52
1 728.92
106
i19
-96
85
57.23
83.89
1 755.58
1.76
58
i9
-76
55
31.24
32.58
1 756.92
1.78
1.84
64
i11
-37
46
14.24
16.80
1 759.48
114
i21
-53
62
85.29
109.45
1 783.64
1.95
36
i7
-83
49
86.46
61.71
1 758.89
1.96
8
i2
-12
10
31.24
32.58
1 760.23
2.18
69
i13
-18
34
39.17
57.71
1 778.77
2.24
137
i26
-70
6
10.52
12.08
1 780.33
2.38
83
i16
-81
37
59.88
37.51
1 757.96
2.40
112
i20
-24
4
79.06
51.93
1 730.83
2.48
123
i24
-4
17
59.88
37.51
1 708.46
2.67
73
i14
-44
7
92.08
49.60
1 665.98
2.72
53
i8
-97
9
85.31
88.70
1 669.37
2.75
62
i10
-12
42
34.90
31.66
1 666.13
2.77
150
i28
-80
55
9.15
4.96
1 661.94
2.83
121
i23
-83
84
56.48
39.64
1 645.10
2.97
V
e
h
í
c
u
l
o
1
V
e
h
í
c
u
l
o
2
V
e
h
i
c
u
l
o
3
TABLA NRO. 53. Información final del depósito cuatro.
Elaboración propia.
154
146
Pedro Pablo Ballesteros Silva
SITUACIÓN INICIAL DEPÓSITO CINCO
DEPOSITO
CINCO
x
y
di
Consumo de
D ij +P ij d ij (k m) combustibleij
(litros)
pi
Emisión
de CO2ij
(kg CO2)
0
i0
-60
-20
1 599.24
-
1 599.24
12
i3
-77
-16
34.90
31.66
1 596.00
17.46
5.51
12.61
61
i10
-84
-29
55.82
59.78
1 599.96
14.76
4.66
10.66
5
i2
-69
-19
46.35
40.48
1 594.09
18.03
5.69
13.02
33
i8
-54
-50
59.88
37.51
1 571.72
10.86
24.88
129
i25
-94
-30
89.69
96.33
1 578.36
34.44
44.72
14.11
32.30
19
i4
-47
-26
39.17
57.71
1 596.90
47.17
14.88
34.07
79
i16
-61
-26
35.53
20.25
1 581.62
14.00
4.42
10.11
30
i6
-62
-2
4.43
6.25
1 583.44
24.02
7.58
17.35
124
i24
-82
-3
37.58
32.62
1 578.48
20.02
6.32
14.46
18
i33
-65
0
11.18
12.71
1 580.01
17.26
5.44
12.47
49
i9
-82
-14
35.53
20.25
1 564.73
22.02
6.95
15.91
90
i18
-83
-30
73.81
51.37
1 542.29
16.03
5.06
11.58
54
i34
-58
9
1.62
1.07
1 541.74
46.32
14.61
33.46
138
i28
-38
-56
94.95
90.52
1 537.31
68.01
21.45
49.13
72
i14
-43
-30
79.06
51.93
1 510.18
8.35
19.13
71
i13
-86
-79
85.37
110.68
1 535.49
26.48
65.19
20.56
47.09
139
i29
-80
-95
28.98
21.35
1 527.86
17.09
5.39
12.35
142
i31
-61
-76
58.94
36.43
1 505.35
26.87
8.48
19.41
99
i19
-46
-79
57.23
83.89
1 532.01
15.30
4.83
11.05
130
i26
-94
-20
73.81
51.37
1 509.57
76.06
23.99
54.94
70
i12
-46
-82
5.49
4.33
1 508.41
78.41
24.73
56.64
115
i23
-28
-71
92.69
120.93
1 536.65
21.10
6.66
15.24
108
i22
-40
-84
55.82
59.78
1 540.61
5.58
12.78
68
i11
-63
-75
11.18
12.71
1 542.14
17.69
24.70
7.79
17.84
31
i7
-90
-68
56.48
39.64
1 525.30
27.89
8.80
20.15
21
i5
-35
-54
91.21
136.03
1 570.12
56.75
17.90
41.00
81
i17
-19
-62
56.48
39.64
1 553.28
5.64
12.92
140
i30
-5
-39
4.43
6.25
1 555.10
17.89
26.93
8.50
19.45
104
i21
1
-17
12.79
17.15
1 559.46
7.19
16.47
74
i15
-3
-20
85.29
109.45
1 583.62
22.80
5.00
1.58
3.61
145
i32
-30
-68
46.35
40.48
1 577.75
55.07
17.37
39.78
1
i1
-99
-97
1.84
1.10
1 577.01
74.85
23.61
54.07
100
i20
-30
-63
9.15
4.96
1 572.82
76.92
24.26
55.57
133
0
i27
0
-70
-19
66.21
52.17
1 558.78
59.46
18.76
42.95
10.05
3.17
7.26
Totales 1 599.24
1 558.78
TABLA NRO. 54. Información inicial del depósito cinco.
Elaboración propia.
155
147
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
SITUACIÓN FINAL DEPÓSITO CINCO.
DEPOSITO CINCO
x
y
di
-60
-20
1 599.24
i15
-3
-20
i16
-61
-26
99
i19
-46
61
i10
90
i18
139
0
i0
74
79
pi
D ij +P ij
A+B
-
1 599.24
85.29
109.45
1 623.40
0.15
35.53
20.25
1 608.12
0.41
-79
57.23
83.89
1 634.78
0.44
-84
-29
55.82
59.78
1 638.74
0.44
-83
-30
73.81
51.37
1 616.30
0.46
i29
-80
-95
28.98
21.35
1 608.67
0.49
108
i22
-40
-84
55.82
59.78
1 612.63
0.51
18
i33
-65
0
11.18
12.71
1 614.16
0.51
81
i17
-19
-62
56.48
39.64
1 597.32
0.52
12
i3
-77
-16
34.90
31.66
1 594.08
0.52
5
i2
-69
-19
46.35
40.48
1 588.21
0.54
124
i24
-82
-3
37.58
32.62
1 583.25
0.59
115
i23
-28
-71
92.69
120.93
1 611.49
0.60
49
i9
-82
-14
35.53
20.25
1 596.21
0.64
104
i21
1
-17
12.79
17.15
1 600.57
0.66
30
i6
-62
-2
4.43
6.25
1 602.39
0.71
68
i11
-63
-75
11.18
12.71
1 603.92
0.71
72
i14
-43
-30
79.06
51.93
1 576.79
0.75
142
i31
-61
-76
58.94
36.43
1 554.28
0.75
140
i30
-5
-39
4.43
6.25
1 556.10
0.78
31
i7
-90
-68
56.48
39.64
1 539.26
0.79
33
i8
-54
-50
59.88
37.51
1 516.89
1.01
129
i25
-94
-30
89.69
96.33
1 523.53
1.32
54
i34
-58
9
1.62
1.07
1 522.98
1.33
19
i4
-47
-26
39.17
57.71
1 541.52
1.40
145
i32
-30
-68
46.35
40.48
1 535.65
1.62
21
i5
-35
-54
91.21
136.03
1 580.47
1.66
133
i27
-70
-19
66.21
52.17
1 566.43
1.73
71
i13
-86
-79
85.37
110.68
1 591.74
1.86
138
i28
-38
-56
94.95
90.52
1 587.31
1.95
130
i26
-94
-20
73.81
51.37
1 564.87
2.14
1
i1
-99
-97
1.84
1.10
1 564.13
2.20
70
i12
-46
-82
5.49
4.33
1 562.97
2.20
100
i20
-30
-63
9.15
4.96
1 558.78
2.25
V
e
h
i
c
u
l
o
1
V
e
h
í
c
u
l
o
2
V
e
h
i
c
u
l
o
3
TABLA NRO. 55. Información final del depósito cinco.
Elaboración propia.
156
148
Pedro Pablo Ballesteros Silva
La columna A + B en las anteriores tablas se obtiene sumando la carga normalizada
y transportada entre clientes (Dij + Pij), y la distancia recorrida normalizada dij.
Los resultados de la aplicación de la matheurística para este escenario se pueden
observar a continuación (ver TABLA NRO. 56):
Resultados obtenidos con la matheuristica propuesta con impacto ambiental
Distancia total para el depósito uno.
903.40 km
Distancia total para el depósito dos.
821.53 km
Distancia total para el depósito tres.
872.32 km
Distancia total para el depósito cuatro.
997.94 km
Distancia total para el depósito cinco.
1 128.65 km
Total distancia recorrida aplicando
. matheurística: .
km
1 490.14 litros de gasolina
Consumo promedio de combustible
3 412.42 kg de CO2
Emisión de CO2
Resultados obtenidos con el algoritmo genético de Chu Beasley con impacto ambiental
Distancia total para el depósito uno
2 094.96 km
Distancia total para el depósito dos.
1 469.05 km
Distancia total para el depósito tres.
1 420.26 km
Distancia total para el depósito cuatro
1 543.71 km
Distancia total para el depósito cinco.
1 954.42 km
8 482.40 km
Total distancia recorrida aplicando AGCB:
2 675.78 litros de gasolina
Consumo promedio de combustible
6 127.54 kg de CO2
Emisión de CO2
TABLA NRO. 56. Resultados comparativos de la aplicación de la matheurística y del
algoritmo genético de Chu-Beasley con impacto ambiental.
Elaboración propia.
De la tabla anterior, se concluye que la distancia total recorrida aplicando la
matheurística es significativamente menor que la obtenida con el algoritmo genético de Chu
y Beasley (1997), 3 758.56 km menos, y en consecuencia, la emisión de CO2 es también
menor (hay una disminución de 2 715.12 kg de CO2).
En las tablas nro. 57 y 58 se relacionan las rutas correspondientes a las soluciones
obtenidas para esta prueba utilizando la matheurística y el algoritmo genético de Chu y
Beasley (1997).
157
149
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Rutas
Solución
exacta
Secuencia de las rutas
Depósito uno
Ruta vehículo 1
Ruta vehículo 2
dep 85 132 29 109 41 143 14 120 23 22 111 dep
dep 48 141 25 44 16 52 59 97 134 20 110 105 dep
dep 37 6 126 116 84 51 60 92 117 98 107 45
Ruta vehículo 3
128 dep
210.17
338.97
354.26
Depósito dos
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
dep 24 40 32 102 43 131 80 113 47 dep
dep 42 101 57 11 38 136 75 67 78 127 dep
dep 147 17 55 103 66 10 56 122 135 15 39 dep
221.45
311.08
289.00
Depósito tres
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
dep 144 28 34 4
7 46 91 77
dep 50 93 63 76 87 35 dep
dep 95 3 146 86 119 dep
285.53
246.40
340.39
Depósito cuatro
Ruta vehículo 1
dep 27
Ruta vehículo 2
dep 13
Ruta vehículo 3
dep 73
Depósito cino
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
88
94 149 dep
65 89 9 26 148 2 125 118 dep
96 82 106 58 64 114 36 8 dep
53 137 121 83 150 112 62 69 123 dep
262.18
287.09
448.67
dep 5 108 99 139 12 61 90 18 74 81 79 dep
427.34
dep 72 33 104 140 115 142 68 31 129 49 124 30 dep
339.75
dep 19 100 70 145 138 21 1 71 130 133 54 dep
361.56
Distancia total recorrida utilizando Método exacto (km)
4 723.84
TABLA NRO. 57. Soluciones obtenidas con la matheurística propuesta combinando
programación lineal entera mixta (MILP) con el algoritmo genético de Chu-Beasley, con
impacto ambiental a través de GAMS para cinco depósitos, ciento cincuenta clientes y tres
vehículos por depósito, con la distancia y carga transportada normalizadas entre clientes.
Elaboración propia.
158
150
Pedro Pablo Ballesteros Silva
Rutas
Solución
AGCB
Secuencia de las rutas
Depósito uno
Ruta vehículo 1
Ruta vehículo 2
dep 143
dep 48
dep 126
Ruta vehículo 3
107
41 14 22 29 23 132 111 85 109 120 dep
97 105 134 44 20 141 16 25 110 52 59 dep
92 6 84 128 60 37 117 98 45 116 51
dep
524.06
716.54
854.36
Depósito dos
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
dep 24 113 131 47 102 80 32 40 43 dep
dep 67 42 11 57 75 78 127 101 136 38 dep
dep 56 10 39 122 17 55 66 135 15 147 103 dep
465.53
550.47
453.05
Depósito tres
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
dep 46
dep 63
dep 3
543.47
316.26
560.53
77 88 91 4 149 7 34
35 87 76 93 50 dep
86 146 95 119 dep
28
94 144 dep
Depósito cuatro
Ruta vehículo 1
dep 2
9 27 118 65 125 148 26 89 dep
Ruta vehículo 2
dep 13 96 82 106 58 64 114 36 8 dep
Ruta vehículo 3
dep 69 137 83 112 123 73 53 62 150 121 dep
Depósito cinco
Ruta vehículo 1
Ruta vehículo 2
Ruta vehículo 3
417.52
548.42
577.77
dep 74 79 99 61 90 139 108 18 81 12 5 dep
597.62
dep 124 115 49 104 30 68 72 142 140 31 33 129 dep
789.95
dep 54 19 145 21 133 71 138 130 1 70 100 dep
566.85
Distancia to tal reco rrida utilizando AGCB (km)
8 482.40
TABLA NRO. 58. Soluciones obtenidas con el algoritmo genético de Chu-Beasley, con
impacto ambiental para cinco depósitos, ciento cincuenta clientes y tres vehículos por
depósito, con la distancia y carga transportada normalizadas entre clientes.
Elaboración propia.
151
159
Pedro Pablo Ballesteros Silva
Referencias bibliográficas
Ai-min, D.; Mao, C. y Zhou.,Y. (2009). Optimizing Research
of an Improved Simulated Annealing Algorithm to Soft
Time Windows Vehicle Routing Problem with Pickup and
Delivery. Systems Engineering Theory & Practice, 29(5),
186-194. https://doi.org/10.1016/S1874-8651(10)60049-X.
Andersson, H.; Christiansen, M. y Fagerholt, K. (2011).
The Maritime Pickup and Delivery Problem with Time
Windows and Split Loads. INFOR: Information Systems and
Operational Research, 49(2), 79-91. https://doi.org/10.3138/
infor.49.2.079.
Allahviranloo, M.; Chow, Y. J. C. y Recker, W. W. (2014).
Selective Vehicle Routing Problems Under Uncertainty
Without Recourse. Transportation Research Part E:
Logistics and Transportation Review, 62, 68-88. https://doi.
org/10.1016/j.tre.2013.12.004.
Baldacci, R.; Bartolini, E. y Mingozzi, A. (2011). An Exact
Algorithm for the Pickup and Delivery Problem with Time
Windows. Operations Research. INFORMS Institute for
Operations Research and the Management Sciences, 59(2),
414-426. https://doi.org/10.1287/opre.1100.0881.
153
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Baldacci, R.; Hadjiconstantinou, E. y Mingozzi, A. (2003).
An Exact Algorithm for the Traveling Salesman Problem
with Deliveries and Collections. Networks. An International
Journal, 42(1), 26-41. https://doi.org/10.1002/net.10079.
(2004). An Exact Algorithm for the Capacitated Vehicle
Routing Problem Based on a Two-Commodity Network Flow
Formulation. Operations Research 52(5), 723-738. https://
doi.org/10.1287/opre.1040.0111.
Ballesteros S., P. P. y Ballesteros R., D. P. (2007). Importancia
de la logística inversa en el rescate del medio ambiente.
Revista Scientia et Technica, Universidad Tecnológica de
Pereira, 1(37), 315-320.
Ballesteros Silva, P. P. y Escobar Zuluaga, A. (2016). Description
of the classification of publications and the models used
in solving of the vehicle routing problem with pickup and
delivery. Revista Ingenierías Universidad de Medellín,
15(28), 287-306.
Ballesteros Silva, P. P. (2019). Aplicación de técnicas
matheuristicas para la solución del problema de ruteo de
vehículos con entregas y recogidas simultáneas. Tesis
Doctoral, Universidad Tecnológica de Pereira. Repositorio
UTP.
Bard, J. F. y Jarrah, A. I. (2013). Integrating Commercial
and Residential Pickup and Delivery Networks: A Case
Study. Omega, 41(4), 706-720. https://doi.org/10.1016/j.
omega.2012.09.001.
Bektas, T. y Laporte, G. (2011). The pollution-Routing Problem.
Transportation Research Part B: Methodological, 45(8), 12321250. https://doi.org/10.1016/j.trb.2011.02.004.
154
Pedro Pablo Ballesteros Silva
Belfiore, P. y Yoshizaki, H. T. Y. (2013). Heuristic Methods
for the Feet Size and Mix Vehicle Routing Problem with
Time Windows and Split Deliveries. Computers & Industrial
Engineering, 64(2) , 589-601. https://doi.org/10.1016/j.
cie.2012.11.007.
Belgin, O.; Karaoglan, I. y Altiparmak, F. (2018). TwoEchelon Vehicle Routing Problem with Simultaneous Pickup
and Delivery: Mathematical Model and Heuristic Approach.
. Computers & Industrial Engineering, 115, 1-16. https://doi.
org/10.1016/j.cie.2017.10.032.
Benavent, E.; Landete, M.; Mota, E. y Tirado, G. (2015). The
Multiple Vehicle Pickup and Delivery Problem with LIFO
Constraints. European Journal of Operational Research,
243(3), 752-762. https://doi.org/10.1016/j.ejor.2014.12.029.
Berbeglia, G. y Hahn, G. (2009). Counting Feasible Solutions of
the Traveling Salesman Problem with Pickups and Deliveries
is NP-complete. European Journal of Operational Research.
Discrete Applied Mathematics, 157(11), 2541-2547. https://
doi.org/10.1016/j.dam.2009.03.003.
Berbeglia, G.; Cordeau, J. F.; Gribkovskaia, I. y Laporte, G.
(2007). Statics Pickup and Delivery Problems: a Classification
Scheme and Survey. TOP, 15, 1-31. https://doi.org/10.1007/
s11750-007-0009-0.
Bianchessi, N. y Righini, G. (2007). Heuristic Algorithms for the
Vehicle Routing Problem with Simultaneous Pickup and
Delivery. Computer & Operation Research, 34(2), 578-594.
https://doi.org/10.1016/j.cor.2005.03.014.
155
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Bolduc, M.-C.; Laoprte, G.; Renaud, J.; Boctor, F. F. (2010). A
Tabu Search Heuristic for the Split Delivery Vehicle Routing
Problem with Production and Demand Calendars. European
Journal of Operational Research, 202(1), 122-130. https://
doi.org/10.1016/j.ejor.2009.05.008.
Boubahri, L.; Addouche, S.-A. y Elmhamedi, A. (2011).
Multi-ant Colonies Algorithms for VRPSPDTW. En 2011
International Conference on Communications, Computing
and Control Applications (CCCA) (pp. 1-6). IEEE. https://
doi.org/10.1109/CCCA.2011.6031488.
Cacchiani, V.; Hemmelmayr, V. C. y Tricoire, F. (2014). A SetCovering Based Heuristic Algorithm for the Periodic Vehicle
Routing Problem. Discrete Applied Mathematics, 163(1),
53-64. https://doi.org/10.1016/j.dam.2012.08.032.
Cao, E. y Lai, M. (2007). An improved genetic algorithm for
the vehicle routing problem with simultaneous delivery and
pick-up service. The Sixth Wuhan International Conference
on E-Business, 1-7. https://doi.org/10.1109/ICNC.2007.209.
Çatay, B. (2010). A new saving based ant algorithm for the
vehicle routing problem with simultaneous pickup and
delivery. Experts Systems with Aplications, 37(10), 68096817. https://doi.org/10.1016/j.eswa.2010.03.045.
Chen, H.-K., Chou, H.-W., Hsueh, C.-F. y Yu, Y.-J. (2015). The
Paired Many-to-Many Pickup and Delivery Problem: An
Application. TOP, 23(1), 220-243. https://doi.org/10.1007/
s11750-014-0335-y.
Chen, J.-F. y Wu, T.-H. (2006). The Vehicle Routing Problem
with Simultaneous Deliveries and Pickups. Journal of
Operational Research Society, 57(5), 579-587. https://doi.
org/10.1057/palgrave.jors.2602028.
156
Pedro Pablo Ballesteros Silva
Chen, P.; Huang, H. y Dong, X. (2007). An Ant Colony
System Based Heuristic Algorithm for the Vehicle routing
Problem with Simultaneous Delivery and Pickup. En
2007 2nd IEEE Conference on Industrial Electronics and
Applications (pp. 136-141). IEEE. https://doi.org/10.1109/
ICIEA.2007.4318385.
Cherkesly, M.; Desaulniers, G.; Irnich, S. y Laporte, G. (2016).
Branch Price and Cut Algorithms for the Pickup and Delivery
Problem with Time Windows and Multiple Stacks. European
Journal of Operational Research 250(3), 782-793. https://
doi.org/10.1016/j.ejor.2015.10.046.
Chu, P. C. y Beasley, J. E. (1997). Genetic Algorithm for the
Generalised Assignment Problem. Computer & Operations
Research, 24(1), 17-23. https://doi.org/10.1016/S03050548(96)00032-9.
Chun-Hua, L.; Hong, Z. y Jian, Z. (2009). Vehicle Routing Problem
with Time Window and Simultaneous Pickups and Deliveries.
En 2009 16th International Conference on Industrial
Engineering and Engineering Management (pp. 685-689).
IEEE. https://doi.org/10.1109/ICIEEM.2009.5344502.
Clean Air Institute. (2013). Metodologías para la estimación
de emisiones de transporte urbano de carga y guías para
la recopilación y organización de datos. Clean Air Institute.
Coelho, I. M.; Munhoz, P. L. A.; Haddad, M. N.; Souza y Ochi,
L. S. (2012). A Hybrid Heuristic Based on General Variable
Neighborhood Search for the Single Vehicle Routing Problem
with Deliveries and Selective Pickups. Electronic Notes in
Discrete Mathematics, 39, 99-106. https://doi.org/10.1016/j.
endm.2012.10.014.
157
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Conferencia de las Naciones Unidas sobre Comercio y
Desarrollo. (2015). Los sistemas sostenibles de transporte
de mercancías: oportunidades para los países en desarrollo.
Ginebra: Naciones Unidas. unctad.org/system/files/officialdocument/cimem7d11_es.pdf.
Cruz, R. C.; Silva, T. C. B.; Souza, M. J. F.; Coelho, V. N.;
Mine, M. T. y Martins, A. X. (2012). GENVNS-TS-CLPR: A Heuristic Approach for Solving the Vehicle Routing
Problem with Simultaneous Pickup ad Delivery, 39(1), 217224. https://doi.org/10.1016/j.endm.2012.10.029.
Daneshzand, F. (2011). 8 - The vehicle-Routing Problem.
Logistics Operations and Management, 127-153. https://doi.
org/10.1016/B978-0-12-385202-1.00008-6.
Dell’Amico, M.; Righini, G. y Salani, M. (2006). A Branchand-Price Approach to the Vehicle Routing Problem with
Simultaneous Distribution and Collection. Transportation
Science,
40(2),
235-247.
https://doi.org/10.1287/
trsc.1050.0118.
Department of the environment, transport & Regions. (2000).
Environmental Protection Act 1990: Part IIA. Department of
the environment, transport & Regions.
Dethloff, J. (2001). Vehicle Routing Problem and Reverse
Logistics: The Vehicle Routing Problem with Simultaneous
Delivery and Pick-up. Operation Research Spektrum, 23, 7996. https://doi.org/10.1007/PL00013346.
Domenjoud, E.; Kirchner, C. y Zhou, J. (1999). Generating
Feasible Schedules for a Pick-up and Delivery Problem.
Electronic Notes in Discrete Mathematics, 1, 36-47. https://
doi.org/10.1016/S1571-0653(04)00005-8.
158
Pedro Pablo Ballesteros Silva
Dondo, R. y Cerdá, J. (2013). A Sweep Heuristic Based
Formulation for the Vehicle Routing Problem with CrossDocking. Computers & Chemical Engineering, 48, 293-311.
https://doi.org/10.1016/j.compchemeng.2012.09.016.
D’Souza, C.; Omkar, S. N. y Senthilnath, J. (2012). Pickup and
Delivery Problem Using Metaheuristics Techniques. Expert
Systems with Applications, 39(1), 328-334. https://doi.
org/10.1016/j.eswa.2011.07.022.
Dumas, Y.; Desrosiers, J. y Soumis, F. (1991). The Pickup
and Delivery Problem with Time Windows. European
Journal of Operational Research, 54(1), 7-22. https://doi.
org/10.1016/0377-2217(91)90319-Q.
Edirisinghe, N. C. P. y James, R. J. W. (2014.). Fleet Routing
Position-Based Model for Inventory Pickup Under Production
Shutdown. European Journal of Operational Research,
236(2), 736-747. https://doi.org/10.1016/j.ejor.2013.12.039.
Erdogan, G.; Battarra, M.; Laporte, G. y Vigo, D. (2012).
Metaheuristics for the Traveling Salesman Problem with
Pickups, Deliveries and Handling Costs. Computers
& Operations Research, 39(5), 1074-1086. https://doi.
org/10.1016/j.cor.2011.07.013.
Fabri, A. y Recht, P. (2006). On Dynamic Pickup and Delivery
Vehicle Routing with Several Time Windows and Waiting
Times. Transportation Research Part B: Methodological,
40(4), 335-350. https://doi.org/10.1016/j.trb.2005.04.002.
Fan, J. (2011). The Vehicle Routing Problem with Simultaneous
Pickup and Delivery Based on Customer Satisfaction.
Procedia Engineering, 15, 5284- 5289. https://doi.
org/10.1016/j.proeng.2011.08.979.
159
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Fernández Cuesta, E.; Andersson, H.; Fagerholt, K. y Laporte,
G. (2017). Vessel Routing with Pickups and Deliveries:
An Application to the Supply of Offshore Oil Platforms.
Computers & Operations Research, 79, 140-147. https://doi.
org/10.1016/j.cor.2016.10.014.
Gallego, R. A.; Toro Ocampo, E. M. y Escobar Zuluaga, A.
E. (2015). Técnicas Heuristicas y Metaheuristicas. Editorial
UTP.
GAMS Development. (13 de Agosto de 2002). GAMS Developmetn
Corp. http://ftp.gamsworld.org/presentations/gamspres.pdf.
Ganesh, K. y Narendran, T. T. (2007). CLOVES: A Cluster and
Search Heuristic to Solve the Vehicle Routing Problem with
Delivery and Pickup. European Journal of Operational
Research, 178(3), 699-717. https://doi.org/10.1016/j.
ejor.2006.01.037.
______. (2008). TASTE: A Two-Phase Heuristic to Solve a
Routing Problem with Simultaneous Delivery and Pickup. The International Journal of Advanced Manufacturing
Technology, 37(11–12), 1221-1231. https://doi.org/10.1007/
s00170-007-1056-2.
García-Nájera, A. (2012). The Vehicle Routing Problem with
Backhauls: A Multi-Objective Evolutionary Approach. En
JK. Hao y M. Middendorf (eds.). Evolutionary Computation
in Combinatorial Optimization EvoCOP 2012 (pp. 255-266.
Lecture Notes in Computer Science, vol. 7245. Springer.
https://doi.org/10.1007/978-3-642-29124-1_22.
Gendreau, M.; Laporte, G. y Vigo, D. (1999). Heuristics for the
Travelling Salesman Problem with Pickup and Delivery.
HeuristiComputers & Operations Research, 26, 699-714.
https://doi.org/10.1016/S0305-0548(98)00085-9
160
Pedro Pablo Ballesteros Silva
Gendreau, M.; Guertin, F. ; Potvin, J.-Y. y Séguin, R. (2006).
Neighborhood Search Heuristics for a Dynamic Vehicle
Dispatching Problem with Pickups and Deliveries.
Transportation Research Part C: Emerging Technologies,
14(3), 157-174. https://doi.org/10.1016/j.trc.2006.03.002.
Gendreau, M., Nossackb, J. y Pesch, E. (2015). Mathematical
Formulations for a 1-Full Truckload Pickup-and-Delivery
Problem. European Journal of Operational Research 242(3),
1008-1016. https://doi.org/10.1016/j.ejor.2014.10.053.
Ghilas, V.; Demir, E. y Woensel, T. V. (2016). An Adaptive
Large Neighborhood Search Heuristic for the Pickup and
Delivery Problem with Time Windows and Scheduled Lines.
Computers & Operations Research, 72, 12-30. https://doi.
org/10.1016/j.cor.2016.01.018.
Goetschalckx, M. y Jacobs-Blecha, C. (1989). The Vehicle
Routing problem with Backhauls. European Journal
of Operational Research, 42(1), 39-51. https://doi.
org/10.1016/0377-2217(89)90057-X.
Gribkovskaia, I.; Halskau, O.; Laporte, G. y Vlček, M. (2007).
General Solutions to the Single Vehicle Routing Problem with
Pickups and Deliveries. European Journal of Operational
Research, 180(2), 568-584. https://doi.org/10.1016/j.
ejor.2006.05.009.
Gribkovskaia, I.; Laporte, G. y Shyshou, A. (2008). The single
vehicle routing problem with deliveries and selective
pickups. Computers & Operations Research, 35(9), 29082924. https://doi.org/10.1016/j.cor.2007.01.007.
161
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Grimault, A.; Bostel, N. y Lehuédé, F. (2017). An Adaptive
Large Neighborhood Search for the Full Truckload Pickup
and Delivery Problem with Resource Synchronization.
Computers & Operations Research, 88, 1-14. https://doi.
org/10.1016/j.cor.2017.06.012.
Gschwind, T. (2015). A Comparison of Column Generation
Approaches to the Synchronized Pickup And Delivery
Problem. European Journal of Operational Research, 247(1),
60-71. https://doi.org/10.1016/j.ejor.2015.06.017.
Gupta, A.; Heng, C. K.; Ong, Y. S.; Tan, P. S. y Zhang, A. N.
(2017). A Generic Framework for Multi-Criteria Decision
Support in Eco-Friendly Urban Logistics Systems. Expert
Systems with Applications, 71, 288-300. https://doi.
org/10.1016/j.eswa.2016.09.033.
Gutiérrez-Jarpa, G.; Desaulniers, G.; Laporte, G. y Mariano,
V. (2010). A Branch and Price Algorithm for the Vehicle
Routing Problem with Deliveries, Selective Pickups and
Time Windows. European Journal of Operational Research,
206(2), 341-349. https://doi.org/10.1016/j.ejor.2010.02.037.
Hennig, F.; Nygreena, B.; Furmanb, K. C. y Song, J. (2015).
Alternative Approachs to the Crude Oil Tanker Routing and
Scheduling Problem with Split Pickup and Split Delivery.
European Journal of Operational Research, 243(1), 41-51.
https://doi.org/10.1016/j.ejor.2014.11.023.
Hernández-Pérez, H.; Rodríguez-Marín, I. y SalazarGonzález, J. (2016). A Hybrid Heuristic Approach for the
Multi-Commodity Pickup and Delivery Traveling Salesman
Problem. European Journal of Operational Research,
251(1), 44-52. https://doi.org/10.1016/j.ejor.2015.10.053.
162
Pedro Pablo Ballesteros Silva
Hou, L. y Zhou, H. (2010). Stochastic Vehicle Routing Problem
with Uncertain Demand and Travel Time and Simultaneous
Pickups and Deliveries. En 2010 Third International Joint
Conference on Computational Science and Optimization
(pp. 32-35). IEEE. https://doi.org/10.1109/CSO.2010.38.
Hornstra, R. P.; Silva, A.; Roodbergen, K. J. y Coelho, L. C.
(2019). The Vehicle Routing Problem with Simultaneous
Pickup and Delivery and Handling Costs. Computers &
Operations Research, 115, Art. Nro. 104858. https://doi.
org/10.1016/j.cor.2019.104858.
Huang, Y.; Shi, C., Zhao, L. y Van Woensel, T. (2012). A Study
on Carbon Reduction in the Vehicle Routing Problem with
Simultaneous Pickups and Deliveries. En Proceedings of
2012 IEEE International Conference on Service Operations
and Logistics, and Informatics (pp. 302-307). IEEE. https://
doi.org/10.1109/SOLI.2012.6273551.
Hu, F.-J. y Wu, B. (2009). Quantum Evolutionary Algorithm for
Vehicle Routing Problem with Simultaneous Delivery and
Pickup. En Proceedings of the 48h IEEE Conference on
Decision and Control (CDC) held jointly with 2009 28th
Chinese Control conference (pp. 5097- 5101). IEEE. https://
doi.org/ 10.1109/CDC.2009.5399632.
Hutton., B. (2002). The Importance of Relating Fuel Consumption
Rates and Driving Cycles. Measuring, Modelling, Monitoring
and Motivation Changes in Fuel Consumption. Transport
Research Institute Workshop.
Iassinovskaia, G.; Limbourg, S. y Riane, F. (2017). The
inventory-routing problem of returnable transport items
with time windows and simultaneous pickup and delivery
in closed-loop supply chains. International Journal of
Production Economics, 183, 570-582. https://doi.org/10.1016
/ j.ijpe.2016.06.024
163
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Kalayci, C. y Kaya C. (2016). An Ant Colony System Empowered
Variable Neighborhood Search Algorithm for the Vehicle
Routing Problem with Simultaneous Pickup and Delivery.
Expert Systems with Applications, 66, 163-175. https://doi.
org/10.1016/j.eswa.2016.09.017.
Kumar Agarwal, Y. y Venkateshan, P. (2019). A New Model for
the Asymmetric Vehicle Routing Problem with Simultaneous
Pickup and Deliveries. Operations Research Letters, 48(1), 4854. https://doi.org/10.1016/j.orl.2019.11.005.
Kumar, R. S.; Kondapaneni, K.; Dixit, V.; Goswami, A.;
Thakur, L. S. y Tiwari, M. K. (2016). Multi-Objective
Modeling of Production and Pollution Routing Problem with
Time Window: A Self-Learning Particle Swarm Optimization
Approach. Computers & Industrial Engineeriing, 99, 29-40.
https://doi.org/10.1016/j.cie.2015.07.003.
Koç, Ç.; Laporte, G. y Tükenmez, I. (2020). A Review of Vehicle
Routing with Simultaneous Pickup and Delivery. Computers
& Operations Research, 122, art. nro. 104987. https://doi.
org/10.1016/j.cor.2020.104987.
Kramer, R.; Subramanian, A.; Vidal, T. y Cabral, L. A. F.
(2015). A Matheuristic Approach for the Pollution-Routing
Problem. European Journal of Operational Research, 243(2),
523-539. https://doi.org/10.1016/j.ejor.2014.12.009
Lau, H. C. W.; Chan, T. M.; Tsui, W. T. y Pang, W. K. (2010).
Application of Genetic Algorithms to Solve the Multidepot
Vehicle Routing Problem. IEEE Transactions on Automation
Science and Engineering, 7(2), 383-392. https://doi.
org/10.1109/TASE.2009.2019265.
164
Pedro Pablo Ballesteros Silva
Lee, C.-G.; Epelman Chelsea, M.; White III, C. y Bozer, Y. A.
(2006). A Shortest Path Approach to the Multiple-Vehicle
Routing Problem with Split Pick-Ups. Transportation
Research Part B: Methodological, 40(4), 265-284. https://
doi.org/10.1016/j.trb.2004.11.004.
Lee, Y.; Chan, C.; Langevin, A. y Lee, H. (2016). Integrated
inventory-transportation model by synchronizing delivery
and production cycles. Transportation Research Part E:
Logistics and Transportation Review, 91, 68-89.
DOI: 10.1016 / j.tre.2016.03.017
Lei, C.; Lin, W.-L. y Miao, L. (2014). A Multicut L-Shaped Based
Algorithm to Solve a Stochastic Programming Model for the
Mobile Facility Routing and Scheduling Problem. European
Journal of Operational Research, 238(3), 699-710. https://doi.
org/10.1016/j.ejor.2014.04.024.
Lenstra, K. y Rinnooy K. (1981). Complexity of Vehicle Routing
and Scheduling Problems. Networks, 11(2), 221-227.
Li, Y.; Lim, A.; Chong, O.; Qin, H. y Tu, D. (2011). The tree
representation for the pickup and delivery traveling salesman
problem with LIFO loading. European Journal of Operational
Research-ELSEVIER. Part B, 40, 482-496. https://doi.
org/10.1016/j.ejor.2011.02.008.
Liu, R.; Xie, X.; Augusto, V. y Rodriguez, C. (2013). Heuristic
Algorithms for a Vehicle Routing Problem with Simultaneous
Delivery and Pickup and Time Windows in Home Health
Care. European Journal of Operational Research, 230(3),
475-486. https://doi.org/10.1016/j.ejor.2013.04.044.
165
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Liu, Z.-h.; Li, N-.I.; Mi, X.-w.; Zhang, B.-y. y Ma, H.-z. (2010).
Improvement Research on Vehicle Routing Problem with
Simultaneous Delivery and Pickup with Time Windows
for Barreled Water. En 2010 IEEE 17th International
Conference on Industrial Engineering and Engineering
Management (pp. 1347-1350). IEEE. https://doi.org/10.1109/
ICIEEM.2010.5646013.
Lin, C. K. Y. (2008). A Cooperative Strategy for a Vehicle
Routing Problem with Pickup and Delivery Time Windows.
Computers & Industrial Engineering, 55(4), 766-782. https://
doi.org/10.1016/j.cie.2008.03.001.
Lin, C. K. Y. (2011). A Vehicle Routing Problem with Pickup and
Delivery Time Windows, and Coordination of Transportable
Resources. Computers & Operations Research, 38(11), 15961609. https://doi.org/10.1016/j.cor.2011.01.021.
Li, Y.; Chen, H. y Prins, C. (2016). Adaptive Large Neighborhood
Search for the Pickup and Delivery Problem with Time
Windows, Profits, and Reserved Requests. European
Journal of Operational Research, 252(1), 27-38. https://doi.
org/10.1016/j.ejor.2015.12.032.
Ma, Y.; Tang, J. y Guan, J. (2013). Split Delivery Weighted Vehicle
Routing Problem: Comparison Perspective. En: Proceedings
of the 32nd Chinese Control Conference (pp. 8436-8440).
IEEE.
Ma, X. (2010). Notice of Retraction: Vehicle Routing Problem with
Time Windows Based on Improved Ant Colony Algorithm.
2010 Second International Conference on Information
Technology and Computer Science (pp. 94-97). IEEE. https://
doi.org/ 10.1109/ITCS.2010.29.
166
Pedro Pablo Ballesteros Silva
Marinakis, Y. y Marinaki, M. (2014). A Bumble Bees Mating
Optimization Algorithm for the Open Vehicle Routing
Problem. Swarm and Evolutionary Computation, 15, 80-94.
https://doi.org/10.1016/j.swevo.2013.12.003.
Masson, R.; Ropke, S.; Lehuédé, F. y Péton, O. (2014). A
Branch-and-Cut-and-Price Approach for the Pickup and
Delivery Problem with Shuttle Routes. European Journal
of Operational Research, 236(3), 849-862. https://doi.
org/10.1016/j.ejor.2013.08.042.
Meng, L. y Guo, X. (2008). A New Hybrid Metaheuristics for
the Vehicle Routing Problem with Simultaneous Pick-up
and Delivery. 2008 IEEE International Conference on Service
Operations and Logistics, and Informatics (pp. 1198-1202).
IEEE. https://doi.org/10.1109/SOLI.2008.4686581.
Min, H. (1989). The Multiple Vehicle Routing with Simultaneous
Delivery and Pick up Points. Transportation Research, 23(5),
377-386. https://doi.org/10.1016/0191-2607(89)90085-X.
Mingyong, L. y Erbao, C. (2010). An Improved Differential
Evolution Algorithm for Vehicle Routing Problem with
Simultaneous Pickups and Deliveries and Time Windows.
Engineering Applications of Artificial Intelligence, 23(2), 188195. https://doi.org/10.1016/j..engappai.2009.09.001.
Mirzapour Al-e-hashem, S. M. J. y Rekik, Y. (2014). Multiproduct Multi-period Inventory Routing Problem with a
Transshipment Option: A Green Approach. International
Journal of Production Economics, 157, 80-88. https://doi.
org/10.1016/j.ijpe.2013.09.005.
167
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Mirzapour Al-e-hashem, S. M. J.; Rekik, Y. & Hoseinhajlou, E.
M. (2019). A Hybrid L-Shaped Method to Solve a Bi-Objective
Stochastic Transshipment-Enabled Inventory Routing
Problem. International Journal of Production Economics, 209,
381-398. https://doi.org/10.1016/j.ijpe.2017.06.020.
Mitrović-Minić, S. y Laporte, G. (2004). Waiting Strategies
for the Dynamic Pickup and Delivery Problem with Time
Windows. Transportation Research Part B: Methodological,
38(7), 635-655. https://doi.org/10.1016/j.trb.2003.09.002.
Mladenović, N.; Urošević, D.; Hanafi, S. y Ilić, A. (2012).
A General Variable Neighborhood Search for the OneCommodity Pickup and Delivery Travelling Salesman
Problem. European Journal of Operational Research,
220(1), 270-285. https://doi.org/10.1016/j.ejor.2012.01.036.
Mosheiov, G. (1998). Vehicle Routing with Pickup and Delivery:
Tour Partitioning Heuristics. Computers & Industrial
Engineering, 34(3), 669-684. https://doi.org/10.1016/S03608352(97)00275-1.
Nagy, G. y Salhi, S. (2005). Heuristic Algorithms for Single
and Multiple Depot Vehicle Routing Problems with Pickups
and Deliveries. European Journal of Operational Research,
162(1), 126-141. https://doi.org/10.1016/j.ejor.2002.11.003.
Nanry, W. y Barnes, J. (2000). Solving the Pickup and Delivery
Problem with Time Windows Using Reactive Tabu Search.
Transportation Research Part B: Methodological, 34(2),
107-121. https://doi.org/10.1016/S0191-2615(99)00016-8.
Nowak, M.; Ergun, O. y White III, C. C. (2009). An Empirical
Study on the Benefit of Split Loads with the Pickup and
Delivery Problem. European Journal of Operational
Research, 198(3), 734-740. https://doi.org/10.1016/j.
ejor.2008.09.041.
168
Pedro Pablo Ballesteros Silva
Ombuki-Berman, B. y Hanshar, F. T. (2009). Using Genetic
Algorithms for Multi-depot Vehicle Routing. F. B. Pereira
y J. Tavares (eds.). Bio-inspired Algorithms for the Vehicle
Routing Problem. Studies in Computational Intelligence (pp.
77-99). Vol. 161. Springer. https://doi.org/10.1007/978-3540-85152-3_4.
Pandelis, D. G.; Karamatsoukis, C. C. y Kyriakidis, E. G.
(2013). Finite and Infinite Horizon Single Vehicle Routing
Problems with a Predefined Customer Sequence and Pickup
and Delivery. European Journal of Operational Research,
231(3), 577-586. https://doi.org/10.1016/j.ejor.2013.05.050.
Pang, K.-W.; Xu, Z. y Li, C.-L. (2011). Ship Routing Problem with
Berthing Time Clash Avoidance Constraints. International
Journal of Production Economics, 131(2), 752-762. https://
doi.org/10.1016/j.ijpe.2011.03.013.
Parragh, S. N.; Doerner, K. F. y Hartl, R. F. (2008). A Survey
on Pickup and Delivery Problems. Part I: Transportation
Between Customers and Depot. Journal für Betriebswirtschaft,
58, 21-51. https://doi.org/10.1007/s11301-008-0033-7.
Petersen, H. L. y Ropke, S. ( 2011). The Pickup and Delivery
Problem with Cross-Docking Opportunity. En J. W. Böse, C.
Jahn, X. Shi, R. Stahlbock y S. Voss (eds.). Computational
Logistics. ICCL 2021 (pp. 101-113). Lecture Notes in
Computer Science. Vol. 6971. Springer.
Pinar Goksal, F.; Altiparmak, F. y Karaoglan, I. (2010). A
Hybrid Particle Swarm Optimization for Vehicle Routing
Problem with Simultaneous Pickup and Delivery. En The
40th International Conference on Computers & Industrial
Engineering (pp. 1-6). IEEE. https://doi.org/10.1109/
ICCIE.2010.5668344.
169
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Pinar Goksal, F.; Karaoglan, I. y Altiparmak, F. (2013). A
Hybrid Discrete Particle Swarm Optimization for Vehicle
Routing Problem with Simultaneous Pickup and Delivery.
Computers & Industrial Engineering, 65(1), 39-53. https://
doi.org/10.1016/j.cie.2012.01.005.
Polat, O., Kalaycia, C., O., K. y Otto, H. (2015). A Perturbation
Based Variable Neighborhood Search Heuristic for Solving
the Vehicle Routing Problem with Simultaneous Pickup and
Delivery with Time Limit. European Journal of Operational
Research 242(2), 369-382. https://doi.org/10.1016/j.
ejor.2014.10.010.
Polat, O. (2017). A Parallel Variable Neighborhood Search for
the Vehicle Routing Problem with Divisible Deliveries and
Pickups. Computers & Operations Research, 85, 71-86. https://
doi.org/10.1016/j.cor.2017.03.009.
Posada Henao, J. J. y González-Calderon, C. A. (2013).
Consumo de combustible en vehículos para transporte por
carretera. Revista Ingenierías Universidad de Medellín, 12(23),
35-46.
Psaraftis, H. N. (2011). A Multi-Commodity, Capacitated
Pickup and Delivery Problem: The Single and Two Vehicle
Cases. European Journal of Operational Research, 215(3),
572-580. https://doi.org/10.1016/j.ejor.2011.06.038.
Qiua, Y.; Ni, L.; Wang, L.; Li, Q.; Fang, X.; Pardalos, P. M.
(2018). Production Routing Problems with Reverse Logistics
and Remanufacturing. Transportation Research Part E:
Logistics and Transportation Review, 111, 87-100. https://doi.
org/10.1016/j.tre.2018.01.009.
170
Pedro Pablo Ballesteros Silva
Qu, Y. y Bard, J. F. (2013). The Heterogeneous Pickup and Delivery
Problem with Configurable Vehicle Capacity. Transportation
Research Part C. Emerging Technologies, 32, 1-20. https://doi.
org/10.1016/j.trc.2013.03.007.
Rais, A.; Alvelos, F. y Carvalho, M. S. (2014). New Mixed
integer-programming Model for the Pickup-and-Delivery
Problem with Transshipment. European Journal of Operational
Research, 235(3), 530-539. https://doi.org/10.1016/j.
ejor.2013.10.038.
Rieck, J.; Ehrenberg, C. y Zimmermann, J. (2014). Many-toMany Location-Routing with Inter-Hub Transport and
Multi-Commodity Pickup-and-Delivery. European Journal
of Operational Research, 236(3), 863-878. https://doi.
org/10.1016/j.ejor.2013.12.021.
Rocha, L., Gonzalez, E. C., & Orjuela, C. J. (2011). Una
revisión al estado del arte del problema de ruteo de vehículos:
Evolución histórica y métodos de solución. Ingeniería, 16(2),
35-55. https://doi.org/10.14483/23448393.3832.
Ruland, K. S. y Rodin, E. Y. (1997). The Pickup and Delivery
Problem: Faces and Branch and Cut Algorithm. Computers
& Mathematics with Applications, 33(12), 1-13. https://doi.
org/10.1016/S0898-1221(97)00090-4.
Salhi, S.; Imran, A. y Wassan, N. A. (2014). The Multi-Depot
Vehicle Routing Problem with Heterogeneous Vehicle
Fleet: Formulation and a Variable Neighborhood Search
Implementation. Computers & Operations Research, 52(Part
B), 315- 325. https://doi.org/10.1016/j.cor.2013.05.011.
Salhi, S. y Nagy, G. (1999). A Cluster Insertion Heuristic for
Single and Multiple Depot Vehicle Routing Problems with
Backhauling. Journal of the Operational Research Society, 50,
1034-1042. https://doi.org/10.1057/palgrave.jors.2600808.
171
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Serdar Tasan, A.; y Gen, M. (2012). A Genetic Algorithm Based
Approach to Vehicle Routing Problem with Simultaneous
Pickup and Deliveries. Computers & Industrial Engineering,
62(3), 755-761. https://doi.org/10.1016/j.cie.2011.11.025.
Mirzapour Al-e-hashem, S. M. J.; Rekik, Y. y Hoseinhajlou, E.
M. (2017). A Hybrid L-Shaped Method to Solve a Bi-Objective
Stochastic Transshipment-Enabled Inventory Routing
Problem. International Journal of Production Economics, 209,
381-398. https://doi.org/10.1016/j.ijpe.2017.06.020.
Şahin, M.; Çavuşlar, G.; Öncan, T.; Şahin, G. y Aksu Tüzün,
D. (2013). An Efficient Heuristic for the Multi-Vehicle
One-to-one Pickup and Delivery Problem with Split Loads.
Transportation Research Part C: Emerging Technologies, 27,
169-188. https://doi.org/10.1016/j.trc.2012.04.014.
Salazar Marín, E. A.; Arroyave Londoño, J. F. y Vásquez
Ospina, A. A. (2016). Diseño y construcción de un vehículo
solar hibrido. Editorial Universidad Tecnológica de Pereira.
Sheridan, P. K.; Gluck, E.; Guan, Q.; Pickles, T.; Balciglu,
B. y Benhabib, B. (2013). The Dynamic Nearest Neighbor
Policy for the Multivehicle Pickup and Delivery Problem.
Transportation Research Part A: Policy and Practice, 49, 178194. https://doi.org/10.1016/j.tra.2013.01.032.
Liu, C.-S. y Tang, Q.-J. (2010). A Hybrid Heuristics for Vehicle
Routing Problem with Simultaneous Pickup and Delivery
Service. En: 2010 International Conference on Logistics
Systems and Intelligent Management (ICLSIM) (pp. 14221426). IEEE. https://doi.org/10.1109/ICLSIM.2010.5461201.
Shi, Y.; Chen, M.; Qu, T. y Liu, W. (2019). Vehicle Routing
Problem of an Innovative B2C and O2O Joint Distribution
Service. Procedia CIRP, 83, 680-683. https://doi.org/10.1016/j.
procir.2019.03.310.
172
Pedro Pablo Ballesteros Silva
Sifa, Z.; Jiandong, C.; Xiaomin, L. y Keqiang, L. (2011). Urban
Pickup and Delivery Problem Considering Time-Dependent
Fuzzy Velocity. Computers & Industrial Engineering, 60(4),
821-829. https://doi.org/10.1016/j.cie.2011.01.020.
Sörensen, K. y Schittekat, P. (2013). Statistical Analysis of
Distance-Based Path Relinking for the Capacitated Vehicle
Routing Problem. Computers & Operations Research, 40(12),
3197-3205. https://doi.org/10.1016/j.cor.2013.02.005.
Subramanian, A. (2008). Metaheristica iterated local search
aplicada ao problema de rotetamento de veículos com coleta
e entrega simultanâa [Trabajo de maestría sin publicar].
Programa de Pósgraduçâo em Engenharia de Produçâo,
Universidade Federal da Paraiba, João Pessoa, PB. Brazil.
______. (2012). Heuristics Exact and Hybrid Approaches for
Vehicle Routing Problems. Universidad Federal Fluminense.
Subramanian, A.; Uchoa., E. y Ochi, L. S. (2010). New Lower
Bounds for the Vehicle Routing Problem with Simultaneous
Pickup and Delivery. En: P. Festa (eds.). Experimental
Algorithms. SEA 2010 (pp. 276-287). Lecture Notes in
Computer Science, vol. 6049. Springer.
Subramanian, A.; Uchoa, E.; Alves Pessoa, A. y Satoru-Ochi, L.
(2011). Branch-and-Cut with Lazy Separation for the Vehicle
Routing Problem with Simultaneous Pickup and Delivery.
European Journal of Operaional Reserarch, 39(5), 338-341.
https://doi.org/10.1016/j.orl.2011.06.012.
Tajik, N.; Tavakkoli-Moghaddam, R.; Vahdanib, B. y Mousavi,
M. (2014). A Robust Optimization Approach for Pollution
Routing Problem with Pickup and Delivery Under
Uncertainty. Journal of Manufacturing Systems, 33(2), 277286. https://doi.org/10.1016/j.jmsy.2013.12.009.
173
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Tang, G.; Ning, A.; Wang, K. y Qi, X. (2009). A Practical
Split Vehicle Routing Problem with Simultaneous Pickup
and Delivery. En: 2009 16th International Conference on
Industrial Engineering and engineering Management (pp. 2630). IEEE. https://doi.org/10.1109/ICIEEM.2009.5344644.
Tang Montané, F. A. y Diéguez Galvão, R. (2006). A Tabu
Search Algorithm for the Vehicle Routing Problem with
Simultaneous Pickup and Delivery Service. Computers
& Operations Research, 33(3), 595-619. https://doi.
org/10.1016/j.cor.2004.07.009.
Ting, C.-K. y Liao, X.-L. (2013). The Selective Pickup and
Delivery Problem: Formulation and a Memetic Algorithm.
European Journal of Production Economics, 141(1), 199-211.
https://doi.org/10.1016/j.ijpe.2012.06.009.
Tlili, T.; Faiz, S. y Krichen, S. (2014). A Hybrid Metaheuristic
for the Distance-constrained Capacitated Vehicle Routing
Problem. Procedia - Social and Behavioral Sciences, 109, 779783. https://doi.org/10.1016/j.sbspro.2013.12.543.
Toro, E. (2016). Solución del problema de localización y ruteo
usando un modelo matemático flexible y considerando efectos
ambientales. [Tesis Doctoral, Universidad Tecnológica de
Pereira]. Repositorio UTP.
Toro, E.; Franco, J. F.; Granada Echeverri, M. y Guimarães, F.
G. (2017). A Multi-Objective Model for the Green Capacited
Location-Routing Problem Considering Environmental
Impact. Computer & Industrial Engineering, 110, 114-125.
https://doi.org/10.1016/j.cie.2017.05.013.
Toth, P. y Vigo, D. (2014). The Vehicle Routing Problem. Society
of Industrial and Applied Mathematics.
174
Pedro Pablo Ballesteros Silva
Turkensteen, M. y Hasle, G. (2017). Combining Pickups and
Deliveries in Vehicle Routing – An Assessment of Carbon
Emission Effects. Transportation Research Part C: Emerging
Technologies 80, 117-132. https://doi.org/10.1016/j.
trc.2017.04.006.
Tzoreff, T. E.; Granot, D. y Greys Sosic, F. G. (2002). The
Vehicle Routing Problem with Pickups and Deliveries on
Some Special Graphs. Discrete Applied Mathematics, 116(3),
193-229. https://doi.org/10.1016/S0166-218X(00)00283-3.
Ubeda, S.; Arcelus, F. y Faulina, J. (2011). Green Logistics at
Eroski: A Case Study. International Journal of Production
Economics, 131(1), 44-51. https://doi.org/10.1016/j.
ijpe.2010.04.041.
Vidal, T. ; Crainic, T.; Gendreau, M. y Prins, C. (2013). Heuristics
for Multi-Attribute Vehicle Routing Problems: A Survey
and Synthesis. European Journal of Operational Research,
231(1), 1-21. https://doi.org/10.1016/j.ejor.2013.02.053.
Wang, H.-F. y Chen, Y.-Y. (2013). A Coevolutionary Algorithm
for the Fexible Delivery and Pickup Problem with Time
Windows. International Journal of Production Economics,
141(1), 4-13. https://doi.org/10.1016/j.ijpe.2012.04.011.
Wang, K.; Ye, C. y Ning, A. (2010). Competitive Decision
Algorithm for the Split Vehicle Routing Problem with
Simultaneous Pickup and Delivery and Time Windows.
En: 2010 International Conference on Future Information
Technology and Management Engineering (pp. 371-375).
IEEE. https://doi.org/10.1109/FITME.2010.5656279.
Wang, X. y Li, X. (2017). Carbon Reduction in the Location
Routing Problem with Heterogeneous Fleet, Simultaneous
Pickup-Delivery and Time Windows. Procedia Computer
Science,
112,
1131-1140.
https://doi.org/10.1016/j.
procs.2017.08.147.
175
Solución del problema de enrutamiento de vehículos con entregas y recogidas simultáneas
Una nueva matheurística
Wang, Z. (2018). Delivering Meals for Multiple Suppliers:
Exclusive or Sharing Logistics Service. Transportation
Research Part E: Logistics and Transportation Review, 118,
496- 512. https://doi.org/10.1016/j.tre.2018.09.001.
Wang, Z. y Lin, W.-H. (2017). Incorporating Travel Time
Uncertainty into the Design of Service Regions Fordelivery/
Pickup Problems with Time Windows. Expert Systems
with Applications, 72, 207-220. https://doi.org/10.1016/j.
eswa.2016.11.003.
Xiao, Y.; Zhao, Q.; Kaku, I. y Xu, Y. (2012). Development of a
Fuel Consumption Optimization Model for the Capacitated
Vehicle Routing Problem. Computers & Operations
research, 39(7), 1419–1431. https://doi.org/10.1016/j.
cor.2011.08.013.
Yang, P.-Y.; Tang, J.-F.; Yu, Y. y Pei, J.-X. (2013). Minimizing
Carbon Emissions Through Vehicle Routing and Scheduling
in the Shuttle Service of Picking up and Delivering Customers
to the Airport. Acta Automatica Sinica, 39(4), 424-432.
https://doi.org/10.1016/S1874-1029(13)60042-7.
Yanik, S.; Bozkaya, B. y DeKervenoael, R. (2014). A New
VRPPD Model and a Hybrid Heuristic Solution Approach
for E-Tailing. European Journal of Operational Research,
236(3), 879-890. https://doi.org/10.1016/j.ejor.2013.05.023.
Zachariadis, E. E. y Kiranoudis, C. T. (2011). A Local Search
Metaheuristic Algorithm for the Vehicle Routing Problem
with Simultaneous Pick-Ups and Deliveries. Experts
Systems with Applications, 38(3), 2717-2726. https://doi.
org/10.1016/j.eswa.2010.08.061.
176
Pedro Pablo Ballesteros Silva
Zachariadis, E. E.; Tarantilis, C. D. y Kiranoudis, C. T. (2009).
A Hybrid Metaheuristic Algorithm for the Vehicle Routing
Problem with Simultaneous Delivery and Pick-Up Service.
Expert Systems with Applications, 36(2), 1070-1081. https://
doi.org/10.1016/j.eswa.2007.11.005.
Zachariadis, E. E.; Tarantilis, C. D. y Kiranoudis, C. T. (2016).
The Vehicle Routing Problem with Simultaneous Pick-ups
and Deliveries and Two Dimensional Loading Constraints.
European Journal of Operational Research, 251(2), 369386. https://doi.org/10.1016/j.ejor.2015.11.018.
Zachariadis, E. E.; Tarantilis, C. D. y Kiranoudis, C. T. (2010).
An Adaptive Memory Methodology for the Vehicle Routing
Problem with Simultaneous Pick-Ups and Deliveries.
European Journal of Operational Research, 202(2), 401411. https://doi.org/10.1016/j.ejor.2009.05.015.
Zhang, Z.; Cheang, B.; Li, C. y Lim, A. (2019). MultiCommodity Demand Fulfillment Via Simultaneous Pickup
and Delivery for a Fast Fashion Retailer. Computers &
Operations Research, 103, 81-96. https://doi.org/10.1016/j.
cor.2018.10.020.
Zhang, T.; Chaovalitwongse, W. A. y Zhang, Y. (2012). Scatter
Search for the Stochastic Travel-Time Vehicle Routing
Problem with Simultaneous Pick-Ups and Deliveries.
Computers & Operations Research, 39(10), 2277-2290.
https://doi.org/10.1016/j.cor.2011.11.021.
Zhong, Y. y Cole, M. H. (2005). A Vehicle Routing Problem
with Backhauls and Time Windows: A Guided Local
Search Solution. Transportation Research Part E: Logistics
and Transportation Review, 41(2), 131-144. https://doi.
org/10.1016/j.tre.2003.12.003.
177
Este libro terminó de imprimirse en Junio del 2021, en los talleres
gráficos de PUBLIPRINT S.A.S., bajo el cuidado de su autor.
Pereira, Risaralda, Colombia.
Este libro, producto de mi tesis doctoral, presenta una met
de enrutamiento de vehículos homogéneos con recogidas
utilizando matheurística formada por el algoritmo genét
técnicas exactas de programación lineal de enteros mix
Branch -and- Bound, aplicado a la mejor configuración ob
el apoyo de métodos heurísticos constructivos en la det
que hacen parte de la generación de la población inicial
local.
El problema considera un conjunto de clientes, cuyas de
productos o personas son conocidas, y cuyo objetivo e
costo mínimo, que permitan satisfacer la demanda d
respectivas limitaciones del sistema y los vehículos nece
En su desarrollo se consideraron los siguientes aspectos:
· Fundamentación teórica del problema de ruteo de veh
simultáneas.
· Diseño metodológico para el desarrollo del contenido de
· Experimentos computacionales: La metodología desarro
se utiliza un software de resolución CPLEX para encontr
implementación del algoritmo se verifica con el uso de in
la literatura especializada, obteniendo buenos resultado
cómputo relativamente cortos.
La Editorial de la Universidad
Tecnológica de Pereira tiene como
política la divulgación del saber
científico, técnico y humanístico para
fomentar la cultura escrita a través
de libros y revistas científicas
especializadas.
Las colecciones de este proyecto son:
Trabajos de Investigación, Ensayos,
Textos Académicos y Tesis Laureadas.
Este libro pertenece a la Colección
Trabajos de Investigación.
Facultad
Facultad
de Ciencias
de Tecnología
Básicas
Colección Trabajos de Investigación
Este libro, producto de mi tesis doctoral, presenta una metodología para resolver el problema
de enrutamiento de vehículos homogéneos con recogidas y entregas simultáneas (VRPSPD)
utilizando matheurística formada por el algoritmo genético especializado Chu -Beasley y
técnicas exactas de programación lineal de enteros mixtos, basadas en el procedimiento
Branch -and- Bound, aplicado a la mejor configuración obtenida del algoritmo genético con
el apoyo de métodos heurísticos constructivos en la determinación de los subproblemas,
que hacen parte de la generación de la población inicial, necesaria en la etapa de mejora
local.
El problema considera un conjunto de clientes, cuyas demandas de recogida y entrega de
productos o personas son conocidas, y cuyo objetivo es obtener el conjunto de rutas de
costo mínimo, que permitan satisfacer la demanda de los clientes, considerando las
respectivas limitaciones del sistema y los vehículos necesarios para completar el mismo.
En su desarrollo se consideraron los siguientes aspectos:
· Fundamentación teórica del problema de ruteo de vehículos con entregas y recogidas
simultáneas.
· Diseño metodológico para el desarrollo del contenido del libro.
· Experimentos computacionales: La metodología desarrollada se implementa en C ++, y
se utiliza un software de resolución CPLEX para encontrar la solución. La eficiencia de la
implementación del algoritmo se verifica con el uso de instancias de prueba disponibles en
la literatura especializada, obteniendo buenos resultados en las pruebas en tiempos de
cómputo relativamente cortos.
eISBN 978-958-722-493-1
Facultad
Facultad
de Ciencias
de Tecnología
Básicas
Colección Trabajos de Investigación