Professional Documents
Culture Documents
Tesis o trabajo de investigación presentada(o) como requisito parcial para optar al título
de:
Magister en Ingeniería Administrativa
Director (a):
Ph.D., Alexander Alberto Correa Espinal
Codirector (a):
Ph.D., Elkin Rodríguez Velásquez
Línea de Investigación:
Producción
Albert Einstein
Agradecimientos
Agradezco a Elkin Rodríguez Velásquez, codirector del trabajo, quien tuvo gran papel en
la parte final de toda la construcción de este resultado.
A todas las personas que me rodearon desde el inicio o en una parte del desarrollo del
programa de maestría, algunos me alentaron, otros en cambio tuvieron que soportar mi
falta de tiempo para el cumplimiento de mis labores como empleado, jefe, compañero o
amigo; a todos muchas gracias por haber hecho parte de este camino. En especial
agradezco a mis amigos Maribel Díaz y Luis Rojas por copatrocinar el desarrollo de este
trabajo.
Resumen y Abstract XI
Resumen
Este trabajo se enfoca en dar solución a un problema real de planificación de transportes
o ruteo de vehículos, definido gracias al aporte de una empresa colombiana del sector de
servicios de transporte por carretera. El problema consiste en realizar la programación de
operaciones de transporte internacional entre dos países, Colombia y Venezuela, para
un horizonte de tiempo con múltiples variantes; entre ellas podemos resaltar: una flota
heterogénea de vehículos y tráileres, múltiples depots (clientes), restricciones de
ventanas de tiempo en los depots, diversas modalidades de servicio, entre otras. El
objetivo es obtener una programación de recursos (vehículos y tráileres) para la atención
de la demanda de solicitudes de servicios de transportes en un horizonte de tiempo,
minimizando la distancia recorrida en estado vacío de los vehículos para el periodo.
Palabras clave:
Solución de problemas, Planificación del transporte, Transporte por carretera, Ruteo de
vehículos, Algoritmo metaheurístico.
XII Implementación de un algoritmo metaheurístico para la solución de un problema de
programación de transporte terrestre internacional
Abstract
This work focuses on finding a solution to a real problem of transport planning or vehicle
routing, which has been defined with the collaboration of a Colombian company from the
road transport service industry. The problem consists of scheduling the international
transport operations between two countries, Colombia and Venezuela, over a time
horizon, with multiple variants; such as: a heterogeneous fleet of vehicles and trailers,
multiple depots (customers), time windows constraints in the depots, various service
modalities, among others. The goal is to schedule the resources (vehicles and trailers) in
order to meet the demand for transport service requests on a given time horizon,
minimizing the distance traveled by the vehicles while empty.
Keywords:
Problem solving, Transport planning, Road transport, Vehicle routing, Metaheuristic
algorithm.
Contenido XIII
Contenido
Pág.
Resumen ......................................................................................................................... XI
Introducción .................................................................................................................... 1
1. Generalidades .......................................................................................................... 3
1.1 Definición clásica de Problemas de ruteo de vehículos o VRP................................ 3
1.2 Taxonomía del VRP................................................................................................ 5
1.3 Definición de variantes del Problema VRP ............................................................. 8
1.4 Conclusiones ........................................................................................................ 11
Bibliografía .....................................................................................................................81
Contenido XV
Lista de figuras
Figura 1.1. Número de artículos del VRP publicados desde 1954 hasta 2006 en journals
registrados según Eksioglu, Volkan, & Reisman (2009) ................................................... 4
Figura 2.1. Pasos en la modalidad de Transferencia ...................................................... 17
Figura 4.1. Agrupación de ciudades aledañas (Imagen extraída (Google, 2012))........... 42
Figura 4.2. Planteamiento del algoritmo solución ........................................................... 56
Figura 4.3. Generador de nuevas soluciones ................................................................ 63
Figura 4.4. Efectos principales de los factores ............................................................... 65
Figura 4.5. Gráfica de probabilidad normal de los efectos de los factores (Fuente:
Statgraphics) .................................................................................................................. 67
Figura 4.6. Diagrama de Pareto estandarizado para el porcentaje de mejora (Fuente:
Statgraphics) .................................................................................................................. 67
Figura 4.7. Efecto de la interacción AC .......................................................................... 68
Figura 4.8. Deseabilidad de los factores A y B (Fuente Statgraphics) ............................ 69
Figura 4.9. Resultados SA con solución inicial Vecino más cercano .............................. 70
Figura 4.10. Resultados SA con solución inicial aleatoria ............................................... 71
Figura 4.11. Resultado de mejor vs tiempo del SA ......................................................... 72
Figura 4.12. Comportamiento del % mejora / tiempo de ejecución del SA ..................... 73
XVI Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
Lista de tablas
Tabla 1.1. Taxonomía del la literatura del VRP según Eksioglu, Volkan, & Reisman (2009)
......................................................................................................................................... 5
Tabla 2.1. Clases de vehículos ....................................................................................... 15
Tabla 2.2. Tipos de tráileres ............................................................................................ 15
Tabla 2.3. Características del problema según Eksioglu, Volkan, & Reisman, 2009 ....... 20
Tabla 2.4. Análisis del problema frente a variantes VRP ................................................. 21
Tabla 2.5. Similitud del problema con otros trabajos según Eksioglu, Volkan, & Reisman
(2009) ............................................................................................................................. 25
Tabla 2.6. Aplicación de la Taxonomía a trabajos similares según Eksioglu, Volkan, &
Reisman (2009) .............................................................................................................. 26
Tabla 2.7. Continuación - Aplicación de la Taxonomía a trabajos similares según
Eksioglu, Volkan, & Reisman (2009) ............................................................................... 28
Tabla 2.8. Problemas similares versus características según Eksioglu, Volkan, & Reisman
(2009) ............................................................................................................................. 30
Tabla 2.9. Caracterización del trabajo según taxonomía de Eksioglu, Volkan, & Reisman
(2009) ............................................................................................................................. 32
Tabla 4.1. Agrupación de ciudades aledañas .................................................................. 43
Tabla 4.2. Resultados de simulación distancia en vacío ................................................. 44
Tabla 4.3. Estructura BD Ciudades ................................................................................. 50
Tabla 4.4. Estructura Tipos de vehículos ........................................................................ 51
Tabla 4.5. Estructura Tipos de tráileres ........................................................................... 51
Tabla 4.6 Estructura Modalidades de transporte ............................................................. 51
Tabla 4.7. Estructura Ciudades de cruce de frontera ...................................................... 52
Tabla 4.8. Estructura Información de los clientes ............................................................ 52
Tabla 4.9. Estructura de Información de los servicios de transportes del periodo ........... 53
Tabla 4.10. Estructura de Información de vehículos ........................................................ 53
Tabla 4.11. Estructura de Información de tráileres .......................................................... 53
Tabla 4.12. Estructura BD de Distancias entre ciudades por Cúcuta .............................. 54
Tabla 4.13. Estructura BD de Distancias entre ciudades por Paraguachón..................... 54
Tabla 4.14. Estructura de Tiempos entre trayectos por Cúcuta ....................................... 55
Tabla 4.15 Estructura de Tiempos de trayectos por Paraguachón .................................. 55
Tabla 4.16. País correspondiente a cada corredor .......................................................... 55
Tabla 4.17. Composición vector paralelo de solución para vehículos y tráileres ............. 61
Tabla 4.18. Niveles definidos para cada factor ................................................................ 64
Tabla 4.19. Resultados en porcentaje de mejora según niveles de los factores .............. 64
Tabla 4.20. Análisis de varianza a parámetros del SA (Fuente: Statgraphics) ................ 66
Tabla 4.21. Mejores combinaciones de parámetros del SA ............................................. 68
Contenido XVII
Lista de algoritmos
Lista de abreviaturas
Abreviatura Término
VRP Vehicle Routing Problem
CVRP Capacitated Vehicle Routing Problem
TSP Travelling Salesman Problem
OVRP Open Vehicle Routing Problem
HFVRP Heterogeneous Fleet Vehicle Routing Problem
VRPTW Vehicle Routing Problem with Time Windows
MDVRP Multi Depot Vehicle Routing Problem
VRPB Vehicle Routing Problem with Backhauls
PVRP Periodic Vehicle Routing Problem
TDVRP Time Dependent Vehicle Routing Problem
TTRP Truck and Trailer Routing Problem
DARP Dial a Ride Problem
RRVRP Roll-on Roll-off Vehicle Routing Problem
LPI Logistics Performance Index
DANE Departamento Administrativo Nacional de Estadística
ICTC Índice de costos del transporte
TLC Tratado de libre comercio
PD Programación Dinámica
PL Programación Lineal
SA Simulated Annealing
GA Genetics Algorithm
ACO Ant Colony Optimization
TS Tabu Search
GRASP Greedy Randomized Adaptive Search Procedures
Introducción
El desarrollo del trabajo comprende diversos puntos neurálgicos, entre ellos se destacan
la definición del problema, la definición de un modelo que represente el problema, la
valoración del estado actual del proceso frente a la medida objetivo establecida, el
desarrollo de heurísticas que emulen la realidad del problema y construyan soluciones
factibles, las pruebas de la solución por medio de información real del proceso y,
finalmente, la evaluación de las soluciones generadas.
La primera parte del trabajo se enfoca en examinar el panorama temático del área
investigativa que rodea a esta clase de problemas combinatorios, obteniendo una visión
teórica de la actualidad en este ámbito académico; a partir de este punto se logra la
definición clara del problema en conjunto con la selección de la herramienta ajustada a
las necesidades de la solución; luego, se genera la solución por medio de la
implementación de dos heurísticas para soluciones iniciales y una metaheurística para la
mejora de éstas. Finalmente, se revisan los resultados obtenidos para concluir sobre los
aportes, dificultades y recomendaciones encontradas durante la realización del trabajo.
2 Introducción
1. Generalidades
El primer paso para el correcto despliegue de un trabajo de implementación de este tipo,
es la definición del problema a enfrentar, para ello fue indispensable la revisión de las
características relevantes en la definición del mismo, al igual que definir qué lugar tendría
el trabajo desarrollado en el panorama del área investigativa.
Según Eksioglu, Volkan & Reisman (2009) este campo de investigación y estudio ha sido
abordado de manera muy amplia y general, lo cual dificulta su correcto entendimiento,
investigación y vigilancia; por tal motivo, como en cualquier otro campo de investigación,
es indispensable establecer una taxonómica que define las diferentes clases o vertientes
que nacen de problemas y trabajos de este tipo; es por esto que se ha incluido en este
capítulo una revisión de las clases de estos dos aspectos, para contextualizar el trabajo
con el marco del estado actual del área de investigación y cuál es el aporte del presente
trabajo frente a la comunidad académica.
La primera definición de problemas de este tipo, reconocida por la academia, fue hecha
en 1959, cuando en el artículo The Truck Dispatching Problem los autores Dantzig &
Ramser lo abordaron y con su definición separaron el problema de la definición del TSP
(Travelling Salesman Problem), o problema del agente viajero; dichos autores marcaron
tal diferencia denotando que existía la necesidad de tener una flota de vehículos con
restricción de capacidad para cubrir n clientes con una demanda conocida, por tanto era
indispensable construir un grupo de rutas. La separación se hizo más evidente cuando
denotaban la explosión de manera exponencial del número de posibles combinaciones
de solución que surgían al incluir dichas características diferenciadoras.
La definición clásica del problema VRP consiste en establecer un programa de rutas para
atender un conjunto de clientes con ubicación geográfica y demanda conocida, y para
ello se cuenta con una flota de vehículos con restricciones de capacidad y de tipo
homogénea y que parten desde un único punto de despacho o depot; el objetivo
planteado en el problema es minimizar el costo de realizar la operación de atención. Sin
embargo, a lo largo de las décadas de investigación por muchos autores, han surgido
diferentes variantes que acercan cada vez más la definición del problema a las diferentes
4 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
realidades que se viven en la logística de distribución; de esta forma han nacido las
diversas vertientes o nuevas y diferentes definiciones de este problema, como por
ejemplo al considerar una restricción de horarios de recogida de la carga o ventanas de
tiempo (VRPTW, por sus siglas en inglés); este problema en su base se define con el
mismo objetivo, sin embargo, se diferencia en esta restricción característica, lo cual
obliga a un planteamiento de una nueva solución.
Figura 1.1. Número de artículos del VRP publicados desde 1954 hasta 2006 en journals registrados
según Eksioglu, Volkan, & Reisman (2009)
Por estos motivos se hace indispensable el uso de una guía taxonómica que logré
brindar la forma de realizar la clasificación de trabajos referentes al problema.
Capítulo 1. Generalidades 5
La metodología creada por Eksioglu, Volkan, & Reisman (2009) consiste en utilizar una
guía taxonómica para clasificar los diferentes aspectos o características principales de
los trabajos acerca del VRP en 5 grandes grupos definidos:
Tipo de estudio
Características de la información
Tabla 1.1. Taxonomía del la literatura del VRP según Eksioglu, Volkan, & Reisman (2009)
1.1. Teoría
Encuesta, revisión o
1.4.
Investigación objetiva
6 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
Tabla 1.1. Taxonomía del la literatura del VRP según Eksioglu, Volkan, & Reisman (2009)
2.3.1 Determinista
2.3.3. Desconocida
2.4.1 Determinista
2.4.3. Desconocida
2.5.4. Estocástica
2.5.5. Desconocida
Tabla 1.1. Taxonomía del la literatura del VRP según Eksioglu, Volkan, & Reisman (2009)
3.10.4. Desconocido
Tabla 1.1. Taxonomía del la literatura del VRP según Eksioglu, Volkan, & Reisman (2009)
4.1.1. Estática
4.1. Evolución de la información
4.1.2. Parcialmente dinámica
4.2.2. Estocástica
4.2. Calidad de la información
Características de la 4.2.3. Pronósticos
4.
información
4.2.4. Desconocida (en tiempo real)
4.3.1. Local
4.3. Disponibilidad de la información
4.3.2. Global
4.4.1. Centralizada
4.4. Procesamiento de la información
4.4.2. Descentralizada
1.4 Conclusiones
Existe gran diversidad de problemas variantes del VRP, para la correcta definición
de un problema perteneciente a esta familia es de suma importancia conocer
dichas variantes.
2. Planteamiento del problema
1
El R es un código de identificación de cada tráiler que cumple la misma función de las placas
para los vehículos.
2
En el argot del transporte un corredor representa una vía entre dos ciudades o nodos, un origen
y destino, y la descompensación se refiere a que se origina carga solo en un sentido del corredor.
Capítulo 2. Planteamiento del problema 15
Tipo de vehículo Peso vehículo (ton) Capacidad de carga (ton) Manejo de tráiler
Turbo 4 5 No
Camión sencillo 6 8 No
Doble troque 11 17 No
La descompensación de corredores2
La empresa desarrolla servicios de transporte con origen colombiano y destino
venezolano y viceversa, sin embargo, por el favorecimiento de la balanza comercial
entre países para Colombia, cerca de 100 millones de dólares (FOB) a favor de
nuestro país en la balanza del 2012 según DANE (2012), es notable que no se
genera tanto flujo de carga con origen en Venezuela; por tal motivo ha sido
especialmente complejo mantener una fidelización de los vehículos externos, ya que
la empresa no se adjudica los costos de un desplazamiento en vacío que el
transportador en estos casos podría asumir en el regreso al país.
2
En el argot del transporte un corredor representa una vía entre dos ciudades o nodos, un origen
y destino, y la descompensación se refiere a que se origina carga solo en un sentido del corredor.
16 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
En lo referente al recurso humano, se tiene una política interna que cada conductor no
puede conducir más de 16 horas por día, sin embargo está identificado que la mayoría de
los conductores no cumplen con dicha política, incurriendo en riesgos de salud y
principalmente de accidentes en carretera.
Transferencia
Se basa en el uso de tráileres y cabezotes genéricos para el transporte de la mercancía,
con éstos se agiliza la prestación del servicio realizando un desenganche y enganche
del tráiler en la frontera, evitando el descargue de la mercancía a piso y el uso del mismo
vehículo hasta una ciudad del vecino país. Esta modalidad se realiza en cuatro pasos
como se observa en la Figura 2.1. (a) Primero se traslada la mercancía en tráiler desde la
ciudad origen hasta la ciudad fronteriza, (b) luego se hace el trámite aduanero para el
paso de la frontera de la mercancía y el desenganche del tráiler, (c) posteriormente se
asigna un vehículo del país destino que engancha el tráiler, (d) y finalmente se transporta
el tráiler hasta la ciudad destino para hacer la entrega de la mercancía.
Trasbordo
Esta modalidad funciona de forma similar a la transferencia, la diferencia radica en no
usar tráiler para la entrega al cliente, por lo tanto luego del traslado de la mercancía
desde la ciudad origen hasta la frontera, se realiza el trámite aduanero
correspondiente y se hace el descargue de la mercancía a piso en una bodega
autorizada por el cliente, posteriormente se carga la mercancía a otro vehículo con
licencia para transitar en el país, y se traslada la mercancía a su destino donde se
realiza su entrega.
Directo
Esta modalidad, como su nombre lo indica, se desarrolla desde el punto origen hasta
su destino final por el mismo vehículo, realizando en el paso por frontera el trámite
aduanero correspondiente (que en promedio puede tardar entre 2 y 4 días) y el
posterior traslado de la carga hasta el cliente. Para el desarrollo de esta modalidad se
debe contar con un vehículo y tráiler, si aplica, que tengan la habilitación para
transitar en ambos países.
La demanda de solicitudes de servicios por parte de los clientes se presenta bajo dos
escenarios:
Solicitudes inmediatas
Son servicios solicitados con poco tiempo de anticipación, en un promedio de entre 4
y 2 días antes de la prestación del servicio.
Todas las principales características de los servicios son definidos por los clientes, entre
ellas se resalta:
Modalidad de transporte
Según el régimen aduanero de la mercancía, cada cliente selecciona la modalidad
más conveniente para el desarrollo del servicio.
Tabla 2.3. Características del problema según Eksioglu, Volkan, & Reisman, 2009
Primer nivel de
Segundo nivel de clasificación Tercer nivel de clasificación
clasificación
Restricción en depósitos
3.6.3.
de carga (depot)
3.6. Tipos de ventanas de tiempo
Restricción en Vehículos
3.6.4.
3. Características o conductores
físicas del problema
3.7. Número de vehículos 3.7.1. Exactamente n vehículos
Vehículos con la
3.8. Consideración de capacidad de vehículos 3.8.1.
capacidad suficiente
3
OVRP De acuerdo a lo planteado en el proceso se cuenta con la No aplica
participación de vehículos externos, es decir, que no pertenecen
a la compañía, sin embargo, como se plantea en las diversas
situaciones existentes del proceso, es indispensable que se logre
como mejora la correcta fidelización de dichos vehículos, y el
mejor medio es la continua asignación de carga para éstos en
ambos sentidos del corredor, por tal motivo se tomó la decisión de
descartar dicha restricción y generar los resultados tratando
indiscriminadamente tanto el vehículo externo como interno.
HFVRP Como la operación del proceso lo marca, se maneja no solo una Si aplica
flota de vehículos heterogénea, también una flota heterogénea de
tráileres.
3
La decisión de no incluir la restricción de vehículos externos en el problema, va de la mano con
una tendencia que toma la compañía en mejorar la utilización de éstos, con el propósito principal
de lograr una fidelización de los mismos.
22 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
TTRP La operación se realiza por medio del uso de tráileres cuando se No aplica
requiere, sin embargo la definición que existe para esta variante
del VRP no cumple con la definición del proceso en estudio. La
diferencia radica en el tipo de tráiler usado en el proceso y lo
definido en la variante TTRP, en el TTRP consideran un tráiler de
extensión al vehículo, en el proceso se maneja más que un
vehículo en su condición normal es un cabezote y el tráiler donde
lleva la carga. Por este motivo en el problema será incluido el
manejo de tráileres, pero no bajo las restricciones que define este
problema.
El objetivo de solución del problema es generar una programación de rutas para los
vehículos y tráileres, con el cual se efectúen todos los transportes o servicios solicitados
por los diversos clientes durante un horizonte de tiempo de un mes, cumpliendo con
todas las características y restricciones que exige la complejidad del proceso y las
Capítulo 2. Planteamiento del problema 23
Alcance geográfico
Para el desarrollo del problema se seleccionaron en total 31 ciudades principales
entre los dos países.
Características de la Demanda
Cada solicitud de servicio tiene predefinidos las siguientes características:
Para el problema se estableció manejar una demanda conocida al inicio del mes, con
el propósito de realizar un primer acercamiento al desarrollo del proceso. Si bien la
demanda del proceso es dinámica, los métodos de optimización pueden utilizarse en
cualquier momento del periodo, sin embargo, para evaluar la mejora ofrecida por el
método de solución, es importante contar con una gran cantidad servicios para probar
su capacidad y eficiencia.
Cada servicio de transporte debe cumplir con la cita de cargue asignada por el
cliente (problema VRPTW con restricción en el depot)
Según la ubicación de los tráileres y los vehículos, puede ser necesario que
éstos se desplacen en estado vacío para la atención de nuevos servicios
De acuerdo con esta revisión, se puede concluir que no existe ningún otro trabajo, dentro
este grupo, que cumpla al 100% las mismas características, sin embargo, muchos de
éstos sirven como referencias importantes en diversas características del problema.
Capítulo 2. Planteamiento del problema 25
De los problemas contemplados en este estudio, existen 3 en total que tienen gran
similitud con el problema desarrollado, (Cordeau, Laporte, & Mercier, 2001), (Fu, 2002) y
(Malandraki & Daskin, 1992). En la Tabla 2.8. puede observarse el nivel de similitud de
éstos de acuerdo a la clasificación con los ítems de la taxonomía.
Tabla 2.5. Similitud del problema con otros trabajos según Eksioglu, Volkan, & Reisman (2009)
Total Porcentaje
Ítems de clasificación según taxonomía aplicado al problema planteado
trabajos (31 trabajos)
Consideración de capacidad de
3.8.1. Vehículos con capacidad 25 80,6%
vehículos
Tabla 2.6. Aplicación de la Taxonomía a trabajos similares según Eksioglu, Volkan, & Reisman (2009)
Clasificación taxonómica
1.2.1.
1.2.2.
1.2.3.
1.2.4.
2.1.1.
2.1.2.
2.2.1.
2.2.2.
2.3.2.
2.3.3.
2.4.2.
2.4.3.
2.5.1.
2.5.2.
2.5.3.
2.5.4.
2.5.5.
2.6.1.
2.6.2.
2.6.3.
2.7.1.
2.7.2.
2.8.1.
2.8.2.
2.9.1.
2.9.2.
2.9.3.
3.1.1.
3.1.2.
3.2.1.
3.2.2.
3.3.2.
3.3.3.
2.3.1
2.4.1
3.3.1
1.1.
1.3.
1.4.
Trabajo
Eglese (1994) X X X X X X X
Tabla 2.6. Aplicación de la Taxonomía a trabajos similares según Eksioglu, Volkan, & Reisman (2009)
Clasificación taxonómica
1.2.1.
1.2.2.
1.2.3.
1.2.4.
2.1.1.
2.1.2.
2.2.1.
2.2.2.
2.3.2.
2.3.3.
2.4.2.
2.4.3.
2.5.1.
2.5.2.
2.5.3.
2.5.4.
2.5.5.
2.6.1.
2.6.2.
2.6.3.
2.7.1.
2.7.2.
2.8.1.
2.8.2.
2.9.1.
2.9.2.
2.9.3.
3.1.1.
3.1.2.
3.2.1.
3.2.2.
3.3.2.
3.3.3.
2.3.1
2.4.1
3.3.1
1.1.
1.3.
1.4.
Trabajo
Fu (2002) X X X X X X X X X X X X
Jaillet (1988) X X X X X X X
Tabla 2.7. Continuación - Aplicación de la Taxonomía a trabajos similares según Eksioglu, Volkan, & Reisman (2009)
Clasificación taxonómica
3.10.1.
3.10.2.
3.10.3.
3.10.4.
3.11.1.
3.11.2.
3.11.3.
3.11.4.
3.11.5.
3.11.6.
3.4.2.
3.5.1.
3.5.2.
3.6.1.
3.6.2.
3.6.3.
3.6.4.
3.7.1.
3.7.2.
3.7.3.
3.8.1.
3.8.2.
3.9.1.
3.9.2.
3.9.3.
3.9.4.
4.1.1.
4.1.2.
4.2.1.
4.2.2.
4.2.3.
4.2.4.
4.3.1.
4.3.2.
4.4.1.
4.4.2.
5.1.1.
5.1.2.
5.1.3.
3.4.1
5.2.
Trabajo
Eglese (1994) X X X X X X X X X X X X X X
Tabla 2.7. Continuación - Aplicación de la Taxonomía a trabajos similares según Eksioglu, Volkan, & Reisman (2009)
Clasificación taxonómica
3.10.1.
3.10.2.
3.10.3.
3.10.4.
3.11.1.
3.11.2.
3.11.3.
3.11.4.
3.11.5.
3.11.6.
3.4.2.
3.5.1.
3.5.2.
3.6.1.
3.6.2.
3.6.3.
3.6.4.
3.7.1.
3.7.2.
3.7.3.
3.8.1.
3.8.2.
3.9.1.
3.9.2.
3.9.3.
3.9.4.
4.1.1.
4.1.2.
4.2.1.
4.2.2.
4.2.3.
4.2.4.
4.3.1.
4.3.2.
4.4.1.
4.4.2.
5.1.1.
5.1.2.
5.1.3.
3.4.1
5.2.
Trabajo
Fu (2002) X X X X X X X X X X X X X X X X
Jaillet (1988) X X X X X X X X X X X
Tabla 2.8. Problemas similares versus características según Eksioglu, Volkan, & Reisman (2009)
Clasificación
3.10.1.
3.11.2.
1.2.2.
2.2.2.
2.6.2.
2.7.1.
2.8.1.
3.4.2.
3.5.2.
3.6.3.
3.6.4.
3.7.1.
3.8.1.
3.9.3.
5.1.2.
2.3.1
2.4.1
# %
Trabajo
(Cordeau,
Laporte, & X X X X X X X X X X X 11 64,7%
Mercier, 2001)
(Malandraki &
X X X X X X X X X 10 62,5%
Daskin, 1992)
Cordeau, Laporte & Mercier (2001) trabajan en el desarrollo de una solución para el
problema de ruteo de vehículos con restricción de horarios de recogida de la mercancía,
más conocido como ventanas de tiempos en el cargue (VRPTW, por sus siglas en
inglés), lo realizan por medio de un algoritmo metaheurístico conocido como Tabú
Search, contemplando al final la inclusión de dos generalidades más para el problema, el
manejo de periodo de la programación y múltiples centros de carga o depots; esto
transforma el problema en su definición con otras dos característica (PVRPTW y
MDVRPTW, respectivamente por sus siglas en inglés).
Los dos principales aportes del trabajo de éstos autores, ambos reconocidos por su gran
cantidad de trabajos en el campo del VRP, son el logro de la combinación de las
diferentes generalidades del problema y la forma de comparar sus resultados, para lo
cual desarrollan una experimentación computacional con métodos alternativos utilizando
las mismas instancias.
Otra publicación a destacar es la de los autores Weise, Podlich, Reinhard & Geihs
(2009), donde se desarrolló un problema real de transporte terrestre entre países
Europeos; en éste se enfocan en un problema que contempla ventanas de tiempo en el
momento de la carga y descarga (VRPTW), diferentes clientes con diversos puntos de
ubicaciones o depots (MDVRP) y múltiples tipos de vehículos con su capacidad
respectiva para las diversas cargas (HFVRP y CVRP), además su objetivo se plantea
como minimizar la distancia de recorrida de los vehículos, todas éstas características
similares a las del actual trabajo; sin embargo, éste tiene enfoque multimodal, es decir,
trenes y/o vehículos, y adicionalmente, se concentra en transporte por paqueteo, en lo
cual se diferencia del presente trabajo. Su principal aporte es la inclusión de un
acercamiento a problemas reales, desarrollando diversas semejanzas al actual problema
definido.
Entre las publicaciones de aplicaciones para el caso de Colombia en materia del VRP se
destaca el trabajo de Daza, Wilches & Cantillo (2011), el cual se enfoca en un problema
con vehículos con capacidad específica con una flota heterogénea de vehículos (CVRP-
HF); el principal aporte es la utilización de dos etapas en las cuales segregar el
problema, primero, a través del uso de heurísticos clásicos para el VRP como el barrido o
sweep se construyen unas rutas como solución inicial, posteriormente mejoran dichas
rutas por medio del uso de una técnica metaheurística como lo es la Búsqueda Tabú y,
finalmente, utilizan técnicas de construcción de programas de recursos para los
cronogramas de los vehículos, buscando mejorar el tiempo de respuesta a todos los
requerimiento de transporte.
Tabla 2.9. Caracterización del trabajo según taxonomía de Eksioglu, Volkan, & Reisman (2009)
Mundial, 2012). Por tal motivo, las soluciones de este tipo pueden considerarse como
importantes con miras al crecimiento comercial del país, si bien son soluciones locales
internas para este sector de empresas, éstas pueden tener buena repercusión en el
manejo efectivo de los recursos a nivel de este sector de servicios.
En conclusión, por la apertura comercial del país, acompañada con las diversas falencias
de la logística colombiana y su mala calificación a nivel internacional, se hace
indispensable soluciones de mejora operativa, que pueden aportar a la mejora interna de
las empresas del sector, buscando ser más efectivos en el uso de sus recursos y
logrando así, avances específicos que ayuden a concentrar más y mejores recursos a las
soluciones globales de las falencias actuales.
2.6 Conclusiones
exactitud con las mismas características, por tanto, la resolución de éste puede
considerarse como un aporte al área investigativa. Como posible trabajo futuro,
puede desarrollarse una investigación en su planteamiento, con el propósito de
fortalecer su fundamento teórico y buscar la posibilidad de realizar un aporte en el
ámbito de las variantes del VRP.
De acuerdo con las motivaciones del trabajo, el desarrollo y aplicación del mismo,
puede abrir una puerta a la implementación de técnicas innovadoras en este
sector, contribuyendo al desarrollo de la logística nacional por medio del uso de
prácticas avanzadas de optimización.
3. Marco teórico
Para el desarrollo de la solución es indispensable revisar que herramientas existen y han
sido usadas con obtención de buenos resultados a lo largo de las investigaciones
pasadas del tema, esto con el objetivo de emprender el mejor camino de solución.
3.1.3 Metaheurísticas
Éstos métodos se basan, al igual que los heurísticos, en la exploración de una parte del
universo de las posibles soluciones, se diferencian en que éstos brindan dos aportes
complementarios; primero permiten explorar el universo de soluciones sectorialmente,
buscando abarcar de forma más amplia y seleccionada los grupos de soluciones de
dicho universo, éstos grupos se conocen como vecindarios de solución (neighborhoods);
además, permiten una flexibilidad para generar algoritmos que se adapten a cada
contexto de cada vecindario de soluciones, buscando brindar de esta manera una
eficacia mayor en la búsqueda de una mejor solución, sin embargo, estas mejoras
incurren en más consumo de tiempo en el proceso computacional comparado con los
Heurísticos clásicos según Olivera (2012). Algunos de los algoritmos metaheurísticos
más conocidos son: Recocido Simulado (Simulated Annealing-SA) por Kirkpatrick, Gelatt,
& Vecchi (1983), Algoritmos genéticos (GA) por Holland (1975), Colonia de Hormigas
(Ants Colony, ACO) Dorigo, Colorni, & Maniezzo (1991), Búsqueda Tabú (Tabu search)
de Glover (1989), entre otros.
De acuerdo con lo expuesto, para determinar el método de la solución, quedan sólo dos
clases opcionales, los métodos heurísticos y los metaheurísticos, de acuerdo con la
diferencia que se marca entre ambos, definida por la exploración del universo de
soluciones de forma más inteligente por parte de la última clase (Campos Aucejo, 2001),
es simple definir qué la solución del problema debe ser desarrollada por medio del uso de
un método perteneciente a la familia de los Metaheurísticos.
Para una correcta selección del algoritmo metaheurístico a usar en el desarrollo del
trabajo, se realizó un recorrido por aquellos pertenecientes a esta clase y los cuales son
frecuentemente usados por los diversos autores.
Capítulo 3. Marco teórico 37
Según Glover & Kochenberger (2003), el enfoque del GA es basado en una analogía
biológica de la reproducción, por ejemplo los padres se determinan entre sí buscando
que brinden un buen nivel genético a sus hijos. En el caso del GA, se utiliza una
población de soluciones como los posibles padres, generando nuevas soluciones que
se obtienen utilizando analogías simples de cruce y mutación genética entre pares de
soluciones. Antes de la utilización de operadores de cruce se realiza la búsqueda de
dos buenos padres, basada en los resultados de la evaluación de la función objetivo
para cada solución de la población.
Los algoritmos genéticos también buscan salirse de los óptimos locales generando la
unión de diferentes soluciones, lo cual obliga a evaluar soluciones que se encuentran
distantes al vecindario.
38 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
El primer ACO fue presentado en por Dorigo, Colorni, & Maniezzo, 1991. La fuente
inspiradora de ACO es el rastro de feromona que dejan las hormigas en la búsqueda
de comida, esto lo utilizan como medio de comunicación. En analogía con el ejemplo
biológico, ACO se basa en la comunicación indirecta entre agentes, las cuales lo
hacen por medio de rastros de feromona. Los rastros de feromonas en ACO sirven de
información recolectada, para que las hormigas lo utilicen para construir
probabilísticamente soluciones para el problema a resolver y que adaptan el algoritmo
para reflejar su experiencia de búsqueda.
En general, se evidenció que todas los metaheurísticos son muy usados en problemas de
transporte, y existen muchos autores reconocidos que han obtenido buenos resultados a
través de éstos en problemas similares al tratado en el presente trabajo.
3.3 Conclusiones
Según los funcionarios del área encargada del proceso, se identificó que en promedio, en
el 50% de los servicios, era necesario un desplazamiento en vacío por los vehículos
42 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
desde una ciudad aledaña hasta la ciudad origen de la carga (ubicación del depot).
Cuando se le preguntó por el término de ciudades aledañas, se refirió a ciudades que
estuvieran en una región de alcance próximo para el cumplimiento de la cita de cargue.
De acuerdo con esto se realizó una agrupación según las grandes ciudades que
estuvieran bajo alcance para este tipo de casos, quedando en total 5 regiones como se
observa en la Figura 4.1.
reales entre ciudades, la agrupación de las ciudades por regiones y los datos reales de
los servicios de un mes.
Tabla 4.1. Agrupación de ciudades aledañas
Output: ∑ ∑
( )
44 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
Como el valor de línea base se estableció el valor de la moda (66.562 km) de distancia
en vacío, arrojado en las 500 corridas.
∑ (4.1)
∑ (4.2)
∑ (4.3)
(4.4)
{ (4.5)
(4.6)
∑∑
48 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
Sujeto a:
[ ] (4.7)
{ (4.8)
(4.9)
Para protección de la compañía, no se revelarán los datos suministrados que hacen parte
de la información necesaria para el desarrollo del trabajo, en esta sección sólo se
establecerá que estructura de datos es necesaria para el modelo solución.
Tipo de vehículo
La información se estableció como en la estructura que aparece en la tabla 4.4
.
Capítulo 4. Propuesta de solución 51
Tipo de Tráiler
La información se estableció como en la estructura que aparece en la tabla 4.5.
Modalidades de transporte
La información se estableció como en la estructura que aparece en la tabla 4.6.
Denominación de campos
Descripción del campo Procedimiento de construcción
en el modelo
Denominación de campos en el
Descripción del campo Procedimiento de construcción
modelo
Denominación de
Descripción del campo Procedimiento de construcción
campos en el modelo
No del cliente
Construida manualmente basado en
Ubicación del depot del cliente información suministrada por la
empresa
Cantidad de transportes del cliente
Fuente: Elaboración propia
Procedimiento de
Denominación en el modelo Descripción
construcción
No del transporte
Asignación del transporte
Origen del transporte
Destino del transporte
Hora inicio cita de cargue del transporte Construida
Hora fin cita de cargue del transporte manualmente basado
en información
Tipo de vehículo del transporte suministrada por la
Requerimiento del transporte empresa
Tipo de tráiler del transporte
Modalidad del transporte
Ciudad de frontera de cruce del transporte
Cliente del transporte
Fuente: Elaboración propia
Denominación
Descripción Procedimiento de construcción
del Campo
No del vehículo
No del tipo vehículo según los tipos Construida manualmente basado
Ubicación del vehículo según Ubicaciones en información suministrada por la
Estado del vehículo empresa
Denominación Procedimiento de
Descripción
del Campo construcción
No del vehículo
No del tipo vehículo k según los tipos Construida manualmente
Ubicación del vehículo k según Ubicaciones basado en información
Estado del vehículo k suministrada por la empresa
Denominación del
Descripción Procedimiento de construcción
Campo
Denominación del
Descripción Procedimiento de construcción
Campo
Denominación del
Descripción Procedimiento de construcción
Campo
Denominación Procedimiento de
Descripción
del Campo construcción
Denominación del
Descripción Procedimiento de construcción
Campo
Para hallar la solución inicial, se estableció utilizar dos métodos, el primero consiste en el
uso de la heurística clásica del vecino más cercano con todos los vehículos y tráileres
disponibles, el segundo, si bien utiliza el criterio de selección del vecino más cercano,
sólo se utiliza aleatoriamente una parte de todos los vehículos y tráileres disponibles,
generando distintas combinaciones bajo diferentes escenarios aleatorios.
Paso 1: Paso 3:
Lectura de parámetros SA
Lectura de datos (Inputs)
Leer 𝑓𝑖 𝐹𝑂 o 𝑓𝑣 𝐹𝑂
Paso 2: Paso 4:
Solución inicial Genera nuevas 𝑓 𝐹𝑂’
Generar aleatoria 𝑓𝑖 𝐹𝑂 Evaluar 𝐹𝑂’ SA
Vecino más cercano 𝑓𝑉 𝐹𝑂 Imprimir mejor 𝐹𝑂
( )
Output: ∑ ∑
[ ]
El algoritmo desarrolla una búsqueda entre los recursos disponibles (tráiler y vehículo)
hallando los más cercanos al siguiente transporte a cumplir con su ventana de tiempo
de carga, evaluando las diferentes restricciones de tipo, país de habilitación, estado del
vehículo y ventana de tiempo en el depot. Finalmente registra el transporte al arreglo de
rutas de cada vehículo y tráiler asignado y, re calcula el valor de la función objetivo a
través de las distancias recorridas del vehículo en estado vacío para la prestación del
servicio.
puesto que se entiende que dicho vehículo tendrá que realizar un desplazamiento desde
su ubicación hasta la ubicación de dicho tráiler para recogerlo, ya que éste no puede
llegar por sus propios medios hasta el origen del transporte. Por esta razón se enfocó el
objetivo del problema en busca minimizar siempre los desplazamientos vacíos de los
vehículos, no de los tráileres, ya que para éstos esta clase de desplazamiento siempre
tendrá un menor valor.
(4.11)
Adicionalmente, algunos autores utilizan una variable como recalentamientos para buscar
realizar diversas iteraciones del SA, tomando de nuevo la temperatura inicial, para esto
se define la variable .
Capítulo 4. Propuesta de solución 59
P (Porcentaje de enfriamiento)
Este parámetro establece un porcentaje de disminución de la temperatura para cada
ejecución w. Este funciona mediante la disminución de la temperatura en un
porcentaje constante cada que se prueba una nueva solución en una iteración Lo.
Output:
( )
Para cada uno de los transportes generados en el programa del vehículo o de tráileres,
se utilizo un vector paralelo que contenía información relevante en la programación, con
el propósito de tener la información suficiente para realizar las diversas combinaciones
requeridas en la exploración del espacio de soluciones, este vector fue llamado Vector
paralelo de solución, y se define [ ] y
[ ] y tiene la composición registrada en la Tabla 4.17.
Capítulo 4. Propuesta de solución 61
Campo Definición
Servicio asignado
Hora fin evento anterior para cada transporte asignado
Ubicación inicial antes del servicio
Hora inicial del servicio j
Hora final del servicio j
Hora de cargue del servicio j
Ubicación cargue del servicio j
Ubicación final del servicio j
Hora de cargue del servicio j
Hora descargue del servicio j
Tiempo activo en el servicio j cargado o no
Tiempo detenido antes de iniciar el servicio j
Tiempo en tránsito ocupado por el servicio j
Tiempo en tránsito vacío por el servicio j
Distancia recorrido ocupado por el servicio j
Distancia en vacío por el servicio j
Para los servicios que llevan tráiler, se registra en la solución del
vehículos cuál es el tráiler programado y en la solución de tráiler cual
es el vehículo
Igual que para el campo anterior, para los servicios que llevan tráiler,
se registra en la solución de vehículos, cuál posición de servicio tiene
programado el tráiler para el transporte, al igual para los tráileres se
registra en qué posición lo atiende el vehículo
Fuente: Elaboración propia
Output:
Para ser más ilustrativos en la forma en que se generan las diferentes soluciones de
vecindarios, se puede observar la siguiente Figura 4.3.
(a) Suponga que del grupo 1 de vehículos del mismo tipo, se seleccionó
aleatoriamente los vehículos 2 y 6, como se muestra en la figura.
(b) Luego, de la matriz solución ( ), que contienen los servicios asignados a
cada vehículo , se seleccionan uno de cada vehículo seleccionado
(c) Posteriormente, de cada solución de cada vehículo , se selecciona un transporte
aleatoriamente
Capítulo 4. Propuesta de solución 63
11 2 13 24 15 6 3
(c) Asignación vehículos 2 y 6
(b) 23 12 3 4 93 123
Veh. Transportes
1 32 64 53 37 95 36
2 23 12 3 4 93 123
3 56 26 7 93
4 43 51 14 84 47
5 33 38 31 29
6 12 37 95 36
7 15 16 19 113
….
(d)
Para la afinación se desarrolló un diseño factorial de orden 2k, con cuatro factores y dos
niveles por factor para evaluar la dependencia de las soluciones a los 4 parámetros
establecidos para el SA.
Los niveles para cada factor fueron definidos (ver Tabla 4.18) luego de evaluar el
comportamiento de dependencia de las soluciones por medio de algunos valores de los
parámetros individuales, cómo se observa en la Figura 4.4. Dónde se evidencia un
cambio sustancial de los efectos sobre los resultados en el porcentaje de mejora con los
niveles establecidos de cada factor.
10 100
10 30
5 100
5% 15%
Fuente: Elaboración propia
Con la experimentación se obtuvieron los resultados usando una solución aleatoria fija
para evitar que esta generara ruido (Ver Tabla 4.19).
10 30
5 100 5 100
7,00% 8,00%
6,00% 7,00%
5,00% 6,00%
4,00% 5,00%
4,00%
3,00%
3,00%
2,00%
2,00%
1,00%
1,00%
0,00% 0,00%
A- A+ B- B+
Factor A Recal Factor B (Lo)
(a) (b)
1,40% 2,00%
1,20%
1,00% 1,50%
0,80%
1,00%
0,60%
0,40% 0,50%
0,20%
0,00% 0,00%
C- C+ D- D+
Factor C (Tw) Factor D (% P)
(c) (d)
Figura 4.4. Efectos principales de los factores
Fuente: Elaboración propia
Suma de
Fuente Gl Cuadrado Medio Razón-F Valor-P
Cuadrados
A:Recalentamientos 0,00337271 1 0,00337271 21,82 0,0055
B:Soluciones por Temp 0,000791016 1 0,000791016 5,12 0,0732
C:Temperatura 0,00325185 1 0,00325185 21,04 0,0059
D:Porcentaje de Enfriamiento 0,000978126 1 0,000978126 6,33 0,0535
AB 0,000138651 1 0,000138651 0,90 0,3871
AC 0,00114075 1 0,00114075 7,38 0,0420
AD 0,000234856 1 0,000234856 1,52 0,2725
BC 0,000100501 1 0,000100501 0,65 0,4567
BD 0,000305376 1 0,000305376 1,98 0,2189
CD 0,000263251 1 0,000263251 1,70 0,2487
Error total 0,000772943 5 0,000154589
Total (corr.) 0,01135 15
Como se observa en la Figura 4.5 los efectos siguen una distribución normal
comprobando el supuesto de normalidad del modelo.
Capítulo 4. Propuesta de solución 67
Gráfica de Probabilidad Normal para % mejora
99,9
99
95
porcentaje
80
50
20
0,1
-3,5 -1,5 0,5 2,5 4,5
Efectos estandarizados
Figura 4.5. Gráfica de probabilidad normal de los efectos de los factores (Fuente: Statgraphics)
Según la Figura 4.6, se define que es beneficioso tener los factores significativos A y C
en nivel y respectivamente, ya que esto genera un aumento significativo el
porcentaje de mejora como respuesta solución.
Diagrama de Pareto Estandarizada para Porcentaje de mejor
A:Recalentamientos +
C:Temperatura -
AC
D:% Enfriamiento
B:Lo
BD
CD
AD
AB
BC
0 1 2 3 4 5
Efecto estandarizado
Figura 4.6. Diagrama de Pareto estandarizado para el porcentaje de mejora (Fuente: Statgraphics)
Sin embargo, para culminar la afinación de parámetros del metaheurístico SA, aun falta
analizar los efectos de la interacción de los factores A y C (AC), dado que está
encontrada como significativa en el análisis de varianza realizado.
10,00%
9,00% C-
8,00%
7,00%
6,00% C+
5,00%
4,00%
3,00%
2,00%
1,00%
0,00%
A- A+
Factor A Recal
Como resultante final de la afinación de los parámetros SA, se observan como mejores
opciones las registradas en la Tabla 4.21. Los factores A y C, hallados como
significativos en el análisis de varianza, se mantienen en los niveles como
sugieren los resultados del experimento. Sin embargo, podría probarse con niveles
superiores para el factor A e inferiores para el C en busca de obtener mejores soluciones.
Opción
Grafico de deseabilidad
Temperatura=0,0,Porcentaje de enfriam iento=0,0
0,8
Deseabilidad
0,6
0,4
0,2
1
0,6
0 0,2
-1 -0,6 -0,2
-0,2 0,2 -0,6
0,6Soluciones
1 -1 por Tem p (Lo)
Recalentam ientos
4.8 Resultados
Uso del método del Vecino más cercano para la solución inicial del SA
Cuando se utilizó dicha solución como inicial para el uso del algoritmo metaheurístico,
con los parámetros afinados (opción 1 de la Tabla 4.21), no se halló ninguna mejora
respecto a dicha solución. Como se muestra en la Figura 4.9 los resultados del SA
nunca superaron la solución inicial definida.
19.000 Soluciones SA
más cercano
17.000
16.000
15.000
14.000
13.000
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70
Soluciones SA
208.000
Soluciones SA
203.000
Solución Inicial
Distancia recorrida (km)
aleatoria
198.000
193.000
188.000
183.000
1
8
15
22
29
36
43
50
57
64
71
78
85
92
99
106
113
120
127
134
141
148
155
162
169
176
183
190
197
204
211
218
225
232
239
246
253
260
267
274
281
288
295
302
309
316
323
330
337
344
351
358
365
372
379
386
Soluciones SA
En general en las ejecuciones se obtuvieron mejores resultados que con los niveles
establecidos en la afinación de parámetros, sin embargo es notable que el tiempo de
ejecución muestra un gran crecimiento para los cambios en los parámetros y .
Para analizar esta variación se construyó un análisis gráfico (ver Figura 4.11) donde se
puede observar la relación entre el tiempo de ejecución y el porcentaje de mejora en el
algoritmo.
60,00%
Porcentaje de mejora
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
79 83 694 694 814 934 18694
Tiempo de ejecución (seg.)
De este indicador y según se observa en la gráfica de éste (Ver Figura 4.12), la mejor
eficiencia hallada en cuanto al tiempo, se consigue al inicio de la ejecución del algoritmo,
principalmente porque al iniciar con una solución que se construyó de manera aleatoria,
es sencillo que rápidamente se encuentre la mejora significativa.
0,00160
0,00140
% mejora / Segundo
0,00120
0,00100
0,00080
0,00060
0,00040
0,00020
0,00000
79 83 694 694 814 934 18694
Segundos
Comparando los resultados de las diversas soluciones, con la línea base construida, se
obtiene que, respecto al uso de la heurística clásica del Vecino más cercano, es posible
obtener un 78% de mejora, sin embargo, comparando con la mejor solución hallada por
el SA, se pierde un total de 36% en ahorro de la distancia en desplazamientos en estado
vacío (Ver Tabla 4.24).
4.9 Conclusiones
Se utilizó la simulación para obtener una medida estimada de base del proceso, con el
objetivo de lograr una comparación más acertada de los resultados obtenidos en la
solución propuesta. El uso de técnicas como la simulación, da una gran respuesta a este
tipo de necesidades. Se demostró en este trabajo que también pueden ser usadas para
estimación de valores bases de investigaciones, si bien su uso se desarrolló sólo bajo el
uso de una probabilidad estimada, se obtuvo un valor cercano a las soluciones obtenidas
por los otros medios.
78 Implementación de un algoritmo metaheurístico para la solución de un problema
de programación de transporte terrestre internacional
Los ahorros en desplazamientos vacíos de los vehículos, logrados con la heurística del
vecino más cercano versus la línea base (cerca del 78%), son un ahorro económico
significativo para la compañía. Respecto al manejo de la flota propia de vehículos, estos
ahorros se pueden representar tangiblemente en diversos aspectos:
Balinski, M., & Quandt, R. (1964). On an integer program for a delivery problem.
Operations Research , 300-304.
Beasley, J. (1983). Route Fist-Cluster Second Methods for Vehicle Routing. Omega Vol.
11 No. 4 , 403-408.
Bodin, L., Golden, B., Assad, A., & Bal, M. (1983). Routing and schedulling of vehicles
and crews - the state of the art. Computers and Operations Research 10 , 63-211.
Bodin, L., Mingozzi, A., Baldacci, R., & Ball, M. (2000). The rollon – rolloff vehicle routing
problem. Transportation Science 34 (3) , 271–288.
Calviño, A. (Junio de 2011). Cooperación en los problemas del viajante (TSP) y de rutas
de vehículos (VRP): una panorámica. Recuperado el Agosto de 2012, de Universidad de
Santiago de Compostela, España: http://eio.usc.es
Chao, I. (2002). A tabu search method for the truck and trailer routing problem.
Computers and Operations Research 29(1) , 33-51.
Christofides, N., Mingozzi, A., & Toth, P. (1979). The vehicle Routing Problem.
Combinatorial Optimization , 315-338.
Clarke, G., & Wrigth, W. (1964). Schedulling of vehicles a central depot to a number of
delivery points. Operations Research 12 , 568-581.
Colorni, A., Dorigo, M., & Maniezzo, V. (1991). Distributed Optimization by Ant Colonies.
Elsevier Publishing , 134-142.
Cordeau, J.-F., Gendreau, M., Laporte, G., Potvin, J.-Y., & Semet, F. (2002). A guide to
vehicle routing heuristic. Journal of the Operational Research Society 53 , 512-522.
Cordeau, J.-F., Laporte, G., & Mercier, A. (2001). A unified tabu search heuristic for
vehicle routing problems with time windows. Journal of the Operational Research Society
52 , 928-936.
82 Implementación de un algoritmo metaheurístico para la solución de un
problema de programación de transporte terrestre internacional
DANE. (Julio de 2012). Índice de costos del transporte Segundo Trimestre del 2012.
Recuperado el Agosto de 2012, de http://www.dane.gov.co/#twoj_fragment1-4
Dantzig, G. B., & Ramser, J. H. (1959). The Truck Dispatching Problem. Management
Science, Vol. 6, No. 1 , 80-91.
Daza, Wilches, & Cantillo. (2011). Algoritmo Meta-heurístico para resolver el CVRP-HF.
Latin American and Caribbean Conference (LACCEI), Engineering for a Smart Planer,
Innovation, Information Technology and Computational Tools for Sustainable
Development. Medellín, Colombia.
De la Cruz, J., Mendoza, A., Del Castillo, A., & Paternina, C. (2003). Análisis comparativo
de las aproximaciones heurísticas Ant-Q, recocido simulado y búsqueda tabú en la
solución del problema del agente viajero. Ingeniería & Desarrollo. Universidad del Norte.
14 , 141-157.
Dorigo, M., Colorni, A., & Maniezzo, V. (1991). Distributed Optimization by Ant Colonies.
Elsevier Publishing , 134-142.
Eksioglu, B., Volkan, A., & Reisman, A. (2009). The vehicle routing problem: A taxonomic
review. Computers & Industrial Engineering 57 , 1472–1483.
Gillett, B., & Miller, L. (1974). A Heuristic Algoritm for the Vehicle Dispatch Problem.
Operations Research 22 , 340-347.
Glover, F. (1989). Tabu Search - Part I. ORSA journal on computing, v.1, n.3 , 190-206.
Glover, F., & Kochenberger, G. A. (2003). HandBook of Metaheuristics. New York: Kluwer
Academic Publishers.
Gulczynski, D., Golden, B., & Wasil, E. (2011). The multi-depot split delivery vehicle
routing problem: An integer programming-based heuristic, new test problems, and
computational results. Computers & Industrial Engineering 61 , 794-804.
Gulczynski, D., Golden, B., & Wasil, E. (2011). The period vehicle routing problem: New
heuristics and real-world variants. Transportation Research Part E 47 , 648-668.
Laporte, G. (1992). The Vehicle Routing Problem: An overview of exact and approximate
algorithms. European journal Of Operational Research %9 , 345-358.
Laporte, G. (2008). What You Should Know about the Vehicle Routing Problem. Naval
Research Logistics .
Lenstra, J. K., & Rinnooy Kan, A. H. (1981). Complexity of vehicle routing and scheduling
problems. Networks 11 , 221-228.
Li, F., Golden, B., & Wasil, E. (2007). A record-to-record travel algorithm for solving the
heterogeneous fleet vehicle routing problem. Computers & Operations Research 34 ,
2734 – 2742.
Li, F., Golden, B., & Wasil, E. (2007). The open vehicle routing problem: Algorithms,
large-scale test problems, and computational results. Computers & Operations Research
34 , 2918 – 2930.
Malandraki, C., & Daskin, M. S. (1992). Time dependent vehicle routing problems:
Formultaions, properties and heuristic algorithms. Transportation Science 26 , 185-200.
Weise, T., Podlich, A., Reinhard, K., & Geihs, K. (2009). Evolutionary Freight
Transportation Planning. Lecture Notes in Computer Science , Volume 5484, 768-777.