Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
por
Dirigida por
Prof. Dr. Josep R. Medina Folgado
Valencia, 21 de mayo de 2002
Copyright 2002
por
Vctor Yepes Piqueras
ii
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
iii
Prefacio
La presente Tesis Doctoral, que tiene por ttulo Optimizacin heurstica
econmica aplicada a las redes de transporte del tipo VRPTW, ha sido elaborada
por Vctor Yepes Piqueras formando parte de los requisitos para la obtencin del
ttulo de Doctor Ingeniero de Caminos, Canales y Puertos, una vez cubiertos los
objetivos del Programa de Tercer Ciclo denominado Optimizacin y Explotacin
de Sistemas de Transportes.
Los trabajos han sido dirigidos por el Catedrtico de Universidad Dr. Josep
Ramon Medina Folgado, del Departamento de Ingeniera e Infraestructura de los
Transportes, de la Universidad Politcnica de Valencia.
Agradecimientos
Una tesis doctoral no es un trabajo que se pueda atribuir en exclusiva a una
sla persona, y en este caso, deseara agradecer a Josep R. Medina las
numerosas horas de su tiempo que me ha dedicado, as como sus certeras
crticas y sugerencias, que, sin duda, han redundado positivamente en los
resultados obtenidos.
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
Resumen
YEPES, V. (2002). Optimizacin heurstica econmica aplicada a las redes de
transporte del tipo VRPTW. Tesis Doctoral. Escuela Tcnica Superior de
Ingenieros de Caminos, Canales y Puertos. Universidad Politcnica de Valencia.
352 pp.
El propsito de la tesis consiste en la presentacin de un modelo
econmico de distribucin de mercancas que generalice los problemas de rutas
sometidos a restricciones temporales de servicio vehicle routing problem with time
windows (VRPTW) y de un conjunto de tcnicas heursticas y metaheursticas
capaces de resolverlo eficientemente. El trabajo sistematiza el conjunto de
mtodos de optimizacin heurstica y establece el estado de la tcnica en relacin
con los procedimientos empleados en la resolucin del problema VRPTW y sus
extensiones. Tras constatar ciertas discrepancias entre los modelos tericos y los
casos reales, la tesis define una funcin objetivo que mide la rentabilidad
econmica de las operaciones, y flexibiliza los horarios de entrega con
penalizaciones que reflejen la insatisfaccin de los clientes. Asimismo se
contempla la posibilidad de contar con flotas heterogneas de vehculos con
costes fijos y variables diferenciados, as como capacidad de carga, velocidad y
jornadas laborales distintas, y con la posibilidad del uso mltiple. Se incorpora la
asimetra en la duracin de los viajes, con tiempos de aproximacin y de
alejamiento que modulen el nivel de congestin por trfico y otras dificultades de
acceso. Tambin es posible el ajuste de diferentes costes horarios en funcin de
las horas extraordinarias y penalizaciones por ruptura en la llegada al depsito.
La tesis presenta una novedosa heurstica de construccin secuencial de
rutas basada en criterios econmicos (HESECOR) capaz de resolver el modelo
propuesto y que, en el caso del problema VRPTW bsico, ha llegado en algunos
casos a alcanzar la mejor solucin publicada. Tambin se han presentado un
conjunto de metaheursticas basadas en la bsqueda secuencial por entornos. Del
anlisis del comportamiento de dichas tcnicas a los problemas bsicos y
generalizados presentados, se aportan conclusiones de inters prctico, tanto
para la optimizacin heurstica de los problemas combinatorios, como para la toma
de decisiones en las empresas dedicadas al transporte.
Palabras clave
Investigacin operativa, logstica, redes, transporte, distribucin, optimizacin,
heursticas, metaheursticas, sistemas inteligentes, ventanas temporales, VRPTW.
Resum
YEPES, V. (2002). Optimitzaci heurstica econmica aplicada a les xarxes de
transport del tipus VRPTW. Tesi Doctoral. Escola Tcnica Superior dEnginyers de
Camins, Canals i Ports. Universitat Politcnica de Valncia. 352 pp.
El propsit de la tesi consisteix en la presentaci dun model econmic de
distribuci de mercaderies que generalitze els problemes de rutes sotmesos a
restriccions temporals de servei vehicle routing problem with time windows
(VRPTW) i dun conjunt de tcniques heurstiques i metaheurstiques capaces de
resoldrel eficientment. El treball sistematitza el conjunt de mtodes doptimitzaci
heurstica i estableix lestat de la tcnica en relaci amb els procediments utilitzats
en la resoluci del problema VRPTW i les seues extensions. Desprs dhaver
constatat diverses discrepncies entre els models terics i els casos reals, la tesi
defineix una funci objectiu que mesura la rendibilitat econmica de les operacions
i flexibilitza els horaris dentrega amb penalitzacions que reflectisquen la
insatisfacci dels clients. Aix mateix es contempla la possibilitat de comptar amb
flotes heterognies de vehicles amb costos fixos i variables diferenciats, aix com
capacitat de crrega, velocitat i jornades laborals distintes i amb la possibilitat ds
mltiple. Sincorpora lasimetria en la duraci dels viatges, amb temps
daproximaci i dallunyament que modulen el nivell de congesti per trnsit i
altres dificultats daccs. Tamb s possible lajust de diferents costos ho raris en
funci de les hores extraordinries i penalitzacions per ruptura a larribada al
depsit.
La tesi presenta una novedosa heurstica de construcci seqencial de
rutes basada en criteris econmics (HESECOR) capa de resoldre el model
proposat i que, en el cas del problema VRPTW bsic, ha arribat en alguns casos a
assolir la millor soluci publicada. Tamb shan presentat un conjunt de
metaheurstiques basades en la recerca seqencial per entorns. De lanlisi del
comportament de les dites tcniques als problemes bsics i generalitzats
presentats, saporten conclusions dinters prctic, tant per a loptimitzaci
heurstica dels problemes combinatoris com per a la presa de decisions en les
empreses dedicades al transport.
Paraules clau
Investigaci operativa, logstica, xarxes, transport, distribuci, optimitzaci,
heurstiques, metaheurstiques, sistemes intel.ligents, finestres temporals,
VRPTW.
vi
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
Abstract
YEPES, V. (2002). Economic heuristic optimization applied to VRPTW type
transportation netwo rks. Doctoral Dissertation. Higher Technical School of Civil
Engineering. Polytechnic University of Valencia. 352 pp.
The purpose of the thesis consists of the presentation of an economic model
of goods distribution which generalizes the vehicle routing problem with time
windows (VRPTW), along with a set of heuristic and metaheuristic techniques able
to work it out efficiently. This work systematizes the set of methods of heuristic
optimization and establishes the state of the technique regarding the used
procedures in the solving of the VRPTW problem and its extents. After having
verified certain discrepancies among the theoretical models and the real cases, the
thesis defines an objective function which measures the economic profitability of
the operations, and makes soft time windows using penalties which take into
account customers dissatisfaction. In the same way the feasibility of using a
heterogeneous fleet of vehicles with differentiated fixed and variable costs is
considered, as well as the loading capacity, speed and different working hours,
and, furthermore, the feasibility of multiple use. The asymmetry in the length of
time of routes, with approximation and removal periods which regulated level of
congestion due to traffic and other access problems, is included. It is also possible
to adjust different costs derived from scheduling depending on extra-hours and
penalties for breaking deadlines on the arrival to the depot.
The thesis presents a new heuristic frame of sequential route building based
on economic approaches (HESECOR) able to solve the proposed model which,
furthermore, and in the case of the VRPTW basic problem, has reached, in some
cases, the best published solution. Also, a set of metaheuristics based on a
sequential neighbourhood search is presented. Starting from the analysis of the
behaviour of these techniques regarding the basic and general problems
presented, conclusions of practical interest, for the heuristic optimization of
combinatory problems as well as for the decision making by transportation
companies, are given.
Key words
Operations research, logistics, nets, transportation, distribution, optimization,
heuristics, metaheuristics, intelligent systems, time windows, VRPTW.
vii
Notacin
aj
bj
bjk
= conjunto de clientes.
Cd
Cfk
Ch
Ch k
Che k
Chlk
Chp k
cij
cj e
cj u
C 0u
C r,k
Ctw
Cvj,k
viii
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
dij
ej
ej h
ej s
e0
e 0h
e 0s
Fj
= grafo orientado
He k
Hlk
lj
kj e
kj u
k 0u
Ms
= nmero de clientes.
N ij
pj e
pj u
p 0u
Qk
ix
qj
Rd j
rj u
Rk
r0u
Rq j
Rqd j
si
S0
= variable tiempo.
tk
t0
Tk
T0
tij
Tij
uj
uj h
uj s
U0
U 0h
U 0s
= flota de vehculos.
Vj
vj,k
vk
wij
xijk
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
Acrnimos
Concepto
Acrnimo
Aparece por
primera vez en
pgina
44
ACO
Beneficio Total
BT
184
Constraint Programming
CP
43
CPP
66
Coeficiente de Variacin
C.V.
187
CVRP
DAA
DDMO
DLA
DPMO
Distancia Total
DT
122
Evolution Strategies
ES
51
First Best
FB
186
Genetic Algorithms
GA
52
Global Best
GB
185
GDA
39
GLS
48
67
254
35
254
35
44
ILS
49
LCM
230
LNS
43
Memetic Algorithms
MA
56
MLS
118
m -TSP
66
Contina
xi
Significado
Acrnimo
Neural Networks
NN
NTR
122
Nmero de vehculos
NV
335
Path Relinking
PR
55
PVRPTW
141
RLS
186
RRVNS
196
RVNS
116
Simulated Annealing
SA
37
Scatter Search
SS
54
Threshold Accepting
TA
39
TCM
Tabu Search
TS
40
TSP
65
TSPTW
76
VNS
50
VRP
67
Aparece por
primera vez en
pgina
58
230
142
Windows
Vehicle Routing Problem with Soft Time Windows
VRPSTW
69
VRPTD
69
VRPTW
11
xii
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
Contenido
Prefacio
...............................................................................................................iv
Resumen
...............................................................................................................v
Notacin
.............................................................................................................viii
Acrnimos ...............................................................................................................xi
Contenido
1.
............................................................................................................xiii
INTRODUCCIN ......................................................................................................... 1
1.1
Motivacin ................................................................................................................ 2
1.2
1.3
1.4
2.
2.1
Introduccin............................................................................................................ 14
2.2
2.3
2.4
2.5
2.6
Tcnicas de resolucin de problemas de optimizacin combinatoria .......... 22
2.6.1
Algoritmos de resolucin exactos ............................................................... 23
2.6.2
Algoritmos de resolucin aproxi mados...................................................... 25
2.6.2.1
Tcnicas heursticas .............................................................................28
2.6.2.1.1 Heursticas de construccin de soluciones factibles .....................30
2.6.2.1.2 Heursticas de descomposicin ........................................................ 30
2.6.2.1.3 Heursticas de reduccin.................................................................... 30
2.6.2.1.4 Heursticas de manipulacin del modelo ......................................... 31
2.6.2.1.5 Heursticas de bsqueda local .......................................................... 31
2.6.2.2
Metaheursticas .....................................................................................33
2.6.2.2.1 Bsqueda secuencial por entornos .................................................. 35
xiii
3.1
3.2
Introduccin ............................................................................................................71
4.2
4.3
4.4
4.5
Algoritmos de aproximacin y heursticas.........................................................78
4.5.1
Heursticas de construccin de rutas .........................................................78
xiv
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
4.5.1.1
Algoritmos secuenciales ......................................................................79
4.5.1.2
Algoritmos paralelos .............................................................................82
4.5.2
Heursticas de mejora de rutas ................................................................... 83
4.5.2.1
Taxonoma de los operadores de cambio......................................... 84
4.5.2.1.1 Movimientos dentro de una ruta ....................................................... 84
4.5.2.1.1.1 Intercambios k-opt........................................................................ 84
4.5.2.1.1.2 Movimiento 1 -swap ......................................................................85
4.5.2.1.1.3 Movimiento 1 -swap*.....................................................................86
4.5.2.1.1.4 Movimiento 1 -relocate ................................................................. 86
4.5.2.1.1.5 Movimiento IOPT.......................................................................... 87
4.5.2.1.2 Movimientos entre dos rutas ............................................................. 88
4.5.2.1.2.1 Movimiento -exchange .............................................................. 88
4.5.2.1.2.2 Intercambios 2-opt* ......................................................................88
4.5.2.1.2.3 Intercambios 2-opt** .................................................................... 89
4.5.2.1.2.4 Intercambios Or-opt .....................................................................89
4.5.2.1.2.5 Intercambio CROSS .................................................................... 90
4.5.2.1.2.6 Movimiento ICROSS.................................................................... 91
4.5.2.1.2.7 Movimiento 2 -relocate ................................................................. 92
4.5.2.1.2.8 Movimiento 2 -swap ......................................................................92
4.5.2.1.2.9 Movimiento GENIUS.................................................................... 93
4.5.2.1.3 Movimientos entre tres rutas ............................................................. 94
4.5.2.1.3.1 Movimiento 3 -swap ......................................................................94
4.5.2.1.3.2 Movimiento 3 -relocate ................................................................. 94
4.5.2.1.3.3 Movimiento 3 -opt* ........................................................................ 95
4.5.2.1.4 Otros movimientos ..............................................................................96
4.5.2.1.4.1 Transferencias cclicas ................................................................ 96
4.5.2.1.4.2 Reconstruccin de soluciones ................................................... 97
4.5.2.1.4.3 Salto secuencial ........................................................................... 97
4.5.2.1.4.4 Reductor de rutas ......................................................................... 98
4.5.2.1.4.5 Intercambio de vehculos ............................................................ 98
4.5.2.1.4.6 Sustitucin de vehculos ............................................................. 98
4.5.2.2
Heursticas de mejora local ................................................................. 99
4.5.3
Heursticas mixtas .......................................................................................100
4.6
Metaheursticas ...................................................................................................104
4.6.1
Cristalizacin simulada ...............................................................................104
4.6.2
GRASP..........................................................................................................106
4.6.3
Bsqueda tab.............................................................................................106
4.6.4
Algoritmos genticos ..................................................................................110
4.6.5
Estrategias evolutivas.................................................................................113
4.6.6
Bsqueda dispersa .....................................................................................113
4.6.7
Sistemas de colonias de hormigas...........................................................114
4.6.8
Bsqueda en entornos amplios ................................................................115
4.6.9
Bsqueda en entornos variables ..............................................................116
xv
4.6.10
4.6.11
4.6.12
4.6.13
4.6.14
4.7
Comparacin del comportamiento de las estrategias de optimizacin ......121
4.7.1
Las heursticas aplicadas al problema VRPTW .....................................121
4.7.2
Las metaheursticas aplicadas al VRPTW ..............................................123
4.8
Consideraciones al empleo de la optimizacin heurstica en los problemas
de rutas. ............................................................................................................................131
4.9
Variantes del problema VRPTW .......................................................................135
4.9.1
Las ventanas temporales flexibles: El VRPSTW ....................................136
4.9.2
Los tiempos lmite de servicio: El VRPTD ...............................................137
4.9.3
Las ventanas temporales mltiples: El VRPMTW ..................................138
4.9.4
La flota heterognea: El VRPHETW ........................................................138
4.9.5
Los mltiples usos de vehculos: El VRPMTW.......................................140
4.9.6
Los depsitos mltiples: El MDVRPTW ...................................................141
4.9.7
Los servicios peridicos: El PVRPTW .....................................................141
4.9.8
El transporte de vuelta: El VRPBTW ........................................................142
4.9.9
Otras variantes del problema VRPTW .....................................................143
5.
5.1
5.2
5.3
5.4
La funcin objetivo ...............................................................................................156
5.4.1
Determinacin de los ingresos ..................................................................158
5.4.2
Determinacin de los costes econmicos ...............................................160
6. PROPUESTAS DE ESTRATEGIAS DE BSQUEDA SECUENCIAL POR
ENTORNOS PARA LA RESOLUCIN DEL MODELO VRPTW .............................165
6.1
Comportamiento de distintas estrategias en la resolucin del VRPTW con
objetivo econmico..........................................................................................................166
6.1.1
Heursticas de resolucin de rutas con ve ntanas temporales ..............166
6.1.1.1
Heurstica de construccin econmica y secuencial de rutas
(HESECOR) .............................................................................................................167
6.1.1.1.1 Criterios de inicio de una ruta ..........................................................168
xvi
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
xvii
xviii
Optimizacin heurstica econmica aplicada a las redes de transporte del tipo VRPTW
6.2.3.2
7.
xix
Introduccin
1. Introduccin
1.1 Motivacin
Las organizaciones toman todos los das decisiones que afectan tanto a su
quehacer cotidiano como a su futuro. Sin embargo, numerosos problemas de
notable trascendencia son especialmente difciles de resolver y, no por ello, las
empresas deben dejarlos sin respuesta.
Todo ello se enmarca dentro de un escenario donde han crecido
considerablemente las expectativas de los clientes al igual que la calidad de los
productos que se encuentran en el mercado. Esto provoca que las empresas se
enfrenten a retos dinmicos. As, algunas de las organizaciones consideradas
como lderes, aumentan la prestacin de sus servicios, acuden a los mercados
internacionales y aplican las nuevas tecnologas de la informacin, entre otras
actuaciones destinadas a mejorar su posicionamiento.
El carcter cambiante del entorno empresarial provoca que las decisiones a
tomar sean cada vez ms complejas. La progresiva globalizacin de los mercados
conlleva desarrollos progresivos en los intercambios comerciales. Muchas
organizaciones se enfrentan en la actualidad con problemas relacionados con el
movimiento de personas, mercancas o de informacin. El transporte pretende
satisfacer los deseos de movilidad, constituyendo una funcin de creciente
importancia estratgica para las industrias. Las redes y los flujos se deben
disear, organizar y gestionar de modo que se alcancen objetivos tales como los
deseados
resultados
econmicos
de
las
empresas
distribuidoras,
los
Introduccin
es complicada, tanto para las grandes corporaciones como para las pequeas y
medianas empresas.
La respuesta gil y eficiente al mercado constituye una de las principales
ventajas competitivas de las empresas. Una organizacin obtiene oportunidades si
garantiza a sus clientes cualquier pedido en el menor tiempo posible y a un coste
inferior al de su competencia. La calidad entre los productos se ha vuelto cada vez
ms homognea, la tecnologa y los materiales suelen estar disponibles en los
mercados, exceptuando obviamente aquellos productos cuya superioridad se
centra en la tecnologa o en las patentes. Es entonces cuando el servicio marca la
diferencia con la competencia. Tal y como indica el Libro Verde del Transporte en
Espaa (CTCICCP, 2001), el transporte slo entiende de eficiencia y eficacia , de
funcionalidad y coordinacin y de calidad, y as lo consideran sus usuarios,
elevados a la categora de clientes .
insectos, etctera; que han permitido afrontar de una forma robusta y eficiente los
complejos problemas de decisin a los que se enfrentan las empresas. La tesis
introduce la posibilidad de utilizar sistemas inteligentes como mtodos apropiados
para resolver problemas complejos de optimizacin de redes de transporte. Las
nuevas tecnologas aportan, por tanto, ventajas competitivas a las empresas,
ayudando en la correcta gestin de los recursos disponibles, en la toma de
decisiones de control en tiempo real y en la optimizacin de reglas de buena
prctica.
Introduccin
etc.).
El
segundo
planteamiento
busca
predecir,
con
cierta
transporte
son
decisiones
estratgicas,
mientras
que
los
problemas
Introduccin
Existe una gran variacin entre los costes logsticos de las distintas
empresas. Ballou (1991) indica que estas cifras oscilan entre menos del 4% sobre
las ventas en aquellas empresas que producen y distribuyen mercancas de alto
valor, hasta ms de un 32% en aquellas otras que lo hacen en las de bajo valor. El
mismo autor apunta que los costes de transporte representan entre una tercera y
dos terceras pa rtes del total de costes logsticos. Se estima que los costes de
distribucin suponen casi la mitad del total de los costes logsticos en algunas
industrias, y que en las de alimentacin y bebidas pueden incrementar un 70% el
7
coste de las mercancas (De Backer et al., 1997; Golden y Wasil, 1987). Adems,
la importancia de la programacin de rutas se manifiesta claramente con el dato
aportado por Halse (1992) informando que en 1989, el 76,5% de todo el transporte
de mercancas se realiz con vehculos.
As, las actividades que conforman la planificacin operativa de la
distribucin
fsica
interrelacionadas
implican
entre
s.
un
gran
Adems,
nmero
la
cifra
de
de
pequeas
planes
decisiones
posibles
crece
Introduccin
10
Introduccin
empleadas
en
la
resolucin
de
los
problemas
combinatorios.
Introduccin
13
14
16
17
18
19
matemtica
se
suelen
presentar
en
ingeniera,
empresas
minimizar f ( x)
sujeto a
i = 1,..., m
gi ( x) 0
x S n .
20
22
2.6.1
23
2.6.2
consiste
en
describir
clasificar
las
tcnicas
heursticas
25
diferenciar ambos conjuntos de mtodos, si bien los lmites entre unos y otros en
ocasiones son difusos.
26
2.6.2.1
Tcnicas heursticas
28
tcnicas que buscan soluciones exactas, es que, por lo general, brindan una
mayor flexibilidad en el manejo de las caractersticas del problema. Adems,
pueden ofrecer ms de una solucin, lo cual ampla las posibilidades de eleccin,
sobre todo cuando existen factores que no han sido incorporados al esquema
terico, pero que tambin deben considerarse.
Ho (1994) atribuye el xito de las heursticas a la aplicacin de la regla
80/20 (el 80% de la riqueza la posee el 20% de la poblacin, unos pocos
proveedores son responsables de la mayora de los problemas de la calidad y de
los retrasos en las entregas, etc.). La distribucin desigual ha sido propuesta como
un Principio Universal: pocos vitales y muchos triviales (Juran, 1951). De este
29
2.6.2.1.1
Los
constructivos
se
basan
en
aadir
paulatinamente
2.6.2.1.2
Heursticas de descomposicin
2.6.2.1.3
Estos
Heursticas de reduccin
mtodos
simplifican
el
problema
tratando
distinguir
30
alguna
2.6.2.1.4
2.6.2.1.5
32
2.6.2.2
Metaheursticas
33
34
2.6.2.2.1
35
36
2.6.2.2.1.1
37
38
2.6.2.2.1.1.2.1
2.6.2.2.1.1.2.2
39
2.6.2.2.1.1.2.3
40
En
la
literatura
aparecen
numerosas
variantes,
modificaciones
42
2.6.2.2.1.2
44
2.6.2.2.1.2.1 Grasp
GRASP (acrnimo de greedy randomized adaptative search procedure)
constituye una tcnica desarrollada por Feo y Resende (1989) para estudiar un
problema de alta complejidad combinatoria, cuya traduccin literal sera la de
procedimientos de bsqueda vidos, aleatorizados y adaptativos.
45
46
47
As, tras alcanzar un mnimo relativo, se modifican los trminos del coste y
se aplica una nueva bsqueda que aminore el valor de la nueva funcin objetivo.
Las penalizaciones reflejan la informacin previa o reunida durante la rastreo,
traducindose en restricciones que definen mejor el problema, al enfocar la
atencin a aquellas regiones ms prometedoras del espacio de bsqueda. En
48
particular, GLS sanciona alguna de las caractersticas propias del ptimo relativo
para sortearlo.
Uno de los aspectos significativos de la GLS es guiar la bsqueda local
apoyndose en la informacin no incorporada originariamente en la funcin
objetivo, porque en ese momento era desconocida o de naturaleza incierta.
49
50
2.6.2.2.2
Algoritmos evolutivos
2.6.2.2.2.1
51
2.6.2.2.2.2
52
53
54
55
56
como sigue:
1. Se construye una poblacin S de soluciones iniciales.
2. Se optimizan cada una de las soluciones de S.
3. Se evalan todas las soluciones de S.
4. Mientras no se encuentre un criterio de parada:
a. Seleccionar como progenitores un conjunto de soluciones de la
poblacin.
57
2.6.2.2.3
58
59
60
61
mejor que los otros en cualesquiera de las dimensiones. Fuera de estos casos, es
el decisor quien debe valorar la opcin elegida. En la Figura 2.6 se observa cmo,
frente a los criterios y , los puntos {a,b,d,i} forman los ptimos de Pareto del
conjunto de opciones representadas
62
3. MODELOS DE DISTRIBUCIN
FSICA Y TRANSPORTE.
3.1 Caractersticas de los problemas de
asignacin y programacin de rutas
Los problemas en la distribucin fsica de mercancas constituyen un
conjunto variado y complejo de casos que algunos autores han intentado agrupar
atendiendo a sus caractersticas ms relevantes. Esta simplificacin de la realidad
permite la adopcin de modelos matemticos que facilitan los procesos de
decisin que ataen a las empresas de transporte.
63
Opciones posibles
Un solo vehculo.
Nmero de vehculos limitado.
Nmero de vehculos ilimitado.
2. Tipo de flota.
Homognea (un solo tipo de vehculo).
Heterognea (mltiples tipos de vehculos).
Compartimentado el vehculo por mercancas.
Sin compartimentar.
3. Almacn.
Depsito nico.
Mltiples depsitos.
Depsitos de reaprovisionamiento intermedios.
Localizacin de la oferta determinada a priori.
Localizacin de la oferta indeterminada a priori.
4. Naturaleza de la demanda.
Demanda determinada.
Demanda estocstica.
Demanda dinmica (dependiente de la variable tiempo).
Demanda satisfecha parcialmente.
Demanda fija para todos los clientes.
Demanda variable en funcin del cliente.
5. Localizacin de la demanda.
En nodos.
En arcos.
Mixto.
6. Restricciones horarias de servicio.
Sin restricciones.
Restriccin en el inicio o en el final.
Restriccin en inicio y final.
Restricciones estrictas.
Restricciones flexibles bajo penalizacin.
Ventana temporal nica.
Mltiples ventanas temporales.
7. Ciclos de servicio.
Servicio realizado una sla vez en un ciclo.
Servicio realizado mltiples veces en un ciclo.
8. Grafo.
Orientado.
No orientado.
Mixto.
Eucldeo.
9. Restricciones en la capacidad de los Capacidad limitada y nica para todos.
vehculos.
Capacidad limitada y diferente.
Capacidad ilimitada.
10. Velocidad media de los vehculos. Constante.
Dependiente del horario.
Dependiente del trayecto.
Dependiente del horario y trayecto.
11. Duracin mxima de una ruta.
Duracin limitada e igual para todas.
Duracin limitada y distinta.
Duracin ilimitada.
Duracin estricta.
Duracin flexible bajo penalizacin.
64
Caractersticas
12. Nmero de rutas por vehculo.
13. Operaciones.
15. Mercancas.
16. Costes.
Opciones posibles
Una ruta por vehculo.
Mltiples rutas por vehculo, sin limitacin.
Mltiples rutas por vehculo, con limitacin.
Reparto de mercancas.
Recogida de mercancas.
Reparto y recogida simultneos.
Primero reparto y luego recogida o viceversa.
Fraccionamiento del servicio.
No existen precedencias.
Precedencias en la visita de clientes.
Precedencias en el uso de vehculos.
Productos iguales.
Productos distintos.
Variables nicamente.
Variables y fijos.
Con penalizaciones por demanda insatisfecha.
Minimizar costes fijos.
Minimizar costes fijos y variables.
Minimizar el nmero de vehculos.
Minimizar distancia recorrida.
Minimizar tiempo empleado.
Minimizar esperas.
Maximizar beneficio.
Maximizar funcin de utilidad del cliente.
Maximizar beneficio y satisfaccin del cliente.
65
viaje. La ruta debe ser tal que minimice la distancia recorrida. El TSP es intensivo
en trminos de clculo. Para n ciudades, hay que considerar n!/2n recorridos
distintos. El problema pertenece al tipo de problemas NP-completo (Karp, 1972), lo
cual denota que no se conoce un algoritmo polinomial que resuelva exactamente
el problema. Lawler et al. (1985) proporcionan un excelente resumen del TSP.
En el m -TSP Multiple Traveling Salesmen Problem , m vendedores deben
cubrir un nmero determinado de ciudades, de forma que cada destino slo se
visita por uno de ellos. Cada viaje empieza en una ciudad base que es tambin el
final del recorrido. En este caso, se desea minorar la suma de las distancias
recorridas a lo largo de todas las rutas. El nmero de vendedores puede ser fi jo o
una variable de decisin. El problema se puede transformar fcilmente en un TSP
aadiendo m copias del almacn y haciendo que los costes de desplazamiento
entre estos puntos virtuales sean infinitos (ver Figura 3.1).
66
67
PVRP
FRP
FSMVRP
VFMVRC
VRPHE
VRPB
VRPDB
Denominacin
Asymmetric Vehicle Routing
Problem
Capacitated Vehicle Routing
Problem
Vehicle Routing Problem
with Length Constraint
Caracterstica definitoria
La duracin del viaje o la distancia recorrida entre
dos puntos depende del sentido del trayecto.
El vehculo tiene una capacidad de transporte que
no debe ser superada.
La longitud de cada ruta no debe superar una
magnitud determinada. Alternativamente se puede
limitar el tiempo.
Period Vehicle Routing
Cada cliente requiere un nmero determinado de
Problem
servicios en un periodo de tiempo.
Fixed Routes Problem
Una vez fijadas las rutas, stas no varan durante
un periodo de tiempo, aunque cambie la demanda.
Fleet Size and Mix Vehicle
Costes fijos dependientes del tipo de vehculo.
Routing Problem
Costes variables homogneos. Sin limitacin en el
nmero de vehculos.
Vehicle Fleet Mix with
Costes fijos y variables dependientes del tipo de
Variable Unit Running Costs vehculo. Sin limitacin en el nmero de vehculos.
Vehicle Routing Problem
Costes fijos y variables dependientes del tipo de
with Heterogeneous Fleet
vehculo. Nmero de vehculos de cada tipo
limitado.
Vehicle Routing Problem
Existen puntos de entrega desde el almacn y otros
with Backhauls
de recogida hacia el almacn. No se recoge hasta
que no finalicen las entregas.
Vehicle Routing Problem
Existen puntos de entrega y otros de recogida hacia
with Deliveries and
el almacn, pudiendo coincidir en ambos. Se
Backhauls
permite la entrega y recogida mientras no se viole la
capacidad del vehculo.
68
Abreviatura
PDP
MCVRP
min-max VRP
VRPPC
MDVRP
VRPSF
OVRP
LVR
DVRP
VRPVRT
VRPVADT
SVRP
VRPST
VRPSD
VRPSDC
VRPM
VRPSDV
VRPTW
Denominacin
Pickup and Delivery
Problem
Multi Compartment Vehicle
Routing Problem
Min-max Vehicle Routing
Problem
Vehicle Routing Problem
with Precedence
Constraints
Multiple Depot Vehicle
Routing Problem
Vehicle Routing Problem
with Satellite Facilities
Open Vehicle Routing
Problem
Location Routing Problem
Dynamic Vehicle Routing
Problem
Vehicle Routing Problem
with Variable Travel Times
Vehicle Routing Problem
with Variable Access Time
Stochastic Vehicle Routing
Problem
Vehicle Routing Problem
with Stochastic Travel
Times
Vehicle Routing Problem
with Stochastic Demands
Vehicle Routing Problem
with Stochastic Demands
and Customers
Vehicle Routing Problem
with Multiple Use of
Vehicles
Vehicle Routing Problem
with Split Delivery
Vehicle Routing Problem
with Time Windows
VRPSTW
VRPTD
Caracterstica definitoria
Un mismo vehculo debe llevar la mercanca de un
sitio a otro de la red.
Los vehculos deben transportar varias mercancas
que deben estar separadas dur ante el viaje.
Se trata de minimizar la longitud del trayecto ms
largo.
Antes de visitar a un cliente, el vehculo debe visitar
a un conjunto previo de ellos.
Existen varios depsitos, de donde parten y vuelven
vehculos asignados a ellos.
Existen depsitos intermedios donde pueden
reabastecerse los vehculos.
Cuando se subcontrata el transporte, determinados
vehculos no tienen porqu volver al depsito.
La localizacin del depsito no es conocida a priori.
Conjunto de problemas donde algunos parmetros
dependen de la variable tiempo.
La duracin de los viajes depende del horario en el
que se realicen.
La duracin del acceso al cliente y la salida
dependen del cliente.
Conjunto de problemas donde algunos parmetros
tienen cierto grado de incertidumbre.
Los viajes tienen una duracin aleatoria.
70
71
Aplicacin
Transporte de alimentos
Salud
Prensa
Banca
Sector pblico
Agricultura
Industria
Servicios
Educacin
Planificacin
Programacin de actividades
Defensa
Transporte
de
Strathclyde
(Reino
Unido)
han
dedicado
ms
de
40
72
N. El conjunto de los arcos A, representa las posibles conexiones entre los nodos.
Los arcos no pueden terminar en el nodo 0 ni tampoco comenzar en el n+1. Todas
las rutas empiezan en 0 y terminan en n+1. Cada arco (i , j ) A, ij , de la red tiene
asociado un coste cij y una duracin del viaje tij . El tiempo tij incluye una duracin
del servicio si al cliente i . Cada vehculo se caracteriza por una capacidad de carga
q. Cada cliente presenta una demanda qi , iC. Para cada uno de los clientes, el
inicio del servicio debe realizarse en un intervalo de tiempo, denominado ventana
temporal [ei ,ui ], iC. El depsito tambin tiene una ventana temporal [e0,u0] que
marca los lmites en la salida y vuelta de los vehculos. Se conviene que si un
vehculo llega demasiado pronto a la cita con el cliente, deber esperar hasta que
la ventana temporal se abra, pero nunca se iniciar el servicio si no se llega a
tiempo. Se puede admitir, sin perder generalidad en el problema, que e0=0; es
decir, que las rutas comienzan a la hora 0. Tambin se asumir que todos los
datos (por ejemplo Q, qi , cij , tij , ei y ui) son nmeros enteros conocidos y no
negativos. De este modo, el modelo es determinstico. Todos los tiempos tij sern
estrictamente positivos. Tambin se acepta que los costes y los tiempos satisfacen
las inecuaciones triangulares.
Se debe asignar a cada cliente un vehculo y una secuencia de clientes
para cada vehculo de modo que sea mnimo el coste, todo ello sujeto a las
restricciones definidas anteriormente.
73
en otro caso.
0,
La variable de decisin bik se define para cada nodo i y para cada vehculo
k, e indica el momento en que empieza el servicio. En el caso de que no exista el
servicio, la variable no tiene significado. Se asume que b0k =0, k, y que bn+1,k
denota la llegada del vehculo k a la base.
El objetivo consiste en disear un conjunto de rutas de coste mnimo, una
para cada vehculo, de forma que:
(3.1)
c
k V i N j N
ij
xijk
Sujeto a
(3.2)
(3.3)
x
kV j N
q x
i C
j N
ijk
ijk
=1
i C
k V
74
(3.4)
(3.5)
(3.6)
0 jk
=1
ihk
xhjk
i ,n +1, k
j N
i N
i N
k V
=0
h C , k V
jN
=1
k V
(3.7 )
xijk (bik + t ij b jk ) 0
(3.8)
ei bik ui
(3.9)
xijk {0,1}
i, j N , k V
i N , k V
i , j N , k V
La funcin objetivo (3.1) pone de relieve que el coste total del recorrido
debe ser mnimo. La condicin (3.2) asegura que cada cliente es visitado una sola
vez por un vehculo, y la (3.3) que cualquier vehculo se carga, como mucho, a su
capacidad. El conjunto de restricciones (3.4), (3.5) y (3.6) son ecuaciones de flujo
que garantizan que el vehculo sale del nodo 0 una sla vez, abandona cualquier
nodo i , iC si y slo si ha entrado antes en l, y al final vuelve al nodo n+1. Las
inecuaciones (3.7) establecen que el vehculo k no pueda llegar a j antes de bik +tij ,
cuando se viaja de i a j . El conjunto de restricciones (3.8) aseguran que se
respetan todas las ventanas temporales y las condiciones (3.9) garantizan que las
variables xijk sean enteras. Por ltimo, cuando en algn caso la demanda particular
de un cliente supere la capacidad del vehculo, el esquema terico mantiene su
validez simplemente creando nuevos clientes ficticios con la misma localizacin y
horarios de servicio, pero con su demanda dividida.
Fisher (1997) clasifica los mtodos que resuelven los problemas de las
rutas en tres generaciones. La primera est constituida por heursticas simples
desarrolladas en los aos 60 y 70 basadas en bsquedas locales. La segunda se
bas en heursticas aplicadas a la programacin matemtica para encontrar
mtodos casi exactos de resolucin. La ltima, en la cual estamos inmersos, se
75
76
77
4.5.1
78
4.5.1.1
Algoritmos secuenciales
(4.1)
savij = d i 0 + d 0 j Gd ij
Figura 4.1. Heurstica basada en los ahorros. Dos rutas se sustituyen por una sla
de menor coste.
79
( 4.2)
c1[i (u ), u , j (u )] = min c1 (i p1 , u , i p )
p =1,..., m
donde
( 4.3)
( 4.4)
( 4.5)
80
( 4.6)
donde u representa a un cliente sin ruta y con posibilidad de incluirse en ella sin
romper las restricciones. Adems,
( 4.7)
c 2 (i, j , u ) = d 0 u c1 (i , j , u )
81
4.5.1.2
Algoritmos paralelos
82
quedan diseminados, de modo que las ltimas rutas son frecuentemente de peor
calidad. Sin embargo, el algoritmo de Solomon (1987) funciona mejor que el
propuesto cuando los clientes se encuentran agrupados por zonas.
Antes y Derigs (1995) tambin se aproximan al problema mediante la idea,
ya clsica, de la insercin. Cada cliente no asignado solicita y recibe de cada ruta
un precio para incorporarse (que es infinito si la inclusin es imposible), definida
de forma similar a la mtrica de Solomon (1987). Los resultados son parejos a los
obtenidos por Potvin y Rousseau (1993).
Posteriormente, Russell (1995) y Kontoravdis y Bard (1995) emplearon
mtodos paralelos de construccin de rutas inmersos en procesos de mejora,
como se tendr ocasin de comprobar en el siguiente apartado.
4.5.2
Las heursticas de mejora buscan el paso de una solucin viable a otra que
le aventaje en la valoracin de su funcin objetivo. El procedimiento se repite
hasta que no sea posible la mejora, por lo que la solucin final siempre ser un
ptimo local, que depende de la propuesta inicial de partida y de los movimientos
utilizados. Tambin se llaman heursticas de bsqueda local voraz o de descenso
de mximo gradiente.
83
4.5.2.1
4.5.2.1.1
4.5.2.1.1.1
Intercambios k-opt
84
Figura 4.3. Movimiento 2-opt : cambio de los enlaces (1,2) y (3,4) por (1,3) y (2,4).
4.5.2.1.1.2
Movimiento 1-swap
85
4.5.2.1.1.3
Movimiento 1-swap*
Es un movimiento empleado en la tesis, que es un caso particular del 1swap, en el cual el intercambio en la posicin de dos nodos slo ocurre si stos
son contiguos en la ruta. En la Figura 4.4 los nodos 3 y 4 coinciden. Esta
simplificacin reduce las posibilidades en la diversificacin de la bsqueda, sin
embargo, aumentan las probabilidades de xito ya que tienden a alterar en menor
medida las restricciones de las ventanas temporales.
4.5.2.1.1.4
Movimiento 1-relocate
86
4.5.2.1.1.5
Movimiento IOPT
4.5.2.1.2
Este tipo de movimientos tiene lugar entre los nodos de dos rutas distintas.
4.5.2.1.2.1
Movimiento -exchange
4.5.2.1.2.2
Intercambios 2-opt*
88
Figura 4.7. Movimiento 2-opt*: cambio de los enlaces (1,2) y (3,4) por los (1,4) y
(3,2).
4.5.2.1.2.3
Intercambios 2-opt**
4.5.2.1.2.4
Intercambios Or-opt
89
opt, y constituyen una herramienta muy eficaz para los problemas con ve ntanas
temporales. La dimensin del entorno baja de O(n3) a O(n 2). En la Figura 4.8 se
puede observar cmo no se cambia el sentido de los diferentes tramos con estos
movimientos.
Figura 4.8. Movimiento Or-opt. Extraccin del tramo (2,3) de la primera ruta e
inclusin entre A y B de la segunda.
4.5.2.1.2.5
Intercambio CROSS
90
Tambin es posible realizar los intercambios con dentro de una sola ruta, lo
cual significa una generalizacin del operador 1 - relocate .
4.5.2.1.2.6
Movimiento ICROSS
4.5.2.1.2.7
Movimiento 2-relocate
Figura 4.11. Movimiento 2-relocate : salto del nodo 2 de una ruta a otra.
4.5.2.1.2.8
Movimiento 2-swap
92
4.5.2.1.2.9
Movimiento GENIUS
Figura 4.13. Movimiento GENIUS: el nodo i se introduce entre el j y k, que son los
ms prximos de la otra ruta.
93
4.5.2.1.3
4.5.2.1.3.1
Movimiento 3-swap
El movimiento hace saltar un nodo a una segunda ruta, de la cual salta otro
para incorporarse a una tercera. La tercera cede un nodo a la primera. Se
mantienen el nmero de nodos en todas las rutas, as como las orientaciones de
los segmentos no alterados.
4.5.2.1.3.2
Movimiento 3-relocate
4.5.2.1.3.3
Movimiento 3-opt*
Es un movimiento empleado en la tesis, que es una generalizacin del 2opt*. En este caso los primeros clientes de la primera ruta se unen a los ltimos
nodos de la segunda, los primeros de la segunda a los ltimos de la tercera y los
primeros de la tercera a los ltimos de la primera. As se conserva la orienta cin
en las trayectorias, pues la introduccin de clientes con ventanas temporales
95
tardas de una ruta se enlazan con aquellos de la otra ruta que las tienen ms
tempranas. Ello favorece que las soluciones resultantes sean factibles.
4.5.2.1.4
Otros movimientos
4.5.2.1.4.1
Transferencias cclicas
96
4.5.2.1.4.2
Reconstruccin de soluciones
4.5.2.1.4.3
Salto secuencial
97
4.5.2.1.4.4
Reductor de rutas
4.5.2.1.4.5
Intercambio de vehculos
4.5.2.1.4.6
Sustitucin de vehculos
98
4.5.2.2
99
100
negociacin entre rutas y nodos. Primero cada cliente no insertado enva una
propuesta a la ruta que requiere un precio (coste) ms bajo. Despus, cada ruta
elige la opcin ms interesante. Una vez se ha construido una solucin viable, se
elimina uno de sus recorridos y se aplica la transaccin descrita. Los autores,
proponen, a su vez, un proceso de optimizacin posterior, donde los clientes
menos eficientes son los primeros en saltar de las rutas, incorporndose en otras
siguiendo el procedimiento ya mencionado. Cuando es imposible asignar un
cliente a una ruta, entonces el algoritmo crea una nueva especfica para l.
Russell (1995) desarroll un procedimiento similar al de Potvin et al . (1993)
que mejora las rutas durante su construccin en paralelo. La diferencia estriba en
el criterio de seleccin de los clientes que originan los itinerarios y el orden de
insercin posterior. En este caso, se proponen N nodos ficticios aprovechando el
procedimiento de Fisher y Jaikumar (1981). Se recurre a tres reglas para
seleccionar el cliente que debe ser insertado a continuacin: el cierre de la
ventana temporal ms temprano, la distancia ms alejada del depsito y el ancho
del horario de inicio del servicio aumentado por su distancia a la base. A
continuacin se aplica el algoritmo de mejora de Christofides y Beasley (1984). As
se superan algunas dificultades con las que la bsqueda local tropieza tras
construirse las rutas. Durante la construccin se proponen intercambios de nodos
entre distintos itinerarios y la eliminacin de rutas. Russell concluye que el entorno
obtenido por en el movimiento propuesto por Christofides y Beasley (1984)
proporciona mejores soluciones que los k-opt.
Prosser y Shaw (1996) comparan diferentes combinaciones de cuatro
heursticas de mejora dentro de una estrategia de aceptacin del mejor del
entorno. Los operadores empleados son 2-opt para movimientos dentro de una
ruta, y los relocate , swap y cross para movimientos entre rutas. Aqu no se
construye una solucin que posteriormente se perfecciona. Se emplea un vehculo
virtual, capaz de visitar a todos los clientes, pero con un coste superior al de los
101
vehculos reales. Se parte de una ruta con dicho vehculo y luego se van
incluyendo los reales hasta que desaparece el primero. La funcin de coste es la
distancia total recorrida. El coste de la visita realizada por el vehculo supuesto es
1(d0i +di0)+ 2 donde dij es la distancia entre clientes y 0 es el depsito. Los
resultados obtenidos son sorprendentemente buenos, indicando que una mezcla
de movimientos, incluso dentro de un esquema de bsqueda de mximo gradiente
favorece la excelencia de los resultados. Sin embargo, se detecta una elevada
sensibilidad de la calidad de las soluciones con los parmetros de coste. El
movimiento que proporciona mejores resultados es el relocate . De Backer, Furnon,
Prosser, Kilby y Shaw (2000) presentan un trabajo similar en el contexto de la
programacin condicionada (CP).
Cordone y Wolfler-Calvo (1997) usan ideas similares en el diseo de una
heurstica mixta, donde la bsqueda local es mejorada jerrquicamente. Primero,
con una estructura clsica de cambio 2- y 3-opt se intenta disminuir el nmero de
vehculos pasando todos los clientes de una ruta a otras, de uno en uno. Despus
se emplea otra heurstica para escapar de los ptimos locales, resolviendo el
problema con una funcin objetivo parcialmente modificada. sta es justamente la
caracterstica ms relevante del algoritmo, en el cual se alterna la miminizacin de
la distancia total y la duracin total de la ruta cuando se alcanzan los ptimos
locales. El mtodo construye un conjunto de soluciones iniciales con el algoritmo
de Solomon (1987). Posteriormente se aplica descenso de mximo gradiente con
intercambios de 2 y 3 arcos y se elige la mejor solucin. El procedimiento de
reduccin de rutas trata de incluir cada vez un nodo en otro itinerario. Si ello no es
posible, se acude al movimiento 3- relocate. Para reducir el esfuerzo de clculo, se
utiliza el concepto de macronudo con la idea de aglutinar la secuencia de varios
nudos como si fuera uno slo.
Shaw (1997, 1998) emplea el concepto de bsqueda en entornos amplios
(LNS), donde, despus de la destruccin parcial de la solucin actual en aquellos
102
4.6 Metaheursticas
Las metaheursticas son el corazn del trabajo de investigacin ms
reciente entorno al problema VRPTW. A diferencia de las heursticas de bsqueda
local, que finalizan una vez se ha alcanzado un ptimo relativo, estos mtodos
tratan de explorar una parcela mayor del espacio de soluciones con el nimo de
acercarse ms a la opcin ptima del problema.
4.6.1
Cristalizacin simulada
104
4.6.2
GRASP
4.6.3
Bsqueda tab
106
(1995)
formula
una
bsqueda
tab
reactiva
que
ajusta
excluyen aquellos otros que ya contienen destinos que han sido visitados. El
proceso contina hasta que quede algn cliente libre, aadindolo a la solucin
con la heurstica de insercin de Solomon (1987). La solucin se descompone
despus en grupos de rutas (formados segn el ngulo polar y el centro de
gravedad). Para cada grupo, se desarrolla una bsqueda tab empleando un
operador de intercambio de segmentos entre rutas. Para forzar al algoritmo a
explorar nuevas regiones, se penalizan los cruzamientos ya realizados.
109
4.6.4
Algoritmos genticos
110
operadores para empujar a los clientes con ventanas temporales tempranas hacia
los lugares iniciales de los recorridos.
Thangiah (1995) describe un mtodo llamado GIDEON que primero agrupa
a los clientes en sectores empleando GA y posteriormente crea una ruta en cada
sector usando el algoritmo de insercin de Golden y Stewart (1985). En un paso
posterior, las rutas se mejoran usando -intercambios. Estos dos procesos se
ejecutan un nmero finito de veces para mejorar la solucin. La exploracin
comienza agrupando a los clientes de acuerdo con sus coordenadas polares, o
bien de forma aleatoria. Las trayectorias de bsqueda propuestas aceptan el paso
por soluciones inviables penalizndolas. En el mtodo GIDEON cada cromosoma
representa un conjunto de posibles esquemas de agrupamiento y la aptitud se
basa en los correspondientes costes. Es el nico autor que utiliza cromosomas
codificados en cdigo binario, y por tanto sera desde un punto de vista conceptual
un GA puro.
112
4.6.5
Estrategias evolutivas
4.6.6
Bsqueda dispersa
113
4.6.7
Taillard
Agazzi
(1999)
empleando
la
semejanza
del
114
atraccin N ij
el
rastro
de
feromonas
Tij .
Las
rutas
se
construyen
4.6.8
115
previa fue reducir el nmero de rutas con SA y una funcin objetivo jerarquizada,
tal y como se ha descrito en un punto anterior.
La bsqueda en entornos amplios puede considerarse como una
reconstruccin de soluciones, donde la insercin de los nodos desconectados se
realiza con algoritmos exactos.
4.6.9
116
4.6.10
La bsqueda local guiada propuesta por Kilby, Prosser y Shaw (1999) para
solventar el problema VRPTW se apoya en la memoria de lo sucedido durante el
trayecto de exploracin, lo cual constituye un enfoque compartido con la bsqueda
tab. El procedimiento trabaja modificando la funcin objetivo con una
penalizacin basada en la proximidad del movimiento al ptimo local, para
favorecer as la diversificacin. El mtodo se sirve de cuatro movimientos: 2-opt
dentro de un itinerario, permuta de un nodo de una ruta a otra, intercambio de
clientes de dos recorridos e intercambio en los finales de dos rutas (2-opt* ). Al
principio todos los clientes se asignan provisionalmente a un vehculo virtual.
Debido a que una penalizacin se asocia a las visitas que no se han consumado,
la solucin factible se construye minimizando los costes. El algoritmo de bsqueda
guiada empieza con esta solucin y desarrolla una serie de movimientos hasta
que se alcanza un mnimo local. La funcin objetivo se modifica entonces
aadiendo un trmino que penaliza la presencia de los arcos empleados en la
solucin. La bsqueda simplemente se itera hasta encontrar un nuevo mnimo
relativo con un criterio de parada.
117
4.6.11
4.6.12
118
4.6.13
Redes neuronales
119
4.6.14
Metaheursticas hbridas
120
4.7.1
121
En la Tabla 4.2 se han reunido algunos de los resultados obtenidos para los
problemas de Solomon (1987) con heursticas de construccin, mejora y mixtas.
Todos los algoritmos son determinsticos salvo el propuesto por Russell (1995).
Excepto Prosser et al. (1996), el resto han considerado que la reduccin en el
nmero de rutas era el objetivo prioritario. Slo Antes et al. (1995), Shaw (1997,
1998), Cordone et al . (1998) y Casseau et al. (1999) han empleado como segundo
criterio la reduccin de la distancia total.
Tabla 4.2. Comparacin entre distintas heursticas de construccin y mejora. Se
representan los valores medios de las rutas (negrita) y distancia total recorrida
para los seis grupos de problemas de Solomon (1987), as como el nmero de
rutas necesarias para los 56 casos.
PR
R1
S-87
13,58
1436,67
R2
3,27
1402,45
C1
10,00
951,89
C2
3,13
692,75
RC1 13,50
1596,50
RC2
3,88
1682,13
NTR
453
DT
73004
PR-93
13,33
1509,04
3,09
1386,67
10,67
1343,69
3,38
797,59
13,38
1723,72
3,63
1651,05
453
78834
TP-93
13,00
1356,92
3,18
1276,00
10,00
916,67
3,00
644,63
13,00
1514,29
3,71
1634,43
438
68916
PR-95
13,33
1381,9
3,27
1293,4
10,00
902,9
3,13
653,2
13,25
1545,3
3,88
1595,1
448
69285
R-95
12,66
1317
2,91
1167
10,00
930
3,00
681
12,38
1523
3,38
1398
424
65827
AD-95
12,83
1386,46
3,09
1366,48
10,00
955,39
3,00
717,31
12,50
1545,92
3,38
1598,06
429
71158
PS-96
CW-98 CLS-99 IKP-01
13,50
12,50
12,42
12,67
1242,40 1241,89 1233,34 1370
4,09
2,91
3,09
3,09
977,12 995,39 990,99
1310
10,00
10,00
10,00
10,00
843,84 834,05 828,38
865
3,13
3,00
3,00
3,13
607,58 591,78 596,63
662
13,50
12,38
12,00
12,50
1408,76 1408,87 1403,74 1512
5,13
3,38
3,38
3,50
1111,37 1139,70 1220,99 1483
471
422
420
429
58273
58481
58927
67891
B-01
12,17
1253,24
2,82
1039,56
10,00
832,88
3,00
593,49
11,88
1408,44
3,25
1244,96
412
59945
122
460
455
450
445
Thompson et
al.(1993)
NT
440
435
430
425
Cordone et al.
(1998)
Caseau et al. (1999)
420
415
Brysy (2001a)
410
405
0
10
15
20
25
30
Tiempo en minutos
4.7.2
123
GPR94
12,92
1317,7
3,09
1222,6
10,00
877,1
3,00
602,3
12,88
1473,5
3,75
1527,0
436
65977
RT-95
12,25
1208,50
2,91
961,72
10,00
828,38
3,00
589,86
11,88
1377,39
3,38
1119,59
415
57231
PKGR96
12,50
1294,5
3,09
1154,4
10,00
850,2
3,00
594,6
12,63
1456,3
3,38
1404,8
426
63530
BF-97
14,17
1214,86
5,27
930,18
10,00
829,77
3,25
604,84
14,25
1385,12
6,25
1099,96
508
56998
TBGGP97
12,17
1209,35
2,82
980,27
10,00
828,38
3,00
589,86
11,50
1389,22
3,38
1117,44
410
57523
CR 2-97
BR-99
SF-99
CLM-00
12,17
1204,19
2,73
986,32
10,00
828,38
3,00
591,42
11,88
1397,44
3,25
1229,54
411
58502
12,58
1205
3,18
995
10,00
829
3,00
591
12,13
1371
3,50
1250
425
58562
12,25
1239,15
2,82
1066,68
10,00
828,94
3,00
589,93
11,75
1409,26
3,38
1286,05
414
60346
12,08
1210,14
2,73
969,57
10,00
828,38
3,00
589,86
11,50
1389,78
3,25
1134,52
407
57556
De todos los autores que se han recogido en la Tabla 4.3, slo Backer y
Furnon (1997) y Brando (1999) han documentado el tiempo consumido por sus
algoritmos. Parece que el procedimiento de Backer y Furnon (1997) es ms rpido
que el de Brando (1999), pero el resultado de ste ltimo ofrece mayor calidad.
124
12,33
1227,42
3,00
1005,00
10,00
830,89
3,00
640,86
12,00
1391,13
3,38
1173,38
418
58905
T-95
PB-96
BSB-98
B-99
12,75
1300,25
3,18
1124,28
10,00
892,11
3,00
749,13
12,50
1474,13
3,38
1411,13
429
65074
12,58
1296,83
3,00
1117,64
10,00
838,11
3,00
590,00
12,13
1446,25
3,38
1368,13
422
62634
12,58
1261,58
3,09
1030,01
10,00
834,61
3,00
594,25
12,13
1441,35
3,50
1284,25
424
60539
12,58
1272,34
3,09
1053,65
10,00
857,64
3,00
624,31
12,13
1417,05
3,38
1256,80
423
60962
HG99(1)
11,92
1228,06
2,73
969,95
10,00
828,38
3,00
589,86
11,63
1392,57
3,25
1144,43
406
57876
HG99(2)
12,00
1226,38
2,73
1033,58
10,00
828,38
3,00
589,86
11,50
1406,58
3,25
1175,98
406
58921
GH-01
BBB-01
12,00
1217,57
2,73
961,29
10,00
828,63
3,00
590,33
11,50
1395,13
3,25
1139,37
406
57952
11,92
1221,10
2,73
975,43
10,00
828,48
3,00
589,93
11,50
1389,89
3,25
1159,37
405
57962
125
KB-95
12,58
1325,44
3,09
1164,27
10,00
827,3
3,00
589,65
12,63
1500,94
3,50
1414,21
427
64196
PRD -95
13,58
1539,4
3,09
1325,1
10,56
1237,2
3,38
875,6
13,63
1828,9
3,63
1578,9
457
78451
CR 1-96
12,50
1308,82
2,91
1166,42
10,00
909,80
3,00
666,30
12,38
1473,90
3,38
1393,70
422
64996
LS-99
12,17
1249,57
2,82
1016,58
10,00
830,06
3,00
591,03
11,88
1412,87
3,25
1204,87
412
59318
KPS-99
12,67
1200,33
3,00
966,56
10,00
830,75
3,00
592,24
12,13
1388,15
3,38
1133,42
423
57423
GTA-99
12,00
1217,73
2,73
967,75
10,00
828,38
3,00
589,86
11,63
1382,42
3,25
1129,19
407
57525
RGP-00
12,08
1210,21
3,00
941,08
10,00
828,38
3,00
589,86
11,63
1382,78
3,38
1105,22
412
56953
126
distancias. El resto plantean como primera meta la reduccin del nmero de rutas
y como segunda la reduccin de la distancia total, excepto para Potvin et al.
(1995) y Chiang et al . (1996), donde tratan de reducir la duracin total.
Potvin et al. (1995), Chiang et al. (1996) y Gambardella et al. (1999) no
aportan datos sobre el nmero de ensayos que han realizado o el tiempo de
clculo que han consumido.
BFSKP-00
12,41
1200,54
3,00
936,51
10,00
828,38
3,00
589,86
12,00
1383,21
3,38
1116,51
419
56880
SSSD-00
12,08
1211,53
2,82
958,05
10,00
828,38
3,00
589,86
11,88
1361,76
3,38
1097,63
412
56926
LLL-00
14,00
1211,54
3,55
960,43
10,00
832,13
3,00
612,25
13,63
1385,05
4,25
1232,65
462
58432
LLH-01
12,08
1215,14
2,91
953,43
10,00
828,38
3,00
589,86
11,75
1385,47
3,25
1142,48
411
57467
B-01b
12,00
1229,48
2,73
989,62
10,00
828,38
3,00
590,29
11,50
1394,26
3,25
1141,07
406
58100
B-01c
11,92
1222,12
2,73
975,12
10,00
828,38
3,00
589,86
11,50
1389,58
3,25
1128,38
405
57710
RECORD
11,83
1192,78
2,64
943,90
10,00
827,47
3,00
589,86
11,50
1384,53
3,25
1102,00
403
56755
127
Tabla 4.7. Resultados de mayor calidad para los problemas de Solomon (1987) y
su estrategia.
Nmero total
de rutas
405
405
406
406
407
407
Distancia
total
57710
57952
57876
57641
57525
57556
Referencia
Estrategia
Brysy (2001c)
Berger et al. (2001)
Homberger et al. (1999)
Gehring et al. (2001)
Gambardella et al. (1999)
Cordeau et al. (2000)
Algunos autores no lo han visto as, a pesar de que con datos empricos, es muy aventurado establecer
conclusiones definitivas sobre la bondad o no de ciertas familias de estrategias sobre otras. Por ejemplo,
Kontoravdis et al. (1995) afirmaban en relacin con el empleo del GRASP en el problema VRPTW que los
resultados demostraban mejoras contrastadas respecto a otras tcnicas existentes y tambin que a la vista
de los resultados, los mtodos de contruccin paralelos son superiores a los secuenciales. Otros ejemplo lo
proporciona De Backer et al. (2000), cuando concluyen en su trabajo que la bsqueda local guiada es
superior a la bsqueda tab. Incluso recientemente, Brysy et al. (2001) afirmaban, a la vista de los
resultados aportados por la literatura cientfica, que los algoritmos evolutivos superaban claramente a los
genticos, siendo estos ltimos poco competitivos para resolver el VRPTW. En la Tabla 4.7 se comprueba
cmo los resultados de Berger et al. (2001) y los de Gehring et al. (2001), con algoritmos genticos, son
competitivos con el resto de familias para resolver el problema VRPTW.
128
80000
75000
70000
65000
60000
55000
400
425
450
475
500
525
129
440
435
430
NTR
425
Russell (1995)
Gambardella et al.
(1999)
Gehring et al. (1999)
420
415
Kilby et al.
(1999)
405
0
50
100
150
200
Brysy (1999b)
410
Brando (1999)
250
300
350
Homberger et
al. (1999)
400
450
500
Tiempo en minutos
130
se determina por el nmero total de rutas (NTR) necesario para resolver los 56
problemas de Solomon (1987). Casos como el de Shaw (1997, 1998) e Ibaraki et
al . (2001) no han querido documentar algunos resultados por haber sido muy poco
competitivos.
Conclusin 2: La obtencin de un resultado excelente en la optimizacin de un
problema de transporte del tipo VRPTW no implica que la estrategia
empleada sea adecuada para resolver casos semejantes.
Tabla 4.8. Ejemplos de soluciones rcord con estrategias que no son robustas con
el resto de problemas.
Referencia
Lau et al. (2001)
Taillard et al. (1997)
Rochat et al. (1995)
Rochat et al. (1995)
Rousseau et al. (2000)
Shaw (1997)
Shaw (1997)
Shaw (1997)
Shaw (1998)
Ibaraki et al. (2001)
Problema rcord
R103
RC108
R105
R106
R202
R104
R107
RC107
RC103
RC208
Nmero de rutas
13
10
14
12
3
9
10
11
11
3
Distancia
1175,67
1139,82
1377,11
1252,03
1191,70
1007,31
1104,66
1230,48
1261,67
828,14
NTR
462
417
427
427
412
-
131
como buenos con tcnicas diversas para una misma batera de problemas.
Adems, es difcil establecer comparaciones en igualdad de condiciones.
2. Ha sido una prctica comn en la investigacin tomar como referencia el
conjunto de los 56 problemas propuestos por Solomon (1987) y la jerarqua
en las soluciones de mnimas rutas y, en caso de duda, mnima distancia
total recorrida. En otras ocasiones las funciones objetivo no han sido
homogneas,
primndose
objetivos
alternativos
estableciendo
134
135
4.9.1
Pocos han sido los trabajos que han tratado el problema de las rutas
flexibilizando el inicio del servicio a los clientes Vehicle Routing Problem with Soft
Time Windows en comparacin con el VRPTW (Koskosidis, Powell y Solomon,
1992; Balakrishnan, 1993; Taillard et al., 1997; Yepes y Medina, 2002a, 2002b).
Sin embargo, existen buenos argumentos para resolver el VRPSTW:
4.9.2
137
4.9.3
4.9.4
138
(VRPHE) fue tratado por Taillard (1999). Este problema generaliza otros casos
estudiados anteriormente:
Cuando los costes fijos dependen del tipo de vehculo y las variables son
homogneas; y adems, no hay limitacin en el nmero de vehculos de
cada tipo, el problema se denomina Fleet Size and Mix Vehicle Routing
Problem (FSMVRP, Golden et al., 1984) y otros lo llaman Vehicle Fleet
Mix (VFM, Salhi et al., 1992), e incluso Vehicle Routing Problem with
Multiple Vehicle Types (VRPMVT, Liu y Shen, 1999).
nmero de ellos es finito, y adems, cada cliente presenta un horario de inicio del
servicio. Yepes y Medina (2002a, 2002b) abordan el problema con ventanas
temporales flexibles, jornada laboral de costes variables y congestin, con una
funcin objetivo basada en la rentabilidad econmica.
4.9.5
VRPM
140
4.9.6
4.9.7
141
4.9.8
142
4.9.9
No todos los problemas devirados del VRP han sido tratados en la literatura
cientfica en su extensin a las ventanas temporales. As, en la Tabla 3.2 se
reunieron multitud de variantes que, ni mucho menos, han sido abordadas en su
generalizacin a las restricciones horarias de servicio. En estos casos, tampoco
existen problemas tipo que hallan sido propuestos y atacados con un mnimo de
profundidad para establecer comparaciones.
143
144
En la Tabla 5.1 se recogen algunas de las variantes del VRP que, de forma
individual, o en diversas combinaciones, son abordables con el esquema terico
presentado en el presente trabajo.
145
Tabla 5.1. Problemas bsicos del VRP, susceptibles de ser resueltos con el
modelo propuesto en la tesis.
Abreviatura
Denominacin
Caracterstica definitoria
AVRP
CVRP
VRPLC
FSMVRP
VFMVRC
VRPHE
VRPVADT
VRPM
VRPTW
VRPSTW
VRPTD
VRPSDV
146
148
(5.1)
e
e
s
C 1TW
, j (t ) = p j + c j e j t
t < e sj
149
(5.2)
e hj t
TW
e
C 2, j (t ) = p j h
e es
j
j
(5.3)
()
C3TW
,j t = 0
(5.4)
t u hj
TW
u
(
)
C4, j t = p j s
u uh
j
j
(5.5)
k ej
e sj t < e hj
e sj t u sj
k uj
s
() u u
C5TW
, j t = rj + c j t u j
u hj < t u sj
t > u sj
(5.6)
C TW
(t ) = C lTW, j (t )
j
l =1
150
151
(5.7 )
t ijk (t ) = l i (t ) +
d ij
vk
+ a j (t )
(5.8)
(5.9)
e s b kj (t )
wijk (t ) = j
e sj > b kj (t )
e sj b kj (t )
152
(5.10)
(5.11)
(5.12)
(5.13)
Hik, j (t ) = b kj ,last(i ) (t ) b kj (t )
En la Figura 5.4 se comprueba cmo la ventana temporal efectiva de cada
uno de los clientes que forman una ruta depende de los viajes que le preceden. De
este modo, el margen de la ruta no aumenta, a todo caso se agota segn
transcurre el viaje entre los nodos sucesivos. De este modo, el margen efectivo del
viaje de i a j con un vehculo k, depende de los mrgenes de viaje precedentes.
Figura 5.4. Reduccin del margen efectivo de los viajes que componen una ruta.
154
(5.14)
155
como mnimo, con esta distancia ficticia, que depende adems del vehculo, del
instante de entrada y salida a las ciudades cuando stos valores sean variables
con el tiempo.
(5.15)
cualquier
ruptura
en
las
restricciones
del
modelo,
incluso
las
157
otros
resultados
empresariales
no
estrictamente
financieros
(Membrado, 1999) constituyen los objetivos globales que guan a los operadores
de distribucin en el medio y largo plazo.
5.4.1
158
I = (F j + q j Rq j + d 0 j Rd j + q j d 0 j Rqd j )
N
(5.16)
j =1
Se hace notar que el modelo no pierde generalidad si, para cada cliente, se
hace depender los coeficientes que marcan las tarifas de variables tales como el
volumen de ventas, promociones especiales, etctera.
159
5.4.2
160
(5.17)
Chlk t
0 t Hl k
Hl k < t He k
t > Hek
(5.18)
Ch = Chk (Tk )
k =1
emplea poco tiempo en recorrer las distancias hacia los diversos nodos. En estas
circunstancias, el vehculo puede comenzar un nuevo recorrido despus de haber
cargado en el depsito. Se considera una tasa C r,k por comienzo de cada una de
las rutas asociada a cada tipologa de medio de transporte k . Con todo ello, el
coste referido al trayecto realizado y a las rutas iniciadas se calcula segn (5.19),
siendo Cduk el coste unitario por distancia recorrida:
(5.19)
Rk
Cd k = C r ,k + Cduk d r ,k
r =1
Ntese cmo en el momento que Cr,k adquiere un valor muy alto se tiende a
un solo uso del vehculo. Cuando su magnitud es reducida, el modelo representa
el caso del VRPM, con mltiples inicios de ruta por cada unidad de transporte.
El coste total Cd por distancias recorridas y rutas iniciadas es:
(5.20 )
Cd = Cd k
j =1
(5.21)
Ctw = C lTW
, j (t j )
N
j = 0 l =1
162
(5.22)
VJ
Cv = v j ,k Cv j, k
j =1 k =1
(5.23)
C = Ch + Cd + Ctw + Cv
Y la funcin objetivo B buscada, que es el beneficio obtenido por la
empresa de distribucin:
(5.24)
B = I C
163
O lo que es lo mismo,
Vs
N 5
B = F j + q j Rq j + d 0 j Rd j + q j d 0 j Rqd j V j , k Cv j , k ClTW
, j (t j )
j =1
k =1
j =0 l =1
Rk
M
N 5
Ch k (Tk ) + (C r , k + Cdu k d r , k ) C lTW
, j (t j )
k =1
r =1
j =0 l =1
N
(5.25 )
164
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6. Propuestas de estrategias de
bsqueda secuencial por entornos
para la resolucin del modelo VRPTW
El objetivo marcado en este captulo consiste en comprobar la existencia de
tcnicas razonables de resolucin del modelo econmico de distribucin definido
anteriormente y en el estudio de la incidencia de las variaciones de los ingresos o
de los costes en el beneficio aportado por la solucin finalmente seleccionada. El
anlisis se centrar en aquellas estrategias basadas en la bsqueda secuencial
por entornos que no requieran del empleo de memoria adaptativa, como es el
caso de los sistemas de hormigas, la bsqueda local guiada o la bsqueda tab,
segn la clasificacin propuesta en la Figura 2.1. Para ello se desarrollan dos
apartados, cuyos propsitos son los siguientes:
165
6.1.1
Heursticas de resolucin de rutas con ventanas
temporales
En esta parte se investiga el comportamiento de las heursticas que
resuelven el problema de las rutas con ventanas temporales estrictas. Se propone,
como piedra angular que inicia cualquier otro procedimiento empleado en la tesis,
una heurstica nueva de construccin secuencial de rutas que denominaremos
HESECOR. Posteriormente se analizan diversas tcnicas que mejoran la opcin
inicial. Se aportan las razones que aconsejan el empleo de la bsqueda local
aleatoria con mltiples operadores y las ventajas de la adaptacin de las
probabilidades en la eleccin de estos movimientos segn los ltimos xitos
166
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.1.1
Heurstica de construccin econmica y secuencial de
rutas (HESECOR)
La optimizacin heurstica de un problema combinatorio comienza con una
solucin, o un conjunto de ellas que, mediante cambios guiados estratgicamente,
llevan a un resultado satisfactorio, aunque no necesariamente el ptimo. Por tanto,
es necesario establecer un procedimiento que construya opciones factibles, y que,
adems, se adapte a una funcin objetivo basada en criterios de rentabilidad en
las operaciones. La heurstica de construccin econmica y secuencial de rutas
propuesta en la tesis se denomina HESECOR. El objetivo marcado en el presente
epgrafe consiste en describir este procedimiento de construccin de soluciones
factibles al problema de las rutas con ventanas temporales que, adems, sea
capaz de resolver casos ms generales y prximos a la realidad.
Solomon (1987) desarroll una heurstica de construccin secuencial de
rutas para el problema VRPTW que ha sido empleada en numerosas
metaheursticas (ver Potvin et al ., 1996; Potvin y Bengio, 1996; Taillard et al.,
1997; Badeau et al ., 1997). Bsicamente, estos algoritmos eligen un criterio para
comenzar un itinerario y a continuacin unas reglas de insercin de clientes. En el
momento que no es posible intercalar ms nodos, se empieza una nueva ruta y se
repite el procedimiento hasta agotar el nmero de clientes. La tesis aporta una
heurstica que mejora los criterios empleados por Solomon (1987) y los generaliza
para problemas ms complejos de distribucin con ventanas temporales. En
efecto, se comprueba cmo la adopcin de variables espacio-temporales para
definir la cercana entre los nodos y la inclusin de criterios de rentabilidad
167
6.1.1.1.1
168
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Figura 6.1. Proximidad econmica de dos nodos al depsito como criterio de inicio
de ruta. Fuente: Yepes y Medina (2000).
Una vez seleccionado el vehculo que empieza un recorrido, el algoritmo
propuesto en esta tesis incluye criterios de inicio que generalizan y mejoran los de
Solomon (1987):
Sin embargo, la conclusin anterior no es considerada por autores como Potvin et al. (1996), Kilby et al.
(1997) e incluso recientemente Lau et al. (2001) que continan despreciando la variable temporal al utilizar
slo la distancia fsica entre los distintos nodos como argumento en la construccin de soluciones iniciales.
169
170
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.1.1.2
171
172
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
173
6.1.1.1.3
Descripcin de HESECOR: Heurstica econmica y secuencial
de construccin de rutas
En este trabajo se propone una heurstica que denominaremos HESECOR
(heurstica econmica y secuencial de construccin de rutas) que permitir la
generacin de soluciones tanto para el VRPTW como para las generalizaciones
contempladas en el modelo propuesto. Este algoritmo constituye la base del
desarrollo de las metaheursticas empleadas posteriormente en la tesis.
HESECOR genera una ruta a partir de un nodo que optimice un criterio de
inicio. Para reducir el tiempo de clculo, se toman como candidatos a ser
encajados en la ruta los nodos no asignados ms prximos al inicial, desde el
punto de vista del espacio-tiempo. Se evalan para los elegidos el mejor lugar
donde incluirse en el itinerario en curso, siempre que se cumplan las restricciones
del problema. Se ordenan en una lista y se inserta aquel destino elegido
atendiendo a una funcin de probabilidad prevista de antemano. Se contina hasta
que sea imposible incluir ms clientes en la ruta. Se comienza, si es posible, un
nuevo itinerario y se procede de forma iterativa. Por ltimo, se eliminan los
recorridos con menos nodos y se intenta recolocarlos en el resto, en la posicin
que maximice la funcin objetivo.
Como consecuencia de lo expuesto anteriormente, se definen dos mtodos
distintos en la construccin secuencial de rutas:
174
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Paso 1:
Paso 2:
Paso 3:
Eliminar los clientes para los que no sea posible una ruta en exclusiva
desde el depsito.
Paso 4:
Paso 5 :
Paso 6:
Paso 7:
Paso 8:
Paso 9:
Paso 10:
Paso 12:
Paso 13:
Paso 14:
Incorporacin
de
criterios
probabilsticos
en
las
selecciones para
176
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.1.1.4
6.1.1.1.4.1
177
2
506
87155,97
534
93835,09
529
96330,33
511
91021,37
553
114470,81
526,60
96562,71
3
520
89677,57
505
86353,36
527
93423,36
497
83283,93
524
104341,92
514,60
91416,03
4
505
86661,61
522
90485,97
534
100596,33
504
86764,58
543
110038,58
521,60
94909,41
5
511
83854,62
513
85158,31
531
98387,18
496
77687,27
513
95542,43
512,80
88125,96
6
502
89909,32
545
101474,91
535
101693,85
549
101560,81
558
120144,07
537,80
102956,59
7
502
86198,65
506
85613,54
527
93488,24
492
81878,69
526
101288,01
510,60
89693,43
Media
508,71
86816,92
521,86
90319,83
534,14
99204,93
507,71
86677,79
538,00
108029,46
522,09
94209,79
178
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Suma
5
0
1
5
0
2
1
0
0
0
0
0
2
5
0
1
0
0
3
0
0
2
0
15
1
1
0
0
0
0
4
0
1
7
0
13
3
4
35
1
Suma 11 3
18 1
12
56
1
2
3
4
5
179
ruta exclusiva para dicho cliente desde el depsito, lo cual tambin generaliza otro
de los criterios de Solomon (1987).
En caso de eleccin, los criterios de inicio ms favorables seran el 1, 5 y 7.
Las inserciones deberan guiarse por los criterios 1 y 4. Sin embargo, se perdera
la informacin de 20 mejores resultados de 56.
C101
C102
C103
C104
C105
C106
C107
C108
C109
Medias
Sumas
10
10
10
10
10
10
10
10
10
10,00
90
828,94
828,94
828,06
824,78
828,94
828,94
828,94
828,94
828,94
828,38
7455,42
Solomon (1987)
10
10
10
10
10
10
10
10
10
10,00
90
853
968
1059
1282
861
897
904
855
888
951,89
8567,00
HESECOR COMPLETO
10
11
10
10
10
10
10
10
10
10,11
91
180
828,94
1081,49
1153,29
1270,73
828,94
905,89
828,94
982,64
1043,58
991,60
8924,44
HESECOR (1-1)
10
11
11
11
10
11
10
11
10
10,56
95
828,94
1300,18
1341,58
1195,49
828,94
1018,75
828,94
977,29
1043,58
1040,41
9363,69
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
453
73005,00
Funcin objetivo
econmico
A-1
A-2
13,33
13,25
1401,27 1415,81
3,27
3,18
1287,06 1307,49
10,22
10,22
988,51
986,68
3,88
3,50
926,38
745,35
13,63
13,75
1583,73 1593,98
3,88
3,88
1577,25 1569,27
451
459
455
73003,07 72567,31 71521,06
182
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Algunos autores, sin embargo, emplean funciones objetivo en sus procedimientos para resolver el problema
VRPTW que no se corresponden con lo que realmente pretenden. As, a modo de ejemplo, tanto Solomon
(1987) como Thangiah et al. (1994) utilizan una funcin objetivo que pondera las distancias y los tiempos y
que no contempla la reduccin del nmero de rutas, que es el propsito bsico de los problemas VRPTW
tericos. Otros autores como Cordone et al. (1997) o Gambardella et al. (1999) se sirven de dos funciones
objetivo, una que disminuye el nmero de vehculos y otra que reduce el coste.
183
A35
R103
14
1484
R201
4
1741
C104
10
1282
C206
3
730
RC107
13
1385
RC208
3
1373
NTR
DT
BT
47
7995
14
1519,48
-154992,67
4
1722,73
-168755,95
11
1195,49
-179231,47
3
735,17
-113679,53
13
1465,70
-122453,35
3
1176,35
-79318,47
48
7814,92
-818431,44
B35
C35
15
15
1492,98
1512,58
-62791,94 269748,25
4
4
1604,13
1715,99
-80876,56 258273,39
10
10
1041,04
1301,82
53177,72 401313,44
4
4
721,90
733,49
130271,11 477138,06
12
13
1477,87
1465,70
62375,81 505354,50
3
3
1109,28
1176,35
145734,36 548489,50
48
49
7447,20
7905,93
247890,50 2460317,14
184
D35
E35
14
1651,65
-1225,84
4
1791,16
-24954,56
10
1521,17
-598459,88
5
1150,25
-490744,38
13
1645,59
245897,75
3
1258,67
328118,44
49
9018,49
-541368,47
14
1865,08
137399,13
4
1915,77
115616,59
10
1767,55
-464850,69
4
1690,01
-495899,13
14
1867,83
367676,56
3
1327,70
441326,59
49
10433,94
101269,05
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.1.2
185
seleccionar el primer resultado que supere al precedente first best (FB). Algunas
experiencias (Laguna et al., 1994) indican que el criterio de mayor descenso (GB)
no lleva necesariamente a las mejores soluciones finales, siendo necesario un
mayor esfuerzo de clculo.
En lo sucesivo, la estrategia seguida en la bsqueda es la eleccin de un
movimiento aleatorio Randomized Local Search, RLS, frente a la opcin de
realizar bsquedas exhaustivas y sistemticas de todo el entorno de una solucin.
Figura 6.3. Ejemplo donde el criterio de aceptar el primer descenso (FB) es mejor
que el de mayor descenso (GB). En abcisas se representan las soluciones y en
ordenadas su funcin objetivo.
6.1.1.2.1
186
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Tabla 6.7. Distancia total (DT) y beneficio (B) obtenidos mediante una bsqueda
local aleatoria, variando la eleccin del mejor por nmero de iteraciones.
Estrategia segn Tabla 6.6.
R103A
2-opt*
1
20
100
500
1000
MNIMO
MEDIA
MXIMO
C.V.%
Distancia Beneficio Distancia Beneficio Distancia Beneficio Distancia Beneficio
1418,54 -145610,81 1399,83 -143560,99 1390,47 -141882,14
0,704
-0,770
1436,35 -147758,19 1410,34 -144589,65 1390,50 -142534,05
1,387
-1,312
1448,32 -147253,38 1415,74 -144589,65 1403,36 -143467,00
0,958
-0,765
1443,50 -148811,56 1431,84 -146694,25 1408,36 -144416,28
1,036
-1,010
1455,59 -149230,31 1428,11 -146180,61 1396,55 -144103,93 -1,304
-1,133
187
Los resultados muestran una relacin inversa del beneficio en relacin con
el nmero de candidatos seleccionados para la comparacin, tanto en los valores
extremos como los promedios. La dispersin no sigue ninguna tendencia
significativa, segn se indica en la ltima columna con el coeficiente de dispersin.
Se detecta una mejora del 1,57% de incremento del mximo beneficio
comparando los mejores resultados cuando se emplea la tctica de elegir al primer
candidato que mejore al precedente respecto a la evaluacin de mil de ellos y
seleccin del mejor. La cifra es del 1,79% si comparamos las medias. La ventaja
detectada no es contundente. De hecho en el caso de elegir el mejor de 500 se
obtienen peores resultados que si lo es para 1000, tanto para los valores mnimos
como para los promedio, aunque no para los mximos. El tiempo medio de clculo
ha sido de 82 segundos de CPU en cada ensayo.
En la Figura 6.4 se comparan las mejoras de beneficio obtenidas en funcin
del nmero de iteraciones necesarias para el problema R103, segn la estrategia
de la Tabla 6.6, para los casos de elegir el primero que sea mejor (1) o bien el
mejor de entre mil (1000). Se observa cmo para dos bsquedas locales
aleatorias concretas, el ptimo alcanzado sigue la tendencia obtenida en la Tabla
6.7, es decir, es preferible la estrategia FB. Adems, se corrobora en este ensayo
que el ptimo con FB se alcanza antes (52 segundos de clculo de CPU frente a
108). El empleo de una estrategia FB es, por tanto, una forma razonable de
bsqueda aleatoria.
188
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
R103A
-143000
Beneficio
-145000
-147000
-149000
-151000
-153000
-155000
0
10000
50000
Iteraciones
2-opt*(1)
2-opt*(1000)
Figura 6.4 Beneficio en relacin con el nmero de iteraciones para una solucin
inicial obtenida por HESECOR del problema R103A de Solomon (1987).
Conclusin 7: En la mejora de soluciones al problema VRPTW, el empleo de
estrategias de eleccin aleatoria de movimientos y la seleccin del primero
que mejore la opcin precedente constituye una tcnica razonable frente a
las bsquedas exhaustivas de todo el entorno de la solucin4.
6.1.1.2.2
Aunque las tcnicas probabilistas, tales como la cristalizacin simulada o los algoritmos genticos, han
obtenidos notables xitos en la resolucin del problema VRPTW, siguen existiendo autores (Cordone et al.,
1997; Chiang et al., 1997; De Backer et al., 2000; Brysy, 2001c) que prefieren bsquedas exhaustivas de
todo el entorno de una solucin, aunque ello les suponga un mayor esfuerzo de clculo.
189
R103A
Beneficio
-140000
-145000
-150000
-155000
3-opt*
3-sw
3-rel
(2-2)
(2-1)
(2-0)
Cross
Or-opt
2-opt*
2-sw
2-rel
1-sw
1-rel
-160000
Operadores
Figura 6.5 Beneficio obtenido para el problema R103A de Solomon (1987) segn
diversos movimientos hasta alcanzar un ptimo relativo partiendo de la misma
solucin inicial. Estrategia segn Tabla 6.8.
190
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.1.2.3
191
Beneficio
R103A
-136000
-138000
-140000
-142000
-144000
-146000
-148000
-150000
-152000
-154000
-156000
0
10000
20000
30000
40000
Iteraciones
2-opt*
(1-0)
(1-1)
1-relocate
25%
Figura 6.6 Evolucin del beneficio en relacin con las iteraciones realizadas en un
descenso aleatorio para cuatro operadores y una combinacin equiprobable de
ellos. Estrategia segn Tabla 6.9.
Se corrobora que, para el ensayo realizado, una eleccin equiprobable del
operador mejora el resultado obtenido respecto a la aplicacin de cada uno de
ellos de forma individual. La ventaja de esta combinacin ha resultado clara casi
desde el principio, aunque se ha necesitado un mayor nmero de iteraciones para
alcanzar el ptimo local. Se ha precisado una media de 32 segundos de CPU por
cada 10000 iteraciones.
La combinacin de movimientos configura uno de mayor nivel que, a su
vez, presenta su propio entorno y ptimo local. Esta amplificacin del espacio de
soluciones requiere, por lo general, un mayor esfuerzo computacional. Sin
embargo, para un mismo nmero de iteraciones, la solucin alcanzada
proporciona, al menos en las pruebas realizadas, resultados de mayor calidad.
192
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
193
Operadores:
Seleccin operador:
Seleccin de mejora:
Criterio de parada:
Nmero de ensayos:
194
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Beneficio
-125000,00
-145000,00
-165000,00
-185000,00
-205000,00
-225000,00
-245000,00
-265000,00
-285000,00
-305000,00
1000
a
b
c
d
10000
100000
1000000
Iteraciones
Figura 6.7. Evolucin de los extremos del beneficio obtenido en relacin con las
iteraciones realizadas en un descenso aleatorio para el problema R103A para 10
operadores y nueve ensayos. Estrategia segn Tabla 6.10.
Por tanto, la calidad de las soluciones iniciales suele afectar, con algunas
metaheursticas, a la de los resultados finales. Esta afirmacin es coherente con
las conclusiones obtenidas por Garcia et al. (1994), Thompson y Psaraftis (1993) y
Potvin y Rousseau (1995), que muestran que los algoritmos que se concentran en
mejorar soluciones iniciales malas no alcanzan, para un tiempo de clculo
determinado, buenas soluciones. Tambin Louis et al. (1999) ponen de relieve una
relacin entre la calidad de las configuraciones iniciales y la velocidad de los
algoritmos genticos. Otros autores como Van Breedam (2001) indican esta
dependencia en la bsqueda tab con heursticas de descenso. Algunos como
Brysy (2001a) y Bent et al. (2001) han tenido que desarrollar estrategias
especficas para reducir el nmero de rutas en una primera fase, puesto que luego
es difcil hacerlo al encajonarse las soluciones.
195
6.1.1.2.4
tcnica,
junto
con
otras
que
se
describirn
posteriormente,
196
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
20000
MNIMO
MEDIA
MXIMO
N rutas
14
14,00
14
Distancia
1411,42
1372,74
1357,29
Beneficio -143425,22 -139272,62 -136883,92
N rutas
14
14,00
14
Distancia
1386,69
1361,99
1342,07
Beneficio -140834,11 -138505,67 -136285,22
C.V.%
0,000
1,002
-1,209
0,000
1,229
-1,208
197
25
MNIMO
N rutas
Distancia
Beneficio
N rutas
Distancia
Beneficio
MEDIA
MXIMO
14
14,00
14
1328,52
1296,85
1268,64
-134487,94 -131768,93 -128502,50
14
14,00
14
1326,20
1301,12
1271,75
-134926,44 -131980,10 -128890,98
C.V.%
0,000
0,906
-0,757
0,000
1,473
-1,526
Por ltimo, si se comparan los valores obtenidos en las Tablas 6.12 y 6.14,
se observa una mejora de calidad en el resultado cuando se permiten los reinicios,
pero a costa de un incremento significativo del tiempo de clculo.
198
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.1.3
un
entorno,
con
ptimos
locales
susceptibles
de
mejora
con
metaheursticas.
La reconstruccin de soluciones, en la versin que se presenta, es una
estrategia de bsqueda por entornos aleatoria, puesto que, aunque los
mecanismos de restauracin son deterministas, los de destruccin no lo son. Ello
5
Algunos autores emplean estrategias especficas para ajustar los mejores parmetros para un problema
determinado, renunciando directamente al criterio de robustez ante casos distintos. As, Potvin y Dub (1994)
se sirven de los algoritmos genticos para obtener los mejores parmetros capaces de generar soluciones
iniciales. Recientemente, Brysy (2001c) determina un mtodo determinstico para resolver el problema
VRPTW, eso s, tras proponer unos parmetros de forma intuitiva y posteriormente ajustarlos al caso
particular.
199
significa que uno de los parmetros que define arbitrariamente el ptimo relativo
ser el nmero de iteraciones. sta magnitud debe ser los suficientemente
elevada para que la probabilidad de encontrar una mejora a la solucin actual sea
muy pequea.
En primer lugar, se definen varias posibilidades en la destruccin de una
solucin para, posteriormente, establecer un algoritmo de reconstruccin
sistemtica. En el ltimo punto se analiza el comportamiento de la heurstica y la
combinacin del operador con otros ms simples dentro de un esquema de
descenso aleatorio con mltiples operadores. La conclusin obtenida es que el
movimiento complejo de reconstruccin es efectivo sin que sea necesario una
destruccin masiva de la solucin. Asimismo, se complementa con xito con otros
operadores de naturaleza distinta y que permiten ampliar el vecindario de
bsqueda de una solucin.
6.1.1.3.1
200
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
201
6.1.1.3.2
Reconstruccin de soluciones
Paso 1:
Paso 2:
Paso 3:
Paso 4:
Paso 5:
Paso 6:
202
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Paso 8:
6.1.1.3.3
6.1.1.3.3.1
203
Reconstruccin de soluciones
R103 Solomon (1987)
Tipo A (ver Tabla A.4)
HESECOR (7-4) determinista. Criterio 7 de inicio y 4 de insercin
Reconstruccin con variable.
Radial, aleatorio y mixto.
Primer descenso (FB)
1000 iteraciones
1
Radial
11
15
Medias
1360,57
1328,85
1324,45
1296,04
1300,17
1313,53
1320,60
1304,93
1322,90
1341,76
1277,80
1277,26
1274,53
1299,86
1310,62
1310,55
1302,70
1298,50
1260,27
1249,89
1288,76
1325,37
1320,77
1322,97
1290,78
1279,23
1279,32
1303,07
204
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.1.3.3.2
clculo
Reconstruccin de soluciones
R103 Solomon (1987)
Tipo A (ver Tabla A.4)
HESECOR determinista (7-4). Criterio 7 de inicio y 4 de insercin
Reconstruccin con variable en cada caso.
Mixto: equiprobable entre radial y aleatorio.
Primer descenso (FB)
Iteraciones fijas para cada caso.
2
205
-130000
Beneficio
-135000
-140000
-145000
-150000
-155000
0
10
100
Minutos de CPU
0
10
15
30
6.1.1.3.3.3
206
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
slo conducen a mejores ptimos locales, sino que tambin lo hacen de forma
ms rpida.
Tabla 6.18. Definicin de estrategia de reconstruccin de soluciones.
Estrategia:
Problema:
Funcin objetivo:
Solucin inicial:
Operadores:
Criterio de destruccin:
Seleccin de mejora:
Criterio de parada:
Nmero de ensayos:
Reconstruccin de soluciones
R103 Solomon (1987)
Tipo A (ver Tabla A.4)
HESECOR totalmente aleatorio en curvas a y b.
HESECOR probabilista en el criterio 7 de inicio de ruta y
determinista en criterio 4 de insercin en curvas c y d.
Reconstruccin con =0.
Mixto: equiprobable entre radial y aleatorio.
Primer descenso (FB)
2000 iteraciones.
9
-125000,00
Beneficio
-175000,00
a
-225000,00
b
c
-275000,00
-325000,00
-375000,00
0
500
1000
1500
2000
Iteraciones
207
208
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
C.V.%
0,000
1,059
-0,966
209
6.1.2
Metaheursticas de resolucin de rutas con
ventanas temporales mediante la bsqueda secuencial
por entornos
Tanto la construccin de soluciones con la heurstica HESECOR como las
heursticas de bsqueda local basadas en mltiples operadores y en la
reconstruccin de soluciones, constituyen buenas herramientas para su empleo
dentro de metaheursticas que permitan, por un lado, diversificar la bsqueda por
el espacio de soluciones, y por otra intensificar la exploracin en aquellas zonas
ms prometedoras. Eso s, con sistemas inteligentes que permitan superar los
ptimos locales para intentar llegar a soluciones que presenten valoraciones de su
funcin objetivo lo ms cercanas al ptimo absoluto. Las metaheursticas que se
analizan en la tesis pertenecen a la familia de estrategias de bsqueda secuencial
por entornos, segn la clasificacin propuesta en la Figura 2.1.
En los apartados que siguen se persigue, por una parte definir estrategias
de bsqueda basadas en familias de metaheursticas de bsqueda secuencial y
por otra, ensayar la influencia de los parmetros que determinan cada mtodo en
relacin con la calidad de la solucin encontrada y con su tiempo de clculo.
210
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.2.1
6.1.2.1.1
GRASP dirigido
211
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Paso 1:
Paso 2:
Paso 3:
Paso 4:
Paso 5:
Paso 6:
6.1.2.1.2
Bsqueda convergente
213
(6.1)
p(i ) = P
i
F
La fase i=0 indica que se someten todas las soluciones iniciales al proceso
de mejora. Por otro lado, cuando i =F, slo queda por mejorar un individuo. En la
bsqueda convergente , se elige el ndice i0 de inicio y se indagan las p(i ) opciones
de mayor calidad, reducindose la nueva poblacin a dicha cifra una vez ha
mejorado. El proceso termina con una solucin que resulta vencedora en la
competicin planteada. La terna (P ,F ,i0) define la estrategia empleada.
6.1.2.1.3
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
215
Nmero de soluciones:
I
14
1519,48
-154992,67
II
14
1436,83
-146750,81
III
14
1427,91
-145244,94
IV
14
1423,77
-145349,23
V
16
1689,40
-178160,16
216
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
En la Figura 6.11 se han dibujado las lneas que marcan los valores
extremos de nueve realizaciones para los escenarios planteados, representndose
la evolucin del benficio en funcin del nmero de soluciones generadas. La
generacin de cada individuo consume 3,5 segundos de CPU de media.
Tabla 6.23. Definicin de estrategia GRASP dirigido con HESECOR.
Estrategia:
Problema:
Funcin objetivo:
Funcin probabilstica:
Generacin de
soluciones:
Nmero de soluciones:
Nmero de ensayos:
217
-140000,00
Beneficio
-150000,00
-160000,00
-170000,00
c
d
-180000,00
-190000,00
1
10
100
1000
Soluciones generadas
218
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Nmero de soluciones:
219
II
k=0,25
III
k=0,50
IV
k=0,75
V
E1
14
14
14
14
15
1519,48
1486,51
1426,70
1455,43
1490,50
-154992,67 -151244,34 -145563,09 -149102,22 -155075,45
-209921,70 -156905,02 -159227,92 -163168,64 -171819,36
-295710,41 -172766,40 -175456,41 -180681,53 -204285,37
140717,74 21522,06 29893,32 31579,31 49209,92
VI
E2
VII
E3
14
1489,40
-151871,55
-169582,00
-192530,82
40659,27
14
1434,98
-145788,27
-164483,61
-192087,73
46299,46
6.1.2.1.3.4
220
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Fase 3:
221
R1
R2
C1
C2
RC1
RC2
NTR
DT
BT
Fase 1
13,33
1401,27
-140285,80
3,27
1287,06
-119214,46
10,22
988,51
-151010,40
3,88
926,38
-136647,78
13,63
1583,73
-137484,09
3,88
1577,25
-131311,17
459
72567,31
-7597426,60
Fase 2
13,08
1368,31
-136218,09
3,27
1280,78
-118805,71
10,11
954,72
-146813,84
3,75
870,96
-130639,43
13,75
1593,98
-135032,75
3,88
1569,27
-125653,08
451
70833,65
-7393406,49
Fase 3
13,08
1337,02
-132814,26
3,27
1167,91
-107308,74
10,11
926,67
-142821,69
3,63
840,50
-126636,82
13,75
1593,98
-130821,14
4,00
1573,76
-116260,45
450
67605,54
-7049309,78
222
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
223
moderado aumento del beneficio puesto que slo ha recibido 3000 movimientos la
solucin elegida como mejor.
Tabla 6.29. Aplicacin de una metaheurstica GRASP con bsqueda convergente
con mltiples operadores, segn la estrategia de la Tabla 6.28.
Fase 1
Fase 2
MNIMO
MEDIA
MXIMO
C.V.%
MNIMO
MEDIA
MXIMO
C.V.%
0,1
14
14,00
14
0,000
14
14,00
14
0,000
1485,01
1463,34
1423,36
2,100
1436,12
1421,58
1407,63
1,235
-2,012
-0,873
14
14,00
14
0,000
14
14,00
14
0,000
1485, 01
1456,10
1436,83
1,812
1446,34
1420,56
1396,97
1,305
-1,657
-1,344
14
14,00
14
0,000
14
14,00
14
0,000
1445,73
1437,24
1436,4
0,451
1433,54
1419,29
1401,38
0,883
-0,184
-0,808
14
14,00
14
0,000
15
14,20
14
3,149
1475,14
1452,53
1432,05
1,110
1414,19
1423,68
1412,75
0,743
-1,273
-0,822
14
14,60
15
3,752
14
14,40
14
3,804
1532,01
1490,45
1452,58
2,178
1430,67
1458,18
1492,67
1,631
6.1.2.2
-0,875
-1,217
Cristalizacin simulada
224
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
(6.2 )
P = exp
tk
225
6.1.2.2.1
6.1.2.2.2
Velocidad de enfriamiento
226
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
(6.3)
t i +1 = r t i
6.1.2.2.3
i = 0,1....n
Recalentamientos decrecientes
(6.4 )
t r = max (t r 2, t b )
227
Paso 1:
Paso 2:
Paso 3:
Paso 4:
Paso 5:
Paso 6:
Paso 7:
228
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Paso 9:
6.1.2.2.4
229
Seleccin de mejora:
Temperatura inicial:
Longitud de la cadena de Markov:
N mximo cadenas de Markov:
Enfriamiento geomtrico:
Cadenas en blanco permitidas:
Recalentamientos mximos:
Nmero de ensayos:
Cristalizacin simulada
R103 Solomon (1987)
Tipo A (ver Tabla A.4)
HESECOR determinista (7-4). Criterio 7 de
inicio y 4 de insercin
{1-rel, 1-sw, 2-rel, 2-sw, 2-opt*, Or-opt, Cross,
(2-0), (2-1) y (2-2)} con igual probabilidad.
Operador de reconstruccin con =0 con
probabilidad del 1%
Primer descenso (FB)
t 0=10000
LCM variable (100 250, segn el caso)
TCM=2000
r=0,95
10
R (variable)
9
Los resultados muestran cmo los valores medios y los extremos son
favorables en los escenarios donde se permite una longitud mayor de la cadena
de Markov y ms recalentamientos. En todo caso, parece conveniente alargar la
longitud de la cadena para conseguir resultados de calidad en tiempos razonables.
Se comprueba cmo el ajuste de los parmetros de la metaheurstica a un
problema concreto favorece el encuentro con mejores soluciones.
230
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
MEDIA
MXIMO
C.V.%
CM=100
14
14,56
15
3,621
R=0
1509,45
1427,76
1345,46
3,670
14
14,44
14
3,649
R=0
1398,05
1331,37
1273,72
2,723
15
14,56
14
4,991
R=10
1358,25
1318,96
1286,97
2,077
15
14,44
14
3,649
R=25
1304,97
1271,12
1244,42
1,837
6.1.2.3
Una estrategia que facilita eludir ptimos relativos en una bsqueda local
consiste en la aceptacin una solucin de peor calidad respecto a otra que ha sido
modificada, siempre que la diferencia entre la valoracin de sus funciones objetivo
no supere dete rminado lmite T. En la Figura 6.8 se observa cmo es posible
231
Figura 6.8. Bsqueda local mejorada por el criterio de aceptacin por umbrales.
232
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.2.3.1
6.1.2.3.2
233
T = T0 (1 x )
(6.5)
(6.6)
6.1.2.3.3
234
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Paso 1:
Paso 2:
Paso 3:
Paso 4:
Paso 5:
Paso 6:
6.1.2.3.4
6.1.2.3.4.1
236
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
R=1
R=25
6.1.2.3.4.2
N rutas
Distancia
Beneficio
N rutas
Distancia
Beneficio
MNIMO
14
1395,64
-143356,64
14
1352,11
-139772,19
MEDIA
14,00
1370,25
-140749,23
14,00
1346,15
-138428,47
MXIMO
14
1363,71
-139148,75
14
1338,89
-136883,72
C.V.%
0,000
0,887
-0,944
0,000
0,541
-0,651
237
500
1000
2000
MNIMO
14
1405,64
-145425,53
14
1352,11
-139772,19
14
1361,46
-140950,34
14
1446,01
-149652,78
MEDIA
14,00
1404,20
-144051,00
14,00
1346,15
-138428,47
14,00
1352,41
-139239,28
14,00
1401,53
-144628,83
MXIMO
14
1382,68
-141625,77
14
1338,89
-136883,72
14
1340,76
-137580,56
14
1351,86
-140109,5
C.V.%
0,000
0,662
-0,762
0,000
0,541
-0,651
0,000
0,895
-0,919
0,000
1,826
-1,831
Las cifras muestran cmo con T0>0 los mximos beneficios superan el caso
T 0=0 del criterio de aceptacin voraz. Se comprueba cmo con T 0=500 todos los
resultados representativos son mejores que con umbrales iniciales de 1000
2000. Se han ensayado con umbrales T 0=4000, pero en estos casos, la
aceptacin es tan alta que rpidamente las soluciones se degradan y no se logran
mejoras con ciclos de 30.000 iteraciones, hecho que ha motivado su exclusin de
la Tabla 6.35.
238
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Se puede, por tanto concluir que la aceptacin por umbrales con inicios
mltiples es una estrategia que mejora claramente la bsqueda con criterios de
aceptacin voraces. El lmite de aceptacin inicial debe adaptarse a cada tipo de
problema. Si el nmero de iteraciones es suficientemente alto, una heurstica de
aceptacin por umbrales alcanza ptimos locales de mayor calidad que si la
bsqueda es con un criterio de aceptacin voraz. Sin embargo, si el umbral inicial
es demasiado alto, las soluciones se degradan fuertemente. En los escenarios
analizados para el problema R103A un T 0=500 ha dado los mejores resultados.
Conclusin 13: Al aplicar una metaheurstica de aceptacin por umbrales a los
problemas VRPTW estudiados, y dado un nmero determinado de
iteraciones, existe un umbral inicial no nulo lo sufientemente moderado tal
que permite encontrar soluciones de una calidad superior al caso de la
aceptacin voraz.
239
0,1
MNIMO
14
1368,57
-140559,92
0,2
14
1391,25
-143568,44
0,4
14
1382,61
-142013,45
0,6
14
1372,6
-140805,66
T0=500
MEDIA
MXIMO
14,00
14
1356,35
1357,30
-139365,03 -138553,11
14,00
14
1370,10
1338,77
-140412,36 -136873,31
14,00
14
1360,27
1349,31
-139452,97 -138120,08
14,00
14
1356,95
1343,93
-139355,58 -137973,88
C.V.%
0,000
0,669
-0,533
0,000
1,522
-1,857
0,000
0,961
-1,120
0,000
0,853
-0,947
MNIMO
14
1365,32
-139468,20
14
1399,49
-143615,55
14
1357,03
-141128,63
14
1378,54
-142517,59
240
T0=1000
MEDIA
MXIMO
14,00
14
1352,20
1346,22
-138586,53 -137902,05
14,00
14
1361,78
1347,28
-139616,08 -137694,72
14,00
14
1355,55
1352,21
-139902,59 -138817,53
14,00
14
1363,22
1337,17
-140542,19 -138004,14
C.V.%
0,000
0,556
-0,463
0,000
1,683
-1,685
0,000
0,226
-0,611
0,000
1,461
-1,512
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.2.4
Bsqueda local iterada con perturbacin en la
velocidad
La bsqueda local iterada consti tuye una metaheurstica que trata de
encontrar para un problema combinatorio el mejor resultado posible explorando
dentro del subespacio de soluciones constituido por los ptimos relativos hallados
con un proceso determinado de bsqueda local. Una vez alca nzado un ptimo
relativo, se provoca una perturbacin significativa que impida volver al mismo
lugar, pero no tan grande que implique la desconexin total con la informacin
proporcionada por ese ptimo relativo. Se trata de explorar mediante esta
operacin el paso de una solucin subptima a otra. Posteriormente se decide si
se pasa al siguiente ptimo local mediante algn tipo de criterio similar al tomado
cuando se establece una bsqueda entre soluciones de un entorno. La bsqueda
local y la perturbacin se transforma en un movimiento complejo que define el
entorno de un ptimo relativo dentro del subespacio de sus homlogos.
6.1.2.4.1
Perturbacin en la velocidad
241
242
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.2.4.2
243
Mximo n perturbaciones:
Mximo n perturbaciones sin
mejora:
10
Nmero de ensayos:
9
244
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
C.V.%
0,000
0,898
-1,072
6.1.3
Metaheursticas hbridas de resolucin con
ventanas temporales
Es posible el diseo de nuevas metaheursticas que surgan de estrategias
anteriores y mejoren la calidad de las soluciones obtenidas con un esfuerzo de
clculo razonable? En efecto. Como se tendr ocasin de comprobar, la mezcla e
hibridacin de tcnicas, atendiendo a la combinacin de parmetros adecuada,
proporciona en ocasiones guas adecuadas en la aplicacin de heursticas. En los
apartados que siguen se han descrito cuatro metaheursticas hbridas,
combinacin de estrategias estudiadas anteriormente. Se ensayan algunos
escenarios, de la multitud posible, para en un apartado posterior, comparar el
conjunto de tcnicas heursticas, metaheursticas e hbridas y establecer
conclusiones de inters prctico. En la Tabla 6.40 se han recogido las
combinaciones elegidas para cuatro posibles metaheursticas hbridas.
Tabla 6.40. Combinacin de estrategias para el diseo de cuatro metaheursticas
hbridas.
Aceptacin por
umbrales
H1
H2
H3
H4
Cristalizacin
simulada
Reconstruccin de
soluciones
Bsqueda aleatoria
adaptativa
v
v
v
v
v
v
245
6.1.3.1
Hbrido H1
246
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
C.V.%
0,000
2,662
-2,221
6.1.3.2
Hbrido H2
han
realizado
nueve
ensayos
para
distintos
operadores
de
Problema:
Funcin objetivo:
Solucin inicial:
Bsqueda local:
Operadores:
Seleccin operador:
Seleccin de mejora:
Temperatura inicial:
Longitud de la cadena de Markov:
N mximo cadenas de Markov:
Enfriamiento geomtrico:
Cadenas en blanco permitidas:
Recalentamientos mximos:
Nmero de ensayos:
248
C.V.%
0,000
1,629
-1,151
0,000
1,353
-0,714
0,000
1,434
-0,788
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Se aprecia cmo tanto los resultados medios como los mejores no ofrecen
diferencias significativas, por lo que un criterio de reconstruccin simple con =5
es preferible a otros ms complejos, puesto que los tiempos de clculo aumentan
fuertemente con : 1600, 3048 y 6388 segundos para =5, 10 y 15. Tambin se
destaca el hecho que la metaheurstica no ha reducido, en este caso, el nmero
de vehculos necesarios. Asimismo se comprueba que el criterio econmico de
mximo beneficio no concuerda con el de mnima distancia. En un apartado
posterior se compara la metaheurstica H2 con el resto de estrategias.
6.1.3.3
Hbrido H3
249
Caso A
Caso B
MNIMO
MEDIA
MXIMO C.V.%
N rutas
14
14,00
14
0,000
Distancia
1282,78
1262,93
1258,01
0,843
Beneficio -130786,09 -129188,08 -128353,13 -0,698
N rutas
14
14,00
14
0,000
Distancia
1251,43
1243,23
1239,54
0,674
Beneficio -129998,09 -128232,65 -126749,52 -0,875
250
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.3.4
Hbrido H4
Problema:
Funcin objetivo:
Solucin inicial:
Bsqueda local:
Operadores:
Seleccin operador:
Seleccin de mejora:
Criterio de parada:
Criterio de aceptacin:
Umbral inicial:
Tipo enfriamiento umbral:
Reduccin umbral en cada reinicio:
Inicios mximos:
Nmero iteraciones para cada inicio:
Nmero de ensayos:
N=2500
N=30000
MNIMO
MEDIA
MXIMO C.V.%
N rutas
14
14,00
14
0,000
Distancia
1309,62
1281,14
1262,16
1,150
Beneficio -132816,09 -130303,20 -128355,14 -1,115
N rutas
14
14,00
14
0,000
Distancia
1267,78
1247,34
1234,11
1,282
Beneficio -130267,08 -127361,85 -126348,38 -1,046
251
6.1.4
Efectividad de las estrategias de resolucin de
rutas con ventanas temporales
A continuacin se analiza el comportamiento de algunas de las estrategias
que han sido propuestas en los apartados anteriores y que han servido para
resolver el problema R103 de Solomon (1987) para el caso de unos ingresos y
costes del tipo A, segn la Tabla A.4 del Apndice 2. El objetivo consiste en la
determinacin de los ptimos de Pareto en relacin con el tiempo de clculo y la
calidad de las soluciones alcanzadas. Para ello se han contabilizado un total de 53
casos que corresponden a distintas familias de heursticas y metaheursticas, con
distintas combinaciones de parmetros. Todas las estrategias se han evaluado en
nueve ocasiones, procedindose a la medida del tiempo medio de clculo de CPU
necesario y anotndose los resultados medios y extremos de las ganancias
alcanzadas. Posteriormente se analizarn algunos otros problemas con alguna de
los mtodos ms prometedores.
252
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
253
-125000,00
Beneficio
-130000,00
-135000,00
-140000,00
-145000,00
-150000,00
-155000,00
1
10
100
1000
Minutos de CPU
Figura 6.10. Relacin entre el beneficio econmico y los minutos de CPU
necesarios para la obtencin de los mejores resultados de nueve ensayos
efectuados por diversas estrategias. Los ptimos de Pareto se representan con un
cuadrado.
Tabla 6.49. ptimos de Pareto para los valores mximos del beneficio obtenido
con diversas estrategias para un total de nueve ensayos, segn la Figura 6.10.
Minutos
CPU
1,1
1,4
1,7
2,8
5,5
8,2
20,7
22,7
26,7
152,4
Beneficio
mximo
-137618,30
-137230,11
-136883,92
-134317,39
-133351,97
-131521,69
-130533,58
-128355,14
-126916,70
-126348,38
254
Tipo de
estrategia
RR0
RR0
DAA
RR0
RR0
SA
DLA
H4
H2
H4
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
-125000,00
Beneficio
-130000,00
-135000,00
-140000,00
-145000,00
-150000,00
-155000,00
-160000,00
1
10
100
1000
Minutos de CPU
Figura 6.11. Relacin entre el beneficio econmico y los minutos de CPU
necesarios para la obtencin de los valores medios de nueve ensayos efectuados
por diversas estrategias. Los ptimos de Pareto se representan con un cuadrado.
Tabla 6.50. ptimos de Pareto para los valores medios del beneficio obtenido con
diversas estrategias para un total de nueve ensayos, segn la Figura 6.11. Los
ptimos de Pareto se representan con un cuadrado.
Minutos
CPU
1,1
1,4
2,8
5,5
11,5
13,8
16,1
18,4
20,7
22,7
26,7
47,3
106,5
152,4
Beneficio
medio
-138454,68
-137957,97
-136177,88
-135993,65
-135755,31
-135307,18
-134653,90
-134517,45
-134419,93
-130303,20
-129311,67
-129275,78
-128451,18
-127361,85
255
Tipo de
estrategia
RR0
RR0
RR0
RR0
DLA
DLA
DLA
DLA
DLA
H4
H2
RR15
H2
H4
Se debe hacer notar que se han utilizado en cada caso tiempos medios
para resolver cada uno de las pruebas. Ello significa que el esfuerzo real de
clculo para obtener el mejor de los resultados debera multiplicarse por nueve, ya
que esos han sido los ensayos que han sido necesarios para conseguirlos.
Tabla 6.51. ptimos de Pareto simultneos para los valores medios y mximos
del beneficio obtenido con diversas estrategias para un total de nueve ensayos,
segn las Figuras 6.10 y 6.11.
Minutos
CPU
1,1
1,4
2,8
5,5
20,7
22,7
26,7
152,4
Beneficio
mximo
-137618,30
-137230,11
-134317,39
-133351,97
-130533,58
-128355,14
-126916,70
-126348,38
Beneficio
medio
-138454,68
-137957,97
-136177,88
-135993,65
-134419,93
-130303,20
-129311,67
-127361,85
Tipo de
estrategia
RR0
RR0
RR0
RR0
BLA
H4
H2
H4
Se aprecia cmo han sido diez los mtodos que han resultado ptimos de
Pareto en relacin con los mejores resultados. Han sido catorce cuando se han
analizado los valores medios. Por ltimo, slo en ocho estrategias se han
mostrado como competitivas, tanto en valores extremos como medios, de forma
simultnea.
256
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.5
Consecuencias adicionales extradas del
empleo de estrategias que resuelven el VRPTW
Este apartado analiza si la mtrica tradicional de evaluar soluciones en
funcin del menor nmero de rutas y distancia recorrida es coherente con las
situaciones reales de distribucin. Se quiere examinar el comportamiento de la
metaheurstica que ha conseguido el mejor resultado para el problema R103A
frente a otras soluciones tericas. Tambin se desea comprobar si la estructura de
la solucin cambia en funcin de los ingresos y los costes y, por ltimo, si es
rentable cierta negociacin con el cliente para flexibilizar el horario de servicio an
a costa de ciertas penalizaciones econmicas que le compensen.
6.1.5.1
258
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.1.5.2
Variabilidad de los resultados obtenidos para distintos
casos de problemas
Hasta ahora se han comparado las estrategias slo frente a un problema
concreto. Qu ocurrir si aplicamos la metaheurstica H4, que ha sido la que a
aportado el mejor resultado, a otro tipo de situaciones? Se constatan mejoras
sustanciales en el beneficio frente a resultados obtenidos por heursticas de
construccin.
Se analiza el comportamiento de esta metaheurstica, en el caso de 6
problemas representativos de Solomon (1987), (elegidos al azar cuando se
comprob HESECOR en la Tabla 6.5), considerando la funcion objetivo de costes
e ingresos tipo A, segn la Tabla A.4. Se emplea la metaheurstica H4 atendiendo
6
Kohl et al. (1997) ya indicaban que dos objetivos tales como la reduccin del nmero de rutas o la distancia
recorrida, pueden ser contradictorios. Dullaert (2000) trat de adaptarse a los casos reales ajustando con
criterios econmicos los parmetros que servan a Solomon (1987) para generar rutas, sin embargo, segua
resolviendo el problema terico. Recientemente Bent et al. (2001) han reconocido que si lo que se quiere es
reducir el nmero de rutas, las funciones objetivo basadas en el coste no son eficientes.
259
MEDIA
14,00
1245,22
-127410,61
4,00
1367,11
-137395,29
10,00
830,49
-132028,69
3,00
611,13
-100034,80
12,00
1292,16
-101854,09
3,00
964,31
-59829,19
MXIMO
14
1244,76
-126621,98
4
1348,26
-136028,25
10
828,2
-131652,61
3
611,13
-100034,8
12
1275,78
-100251,88
3
899,47
-54671,58
260
C.V.%
0,000
1,315
-1,268
0,000
1,189
-0,996
0,000
0,400
-0,228
0,000
0,000
0,000
0,000
1,275
-1,507
0,000
4,944
-5,764
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Si sumamos los totales para los valores extremos obtenidos con H4, el
nmero total de rutas necesario ha sido de 46, se han recorrido 6207,60 unidades
de longitud y el beneficio obtenido es de 649261,10. Estas cifras superan
ampliamente las obtenidas por la heurstica HESECOR en la Tabla 6.5, con 48
rutas, 7814,92 unidades de distancia y un beneficio de 818431,44.
6.1.5.3
Influencia de la estructura de ingresos y costes en la
solucin obtenida
Qu ocurre cuando cambian los ingresos y los costes? El ptimo relativo
en este caso tendr una estructura guiada por la funcin objetivo.
En este caso, se analiza el problema R103 con funcin objetivo tipo D,
segn los coeficientes descritos en la Tabla A.4 del Apndice 2. En ella se observa
un incremento muy considerable de los ingresos, tanto de las tarifas planas como
los derivados de la distancia respecto al depsito y del nmero de unidades
transportadas. Asimismo, el coste horario, que era muy inferior al de la distancia
recorrida, se equipara a ella en este problema. Se emplea la metaheurstica H4
atendiendo a la estrategia definida en la Tabla 6.47, con ciclos de 30000
iteraciones, sobre un total de cinco ensayos. En la Tabla 6.53 se recogen los
resultados representativos.
Tabla 6.53. Resultados de cinco ensayos para el problema R103D con con la
metaheurstica H4 y estrategia definida en la Tabla 6.47, con ciclos de 30000
iteraciones.
MNIMO
MEDIA
MXIMO C.V.%
N rutas
14
14,00
14
0,000
Distancia 1466,85
1477,60
1442,85
1,723
Beneficio 184853,25 186179,32 187031,94 0,475
261
6.1.5.4
Influencia de la relajacin de los horarios de servicio
en el beneficio
Es rentable el incumplimiento moderado en los horarios de servicio, an
cuando existan contraprestaciones econmicas al cliente? Se constata la
conveniencia de cierta negociacin, puesto que los beneficios pueden crecer, a
pesar del aumento de los costes por penalizaciones. Con un simple ensayo
aplicado al problema R103A, pero con ventanas temporales flexibles, ya se
adelanta sta conclusin que se reafirmar cuando en un apartado posterior se
analice el problema VRPSTW.
En efecto, en la Tabla A.5 del Apndice 2 se define el problema con un
permiso de inicio del servicio un 10% antes del horario de apertura y un 5% en el
de cierre, ambos con penalizaciones. Aplicando la metaheurstica H2, con la
estrategia definida en la Tabla 6.43, con =5, y un solo ensayo, se consigue un
beneficio de 115523,80, 12 rutas y una distancia de 1196,00. Estos resultados
son mucho mejores que cualesquiera otros encontrados para el mismo problema
con ventanas temporales estrictas. Esta circunstancia apunta al hecho de que los
horarios flexibles pueden proporcionar una mejor calidad a la solucin, permitiendo
evaluar mediante penalizaciones la insatisfaccin del cliente.
262
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
263
6.2.1
Problemas de rutas con restricciones
temporales blandas de servicio (VRPSTW)
En la conclusin nmero 17 se ha abierto la posibilidad de mejorar el
beneficio de las operaciones flexibilizando los horarios de servicio, incluso
admitiendo cierta penalizacin econmica. En este apartado se vuelve a
comprobar esta circunstancia. Para ello se define una metaheurstica hbrida en
dos fases: la primera correspondiente a un GRASP dirigido, capaz de elegir la
mejor opcin inicial de entre una poblacin de soluciones, y la segunda en una
bsqueda local de mltiples operadores y reconstruccin de soluciones guiada por
una aceptacin por umbrales, segn la estrategia H2 que dio tan buen resultado
en el caso de las ventanas temporales estrictas.
6.2.1.1
Influencia del tipo de funcin probabilista de eleccin
en secuencias ordenadas
En el apartado 6.1.2.1.3 .3 ya se comprob que una ligera variacin en la
eleccin del nodo que arranca una ruta favoreca la diversidad de soluciones
iniciales para el problema VRPTW con ventanas temporales estrictas. Se trata
ahora de constatar el mismo hecho para cuando se admite cierta flexibilidad en los
horarios de servicio.
264
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Nmero de soluciones:
N rutas
Distancia
Mximo
Medio
Mnimo
Rango
I
II
III
IV
V
k=0,00
k=0,25
k=0,50
k=0,75
E1
13
12
12
12
13
1381,52
1372,61
1372,61
1359,46
1417,68
-137827,75 -134635,69 -134635,69 -132788,77 -141050,91
-202298,00 -142981,00 -145681,62 -150308,20 -157758,84
-345157,37 -157607,01 -166126,34 -172174,52 -186514,39
207329,62 22971,32 31490,65 39385,75 45463,48
VI
VII
E2
E3
13
13
1373,37
1349,02
-137096,91 -134716,45
-156569,28 -153561,24
-177538,60 -177529,32
40441,69 42812,87
265
soluciones. Al igual que ocurri en los casos resueltos para el problema VRPTW,
la funcin probabilista (A.4) propuesta en la tesis proporciona soluciones de mayor
calidad que las otras recogidas en el Apndice 2.
Se constata, adems, que una variacin en la eleccin del nodo que inicia
una ruta, favorece la diversidad. Ello permite que la mejor solucin de la poblacin
generada sea de mayor calidad, pese a que los valores medios se degraden. Esta
circunstancia ya se puso en relieve cuando se estudiaron los casos con ventanas
temporales estrictas, formando parte de la conclusin nmero 11.
Si se comparan los resultados obtenidos por este mtodo para los
escenarios recogidos en las Tablas 6.24 (ventanas estrictas) y 6.54 (ventanas
flexibles), se constata la mejora sustancial del beneficio que ha supuesto la
flexibilidad en los horarios de servicio con penalizacin econmica. El incremento
ha sido del 10,94% respecto al caso de las ventanas duras.
6.2.1.2
Influencia de los parmetros de penalizacin del inicio
y del cierre de las ventanas temporales
Hasta qu punto influye la transicin de una ventana temporal rgida a otra
flexible en el beneficio econmico? En el caso que se ensaya, no existe una
relacin clara, y por tanto no es decisivo negociar con el cliente unas
bonificaciones que crezcan rpidamente hasta alcanzar la penalizacin de ruptura.
266
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
267
temporales. Si bien es cierto que el mximo beneficio ocurre con kj =10 tanto para
los valores medios como para los mejores, ello puede deberse a que las
penalizaciones son menores. Si slo se contempla la fase 1, existe una mejora en
el beneficio con la disminucin del coeficiente de penalizacin, pero luego la fase 2
equilibra los resultados.
Tabla 6.57. Aplicacin de una metaheurstica hbrida bifase segn estrategia
diseada en la Tabla 6.56. Cada caso corresponde a un coeficiente de
penalizacin kj distinto de las ventanas temporales. Nmero de rutas, distancia y
beneficio (negrita).
kj =10
Fase 1
Fase 2
kj =1
Fase 1
Fase 2
kj =0.5
Fase 1
Fase 2
kj =0.1
Fase 1
Fase 2
kj =0.01
Fase 1
Fase 2
MNIMO
MEDIA
MXIMO
C.V.%
12
1332,9
-129593,97
12
1190,96
-115122,24
12,00
1324,84
-128663,21
12,00
1161,68
-111869,72
12
1319,13
-128405,84
12
1143,71
-110156,00
0,000
0,470
-0,405
0,000
1,803
-1,901
12
1372,61
-134635,69
13
1203,69
-119974,09
12
1372,61
-134762,66
12
1200,70
-116128,52
12
1372,61
-134961,06
12
1182,16
-115242,50
12,20
1361,62
-133994,69
12,20
1187,43
-115682,12
12,00
1370,27
-134386,47
12,00
1164,47
-112780,78
12,00
1372,95
-134772,76
12,00
1162,30
-113278,73
12
1345,81
-131870,44
12
1165,63
-112564,56
12
1360,90
-132881,70
12
1151,78
-111844,59
12
1373,47
-134490,31
12
1150,68
-112206,70
3,666
1,106
-0,898
3,666
1,157
-2,330
0,000
0,382
-0,626
0,000
1,755
-1,664
0,000
0,034
-0,191
0,000
1,043
-1,046
12
1383,27
-135735,17
12
1190,98
-115945,30
12,00
1374,91
-135076,43
12,00
1172,66
-114396,64
12
1373,47
-134560,66
12
1150,07
-112346,00
0,000
0,341
-0,311
0,000
1,646
-1,318
268
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.2.2
Problemas de rutas con flotas heterogneas y
restricciones temporales blandas de servicio
(VRPHESTW)
En este apartado se comprueba la flexibilidad del modelo prop uesto, capaz
de resolver los problemas de rutas con flotas heterogneas y con ventanas
temporales flexibles. En primer lugar se proponen un par de metaheursticas
hbridas para, posteriormente, con la mejor de ellas comprobar cmo influye un
cambio en las tarifas o en el coste de las operaciones.
6.2.2.1
fases
269
especficamente
diseados
para
el
empleo
de
flotas
Estrategia:
Problema:
Solucin inicial:
270
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Fase 2
N rutas
Distancia
Beneficio
N rutas
Distancia
Beneficio
MNIMO
14
1485,48
93242,94
14
1353,02
124925,56
MEDIA
14,00
1400,86
114503,76
13,80
1330,19
134031,84
MXIMO
14
1354,90
125073,25
13
1312,5
151164,69
C.V.%
0,000
3,628
10,960
3,241
1,184
7,652
271
272
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
N rutas
Distancia
Mximo
Medio
Mnimo
Rango
13
1502,15
93619,56
36628,27
-46119,38
139738,94
14
1493,69
74862,19
37624,99
-29732,69
104594,88
100
14
1476,89
79779,31
41058,05
-47525,56
127304,87
13
13
1520,80
1504,17
93381,13 86622,69
33835,32 38403,51
-52618,06 -41684,13
145999,19 128306,82
500
13
1502,15
93619,56
37510,03
-52618,06
146237,62
6.2.2.2
Influencia de un incremento de coste unitario por
distancia
Seguidamente se analiza la incidencia de un incremento del coste por
unidad de distancia del 10%. Se constata que una mayor penalizacin en un factor
determinado como la distancia, hace que la exploracin se centre en soluciones
que reduzcan sensiblemente el recorrido total. Tambin se comprueba una
sensible disminucin de las ganancias.
273
As, queda definido el problema R103-HES-B con los mismos datos que el
R103-HES-A (definido en las Tablas A.8, A.9 y A.10 del Apndice 2), pero siendo
los costes por unidad de distancia recorrida para los vehculos tipo y de 110,
mientras que para el queda fijado en 121. Las tarifas, y por tanto los ingresos,
siguen siendo iguales en ambos casos. Para ello se aplica la metaheurstica
hbrida en tres fases descrita anteriormente en la Tabla 6.60.
Para seleccionar los criterios de inicio e insercin, necesarios para la
primera de las fases, se aplica la versin de la heurstica HESECOR determinista.
Se comprueba que la mejor combinacin para el problema R103-HES-B es el
criterio 7 de inicio y el 4 de insercin, igual que ocurri para el escenario HES-A. El
resultado inicial es de 14 vehculos, con 1.534,10 unidades de longitud recorridas
y un beneficio de 35.799,94. La merma de beneficio respecto a R103-HES-A, para
la mejor solucin aportada por HESECOR determinista es del 33,33%. Esta
situacin se aleja de la que proporciona el mtodo de bsqueda hbrido trifase.
Fase 1
Fase 2
Fase 3
MNIMO
MEDIA
N rutas
14
13,40
Distancia 1482,17
1513,69
Beneficio 57598,56 66388,69
N rutas
14
13,60
Distancia 1452,27
1471,87
Beneficio 82363,69 86423,88
N rutas
14
13,40
Distancia
1310,6
1299,15
Beneficio 121742,56 132070,13
274
MXIMO C.V.%
14
4,087
1483,57
2,222
77233,75 11,775
14
4,027
1442,59
2,312
90159,00
3,330
13
4,087
1247,84
3,021
148542,02 8,947
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.2.2.3
275
Fase 1
Fase 2
Fase 3
MNIMO
MEDIA
MXIMO C.V.%
N rutas
14
14,00
14
0,000
Distancia 1580,34
159 7,39
1550,70
1,965
Beneficio 122195,44 129511,90 135557,13 4,034
N rutas
14
14,00
14
0,000
Distancia
1552,5
1533,11
1536,68
1,014
Beneficio 148362,06 152531,85 154465,13 2,130
N rutas
14
14,00
14
0,000
Distancia
1319,5
1301,52
1249,26
2,843
Beneficio 196411,81 204983,70 219131,56 4,804
276
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
6.2.3
Problemas de rutas con flotas heterogneas y
mltiples usos con restricciones temporales blandas de
servicio (VRPHEMSTW)
Por qu no permitir que los vehculos que terminen una ruta puedan iniciar
otra, si es que no han agotado su jornada laboral? Este acercamiento a la realidad
posibilita, en algunas ocasiones, incrementos en las ganancias originadas por una
operacin de distribucin.
277
6.2.3.1
GRASP orientado en una heurstica secuencial de
construccin de rutas
Es rentable el uso mltiple de vehculos? Cmo influye el coste fijo de
disposicin de las unidades de transporte? Se comprueba que ambas preguntas
guardan relacin, puesto que si los costes fijos son elevados, la solucin tiende a
favorecer el comienzo mltiple de rutas, siempre que lo permita la jornada laboral.
Para ello se emplea tanto la heurstica de construccin de rutas HESECOR como
una generalizacin del tipo GRASP.
-439499,51
481393,32
816148,13
19
19
2027,79
3 (cliente ms rentable)
1 (mximo beneficio)
278
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
para los usos simples o mltiples. Se observa una mejora de la funcin objetivo
con el nmero de soluciones construidas y para los usos mltiples. Adems, para
ambos escenarios, las reglas de inicio e insercin basadas en la rentabilidad han
proporcionado los mejores resultados.
Tabla 6.66. Definicin de estrategia GRASP dirigido con HESECOR.
Estrategia:
Problema:
Funcin probabilstica:
Generacin de
soluciones:
Nmero de soluciones:
Tabla 6.67. Resultados del GRASP segn estrategia de Tabla 6.66, con criterios
de inicio basados en la rentabilidad y de insercin en el beneficio, para el
problema R103-HEMS-A.
Criterio (3-1)
N soluciones
iniciales
N vehculos
N rutas
Distancia
Beneficio
18
18
1998,53
949695,75
18
18
2018,87
949403,50
18
18
1930,89
958748,25
17
24
2117,79
982772,50
16
24
2012,66
1014227,75
Tabla 6.68. Resultados del GRASP segn estrategia de Tabla 6.66, con criterios
de inicio e insercin basados en la rentabilidad, para el problema R103-HEMS-A.
Criterio (3-2)
N soluciones
iniciales
N vehculos
N rutas
Distancia
Beneficio
17
17
1765,13
923269,38
16
16
16
16
1686,69
1646,01
1009792,50 1015772,88
15
15
20
21
1722,65
1773,52
1018419,38 1045132,75
279
1424835,12
1858368,34
2043210,50
18
18
1852,11
6 (cliente ms beneficioso)
2 (mxima rentabilidad)
280
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
18
18
17
18
17
17
18
18
17
22
21
20
1813,66
1815,62
1859,79
2137,14
1978,91
1937,53
2026968,63 2032251,00 2031874,38 1961944,88 1985870,13 2020961,38
18
21
1990,51
2001658,88
17
21
2013,35
2006550,13
Conclusin 18: Un elevado coste fijo por disposicin de los vehculos conlleva
que la solucin de mayor beneficio a un problema VRPTW sea aquella que
permita el comienzo de nuevas rutas por parte de un mismo vehculo,
siempre que lo permita su jornada laboral.
281
6.2.3.2
Metaheurstica de mltiples operadores y aceptacin
por umbrales
En el presente apartado se quiere averiguar si es significativo el empleo de
distintas soluciones iniciales en el caso de una bsqueda aleatoria con mltiples
operadores y aceptacin por umbrales, en el caso de mltiples usos de vehculos
y flota heterognea. Se comprueba que no importa demasiado, y adems, se
vuelve a constatar el hecho de que valores mayores en los costes fijos de los
vehculos favorece los mltiples inicios de rutas, siempre que el vehculo no
traspase su jornada laboral.
En la Tabla 6.72 se ha diseado una estrategia de bsqueda aleatoria con
mltiples operadores y aceptacin por umbrales. Se han empleado como
movimientos especficos para el VRPHEMSTW el cambio de vehc ulos entre rutas
(CVR) y con otros de la flota no utilizados (CV). Se definen dos casos, para
comprobar la incidencia de la solucin inicial.
En las Tablas 6.73 y 6.74 se comparan los resultados obtenidos para los
problemas R103-HEMS A y B anteriormente definidos, segn la estrategia
recogida en la Tabla 6.72. En ambos casos se observa una mejora poco
significativa tanto en los valores medios como extremos en el caso de emplear la
heurstica probabilstica y elegir como solucin inicial la mejor de una poblacin de
100 individuos. Tambin se vuelve a comprobar cmo los costes fijos influyen en
el nmero de vehculos de la solucin final, en consonancia con la conclusin
nmero 18 antes citada.
282
Propuestas de estrategias de bsqueda secuencial por entornos para la resoluc in del modelo
Problema:
Solucin inicial:
Bsqueda local:
Operadores:
Seleccin operador:
Seleccin de mejora:
Criterio de parada:
Criterio de aceptacin:
Umbral inicial:
Tipo enfriamiento umbral:
Reduccin umbral en cada
reinicio:
Inicios mximos:
Nmero iteraciones para cada
inicio:
Nmero de ensayos:
Caso II
N vehculos
N rutas
Distancia
Beneficio
N vehculos
N rutas
Distancia
Beneficio
Mnimo
16
19
1762,70
1149322,88
16
19
1658,37
1187738,88
283
Media
15,78
18,89
1663,75
1196242,14
15,67
18,22
1609,59
1213541,21
Mximo
15
18
1612,38
1256213,88
15
18
1592,24
1259402,50
C.V. %
2,795
3,181
2,929
2,574
3,191
3,659
2,860
2,574
Caso II
N vehculos
N rutas
Distancia
Beneficio
N vehculos
N rutas
Distancia
Beneficio
Mnimo
18
19
1784,15
2057164,25
17
19
1752,36
2066157,63
Media
17,89
18,78
1724,68
2075359,63
17,22
18,44
1708,20
2083203,54
284
Mximo
18
19
1640,82
2094013,25
17
18
1602,70
2104927,00
C.V. %
1,863
2,348
2,510
0,520
3,871
2,857
3,133
0,641
Resumen y conclusiones
7. RESUMEN Y CONCLUSIONES
El propsito de la tesis consiste en la presentacin de un modelo
econmico de distribucin de mercancas que generalice los problemas de rutas
sometidos a restricciones temporales de servicio vehicle routing problem with time
windows (VRPTW) y de un conjunto de tcnicas heursticas y metaheursticas
capaces de resolverlo eficientemente. El trabajo sistematiza el conjunto de
mtodos de optimizacin heurstica y establece el estado de la tcnica en relacin
con los procedimientos empleados en la resolucin del problema VRPTW y su
extensiones. Tras constatar ciertas discrepancias entre los modelos tericos y los
casos reales, la tesis define una funcin objetivo que mide la rentabilidad
econmica de las operaciones, y flexibiliza los horarios de entrega con
penalizaciones que reflejen la insatisfaccin de los clientes. Asimismo se
contempla la posibilidad de contar con flotas heterogneas de vehculos con
costes fijos y variables diferenciados, as como capacidad de carga, velocidad y
jornadas laborales distintas, y con la posibilidad del uso mltiple. Se incorpora la
asimetra en la duracin de los viajes, con tiempos de aproximacin y de
alejamiento que modulen el nivel de congestin por trfico y otras dificultades de
acceso. Tambin es posible el ajuste de diferentes costes horarios en funcin de
las horas extraordinarias y penalizaciones por ruptura en la llegada al depsito.
285
286
Resumen y conclusiones
287
del problema, se determina el inicio del servicio y los mrgenes de viaje y, por
ltimo, se detalla la funcin objetivo basada en criterios econmicos de ingresos y
costes.
En el captulo 6 se analizan estrategias de bsqueda secuencial por
entornos para resolver el modelo generali zado del VRPTW que se ha propuesto
en la tesis. El denominador comn de los mtodos estudiados lo constituye el
hecho de no ser necesaria ningn tipo de memoria adaptativa que gue la
bsqueda de soluciones. En primer lugar se ha comparado el comportamiento de
las tcnicas examinadas frente a un mismo problema, en particular el R103 de
Somonon (1987), con una funcin econmica de ingresos y costes del tipo A
(definida en la Tabla A.4 del Apndice 2). Tras examinar la efectividad de las
mismas considerando el beneficio obtenido y el tiempo de clculo empleado, se
analiza la robustez de estos mtodos frente a otros problemas distintos as como
la influencia de la estructura de costes e ingresos y la relajacin en los horarios de
servicio en el beneficio obtenido. Posteriormente se comprueba la flexibilidad de
modelo y los mtodos propuestos al resolver problemas que generalizan al
VRPTW con la adopcin de ventanas temporales flexibles, con rutas heterogneas
y mltiples usos de vehculos.
Una de las aportaciones de la tesis constituye la definicin de una heurstica
de construccin econmica y secuencial de rutas, que se ha denominado
HESECOR, que genera soluciones factibles tanto para el problema VRPTW
bsico como para las generalizaciones contempladas en el trabajo. La aportacin
se centra en el empleo de criterios econmicos de inicio de rutas e insercin de
clientes que, adems, ha igualado la solucin obtenida por las mejores
metaheursticas para algunos problemas de Solomon (1987), de una forma
determinista y rpida (en apenas unos segundos de CPU). Adems, HESECOR
mejora los resultados obtenidos en relacin con la heurstica que Solomon (1987)
propuso para sus problemas.
288
Resumen y conclusiones
289
en
los
precios
puede
conducir
escenarios
econmicos
290
Resumen y conclusiones
291
292
Resumen y conclusiones
293
294
Resumen y conclusiones
295
296
Resumen y conclusiones
297
298
Glosario de trminos
Glosario de trminos
Las expresiones definidas en el presente glosario lo son en el mbito de la
tesis doctoral. Se aportan los trminos en ingls cuando los conceptos hacen
referencia a aspectos recogidos en la literatura cientfica. La ausencia del
equivalente en ingls indica una definicin establecida a efectos de la exposicin.
Aceptacin por cercana al lder Record to Record Travel. Metaheurstica de
aceptacin por umbrales que tolera una nueva solucin si su calidad no es
inferior a un determinado lmite definido en relacin con el mejor resultado
encontrado durante la bsqueda.
Aceptacin por umbrales Threshold Accepting. Metaheurstica de bsqueda por
entornos que acepta una solucin de peor calidad a la actual si la diferencia
de sus funciones objetivo no difiere en una magnitud superior a un umbral
predefinido, lo cual permite eludir los mnimos locales de una bsqueda en
descenso.
Algoritmo Algorithm. Es un conjunto prescrito de reglas o instrucciones bien
definidas para la resolucin de un problema especfico en un nmero finito
de pasos.
Algoritmos de destruccin y reconstruccin Ruin and Recreate Algorithms.
Son heursticas que, tras romper una parte significativa de una solucin de
un problema combinatorio, se reconstruye de forma que la nueva opcin
pueda mejorar la solucin primitiva. Es un procedimiento adecuado a
problemas complejos con espacio de soluciones discontinuo, de fuertes
restricciones o de mltiples objetivos.
Algoritmo del Diluvio Universal Great Deluge Algorithm. Metaheurstica de
aceptacin por umbrales que rechaza una nueva solucin obtenida tras un
movimiento cuya funcin de coste no supere un nivel determinado.
299
Glosario de trminos
en
entornos
extensos
Large
Neighborhood
Search.
Este
301
Glosario de trminos
soluciones sin explorar. Para evitar que el proceso vuelva a un ptimo local
ya visitado, esta estrategia clasifica determinado nmero de los ms
recientes movimientos como tab, los cuales no es posible repetir durante
cierto horizonte temporal.
Cadena de Markov Markov Chain. Es un proceso estocstico, discreto en el
tiempo y de estados finitos, que est gobernado por ciertas probabilidades
de transicin de un estado a otro y que presentan la propiedad de Markov
cualquier estado futuro del proceso depende solamente del estado actual y
es independiente de la historia del proceso-. Aparece el concepto en la
cristalizacin simulada y constituye los cambios que se establecen en una
solucin que se aceptan con una probabilidad que depende del parmetro
de temperatura. Dada la naturaleza del tipo de bsqueda que se realiza, el
cual carece de memoria, se puede describir la cristalizacin simulada como
un proceso Markoviano.
Cliente Customer. En una red de distribucin se refiere al lugar al que se debe
dirigir un vehculo para recoger o descargar mercancas. Se caracteriza por
su posicin geogrfica, su demanda y la posibilidad de una ventana
temporal que limite el inicio del servicio. A veces se le denomina destino,
nodo o vrtice.
Cristalizacin simulada Simulated Annealing . Metaheurstica de bsqueda por
entornos que selecciona al azar movimientos de la solucin en curso y que
acepta su degradacin con una probabilidad decreciente con el aumento de
la diferencia entre el valor de la funcin objetivo de la solucin candidata y
la actual, lo cual permite eludir los mnimos locales.
Cromosoma String. En el mbito de los algoritmos genticos constituye la
codificacin de una solucin que, al igual que en los seres vivos, contiene la
informacin del individuo, y que vara de unas generaciones a otras.
Depsito Depot. En un problema de distribucin, constituye el almacn de donde
parten los vehculos para realizar un servicio de carga o descarga de
303
Glosario de trminos
305
Glosario de trminos
problemas
de
optimizacin
combinatoria
mediante
estrategias
de
combinatoria
Combinatorial
Optimization.
Problemas
de
Glosario de trminos
309
Referencias
ALEKSANDER, I.; MORTON, H. (1990). An Introduction to Neural Computing.
Chapman & Hall. Londres.
ANTES, J.; DERIGS, U. (1995). A new parallel tour construction algorithm for the
vehicle routing problem with time windows. Technical report, Lehrstuhl fr
Wirtschaftsinformatik und Operations Research, Universitt zu Kln, March.
BACKER DE, B.; FURNON, V. (1997). Meta -heurstics in Constraint Programming
Experiments with Tabu Search on the Vehicle Routing Problem. Second
International Conference on Metaheuristics (MIC97), July, Sophia Antipolis,
France.
BACKER DE, B.; FURNON, V.; PROSSER, P.; KILBY, P.; SHAW, P.(1997). Local
Search in Constraint Programming: Application to the Vehicle Routing
Problem. Presented at the CP-97 Workshop on Industrial Constraint-based
Scheduling, Schloss Hagenberg, Austria.
BACKER DE, B.; FURNON, V.; SHAW, P.; KILBY, P.; PROSSER, P. (2000).
Solving Vehicle Routing Problem Using Constraint Programming and
Metaheuristics. Journal of Heuristics, 6: 501-523.
BADEAU, P.; GUERTIN, F.; GENDREAU, M.; POTVIN, J.Y. (1997). A Parallel
Tabu Search Heuristic for the Vehicle Routing Problem with Time Windows.
Transportation Research-C, 5 (2): 109-122.
BAKER, E.K.; SCHAFFER, J.R. (1986). Solution improvement heuristics for the
vehicle routing and scheduling problem with time window constraints.
American Journal of Mathematical and Management Sciences, 6: 261-300.
BALAKRISHNAN, N. (1993). Simple heuristics for the vehicle routing problem with
soft time windows. Journal of the Operational Research Society, 44(3): 279287.
310
Referencias
311
BOLKAN, W.E. (1986). Algorithm for the Vehicle Routing Problem with Deadlines.
Master Thesis, Department of Computer Science and Operations Research,
North Dakota State University, Fargo, North Dakota.
BRANDO, J. (1999). Metaheuristic for the vehicle routing problem with time
windows, in VOSS, S. et al . (eds.) Meta-heuristics Advances and Trends in
Local Search Paradigms for Optimization. Kluwer Academic Publishers,
Boston, 19-36.
BRANDO, J.; MERCER, A. (1997). A tabu search algorithm for the multi -trip
vehicle routing and scheduling problem. European Journal of Operational
Research, 100 :180-191.
BRASSARD, G.; BRATLEY, P. (1997). Fundamentos de Algoritmia. Prentice Hall,
Madrid. 608 pp.
BRYSY, O. (1999). A new algorithm for the vehicle routing problem with time
windows based on the hybridisation of a genetic algorithm and route
construction heuristics. Proceedings of the University of Vaasa, Research
papers 227, Vaasa, Finland.
BRYSY, O. (2001a). Five Local Search Algorithms for the Vehicle Routing
Problem with Time Windows. Working Paper, University of Vaasa, Finland.
BRYSY, O. (2001b). Local Search and Variable Neighborhood Search Algoritms
for the Vehicle Routing Problem with Time Windows. Doctoral Dissertation,
Department of Mathematics and Statistics, University of Vaasa, Finland.
BRYSY, O. (2001c). A Reactive Variable Neighborhood Search Algorithm for the
Vehicle Routing Problem with Time Windows. Working Paper, University of
Vaasa, Finland.
BRYSY, O. (2001d). Genetic Algorithms for the Vehicle Routing Problem with
Time Windows. Apakannus 1/2001 , special issue on Bioinformatics and
Genetic Algorithms.
BRYSY, O.; BERGER, J.; BARKAOUI, M. (2000). A new hybrid evolutionary
algorithm for the vehicle routing problem with time windows. In Proceedings
of the Route 2000-Workshop , Skodsborg, Denmark, August.
312
Referencias
A.;
HASLE,
G.
(1997).
The
GreenTrip
tollkit-sustainable
314
Referencias
315
T.A.;
RESENDE,
M.G.C.
(1989).
probabilistic
heuristic
for
Referencias
Working
paper,
Fachbereich
Wirtschaftswissenschaften,
Universitt Hamburg.
GAMBARDELLA, L.M.; TAILLARD, .; AGAZZI, G. (1999). MACS-VRPTW: A
Multiple Ant Colony System for Vehicle Routing Problems with Time
Windows. In: Corne, D. et al. New Ideas in Optimization, 63-76. McGrawHill. London.
GARCIA, B.L.; POTVIN, J.Y.; ROUSSEAU, J.M. (1994). A parallel implementation
of the tabu search heuristic for vehicle routing problems with time window
constraints. Computers & Operations Research, 21(9):1025-1033.
GAREY, M.R.; JOHNSON, D.S. (1979). Computers and Intractability A Guide to
the Theory of NP-Completeness . W. H. Freeman and Company.
GARFINKEL, R.S. (1985). Motivation and Modeling, in LAWLER, E.L.; LENSTRA,
J.K.; RINNOOY KAN, A.H.G.; SHMOYS, D.B. (eds.) The Traveling
Salesman Problem: A Guide Tour of Combinatorial Optimization . Wiley.
Chichester.
GAUDIOSO, M.; PALETTA, G. (1992). A heuristic for the periodic vehicle routing
problem. Transportation Science, 26 : 86-92.
GLINAS, S.; DESROCHERS, M. ; DESROSIERS, J.; SOLOMON, M.M. (1995). A
New Branching Strategy for Time Constrained Routing Problems with
Application to Back-hauling. Annals of Operations Research, 61 : 91-110.
GENDREAU, M.; HERTZ, A.; LAPORTE, G. (1991). A tabu search heuristic for the
vehicle routing problem. Technical Report CRT-777. Centre de Recherche
sur les Transports. Univ. Montral.
317
Referencias
GOLDEN, B.L.; ASSAD, A.A.; LEVY, L.; GHEYSENS, F.G. (1984). The fleet size
and mix vehicle routing problem. Computers and Operations Research, 11:
49-66.
GOLDEN, B.L.; STEWART, W.R. (1985). Empirical analysis of heuristics. In The
Traveling Salesman Problem, pages 207-249, John Wiley & Sons,
Chichester. England.
GOONATILAKE, S.; TRELEAVEN, P. (Eds.) (1995). Intelligent Systems for
Finance an Business. John Wiley & Sons. Chichester. England. 335 pp.
GRTSCHEL, M.; LVASZ, L. (1993). Combinatorial Optimization: A Survey.
Technical Report 93-29. DIMACS, May.
HALSE, K. (1992). Modeling and Solving complex Vehicle Routing Problems.
Ph.D. thesis, Department for Mathematical Modelling, Technical University
of Denmark, Lyngby, Denmark.
HANSEN, K.H.; KRARUP, J. (1974). Improvements of the Held -Karp Algorithm for
the Symmetric Travelling Salesman Problem. Mathematical Programming,
7: 87-96.
HELD, M.; KARP, R.M. (1971). The travelling salesman problem and minimum
spanning trees: part II. Mathematical Programming, 1: 6.25.
HITCHCOCK, F.L. (1941). The distribution of a product from several sources to
numerous localities. Journal of Mathematics and Physics, 20: 224-230.
HO, Y.CH. (1994). Heuristics, Rules of Thumb, and the 80/20 Proposition. IEEE
Transactions on Automatic Control, 39 (5).
HOFFMEISTER, F.; BCK, T. (1992). Genetic algorithms and evolution strategies:
similarities and differences. Technical Report SYS -1/92, Fachbereich
Informatik, Universitt Dortmund, Dortmund.
HOPFIELD, J.J.; TANK, D. (1985). Neural computation of decisions in optimization
problems. Biological Cybernetics, 52 : 141-152.
HOLLAND, J.H. (1975). Adaptation in natural and artificial systems. University of
Michigan Press, Ann Arbor.
319
G.F.;
MAST,
C.F.
(1997).
Excess
Travel:
Causes,
Extent
320
and
Referencias
321
LAND, A.H.; DOIG, A.G. (1960). An automatic method for solving discrete
programming problems. Econometrica, 28 : 497-520.
LAPORTE, G. (1992). The Traveling Salesman Problem: An overview of exact and
approximate algorithms. European Journal of Operational Research, 59:
231-247.
LAPORTE, G. (1992). The Vehicle Routing Problem: An overview of exact and
approximate algorithms. European Journal of Operational Research, 59:
345-358.
LARSEN, J. (1999). Parallelization of the Vehicle Routing Problem with Time
Windows. PhD thesis. Department of Mathematical Modelling. Technical
University of Denmark.
LAU, H.C.; LIM, Y.F.; LIU, Q. (2000). Diversification of Neighborhood via
Constraint-basec Local Search and Its Application to VRPTW. Working
Paper, School of Computing, National University of Singapore.
LAWLER, E.L.; LENSTRA, J.K.; RINNOOY KAN, A.H.G.; SHMOYS, D.B. (1985).
The Traveling Salesman Problem. A Guided Tour of Combinatorial
Optimization. John Wiley & Sons Ltd.
LENSTRA, J.; RINNOOY KAN, A. (1981). Complexity of vehicle routing and
scheduling problems. Networks, 11 : 221-228.
LI, H.; LIM, A.; HUANG, J. (2001). Local Search with Annealing -like Restarts to
Solve the VRPTW. Working Paper, Department of Computer Science,
National University of Singapore.
LIN, S. (1965). Computer Solutions of the Traveling Salesman Problem. Bell
System Technical Journal, 44: 2245-2269.
LIN, S.; KERNIGHAM, B.W. (1973). An effective heuristic algorithm for the
traveling salesman problem. Operations Research, 21: 498-516.
LIU, F.H.; SHEN, S.Y. (1999a). A Method for Vehicle Routing Problem with
Multiple Vehicle Types and Time Windows. Proc. Natl. Counc. ROC (A),
23(4):526-536.
322
Referencias
323
combinatorial
optimization
problems.
Ph.D.
Dissertation,
The
324
Referencias
POTVIN, J.Y.; ROUSSEAU, J.M. (1993). A parallel route building algorithm for the
vehicle routing and scheduling problem with time windows. European
Journal of Operational Research, 66 : 331-340.
POTVIN, J.Y.; BENGIO, S. (1994). A Genetic Approach to the Vehicle Routing
Problem with Time Windows. Publication CRT-953, Centre de recherch sur
les transports, University of Montreal.
POTVIN; J.Y.; DUB, D. (1994). Improving a Vehicle Routing Heuristic through
Genetic Search. In Proceedings of the First IEEE Conference on
Evolutionary Computation, Orlando, FL, pp. 194-199.
POTVIN, J.Y.; DUHAMEL, C.; GUERTIN, F. (1994). A Genetic Algorithm for
Vehicle Routing with Backhauling. Technical Report CRT-998. Centre de
recherch sur les transports, Universit de Montreal, Canada.
POTVIN, J.Y.; ROUSSEAU, J.M. (1995). An Exchange Heuristic for Routing
Problems with Time Windows. Journal of the Operational Research Society,
46(12): 1433-1446.
POTVIN, J.Y.; BENGIO, S. (1996). The Vehicle Routing Problem with Time
Windows-Part II: Genetic Search. INFORMS Journal on Computing, 8 (2):
165-172.
POTVIN, J.Y.; DUB, D.; ROBILLARD, C. (1996). A hybrid approach to vehicle
routing using neural networks and genetic algorithms. Applied Intelligence,
6:241-252.
POTVIN, J.Y.; KERVAHUT, T.; GARCIA, B.L.; ROUSSEAU, J.M. (1996). The
Vehicle Routing Problem with Time Windows- Part I: Tabu Search.
INFORMS Journal on Computing, 8 (2): 158-164.
POTVIN, J.Y.; ROBILLARD, C. (1999). Clustering for vehicle routing with a
competitive neural network. Neurocomputing, 8 :125-139.
PULLEN, H.; WEBB, M. (1967). A Computer Application to a Transport Scheduling
Problem. Comput. J. 10 :10-13.
PROSSER, P.; SHAW, P. (1996). Study of Greedy Search with Multiple
Improvement Heuristics for Vehicle Routing Problems. Department of
325
326
Referencias
RUSSELL, R.A. (1995). Hybrid heuristics for the vehicle routing problem with time
windows. Transportation Science, 29 (2): 156-166.
RUSSELL, R.A.; GRIBBIN, D. (1991). A multiphase approach to the period routing
problem. Networks, 21: 747-765.
SALHI, S.; SARI, M.; TOUATI, N. (1992). Adaptation of some vehicle fleet mix
heuristics. Omega, 20: 653-660.
SNCHEZ, A. (2002). Los sistemas inteligentes de transporte. Un nuevo escenario
de la explotacin de carreteras. Revista de Obras Pblicas, 3418: 69-78.
SAVELSBERGH, M.W.P. (1985). Local search for routings problems with time
windows. Annals of Operations Research, 4 : 285-305.
SAVELSBERGH, M.W.P. (1986). Local search in routing problems with time
windows. Annals of Operations Research 4, 75 85.
SAVELSBERGH, M.W.P. (1990). An efficient implementation of local search
algorithms for constrained routing problems.
European
Journal
of
327
SHAW, P. (1997). A New Local Search Algorithm Providing High Quality Solutions
to Vehicle Routing Problems. Working Paper, University of Strathclyde,
Glasgow, Scotland.
SHAW, P. (1998). Using Constraint Programming and Local Search Methods to
Solve Vehicle Routing Problems. Proceedings of the Fourth International
Conference on Principles and Practice of Constraint Programming CP98.
Pisa, Italy. 417-431.
SOLOMON, M.M. (1986). On the worst-case performance of some heuristics for
the vehicle routing and scheduling problem with time windows constraints.
Networks, 16: 161-174.
SOLOMON, M.M. (1987). Algorithms for the vehicle routing and scheduling
problems with time window constraints. Operations Research, 35 (2): 254265.
SOLOMON, M.M.; DESROSIERS, J. (1988). Time Window Constrained Routing
and Scheduling Problems. Transportation Science, 22 (1): 1-13.
SOLOMON, M.M.; BAKER, E.K.; SCHAFFER, J.R. (1988). Vehicle routing and
scheduling problems with time window constraints: efficient implementations
of solution improvement procedures. In: Vehicle Routing: Methods and
Studies, 85106. Ed. Bruce Golden & Arjang Assad. Amsterdam: Elsevier
Science Publishers.
STEPHENSON, A.R. (1975).. Productivity Promotion Council of Australia: 7 -10.
TAILLARD, .D. (1999). A heuristic column generation method for the
heterogeneous fleet VRP. RAIRO Rech. Opr., 33(1):1-14.
TAILLARD, .D.; BADEAU, P.; GENDREAU, M.; GUERTIN, F.; POTVIN, J.Y.
(1995). A new neighborhood structure for the vehicle routing problem with
time windows. Technical report CRT -95-66. Centre de recherche sur les
transports, Universit de Montral, Canada.
TAILLARD, .D.; BADEAU, P.; GENDREAU, M.; GUERTIN, F.; POTVIN, J.Y.
(1997). A Tabu Search Heuristic for the Vehicle Routing Problem with Soft
Time Windows. Transportation Science, 31 (2) : 170-186.
328
Referencias
329
VAN LANDEGHEM, H.R.G. (1988). A bi-criteria heuristic for the vehicle routing
problem with time windows. European Journal of Operational Research,
36:217-226.
VOUDOURIS, C.; TSANG, E. (1995). Guided Local Search. Technical Report
CSM-247. Department of Computer Science, University of Essex.
YEPES, V. (2002). Las redes de distribucin como elementos de ventaja
competitiva. Qualitas Hodie, 76: 30-33.
YEPES, V.; MEDINA, J.R. (2000). Optimizacin del problema generalizado de las
rutas con restricciones temporales y de capacidad (CVRPSTW), en
Colomer, J.V. y Garca, A. (Eds.): Calidad e innovacin en los transportes.
Actas del IV Congreso de Ingeniera del Transporte. Vol. 2, pp. 705-710.
Valencia.
YEPES, V.; MEDINA, J.R. (2002a). Criterio econmico para la optimizacin de
rutas con flotas heterogneas, en Ibeas, A. y Daz, J.M. (Eds.): Ingeniera
de los transportes o la vocacin de un desafo permanente: el futuro
sostenible. Actas del V Congreso de Ingeniera del Transporte. Vol. 2, pp.
693-700. Santander.
YEPES, V.; MEDINA, J.R. (2002b). Optimizacin de rutas con flotas heterogneas
y mltiples usos de vehculos VRPHEMSTW, en Goicolea, J.M. et al . (Eds.).
Actas del V Congreso de Mtodos Numricos en Ingeniera. 20 pp. Madrid.
ZANAKIS, S.H.; EVANS, J.R. (1981). Heuristic optimization: why, when, and how
to use it. Interfaces, 11(5): 83-89.
330
Apndices
Apndice 1
Los problemas de Solomon (1987)
331
100
90
80
70
60
50
40
30
20
10
0
0
10
20
30
40
50
60
70
80
90 100
332
Apndices
100
90
80
70
60
50
40
30
20
10
0
0
10
20
30
40
50
60
70
80
90 100
100
90
80
70
60
50
40
30
20
10
0
0
10
20
30
40
50
60
70
80
90 100
100
90
80
70
60
50
40
30
20
10
0
0
10
20
30
40
50
60
70
80
90 100
334
Apndices
Tabla A.1. Mejores resultados publicados para los problemas tipo R de Solomon
(1987) obtenidos con mtodos exactos (marcados con asterisco) y con
metaheursticas.
Prob
NV
Distancia Autores
R101* 18
1607,7
1252,37
R102* 17
1434,0
1191,70
R103
13
1175,67
R203
941,41
R104
1007,31
Shaw (1997)
R204
825,52
R105
14
1377,11
R205
994,42
R106
12
1252,03
R206
833
R107
10
1104,66
Shaw (1997)
R207
893,33
R108
960,88
R208
726,82
R109
11
1194,73
855
R110
10
1118,84
Homberger (2000)
R210
939,37
R111
10
1096,72
892,71
R112
982,14
Gambardella et a(1999)
Totales
29
10345,65
Medias
2,64 940,51
Totales 142
14311,79
Tabla A.2. Mejores resultados publicados para los problemas tipo C de Solomon
(1987) obtenidos con mtodos exactos (marcados con asterisco) y con
metaheursticas.
Problema NV
Distancia Autores
C101*
10
827,3
591,56
C102*
10
827,3
591,56
C103
10
828,06
C203
591,17
C104
10
824,78
C204
590,60
C105
10
828,94
C205
588,88
C106*
10
827,3
588,49
C107*
10
827,3
588,29
C108*
10
827,3
588,32
C109
10
828,94
Totales
90
7447,22
Totales
24
4718,87
Medias
10,00 827,47
Medias
3,00 589,86
335
Tabla A.3. Mejores resultados publicados para los problemas tipo RC de Solomon
(1987) con metaheursticas.
Problema NV
Distancia Autores
RC101
14
1696,94
1249
RC102
12
1554,75
1367,09
RC103
11
1261,67
Shaw (1998)
RC203
1049,62
RC104
10
1135,48
798,46
RC105
13
1629,44
RC205
1297,65
RC106
11
1424,73
Li et al. (2001)
RC206
1146,32
Homberger (2000)
RC107
11
1230,48
Shaw (1997)
RC207
1061,14
RC108
10
1139,82
828,14
Totales
92
11073,31
Totales
26
8797,42
Medias
11,50 1384,16
Medias
3,25 1099,68
336
Apndices
Apndice 2
Descripcin de problemas del tipo VRPTW generalizados.
337
A
50
100
1000
10000
1
10
10
1000
B
1000
200
1000
10000
5
10
10
1000
C
1000
100
1000
10000
10
10
10
1000
D
1000
100
1000
10000
10
100
10
1000
E
1000
10
1000
10000
10
100
10
1000
Problema R103A-S
Tabla A.5. Caractersticas de la flota para el problema tipo VRPSTW basado en la
distribucin geogrfica y ventanas temporales del R103A de Solomon (1987):
(R103A-S).
Caractersticas flota
Nmero
Capacidad
Velocidad
Jornada normal
Jornada extraordinaria
Duracin carga
Coste disposicin
Coste unitario distancia
Coste horario normal
Coste horario extra
Coste horario plus
Tasa visita cliente
Tasa inicio ruta
Sin restricciones
200
1,00
230
100
0
0
100
10
12
15
0
1000
Tabla A.6. Caractersticas de los clientes para el problema tipo VRPSTW basado
en la distribucin geogrfica y ventanas temporales del R103 de Solomon (1987):
(R103A-S).
Caractersticas
Tarifa disposicin servicio
Tarifa por unidad y distancia
Duracin aproximacin
Duracin servicio
Duracin alejamiento
s
Inicio suave TW ej
s
Final suave TW uj
e
Cota penalizacin apertura pj
e
Coeficiente penalizacin apertura k j
e
Penalizacin horaria espera c j
u
Cota penalizacin cierre pj
u
Coeficiente penalizacin cierre k j
u
Coste ruptura cierre rj
u
Penalizacin horaria ruptura c j
338
Clientes
50
1
0
10
0
h
0,90 ej
h
1,05 uj
50
1
10
50000
1
7
10
1000
Apndices
Tabla A.7. Caractersticas del depsito para el problema tipo VRPSTW basado en
la distribucin geogrfica y ventanas temporales estrictas del R103A de Solomon
(1987): (R103A-S).
Caractersticas
Duracin aproximacin
Duracin alejamiento
s
Inicio suave TW e0
h
Inicio estricto TW e0
h
Final estricto TW u0
s
Final suave TW u0
u
Cota penalizacin cierre p0
u
Coeficiente penalizacin cierre k 0
u
Coste ruptura cierre r0
u
Penalizacin horaria ruptura c 0
Depsito
0
0
0
0
230
250
1000
1
8
10
10000
Problema R103-HES-A
TIPO I
2
100
1,10
200
50
3
10000
100
100
120
150
0
1000
339
TIPO II
8
200
1,00
200
50
5
10000
100
100
120
150
0
1000
TIPO III
Sin restriccin
500
0,90
200
50
8
12000
110
110
130
160
0
1500
Clientes
1500
15
1
10
1
h
0,90 ej
h
1,05 uj
50
1
10
50000
1
7
10
1000
340
Depsito
2
2
0
0
230
250
1000
1
8
10
10000
Apndices
Problema R103A-HEMS
Tabla A.11. Caractersticas de la flota para el problema tipo VRPHEMSTW
basado en la distribucin geogrfica y ventanas temporales estrictas del R103 de
Solomon (1987): (R103A-HEMS).
Caractersticas flota
Nmero
Capacidad
Velocidad
Jornada normal
Jornada extraordinaria
Duracin carga
Coste disposicin
Coste unitario distancia
Coste horario normal
Coste horario extra
Coste horario plus
Tasa visita cliente
Tasa inicio ruta
Rutas por vehculo
TIPO I
TIPO II
2
3
500
200
0,90
1,00
200
200
50
50
8
5
75000
70000
150
140
110
100
130
120
160
150
0
0
150
100
Sin restriccin Sin restriccin
TIPO III
Sin restriccin
50
1,10
200
50
3
60000
130
100
120
150
0
100
Sin restriccin
341
Clientes
20000
20
1
10
1
h
0,90 ej
h
1,05 uj
50
1
10
50000
1
7
10
1000
342
Depsito
2
2
0
0
230
250
1000
1
8
10
10000
Apndices
Apndice 3
Descripcin de algunas soluciones obtenidas
2
0
42
43
15
41
57
2
13
0
3
0
27
69
88
6
0
4
0
40
53
0
5
0
21
72
22
75
56
74
73
58
0
6
0
50
33
3
76
79
29
24
68
80
12
0
7
0
94
95
97
87
0
8
0
51
65
71
9
66
20
32
70
0
9
0
92
37
14
44
38
86
16
61
85
91
100
0
10
0
96
59
98
99
84
17
5
93
0
11
0
26
39
23
67
55
4
25
54
0
12
0
60
45
46
8
83
89
0
13
0
52
7
62
11
63
90
10
31
0
14
0
36
64
49
19
47
48
82
18
0
Coste
Beneficio
Distancia
1234,11
343
Hora
llegada
229,39
Espera
total
425,33
Horas
ordinarias
2659,44
Penalizaciones
4253,29
Tabla A.16. Horarios de inicio del servicio segn el mejor obtenido para el
problema R103A.
1
0
15
71
103
118
143
167
188
211
228
2
3
4
5
6
7
8
9
0
0
0
0
0
0
0
0
31 37 85 18 17 12 27 18
50 54 102 32 37 25 60 31
67 76 116 97 54 38 80 52
97 108
111 73 93 98 69
118 130
130 93 121 127 90
134
149 112
146 113
159
163 129
167 129
180
200 149
190 144
219 182
221 158
198
171
223
185
219
10
0
15
28
42
83
103
157
177
194
224
11 12 13 14
0
0
0
0
11 18 11 41
45 40 31 73
68 61 58 108
90 95 76 130
136 112 94 148
155 134 109 165
175 153 126 180
197
144 198
229
171 224
2
0
40
53
12
68
80
0
3
0
71
65
78
34
35
81
77
28
0
4
0
36
64
49
63
90
32
70
0
5
0
52
62
88
84
17
93
59
0
6
0
94
96
95
97
87
13
0
7
0
2
22
75
56
4
25
54
0
8
0
7
19
11
8
46
47
48
82
18
89
0
9
0
50
33
76
79
10
31
0
10
0
42
43
15
57
41
74
72
73
21
58
0
11
0
92
98
14
44
38
86
16
61
85
91
100
37
0
12
0
60
45
83
5
99
6
0
13
0
27
69
30
9
66
20
51
1
0
Coste
Beneficio
Distancia
1292,68
Hora
llegada
229,04
344
Espera
total
436,48
Horas
ordinarias
2729,15
Penalizaciones
4364,79
Apndices
Tabla A.19. Horarios de inicio del servicio segn el mejor obtenido para el
problema R103A.
1
0
11
45
68
90
136
158
175
195
227
2
3
4
5
6
7
8
9
0
0
0
0
0
0
0
0
85 40 41 11 12 18 21 17
102 60 73 58 26 97 42 37
125 96 108 74 40 111 67 73
143 111 139 110 53 130 101 93
182 143 153 157 93 149 121 133
213 167 168 188 159 172 141 151
188 191 201 180 194 157 178
211 222 229
227 172
228
191
209
228
10
0
31
50
67
85
106
149
162
175
188
209
228
11 12 13
0
0
0
18 18 37
32 40 54
53 58 78
69 75 103
90 91 127
113 108 146
129 129 164
144
186
158
211
171
185
198
229
2
0
51
65
71
20
66
35
50
0
3
0
1
33
76
79
78
34
29
24
80
0
4
0
39
23
67
56
55
25
54
12
0
5
0
32
30
9
81
3
68
77
0
6
0
45
46
8
84
83
60
0
7
0
28
27
69
88
31
10
63
90
70
0
8
0
42
14
44
38
86
16
17
61
93
0
9
0
21
73
72
75
41
22
74
4
26
0
10
0
43
15
57
87
37
98
85
91
100
58
0
11
0
52
62
11
19
48
7
0
12
0
89
5
59
99
96
6
94
95
13
0
13
0
92
97
2
40
53
0
Coste
Beneficio
Distancia
Hora Espera
Horas
Horas Penalizaciones
llegada total ordinarias extra
1280,43 232,73 50,54
2436,68 143,82
1573,64
345
Apndice 4
Conjuntos de operadores y probabilidades de eleccin
Abreviatura
1-sw
1-sw*
1-rel
( , )
4.5.2.1.2.1
2-opt*
2-opt**
Or-opt
Cross
2-rel
2-sw
3-sw
3-rel
3-opt*
RR
4.5.2.1.2.2
4.5.2.1.2.3
4.5.2.1.2.4
4.5.2.1.2.5
4.5.2.1.2.7
4.5.2.1.2.8
4.5.2.1.3.1
4.5.2.1.3.2
4.5.2.1.3.3
4.5.2.1.4.2
RedRut
CVR
CV
4.5.2.1.4.4
4.5.2.1.4.5
4.5.2.1.4.6
Prob
10
30
Operador
1-sw
Cross
Prob
10
20
Operador
2-rel
(2-1)
Prob
7
10
346
Operador
2-sw
RR0
Prob
10
1
Operador
RR
RedRut
Prob
1
1
Apndices
Prob
20
20
1
5
Operador
2-sw
2-opt**
(2-2)
RR0
Prob
20
1
1
1
Operador
2-rel
(2-1)
CV
RedR
Prob
20
5
5
1
347
Apndice 5
Funciones probabilsticas de eleccin en secuencias ordenadas
348
Apndices
( A.1)
p (i, n ) =
1
(M m ) (i 1)
M
n
n 1
( A.2 )
p(i, n) =
2 (n + 1 i )
n (n + 1)
( A.3)
p(i , n) =
1i
n
j =1
349
E1
E2
E3
10
Se propone una funcin que generalice a las anteriores y que sea capaz de
aportar una ventaja adicional consistente en la eleccin del valor de la probabilidad
estipulada para el primer integrante de una lista ordenada. As, partiendo de una
progresin geomtrica de razn k, cuya suma de sus n primeros elementos sea la
unidad, el trmino i -simo proporciona una esperanza de ser designado
dependiente de k y que favorece a los sujetos que ocupan las posiciones iniciales.
Quedan previstos los casos extremos comprendidos entre la eleccin determinista
del primer situado cuando k=0, hasta la seleccin equiprobable de todos los
integrantes de la lista si k=1. Se podra elegir k=0,89 y obtener p(1,10)=0,1598 y
p(10,10)=0,0560, que emulara a lo expresado en la Tabla A.27 para E1. En lo
sucesivo, identificaremos esta funcin como Ek.
( A.4 )
p (i, n ) = k i 1
1 k
1 k n
350
Apndices
K=0,10
K=0,25
K=0,50
0,75
K1,00
10
351
ndice analtico
aceptacin por cercana al lder, 40,
299
aceptacin por umbrales, 39, 231,
245, 299
algoritmo de reconstruccin, 43, 98,
206
algoritmo del Diluvio Universal, 39
algoritmos genticos, 44, 51, 52, 54,
56, 58, 104, 120, 125, 126, 137,
211, 300, 301, 303, 305, 323, 348
algoritmos memticos, 44, 56, 57, 58,
300, 302
bsqueda convergente, 211, 213,
214, 223, 224, 272
bsqueda dispersa, 44, 54, 55, 58,
111, 211, 300, 309
bsqueda en entornos ampliados,
105
bsqueda en entornos amplios, 43,
102, 115
bsqueda en entornos variables, 44
bsqueda local aleatoria, 137, 187,
272, 304
bsqueda local guiada, 48, 117
bsqueda local iterada, 44, 241, 243
bsqueda tab, 36, 40, 42, 46, 49,
104, 106, 107, 108, 109, 114, 117,
120, 124, 126, 137, 140, 141, 142
cadena de Markov, 225, 226, 228,
230
complejidad computacional, 17, 19
cristalizacin simulada, viii, 37, 38,
46, 49, 104, 105, 107, 120, 203,
226, 227, 229, 232, 233, 247, 302,
303, 305, 324
cromosoma, 303
descenso aleatorio con mltiples
operadores, 304
distribucin fsica, 3, 5, 6, 8, 12, 63,
160, 184
efectividad, 4, 15, 122, 129, 133, 205
enumeracin completa, 24
estrategias evolutivas, 44, 51, 113,
126, 211, 300
feromona, 46, 47, 48, 115, 305, 308
GRASP, ix, 44, 45, 46, 100, 106, 137,
211, 213, 220, 223, 224, 265, 305,
321, 348
Investigacin Operativa, 4, 10, 15, 16,
19, 140
mtodo simplex, 21
modelo matemtico, 16, 17, 24, 74,
76
ptimo de Pareto, 61, 307
problema de decisin, 18, 19
problema del viajante de comercio,
65, 76
programacin entera, 21, 25, 54, 136
programacin lineal, 15, 21, 22, 25
programacin matemtica, 16, 20, 21,
75
ramificacin y acotacin, 23, 24, 25,
77
reconstruccin de soluciones, 42, 9 7,
116, 118, 137, 140, 199, 202, 229,
247, 251
regla 80/20, 29
rendimiento algortmico, 17