Universidad Distrital Francisco José de Caldas,...
Transcript of Universidad Distrital Francisco José de Caldas,...
2
SISTEMA EXPERTO HIBRIDO PARA OPTIMIZAR LOS PROCESOS
DE PROGRAMACIÓN, ZONIFICACIÓN Y DISEÑO DE RUTAS DE UN
SERVICIO DE MENSAJERÍA CONSIDERANDO RESTRICCIONES DE
VENTANAS DE TIEMPO, MÚLTIPLES PERIODOS DE TIEMPO,
FECHAS DE VENCIMIENTO, DISTANCIA Y HORARIO EN LA
CAPACIDAD
William Camilo Rodríguez Vásquez
20112196012
Universidad Distrital Francisco José de Caldas, Bogotá
Facultad de Ingeniería
Maestría en Ingeniería Industrial
2016
3
SISTEMA EXPERTO HIBRIDO PARA OPTIMIZAR LOS PROCESOS
DE PROGRAMACIÓN, ZONIFICACIÓN Y DISEÑO DE RUTAS DE UN
SERVICIO DE MENSAJERÍA CONSIDERANDO RESTRICCIONES DE
VENTANAS DE TIEMPO, MÚLTIPLES PERIODOS DE TIEMPO,
FECHAS DE VENCIMIENTO, DISTANCIA Y HORARIO EN LA
CAPACIDAD
Proyecto de Grado para Obtener El Título De
Magister en Ingeniería Industrial
William Camilo Rodríguez Vásquez
20112196012
Director:
MSc. Ing. Eduyn Ramiro López Santana
Universidad Distrital Francisco José de Caldas, Bogotá
Facultad de Ingeniería
Maestría en Ingeniería Industrial
2016
4
Tabla de Contenidos
INTRODUCCIÓN ............................................................................................................ 11
CAPITULO 1: EL PROBLEMA DE INVESTIGACIÓN ................................................ 12
1.1. Descripción del problema ...................................................................................... 12
1.2. Formulación del problema ..................................................................................... 17
1.4. Justificación ........................................................................................................... 18
1.4.1. Académica-Investigativa ................................................................................. 18
1.4.2. Práctica ............................................................................................................ 19
1.5. Objetivos ................................................................................................................ 20
1.5.1. Objetivo general .............................................................................................. 20
1.5.2. Objetivos específicos ...................................................................................... 20
1.6. Alcances y Limitaciones ........................................................................................ 21
1.7. Hipótesis ................................................................................................................ 22
1.8. Metodología ........................................................................................................... 22
1.8.1 Tipo de investigación ....................................................................................... 22
1.8.2 Esquema metodológico .................................................................................... 24
1.8.3 Variables .......................................................................................................... 26
CAPITULO 2: MARCO DE REFERENCIA ................................................................... 27
2.1 Estado del arte del VRP .......................................................................................... 27
2.1.1. Definición del VRP ......................................................................................... 28
2.1.2. Antecedentes del VRP .................................................................................... 29
5
2.1.3. Clasificación general ....................................................................................... 30
2.2. Sistemas expertos ................................................................................................... 59
2.4. Sector de mensajería .............................................................................................. 62
CAPITULO 3: PROPUESTA ........................................................................................... 64
3.1. Formulación del problema ..................................................................................... 64
3.1.1. Definición general ........................................................................................... 64
3.1.2. Etapas del problema ........................................................................................ 65
3.1.3. Notación del problema .................................................................................... 66
3.1.4. Supuestos de la propuesta ............................................................................... 67
3.2. Formulación matemática ........................................................................................ 68
3.2.1. Programación .................................................................................................. 68
3.2.2. Zonificación (Clustering) ................................................................................ 69
3.2.3. Diseño de rutas ................................................................................................ 70
3.3. Métodos de solución propuestos ............................................................................ 71
3.3.1. Programación .................................................................................................. 71
3.3.2. Zonificación (Clustering) ................................................................................ 72
3.3.3. Diseño de rutas ................................................................................................ 73
3.4. Estructura métodos de solución propuestos ........................................................... 74
3.4.1. Sistema experto para la etapa de Programación.............................................. 74
3.4.2. Heurísticas para la etapa de Zonificación (Clustering) ................................... 76
3.4.3. Metaheurística para la etapa de Diseño de rutas ............................................. 81
CAPITULO 4: RESULTADOS CASO DE ESTUDIO .................................................... 86
6
4.1 Presentación caso de estudio ................................................................................... 86
4.1.1. Atributos ......................................................................................................... 86
4.1.2. Variables de capacidad.................................................................................... 87
4.1.3. Muestra real .................................................................................................... 87
4.2. Sistema experto caso de estudio............................................................................. 89
4.2.1. Reglas para el caso de estudio......................................................................... 89
4.2.2. Programación en Java y Jess ........................................................................... 91
4.4. Resultados etapa de Programación ........................................................................ 93
4.5. Resultados etapa de Zonificación (Clustering) ...................................................... 94
4.6. Resultados etapa de Diseño de rutas ...................................................................... 97
4.7. Impacto del modelo ................................................................................................ 99
CONCLUSIONES .......................................................................................................... 100
LISTA DE REFERENCIAS ........................................................................................... 103
7
Índice de Figuras
Figura 1 Canvas servicios de mensajeria .......................................................................... 13
Figura 2 Etapas del proceso de Distribución .................................................................... 15
Figura 3 Artículos seleccionados por año ......................................................................... 27
Figura 4 Muestra real ........................................................................................................ 88
Figura 5 Diagrama de clases del sistema experto ............................................................. 92
Figura 6 Programación de tres días ................................................................................... 93
Figura 7 Resultados Heurística basada en centros geométricos ....................................... 95
Figura 8 Resultados heurística de barrido ......................................................................... 95
Figura 9 Ejemplo ruta 68 del día 1 .................................................................................... 97
8
Índice de Tablas
Tabla 1 Esquema metodológico (Caracterización y planteamiento del modelo).............. 24
Tabla 2 Esquema metodológico (Desarrollo sistema experto hibrido) ............................. 25
Tabla 3 Esquema metodológico (Evaluación sistema experto hibrido) ............................ 26
Tabla 4 Variables del proyecto ......................................................................................... 26
Tabla 5 Clasificación general artículos VRP (Parte 1) ..................................................... 32
Tabla 6 Clasificación general artículos VRP (Parte 2) ..................................................... 33
Tabla 7 Clasificación general artículos VRP (Parte 3) ..................................................... 34
Tabla 8 Clasificación general artículos VRP (Parte 4) ..................................................... 35
Tabla 9 Clasificación general artículos VRP (Parte 5) ..................................................... 36
Tabla 10 Variaciones básicas del VRP (Parte 1) .............................................................. 41
Tabla 11 Variaciones básicas del VRP (Parte 2) .............................................................. 42
Tabla 12 Otras variaciones del VRP ................................................................................. 45
Tabla 13 Metaheurísticas (Parte 1) ................................................................................... 48
Tabla 14 Metaheurísticas (Parte 2) ................................................................................... 49
Tabla 15 Heurísticas.......................................................................................................... 52
Tabla 16 Métodos exactos................................................................................................. 54
Tabla 17 Combinación de restricciones ............................................................................ 58
Tabla 18 Notación del problema ....................................................................................... 66
Tabla 19 Heurística de asignación basada en centros geométricos Fase 1 ....................... 76
Tabla 20 Heurística de asignación basada en centros geométricos Fase 2 ....................... 77
Tabla 21 Heurística de barrido .......................................................................................... 78
9
Tabla 22 Notación modelo de localización ....................................................................... 79
Tabla 23 Notación ACS-TSPTW ...................................................................................... 84
Tabla 24 Procesamiento ACS-TSPTW ............................................................................. 84
Tabla 25 Horarios y capacidad de los Vehículos .............................................................. 88
Tabla 26 Reglas estáticas .................................................................................................. 90
Tabla 27 Reglas dinámicas ............................................................................................... 91
Tabla 28 Resultados etapa de Programación .................................................................... 93
Tabla 29 Comparación resultados etapa de zonificación .................................................. 94
Tabla 30 Resultados por clúster Centro Geométrico ........................................................ 96
Tabla 31 Resultados ACS-TSPTW para el diseño de rutas .............................................. 97
Tabla 32 Resultados diseño de rutas para el día 1 ............................................................ 98
Tabla 33 Resumen indicador distancia promedio por etapas ............................................ 99
Tabla 34 Indicador de nivel de servicio ............................................................................ 99
10
AGRADECIMIENTOS
Agradezco a mi familia por su compañía y
apoyo incondicional, por su confianza en
mí, ustedes son mi motivación para seguir
avanzando en el cumplimiento de mis
metas. También agradezco a todas aquellas
personas que me ayudaron a desarrollar mi
proyecto de grado, sus aportes fueron muy
valiosos.
11
INTRODUCCIÓN
Las empresas que ofrecen servicios de mensajería han crecido en cobertura y en
complejidad de sus operaciones, sin embargo, en muchas de ellas continúan utilizando la
experiencia de sus trabajadores como principal insumo para ejecutar sus procesos de
distribución, esto representa una desventaja ya que errores humanos pueden generar
inconsistencias en el proceso, debidos, entre otras causas, a la rotación de personal, la
cual genera constante pérdida del conocimiento sobre cómo realizar el proceso.
El presente proyecto de grado plantea y resuelve un modelo de ruteo de vehículos
basado en estos servicios de mensajería. En la descripción del problema se explica el
modelo de operación de estos servicios. A partir del problema planteado se propone una
metodología que permitirá resolver el problema de ruteo de vehículos considerando
restricciones de ventanas de tiempo, fechas de vencimiento, distancia y horario de
capacidad. Esta metodología consiste en resolver el problema en tres etapas:
Programación, Zonificación y Diseño de rutas.
El proyecto está organizado de la siguiente manera. El capítulo 1 contiene el
problema de investigación. El capítulo 2 es el marco de referencia y está compuesto del
estado del arte del VRP, una revisión bibliográfica sobre sistemas expertos y por ultimo
información general de los servicios de mensajería. El capítulo 3 describe la formulación
matemática del problema y la metodología que se propone para resolver el problema de
investigación. En el capítulo 4 se presentan los resultados de la propuesta y finalmente
están las conclusiones y recomendaciones del proyecto.
12
CAPITULO 1: EL PROBLEMA DE INVESTIGACIÓN
1.1. Descripción del problema
La problemática estudiada está inspirada en el servicio prestado por empresas de
mensajería en Colombia. Dentro de los servicios prestados por estas empresas está el de
mensajería expresa, definido como un servicio postal urgente que exige la aplicación y
adopción de característica especiales para recepción, clasificación, transporte y entrega de
objetos con destinatario, presentados en la forma definitiva que debe ser transportado y
con un peso de hasta 5 kilogramos (Ley N° 1369, 2009).
En la figura 1 se encuentra un diagrama Canvas, con el cual se busca exponer de
forma general el modelo de negocio de las empresas de mensajería. En el centro del
diagrama esta la propuesta de valor. La propuesta de valor se lleva a una serie de clientes,
ubicados a la derecha, con los que están establecidas una serie de relaciones y para llevar
esa propuesta de valor a los clientes, se realiza a través de unos canales. Por otro lado al
costado izquierdo se tienen las actividades y los recursos clave, es decir, lo que
obligatoriamente se debe cumplir y lo que es crítico dentro del modelo de negocio, y los
socios clave con los que se trabaja. Por último, en la parte inferior esta la estructura de
costes y las formas de ingresos del negocio.
Tomando como referencia la información expuesta en el canvas de la figura 1, de
todos los elementos claves de los servicios de mensajería, el proyecto está enfocado en
los siguiente: la oferta de valor de transporte de paquetes; las actividades de
administración de stock y la actividad de entrega; los recursos de la operación interna y
13
externa; los acuerdos de servicio; los canales de distribución, especialmente las
motocicletas y los clientes que reciben los paquetes.
Figura 1 Canvas servicios de mensajeria
Fuente: Producción propia
De forma general los servicios de mensajería consisten en distribuir paquetes que
son recibidos diariamente para un conjunto de clientes distribuidos geográficamente a
través de un conjunto de vehículos, enmarcados en un horizonte de planeación que puede
verse también como un conjunto de días de distribución, por todo lo anterior los servicios
de mensajería pueden plantearse como un problema de ruteo de vehículos (VRP). Sin
embargo, para representar de forma adecuada los servicios de mensajería, también se
deben tener en cuenta restricciones que se presentan en los componentes del VRP.
14
A partir de estas restricciones es que surgen las diferentes versiones del VRP
(Farahani, Rezapour, & Kardar, 2011), para el caso de servicios de mensajería, algunas
de las restricciones que han sido aplicadas y otras que se pueden aplicar son las
siguientes.
Las ventanas de tiempo es la restricción más común en los clientes, ya que las
citas programadas previamente que tienen una fecha y un intervalo de tiempo para
ser visitado, las cuales teóricamente se definen con el concepto de ventana de
tiempo, estas pueden ser suaves o duras (Toth & Vigo, 2002), en el caso de los
servicios de mensajería son duras ya que no se deben incumplir porque
disminuyen el nivel de servicio.
La restricción de capacidad en los vehículos, que casi siempre se toma en cuenta,
es la capacidad máxima de carga.
Restricciones de distancia o tiempo, además a la restricción de capacidad, cada
vehículo tiene asociada una máxima longitud de ruta que puede estar dada en
distancia o tiempo (Farahani et al., 2011).
Múltiples periodos cuando se considera un horizonte de planeación compuesto
por un número determinado de días, en el cual los clientes deben ser visitados una
vez. Una ampliación de esta restricción incluye que los clientes tiene una
determinada fecha de vencimiento (Archetti, Jabali, & Speranza, 2015).
Las etapas de proceso que se realizan comúnmente en los servicios de mensajería
para cumplir con las restricciones descritas anteriormente se describen en la figura 2.
15
Figura 2 Etapas del proceso de Distribución
Fuente: Producción propia
La etapa de programación de documentos se realiza de forma manual, basado en
experiencia y criterio de los operadores a cargo de esta labor y teniendo en cuenta
restricciones como la capacidad total disponible para entregar los paquetes y los atributos
de los paquetes tales como citas programadas, fechas de vencimiento y muchos otros
atributos que contemplan en los acuerdos de servicio pactados con los clientes,. Esto
representa una desventaja ya que errores humanos pueden generar incumplimientos de los
acuerdos de servicio, estos errores se deben a la rotación de personal, la cual genera
constante pérdida del conocimiento sobre cómo realizar el proceso.
Tomando como referencia esta intervención de criterios y razonamiento de
operadores, estos se pueden considerar como expertos humanos, por ende, es posible
utilizar en su lugar un sistema experto, especialmente si se tienen en cuenta sus ventajas
con respecto a los humanos, como la producción de resultados consistentes en las
mismas tareas y manejar situaciones similares constantemente, mientras que los expertos
humanos se pueden cansar o aburrirse y están afectados por diversos factores como nueva
Alistamiento Programación Zonificación
Diseño de rutas
Visitas no efectivas Visitas a clientes
Visitas efectivas
16
información. Los sistemas expertos pueden contener el conocimiento de varios expertos
humanos, dándoles más amplitud y solidez de un solo experto (Chen, 2004).
La etapa de zonificación es en realidad un proceso de agrupamiento (clustering),
el cual consiste en agrupar los paquetes que fueron programados para cada día, teniendo
en cuenta información geográfica, tal como, localidades y barrios, y las ventanas de
tiempo de los paquetes a distribuir, para después asignarlos a los vehículos disponibles,
los cuales tienen asociado un horario disponible y una capacidad de carga. Esta etapa
también se realiza de forma manual en varias de las empresas de mensajería. Dadas las
características de la etapa de zonificación se puede reemplazar los criterios del personal
por una heurística o un método exacto que permita agrupar y asignar los paquetes a
gestionar considerando todas las restricciones de esta etapa.
La etapa de diseño de rutas consiste en que cada vehículo establece el orden de
visita de sus paquetes asignados. El orden se selecciona de acuerdo a criterios subjetivos
del operador que conduce el vehículo, basados principalmente en el conocimiento previo
de la zona, las citas programadas1 y su horario disponible. Un inconveniente en esta etapa
radica en que esta metodología genera rutas inadecuadas respecto a la distancia total
recorrida y el cumplimiento de restricciones de horario de visita preestablecidas
telefónicamente generando incumplimiento de las citas con los clientes que esperan los
paquetes.
1 Citas programadas: Previamente a través de llamadas telefónicas se acuerda con el usuario final fecha y
rango horario en que puede ser visitado para la entrega de su documento, esto con el fin de aumentar la
probabilidad de encontrar al usuario final.
17
La causa principal de los problemas en el diseño de rutas es que a medida que la
cantidad de puntos aumenta, las posibilidades del orden en el cual se pueden visitar todos
los puntos aumentan exponencialmente. Por ello diversos métodos de solución se han
propuesto, desde, métodos exactos como el Branch-and-Bound hasta metaheurísticas que
buscan una posible solución y luego la optimizan, dando así una muy buena solución.
(Crainic & Toulouse, 2003).
En resumen, teniendo presente que la problemática del servicio de mensajería
estudiada está enmarcada en los problemas de ruteo de vehículos y que se deben
considerar restricciones de ventanas de tiempo, múltiples periodos de tiempo, fechas de
vencimiento, restricciones de distancia y horario en la capacidad. Adicionalmente, que se
pueden utilizar sistemas expertos para la etapa de programación y métodos exactos,
heurísticas o metaheurísticas las etapas de zonificación y diseño de rutas, el problema de
investigación se centra en combinar estos métodos de solución en un solo sistema experto
hibrido que resuelva las tres etapas.
1.2. Formulación del problema
¿Cuál debe ser la estructura de un sistema experto hibrido que permita optimizar
la eficiencia del proceso de distribución y la satisfacción del cliente de un servicio de
mensajería a través de sus etapas de programación, zonificación y diseño de rutas
considerando restricciones de ventanas de tiempo, múltiples periodos de tiempo, fechas
de vencimiento, distancia y horario en la capacidad?
18
1.4. Justificación
1.4.1. Académica-Investigativa
Varios autores como Toth & Vigo (2002) y Golden, Raghavan & Wasil (2008),
han mencionado que el problema de ruteo de vehículos y sus variantes han sido
ampliamente estudiadas a lo largo de la historia, debido a su gran aplicabilidad a
situaciones reales y a que se considera un problema combinatorio tipo NP-Hard, los
cuales son difíciles de resolver, sobre todo cuando el número de nodos es grande, como el
caso de este proyecto, en donde se estudia un servicio de mensajería de documentos, en el
cual cada vehículo puede visitar más de 25 puntos diferentes en un solo día.
Además, debido a las características del problema de investigación planteado, se requiere
combinar en un solo modelo cuatro variaciones del ruteo de vehículos el VRPTW
(Vehicle Routing Problem with Time Windows), el MVRP (Multi-period Vehicle Routing
Problem), el VRPD (Vehicle Routing Problem with Due Dates) y el DVRP (Distance-
Vehicle Routing Problem) y adicionar también restricciones de horario en la capacidad.
Finalmente, después de plantear el modelo se requiere desarrollar un sistema
experto hibrido, para lo cual debe tenerse en cuenta que, mientras para la solución del
VRPTW, se han utilizado metaheurísticas como el recocido simulado expuesto por
Banos, Ortega, Gil, Fernández, & De Toro (2013), la búsqueda tabú presentada por
Cordeau & Maischberger (2012), el algoritmo genético expuesto por Nazif & Lee (2012)
y la colonia de hormigas propuesta por Xiao & Jiang-qing (2012), para la solución del
MVRPD se han utilizado métodos exactos como el Branch and Cut propuesto por
(Archetti et al., 2015), ara la solución del DVRP se ha utilizado principalmente el método
19
de Branch-and-Bound como el presentado por Almoustafa, Hanafi, & Mladenović (2013)
y el propuesto por Kek, Cheu, & Meng (2008). Una breve descripción de los algoritmos
propuestos por los anteriores autores y otros adicionales se exponen más adelante en el
marco de referencia.
También se debe tener en cuenta los sistemas expertos caracterizados por su base
de conocimiento, su motor de inferencia y su subsistema de explicación, también se han
utilizado para resolver problemas relacionados con ruteo de vehículos como el de Zhang
(1994), en el cual también el problema consistía en dos partes, en la primera un generador
de rutas que correspondería al proceso de zonificación y una segunda parte que consta de
un mejorador de rutas que correspondería al proceso de diseño de rutas. En la revisión de
antecedentes se menciona con más profundidad el trabajo de Zhang (1994).
Finalmente, el desarrollo del proyecto pertenece a la línea de investigación de
Sistemas Expertos, por lo cual, está vinculado al grupo de investigación de Sistemas
Expertos y Simulación de la Universidad Distrital Francisco José de Caldas.
1.4.2. Práctica
Desde el punto de vista práctico la solución del problema de investigación
contribuye positivamente en el servicio de mensajería de documentos, ya que permitirá
incrementar la rentabilidad del servicio, a través de la reducción de vehículos necesarios
para la operación y mejorara la calidad de servicio, reflejado en el incremento del
cumplimiento de citas.
En cuanto a la cobertura del proyecto es nacional, ya que en la actualidad
Colombia cuenta con al menos 53 empresas de mensajería y correo que pueden verse
20
beneficiadas con la implementación de este modelo. Además, teniendo en cuenta que la
tendencia mundial en los servicios de mensajería está orientada a la oferta de soluciones
de alta flexibilidad para los clientes, donde una planificación rígida de la capacidad
disponible es poco rentable para ofrecer un servicio personalizado, por ende, incluso
internacionalmente otras empresas pueden verse beneficiadas con el desarrollo del
sistemas experto propuesto.
1.5. Objetivos
1.5.1. Objetivo general
Proponer un sistema experto hibrido que permita optimizar la eficiencia del
proceso de distribución y la satisfacción del cliente de un servicio de mensajería a través
de los procesos de programación, zonificación y diseño de rutas considerando
restricciones de ventanas de tiempo, múltiples periodos de tiempo, fechas de
vencimiento, distancia y horario en la capacidad.
1.5.2. Objetivos específicos
Caracterizar de forma teórica y práctica el problema de ruteo de vehículos
considerando restricciones de ventanas de tiempo, múltiples periodos de tiempo,
fechas de vencimiento, distancia y horario en la capacidad.
Plantear un modelo matemático que combine los modelos de ruteo de vehículos
que consideran restricciones de ventanas de tiempo, múltiples periodos de tiempo,
fechas de vencimiento, distancia y que adicional incluya la restricción de horario
en la capacidad.
21
Establecer la estructura del sistema experto: base de conocimiento, motor de
inferencia y subsistema de explicación, que realizara el proceso de programación.
Desarrollar un hibrido entre una heurística y una metaheurística, que optimicen
las etapas de zonificación y diseño de rutas, con el sistema experto establecido.
. Evaluar la efectividad del sistema experto hibrido desarrollado mediante un caso
de estudio con instancias generadas de forma aleatoria basadas en la situación real
o con una muestra real de datos.
1.6. Alcances y Limitaciones
El alcance del presente proyecto de investigación va desde la formulación del
modelo matemático del ruteo de vehículos considerando restricciones de ventanas de
tiempo, múltiples periodos de tiempo, fechas de vencimiento, distancia y horario en la
capacidad hasta la propuesta del sistema experto hibrido y su correspondiente validación
mediante un caso de estudio con una prueba piloto o con instancias generadas de forma
aleatoria basadas en la situación del caso de estudio.
En cuanto a las limitaciones de información se destaca principalmente, la
trazabilidad del diseño de ruta realizado por los vehículos y la distancia recorrida o
tiempo utilizado por cada uno de ellos, ya que esta información no se controla en todas
las empresas de mensajería.
Existe la limitación de la confiabilidad de la información en bases de datos, dado
que debido a que la entrada de información en los sistemas de información se realiza
22
manualmente, factores como la rotación de personal y exigentes jornadas laborales
pueden generar información incompleta o inexacta.
1.7. Hipótesis
El sistema experto hibrido propuesto mejorara el proceso de distribución y la
satisfacción del cliente de un servicio de mensajería a través de los procesos integrados
de zonificación y diseño de rutas considerando restricciones de ventanas de tiempo,
distancia y horario en la capacidad.
1.8. Metodología
1.8.1 Tipo de investigación
El presente proyecto se considera una investigación proyectiva puesto que consiste en la
elaboración de un modelo como solución a un problema práctico de un caso real, a partir
de un diagnóstico preciso de las necesidades del momento. Adicionalmente está dirigida a
cubrir una determinada necesidad y para ello se basa en conocimientos anteriores
(Hurtado de Barrera, 2000).
24
1.8.2 Esquema metodológico
Tabla 1 Esquema metodológico (Caracterización y planteamiento del modelo)
OBJETIVO ESPECIFICO ACTIVIDADES HERRAMIENTAS RESULTADOS
Objetivo 1. Caracterizar de forma
teórica y práctica el problema de
ruteo de vehículos considerando
restricciones de ventanas de
tiempo, distancia y horario en la
capacidad.
Revisión de fuentes de información terciarias sobre el
problema de ruteo de vehículos y sus variantes.
Revisión documental Marco conceptual e histórico
del problema de ruteo de
vehículos.
Revisión de fuentes de información terciarias sobre
sistemas expertos.
Revisión documental Marco conceptual sistemas
expertos
Revisión de fuentes de información terciarias sobre
metaheurísticas para solucionar los problemas de ruteo de
vehículos.
Revisión documental Matriz resumen de los
métodos de solución
Revisión de fuentes secundarias para elaborar la
descripción del proceso de distribución
Revisión documental Descripción del proceso de
distribución
Objetivo 2. Plantear un modelo
matemático que combine los
modelos de ruteo de vehículos
que consideran restricciones de
ventanas de tiempo, distancia y
que adicional incluya la
restricción de horario en la
capacidad.
Definir los datos de entrada, parámetros y variables del
modelo.
Revisión documental Datos de entrada, parámetros
y variables del modelo
Formulación del modelo matemático Programación lineal Modelo matemático de
programación lineal
Fuente: Producción propia
25
Tabla 2 Esquema metodológico (Desarrollo sistema experto hibrido)
OBJETIVO ESPECIFICO ACTIVIDADES HERRAMIENTAS RESULTADOS
Objetivo 3.Establecer la
estructura del sistema experto:
base de conocimiento, motor de
inferencia y subsistema de
explicación, que optimizara el
proceso de zonificación.
Creación base de conocimiento para comprender,
formular y resolver problemas de zonificación.
Entrevistas Base de conocimiento
Desarrollo del motor de inferencia. Aprendizaje automático Motor de inferencia
Desarrollo del subsistema de justificación. Subsistema de justificación
Implementación del sistema experto en un software para
sistemas expertos.
Programación en en Jess-
Java
Sistema experto compilado
Objetivo 4. Desarrollar un hibrido
entre una heurística y una
metaheurística, que optimicen las
etapas de zonificación y diseño de
rutas, con el sistema experto
establecido.
. Buscar y comparar heurísticas que se puedan utilizar
para la zonificación y seleccionar la más adecuada
Comparación Heurística seleccionada para
la zonificación
Implementación del algoritmo de la heurística Programación en Excel Algoritmo compilado
Buscar metaheurísticas que se puedan utilizar para el
diseño de rutas y seleccionar la más adecuada
Análisis Metaheurística seleccionada
para el diseño de rutas
Implementación del algoritmo de la metaheurística. Programación en Excel Algoritmo compilado
Vincular la heurística y la metaheurística al sistema
experto. Sistema experto hibrido
Fuente: Producción propia
26
Tabla 3 Esquema metodológico (Evaluación sistema experto hibrido)
OBJETIVO ESPECIFICO ACTIVIDADES HERRAMIENTAS RESULTADOS
Objetivo 5. Evaluar la efectividad
del sistema experto hibrido
desarrollado mediante un caso de
estudio con instancias generadas
de forma aleatoria basadas en la
situación real o con una muestra
real de datos
Evaluar el sistema experto hibrido mediante instancias
generadas de forma aleatoria basadas en la situación del
caso de estudio
Simulación Modelo de simulación
Seleccionar una muestra del caso de estudio y aplicar el
sistema experto hibrido. Muestreo
Resultados aplicación del
sistema experto hibrido
Análisis de salida de los resultados obtenidos. Evaluación medidas de
desempeño Análisis de salida
Fuente: Producción propia
1.8.3 Variables
Las principales variables que se tendrán en cuenta para el desarrollo del proyecto se encuentran en la Tabla 4:
Tabla 4 Variables del proyecto
TIPO VARIABLES MEDIDA DE DESEMPEÑO PROCESO
Independientes Documentos a distribuir Cantidad promedio diaria Zonificación
Citas programadas (Ventanas de tiempo) Cantidad promedio diaria Zonificación y diseño de rutas
Recursos disponibles Cantidad total diaria Zonificación
Restricciones de horario de los recursos
disponibles
Cantidad total de horas disponibles Zonificación y diseño de rutas
Distancias entre los puntos a visitar Distancia promedio entre los puntos a visitar Zonificación y diseño de rutas
Dependientes Satisfacción del cliente Porcentaje de citas cumplidas Zonificación y diseño de rutas
Eficiencia del proceso Distancia total recorrida sobre puntos
visitados
Zonificación y diseño de rutas
Fuente: Producción propia
27
CAPITULO 2: MARCO DE REFERENCIA
2.1 Estado del arte del VRP
Para la construcción del estado del arte del VRP adicional a las definiciones
clásicas del VRP y el resumen de sus principales hitos históricos se seleccionaron,
clasificaron y analizaron 70 artículos de propuestas para el VRP.
Para la selección de los artículos en primer lugar se utilizó como criterio los
artículos publicados entre 2003 y 2016, priorizando los artículos más recientes aunque sin
omitir los menos recientes pero con aportes importantes, en la Figura 3 se presenta un
resumen de los artículos seleccionados agrupados por año.
Figura 3 Artículos seleccionados por año
Fuente: Producción propia
La búsqueda se centró en artículos sobre ruteo de vehículos aplicados a servicios
de mensajería, sin embargo, debido a la escasez de estos artículos, se adicionaron los
artículos de ruteo de vehículos aplicados a modelos de distribución, dada sus similitudes
con los servicios de mensajería. También se incluyeron los artículos generales de ruteo de
vehículos que pueden ser también aplicados a mensajería, ya que proponen un método de
28
solución general para uno o varios de los tipos de VRP propuestos en los demás artículos
que tratan sobre mensajería o distribución, ampliando así la muestra hasta los 70 artículos
mencionados anteriormente.
2.1.1. Definición del VRP
El Problema de Ruteo de Vehículos (VRP Vehicle Routing Problem) consiste en
establecer el diseño óptimo de las rutas utilizará una flota de vehículos para satisfacer la
demanda de un grupo de clientes, siendo el VRP uno de los problemas de optimización
combinatoria más estudiados (Golden, Raghavan, & Wasil, 2008).
Los problemas de ruteo de vehículos consideran un conjunto de clientes
{ 𝑁} geográficamente distribuidos, en donde cada cliente tiene una demanda .
Los vehículos que visitan los clientes son idénticos 𝐾 { } y pertenecen a un
depósito central { } el cual se considera el punto de inicio y fin de todos los vehículos.
Todos los clientes deben ser visitados una única vez por un solo vehículo. El problema se
puede definir como un grafo completo dirigido { } en donde { } es el
conjunto de vértices y { } es el conjunto de arcos. Cada arco
tiene un valor no negativo asociado el cual representa el costo de viajar desde i hasta j
(Toth & Vigo, 2002). El objetivo es establecer el conjunto de rutas que minimice los
costos totales, considerando los costos de viaje y los costos de usar los vehículos F
(Kek, Cheu, & Meng, 2008). A partir de estas definiciones la función objetivo de un
servicio de mensajería se puede modelar de la siguiente forma:
𝑀 ∑∑∑
∑
(1)
29
Las variables binarias de la función objetivo se definen así,
Si el vehículo k viaja a través el arco , en otro caso
Si el vehículo k es utilizado, en otro caso 0
Esta función objetivo (1) está sujeta a una o varias restricciones en los
componentes del problema de ruteo, es decir, restricciones en los arcos , en los
vértices, y/o en los vehículos.
2.1.2. Antecedentes del VRP
De acuerdo a la historia el primer problema relacionado con VRP fue el del
agente viajero o TSP (Travelling Salesman Problem) desarrollado por (Flood, 1956). El
problema consiste en un agente vendedor que debe visitar cierta cantidad de ciudades en
un solo viaje, de tal manera que inicie y termine su recorrido en la ciudad ―origen‖; el
agente debe determinar cuál ruta debe seguir para visitar cada ciudad una sola vez y
regresar de tal manera que la distancia total recorrida sea mínima.
Después Dantzig, Fulkerson, & Johnson (1954) presentaron el primer artículo de
VRP, en el cual estudiaron un caso relativamente grande del TSP y propusieron un
método de solución. Cinco años más tarde Clarke & Wright (1964) incluyeron más de un
vehículo en la formulación del problema y propusieron un algoritmo efectivo para
resolverlo. Desde entonces, los estudios relacionados con las múltiples variantes del VRP
y sus diferentes métodos de solución han tenido una tasa de crecimiento exponencial del
6% entre 1956 y 2006 (Eksioglu, Vural, & Reisman, 2009). Este crecimiento parece
continuar de acuerdo con otros estudios de revisión más recientes desde 2009 a 2015
30
(Braekers, Ramaekers, & Nieuwenhuyse, 2016), concluyendo además que hay una
tendencia de investigaciones acerca de problemas de ruteo que incluyan características de
la vida real.
2.1.3. Clasificación general
Se propone una clasificación basada en 6 criterios, algunos propuestos por otros
autores y otros son criterios propios. A continuación está el listado de los criterios y de la
Tabla 5 a la Tabla 9 están los resultados de la clasificación:
Aplicación ruteo: como se mencionó al inicio del capítulo, los artículos
seleccionados están enfocados hacia la aplicación de ruteo de vehículos a
servicios de mensajería, en primer lugar están aquellos que proponen una
aplicación directa a servicios de mensajería, después los que tratan sobre
procesos de distribución y finalmente los de aplicación general.
Tipo de VRP: Las diferentes versiones del VRP surgen a partir de
diferentes limitaciones o restricciones impuestas en los componentes
básicos del VRP, es decir, los arcos, los clientes, los depósitos y los
vehículos (Toth & Vigo, 2002). Estas variaciones del VRP se pueden
organizar en primera instancia, en dos grupos generales, el primero
contiene las variaciones básicas del VRP y en el segundo las otras
variaciones del VRP (Farahani et al., 2011).
Método de solución: con respecto a los métodos de solución también se
han propuesto varias clasificaciones, entre ellas la propuesta por (Eksioglu
31
et al., 2009) agrupando los métodos de solución en métodos exactos,
heurísticas clásicas y metaheurísticas.
Función objetivo: en el primer tipo de función objetivo está la
minimización de magnitud de los arcos, en el cual se incluyen las
funciones que minimizan distancia, tiempo o costo. Después está la
minimización de recursos que tienen atados un costo fijo, luego están los
casos que se aplican relajaciones en las restricciones y por ende se incluye
en la función objetivo una minimización de penalidades incurridas por las
relajaciones. Seguidamente están las funciones multiobjetivo, es decir,
tienen dos o más funciones objetivo independientes, luego están los que no
tienen funciones expliciticas sino un conjunto de prioridades y finalmente
un tipo denominado otros para agrupar propuestas de función objetivo
poco comunes, por ejemplo, minimización del uso de combustible (Lang,
Yao, Hu, & Pan, 2014).
Combinación de restricciones: teniendo en cuenta las múltiples variaciones
del VRP algunos autores optaron por analizar solo una de ellas mientras
que otros han analizaron la combinación de dos más estas variaciones lo
que implica un mayor grado de complejidad.
Tipo de datos: se refiere a los datos usados para la validación del método
propuesto por cada autor. Estos pueden ser basados en instancias teóricas
como las de (Solomon, 1984), datos reales de alguna empresa o ambos.
32
Tabla 5 Clasificación general artículos VRP (Parte 1)
Aplicación
Ruteo
Tipo
de
VRP
Método de
solución
Función Objetivo Combinación
Restricciones
Tipo
de
datos
Autores
Añ
o
Men
saje
ría
Dis
trib
uci
ón
Gen
era
l
Va
ria
nte
s B
ási
cas
Otr
as
Va
ria
nte
s
Met
ah
eurí
stic
a
Heu
ríst
ica
Mét
od
o E
xa
cto
Min
Mag
nit
ud
arc
os
Min
de
Rec
urs
os
Mu
ltio
bje
tiv
o
Min
Pen
ali
da
des
Pri
ori
da
des
Otr
os
No
Si
Teó
rico
s
Rea
les
Akpinar 2016 x x x x x
Almoustafa et. al. 2013 x x x x x x
Andreatta et. al. 2016 x x x x x x x x
Archetti et. al. 2015 x x x x x x x x
Arroyave, M. R., & Naranjo 2014 x x x x x x
Avci & Topaloglu 2016 x x x x x x x
Bae & Moon 2016 x x x x x x x x x
Baños et. al. 2013 x x x x x x
Biesinger et. Al. 2016 x x x x x x x
Carotenuto et. al. 2015 x x x x x x
Chang et. al. 2012 x x x x x x
Contardo et. al. 2014 x x x x x x x
Daza-Escorcia et. al. 2009 x x x x x x x
Daza-Escorcia et. al. 2011 x x x x x x x x
de Armas et. al. 2015 x x x x x x x Fuente: Producción propia
33
Tabla 6 Clasificación general artículos VRP (Parte 2)
Aplicación
Ruteo
Tipo
de
VRP
Método de
solución
Función Objetivo Combinación
Restricciones
Tipo
de
datos
Autores
Añ
o
Men
saje
ría
Dis
trib
uci
ón
Gen
era
l
Va
ria
nte
s B
ási
cas
Otr
as
Va
ria
nte
s
Met
ah
eurí
stic
a
Heu
ríst
ica
Mét
od
o E
xa
cto
Min
Mag
nit
ud
arc
os
Min
de
Rec
urs
os
Mu
ltio
bje
tiv
o
Min
Pen
ali
da
des
Pri
ori
da
des
Otr
os
No
Si
Teó
rico
s
Rea
les
Ding et. al. 2012 x x x x x x
Du et. al. 2012 x x x x x x x
Expósito-Izquierdo Et. Al. 2016 x x x x x x x
Fikar et. al. 2015 x x x x
x x
Ghiani et. al. 2009 x x x x x x
Hamzadayi et. al. 2013 x x x x x x
Hernandez et. Al. 2016 x x x x x x x
Janssens et. al. 2014 x x x x x x
Jia et. al. 2013 x x x x x x
Junqueira & Morabito 2015 x x x x x x x x
Kek et. al. 2008 x x x x x x x
Khouadjia et. al. 2012 x x x x x x
Kok et. al. 2011 x x x x x x
Kok et. al. 2012 x x x x x x
Krichen et. al. 2014 x x x x x x Fuente: Producción propia
34
Tabla 7 Clasificación general artículos VRP (Parte 3)
Aplicación
Ruteo
Tipo
de
VRP
Método de
solución
Función Objetivo Combinación
Restricciones
Tipo
de
datos
Autores
Añ
o
Men
saje
ría
Dis
trib
uci
ón
Gen
era
l
Va
ria
nte
s B
ási
cas
Otr
as
Va
ria
nte
s
Met
ah
eurí
stic
a
Heu
ríst
ica
Mét
od
o E
xa
cto
Min
Mag
nit
ud
arc
os
Min
de
Rec
urs
os
Mu
ltio
bje
tiv
o
Min
Pen
ali
da
des
Pri
ori
da
des
Otr
os
No
Si
Teó
rico
s
Rea
les
Küçükoğlu et. al. 2015 x x x x x x
Kuo et. Al. 2016 x x x x x x
Lang et. al. 2014 x x x x x x
Li et. al. 2010 x x x x x x x
Lin et. al. 2011 x x x x x x x
Lin et. al. 2014 x x x x x x x x
López et. al. 2015 x x x x x x x
Mancini 2015 x x x x x x x
Mannel & Bortfeldt 2016 x x x x x x
Mercado et. al. 2013 x x x x x x
Michallet et. al. 2014 x x x x x x x x
Miranda & Conceicao 2016 x x x x x x x x
Mitrovic-Minic et. al. 2004 x x x x x x x x
Mitrovic-Minic et. al. 2004 x x x x x x x x
Nazif & Lee 2012 x x x x x x Fuente: Producción propia
35
Tabla 8 Clasificación general artículos VRP (Parte 4)
Aplicación
Ruteo
Tipo de
VRP
Método de
solución Función Objetivo Combinación
Restricciones
Tipo de
datos
Autores
Añ
o
Men
saje
ría
Dis
trib
uci
ón
Gen
era
l
Va
ria
nte
s B
ási
cas
Otr
as
Va
ria
nte
s
Met
ah
eurí
stic
a
Heu
ríst
ica
Mét
od
o E
xa
cto
Min
Mag
nit
ud
arc
os
Min
de
Rec
urs
os
Mu
ltio
bje
tiv
o
Min
Pen
ali
da
des
Pri
ori
da
des
Otr
os
No
Si
Teó
rico
s
Rea
les
Norouzi et. al. 2014 x x x x x x
Pisinger et. al. 2007 x x x x x x
Potvin et. al. 2006 x x x x x x x
Prins et. al. 2004 x x x x x x x
Pureza et. al. 2012 x x x x x x x
Qi et. al. 2012 x x x x
x x
Rahimi-Vahed et. al. 2015 x x x x x x
Schneider 2015 x x x x x x
Schulz 2013 x x x x x x
Soto et. al. 2008 x x x x x x
Sprenger & Mönch 2012 x x x x x x x x x x
Subramanian et. al. 2013 x x x x x x x
Szymon et. al. 2013 x x x x x x
Taş et. al. 2014 x x x x x x x x
Tavakkoli et. al. 2011 x x x x x x Fuente: Producción propia
36
Tabla 9 Clasificación general artículos VRP (Parte 5)
Aplicación
Ruteo
Tipo
de
VRP
Método de
solución
Función Objetivo Combinación
Restricciones
Tipo
de
datos
Autores
Añ
o
Men
saje
ría
Dis
trib
uci
ón
Gen
era
l
Va
ria
nte
s B
ási
cas
Otr
as
Va
ria
nte
s
Met
ah
eurí
stic
a
Heu
ríst
ica
Mét
od
o E
xa
cto
Min
Mag
nit
ud
arc
os
Min
de
Rec
urs
os
Mu
ltio
bje
tiv
o
Min
Pen
ali
da
des
Pri
ori
da
des
Otr
os
No
Si
Teó
rico
s
Rea
les
Tlili et. al. 2014 x x x x x x
Vidal et. al. 2014 x x x x x x x
Wen et. al. 2015 x x x x x x x
Wu et. al. 2016 x x x x x x x x x
Xiao and Jiang-qing 2012 x x x x x x x
Xiao et. al. 2012 x x x x x x x
Yan et. al. 2013 x x x x x x x
Yepes et. al. 2003 x x x x x x x
Yousefikhoshbakht et. al. 2012 x x x x x x x
Yu et. al. 2011 x x x x x x Fuente: Producción propia
37
2.1.3.1. Aplicaciones del VRP
a. Servicios de mensajería
De los artículos revisados muy pocos son propuestas aplicadas a servicios de
mensajería, con lo cual, se puede concluir que hay una escases de investigaciones que
contemplen todas las restricciones que se presentan en la vida real. Principalmente se
evidencio que la mayoría estaban orientados a buscar soluciones en tiempo real para
problemas con recogida y entrega, adicionalmente, tuvieron la oportunidad de utilizar
datos reales, tal es el caso de (Mitrović-Minić & Laporte, 2004), quienes crearon
instancias a partir de datos reales, con las cuales compararon cuatro estrategias para
problemas dinámicos de ruteo con ventanas de tiempo, también en (Mitrović-Minić,
Krishnamurti, & Laporte, 2004) propusieron una heurística de doble horizonte a través de
la cual resuelven un problema dinámico de ruteo de vehículos con recogida y entrega y
ventanas de tiempo.
Chang & Yen (2012) propusieron estrategias de ruteo para ayudar a los servicios
de mensajería de las ciudades a reducir los costos de operación y mejorar el nivel de
servicio. Su estudio formuló un problema multiobjetivo de agente viajero con múltiples
con ventanas de tiempo estrictas y luego propusieron una estructura de búsqueda dispersa
multiobjetivo que busca encontrar el conjunto de soluciones de Pareto-óptima al
problema. El modelo minimiza simultáneamente la distancia total recorrida y la
minimización de la carga de trabajo desbalanceada definida como la diferencia entre el
tiempo de viaje de la ruta más larga y la de la más corta. Presentó además el caso de
estudio de una empresa de logística en Taiwán.
38
Ghiani, Manni, Quaranta, & Triki (2009) desarrollaron un algoritmo de
anticipación para el problema de despacho dinámico del vehículo con las recolecciones y
entregas, un problema que enfrentan las empresas de mensajería locales. Buscando
minimizar los inconvenientes esperados de los clientes.
Janssens, Van den Bergh, Sörensen, & Cattrysse (2015) presentaron el caso de
empresas de distribución donde se propone una división de las zonas de distribución en
grupos más pequeños denominados microzonas para luego ser asignados a un vehículo
preferido en un llamado plan táctico.
Yan et al. (2013) propusieron una planificación y un modelo de ajustes en tiempo
real para planificar rutas y horarios de mensajería en una zona urbana y para ajustar las
rutas previstas en operaciones reales. El problema de ruteo incluye demandas y tiempos
de desplazamiento estocásticos.
Lin et al. (2014) propusieron un sistema de soporte de decisiones integrado a un
algoritmo de búsqueda local híbrido para resolver problemas de ruteo en línea o fuera de
línea que se presentan en los servicios de mensajería. Adicional a los componentes
dinámicos en la demanda también se pueden contemplar tiempos de viaje dinámicos
(Potvin, Xu, & Benyahia, 2006). Otro estudio diferente de ruteo de vehículos enfocado a
problemas que utilizan flota heterogénea de vehículos y con ventanas de tiempo es el de
(Wu, Tian, & Jin, 2016), quienes resolvieron el problema mediante un algoritmo de
etiquetas de múltiples atributos basado en sistema de colonia de hormigas.
39
b. Servicios de distribución
Hay algunas aplicaciones de VRP a servicios de distribución basados casos reales
en empresas como por ejemplo de distribución al por menor (Hamzadayi, Topaloglu, &
Yelkenci Kose, 2013) o la distribución de tabaco a más de 6.000 clientes (Du & He,
2012). También hay estudios que adicional a restricciones comunes como las ventanas de
tiempo o flota heterogénea, incluyen variables económicas como la jornada laboral, los
costos variables y la congestión del tráfico (Yepes Piqueras & Medina Folgado, 2003).
En este grupo se incluyen también estudios teóricos que puedan servir como
complemento a las restricciones estudiadas en los servicios de mensajería, como por
ejemplo estudios de problemas de distribución que contemplan el impacto de las horas de
mayor tráfico a la hora de buscar rutas optimas (Kok, Hans, & Schutten, 2012) y también
restricciones en las distancias a recorrer por cada vehiculo (Szymon & Dominik, 2013).
c. General
Por último la mayor cantidad corresponde a modelos generales que aplican a todo
tipo de ruteo como por ejemplo, Pisinger & Ropke (2007) propusieron de una heurística
general que se puede usar para 5 variaciones del VRP. Soto, Soto, & Pinzón (2008)
desarrollaron un hibrido entre genético y colonia de hormigas para resolver un VRP
múltiples depósitos y múltiples periodos de tiempo. Baños, Ortega, Gil, Fernandez, & De
Toro (2013) plantearon un proceso multiobjetivo basado en recocido simulado y una
versión paralela basada en islas. Krichen, Faiz, Tlili, & Tej (2014) integra herramientas
SIG y de optimización para resolver el VRP con requisitos de carga y distancia. También
40
se incluyen los modelos aplicados en procesos similares a la distribución como el ruteo
de rutas escolares con ventanas de tiempo (López-Santana & Carvajal, 2015).
2.1.3.2. Tipos de VRP
Las diferentes versiones del VRP surgen a partir de diferentes limitaciones o
restricciones impuestas en los componentes básicos del VRP, es decir, los arcos, los
clientes, los depósitos y los vehículos (Toth & Vigo, 2002). Estas variaciones del VRP se
pueden organizar en primera instancia, en dos grupos generales, el primero contiene las
variaciones básicas del VRP y en el segundo las otras variaciones del VRP (Farahani et
al., 2011).
a. Variaciones básicas del VRP
En el grupo de variantes básicas del VRP se encuentran el VRP con restricción de
capacidad (CVRP, Capacited VRP), VRP con restricciones de distancia y capacidad
(DCVRP, Distance contrained and Capacited VRP), VRP con ventanas de tiempo
(VRPTW, Vehicle Routing Problema with Time Windows), VRP con carga de regreso
(VRPB, VRP with Backhauls), VPR con recogida y entrega (VPRPD, VRP with Pick up
and delivery) y la combinación de estas variantes (Farahani et al., 2011). En la Tabla 10 y
Tabla 11 se muestra la clasificación de los artículos revisados en las variantes básicas del
VRP.
Para el CVRP en procesos de distribución los siguientes autores realizaron
propuestas: Arroyave & Naranjo (2014) plantearon el desarrollo de un modelo
matemático de distribución y asignación basado en plataformas logísticas. Mercado,
Pandolfi, & Villagra (2014) proponen un algoritmo evolutivo utilizando conceptos de
41
computación cuántica aplicados a la mutación. Kok, Hans, & Schutten (2011)
desarrollaron un algoritmo que permite minimizar el tiempo total de servicio,
contemplando las restricciones por congestión en el tráfico y la regulación de horas
trabajadas.
Tabla 10 Variaciones básicas del VRP (Parte 1)
Autores
Añ
o
VR
P
VR
PT
W
DV
RP
PD
P
VR
PB
TS
P
Akpinar 2016 x
Almoustafa et. al. 2013 x
Andreatta et. al. 2016 x
Arroyave, M. R., &
Naranjo 2014 x
Bae & Moon 2016 x
Baños et. al. 2013 x
Chang et. al. 2012 x
Daza-Escorcia et. al. 2009 x
de Armas et. al. 2015 x
Ding et. al. 2012 x
Du et. al. 2012 x
Fikar et. al. 2015 x x
Hamzadayi et. al. 2013 x
Hernandez et. Al. 2016 x
Janssens et. al. 2014 x
Jia et. al. 2013 x
Kek et. al. 2008 x
Kok et. al. 2011 x
Kok et. al. 2012 x
Krichen et. al. 2014 x
Küçükoğlu et. al. 2015 x
Lang et. al. 2014 x
Li et. al. 2010 x
Lin et. al. 2011 x x
Lin et. al. 2014 x Fuente: Producción propia
42
Tabla 11 Variaciones básicas del VRP (Parte 2)
Autores
Añ
o
VR
P
VR
PTW
DV
RP
PD
P
VR
PB
TSP
López et. al. 2015 x x
Mercado et. al. 2013 x
Miranda & Conceicao 2016 x
Mitrovic-Minic et. al. 2004 x x
Nazif & Lee 2012 x
Pisinger et. al. 2007 x x
Potvin et. al. 2006 x
Prins et. al. 2004 x
Pureza et. al. 2012 x
Qi et. al. 2012 x
Schneider 2015 x
Schulz 2013 x
Sprenger & Mönch 2012 x
Subramanian et. al. 2013 x x
Szymon et. al. 2013 x
Taş et. al. 2014 x
Tavakkoli et. al. 2011 x
Tlili et. al. 2014 x
Wen et. al. 2015 x
Wu et. al. 2016 x x
Xiao and Jiang-qing 2012 x
Xiao et. al. 2012 x
Yepes et. al. 2003 x
Yousefikhoshbakht et. al. 2012 x
Yu et. al. 2011 x Fuente: Producción propia
Otros autores formularon propuestas de aplicación general para el CVRP, algunos
de ellos son: Nazif & Lee (2012) propusieron un algoritmo genético que utiliza un
operador de cruce optimizado diseñado por un grafo bipartito sin dirección completa para
encontrar un conjunto óptimo de rutas. Schulz (2013) desarrollo un modelo híbrido CPU-
GPU (GPU- Graphics Processing Units) que le permite formar grupos de clientes y
43
determinar el tamaño óptimo de éstos. Wen & Eglese (2015) presentaron un algoritmo
que permite visualizar el impacto en el costo de la velocidad promedio de cada ruta, las
condiciones de tráfico pueden alterar los costos del combustible utilizado. Otro ejemplo
que toma en cuenta el impacto del tráfico se encuentra en el artículo de Y. Xiao, Zhao,
Kaku, & Xu (2012), los cuales propusieron un modelo donde se busca minimizar el costo
de la ruta, no orientados a la menor distancia recorrida, sino al uso de combustible
afectado por el tráfico y la carga de cada vehículo. Z. Xiao & Jiang-qing (2012)
formularon una metaheurística hibrida llamada Algoritmo Hibrido de Hormigas (HAA -
Hybrid Ant Algoritm) basada en Colonia de Hormigas y la búsqueda de Vecino más
Cercano. Por ultimo Yousefikhoshbakht & Khorram (2012) mostraron un modelo híbrido
de dos fases, Algoritmo de Barrido y Colonia de Hormigas, enfocado a obtener la menor
distancia recorrida.
Las ventanas de tiempo es la restricción más común, algunos ejemplos son: Fikar
& Hirsch (2015) plantearon un modelo para el servicio local urbano de enfermeras a
domicilio, las cuales tienen diferentes niveles de cualificación y tienen que cumplir
ventanas de tiempo. Prins (2004) desarrollo algoritmo genético para el VRPTW tan
competitivo como la búsqueda tabú y que resuelve problemas de hasta 483 clientes. Qi,
Lin, Li, & Miao (2012) plantearon un modelo para la aplicación en redes a gran escala,
que consiste en una división espacio-temporal de la distancia entre dos clientes.
Schneider (2015) diseñaron un algoritmo con asignación clientes-conductor, los clientes
se distribuyen geográficamente y tienen ventanas de tiempo asociadas, luego estos se
asignan a distintos conductores quienes tienen conocimiento previo de cada zona. Pureza,
44
Morabito, & Reimann (2012) estudiaron un servicio de mensajeros caminantes asignados
a las rutas aplicado a entregas en áreas rurales a comerciantes al por menor. Yu, Yang, &
Yao (2011) combinaron las metaheurísticas de Búsqueda Tabú y la Optimización por
Colonia de Hormigas para obtener mejores resultados que sus versiones individuales en
un problema de ruteo con ventanas de tiempo.
Otra variante importante es el DVRP ya que contempla una variable muy común
del mundo real y es la distancia o tiempo máximo que pueden trabajar los vehículos, sin
embargo, los artículos dedicados al DVRP son pocos comparados con otros tipos, un
ejemplo es el artículo de (Tlili, Faiz, & Krichen, 2014) quienes formulan un problema de
programación entera para el DVRP y proponen una metaheurística hibrida para
resolverlo.
Por otro lado los problemas que incluyen PDP (Pick up and delivery) en muchos
de estos artículos se combina con el VRPTW. Un tipo particular del PDP es el
Backhauling VRP (BVRP) en el cual a algunos clientes se les entrega bienes y a otros se
les recoge (Küçükoğlu & Öztürk, 2015).
b. Otras variaciones del VRP
Todos los artículos tienen una o más restricciones que no encajan en las
variaciones básicas se resumen en la Tabla 12.
45
Tabla 12 Otras variaciones del VRP
Autores
Añ
o
Dy
na
mic
VR
P
PV
RP
MD
VR
P
VR
P-H
F
Sto
cha
stic
MP
VR
P
Clu
VR
P
3L
CV
RP
MT
Andreatta et. al. 2016 x
Archetti et. al. 2015 x
Avci & Topaloglu 2016 x
Bae & Moon 2016 x
Biesinger et. Al. 2016 x
Carotenuto et. al. 2015 x
Contardo et. al. 2014 x
Daza-Escorcia et. al. 2011 x
Expósito-Izquierdo Et. Al. 2016 x
Ghiani et. al. 2009 x
Hernandez et. Al. 2016 x
Junqueira & Morabito 2015 x
Khouadjia et. al. 2012 x
Kuo et. Al. 2016 x
Lin et. al. 2014 x
Mancini 2015 x x x
Mannel & Bortfeldt 2016 x
Michallet et. al. 2014 x
Miranda & Conceicao 2016 x
Mitrovic-Minic et. al. 2004 x
Mitrovic-Minic et. al. 2004 x
Norouzi et. al. 2014 x
Potvin et. al. 2006 x
Rahimi-Vahed et. al. 2015 x x x
Soto et. al. 2008 x x
Vidal et. al. 2014 x
Wu et. al. 2016 x
Yan et. al. 2013 x Fuente: Producción propia
El problema de ruteo dinámico (Dynamic VRP) en el cual la información sobre el
problema puede cambiar durante el proceso de optimización e implementación de la
solución (Khouadjia, Sarasola, Alba, Jourdan, & Talbi, 2012), permitiendo asemejarse
46
más a los problemas reales de los servicios de mensajería y distribución ya que se pueden
recibir solicitudes adicionales durante la ejecución, requiriendo por ende ajuste de rutas
de forma óptima. Otro ejemplo que adicional a su componente dinámico incluye tiempos
de servicio con incertidumbre basado en teoría difusa fue propuesto por (Kuo, Wibowo,
& Zulvia, 2016).
El problema de ruteo de vehículos periódico (PVRP) contempla un conjunto de
clientes que requieren servicios con cierta frecuencia durante un rango de días
(Carotenuto, Giordani, Massari, & Vagaggini, 2015), estos autores resolvieron un PVRP
para problema de distribución de productos derivados del petróleo, teniendo en cuenta
variables como demanda desconocida, estacionalidad y acuerdos de negociación con
otros productos de la misma clase. Otro ejemplo es un modelo de integración lineal mixta
propuesto para empresas de transporte con restricciones de seguridad y con ventanas de
tiempo duras de los autores (Michallet, Prins, Amodeo, Yalaoui, & Vitry, 2014).
En el problema de ruteo de vehículos con depósitos múltiples (MDVRP) los
clientes son servidos por vehículos que salen de un deposito disponible (Pisinger &
Ropke, 2007). Otra aplicación del (MDVRP) pero agregando adicional ventanas de
tiempo se encuentra en el artículo de (Bae & Moon, 2016), quienes estudiaron el servicio
de vehículos usados para la entrega e instalación de aparatos electrónicos.
El problema de ruteo de flota heterogénea es una variación muy importante para
los servicios de mensajería, puesto que, es común en las empresas disponer de varios
tipos de vehículos al igual que en los servicios de distribución, por ejemplo, Mancini
(2015) se estudió un problema de la vida real de una compañía que tiene vehículos de
47
diferentes capacidades, aunque también otros autores estudiaron la flota heterogénea de
forma teórica ya sea como principal restricción (Daza-Escorcia, Wilches-Arango, &
Cantillo-Guerrero) o combinada con otras variaciones del VRP (Rahimi-Vahed, Gabriel
Crainic, Gendreau, & Rei, 2015) y (Avci & Topaloglu, 2016).
Luego están los problemas de ruteo que incluyen elementos estocásticos ya sea
únicamente en los tiempos de viaje (Andreatta, Casula, De Francesco, & De Giovanni,
2016), en los tiempos de viaje y en los tiempos de servicio (Li, Tian, & Leung, 2010) y
en (Miranda & Conceição, 2016), en los tiempos de viaje y en la demanda (Yan et al.,
2013), y o sino únicamente en la demanda (Biesinger, Hu, & Raidl, 2016).
El ruteo con múltiples periodos (MPVRP) es similar al PVRP ya que también hay
un periodo de tiempo de días, sin embargo, difiere en que no hay periodicidad. Una
ampliación de esta restricción incluye que los clientes tiene una determinada fecha de
vencimiento (Due Date) (Archetti et al., 2015).
Dentro de otras variaciones menos comunes propuestas para VRP se encuentra el
Clúster VRP, el cual consiste en agrupar los clientes a visitar en clúster para después ser
asignados a un vehículo que debe visitarlos consecutivamente para luego pasar al
siguiente clúster, un ejemplo lo podemos encontrar en (Vidal, Battarra, Subramanian, &
Erdogˇan, 2015) y otro en (Expósito-Izquierdo, Rossi, & Sevaux, 2016).
48
2.1.3.3. Métodos de solución
Los métodos de solución más comunes para resolver las diferentes variaciones del
VRP son las metaheurísticas, le siguen las heurísticas y finalmente con menor
participación se encuentran los métodos exactos.
a. Metaheurísticas
Son métodos de solución que organizan una interacción entre procedimientos de
mejora locales y las estrategias de nivel superior para crear un proceso capaz de escapar
de los óptimos locales y realizar una búsqueda robusta de un espacio de soluciones
(Glover & Kochenberger, 2003). En la tabla se encuentra la clasificación de los artículos
que utilizaron metaheurísticas.
Tabla 13 Metaheurísticas (Parte 1)
Autores
Añ
o
Bú
squ
eda
Ta
bú
Co
lon
ia d
e
Ho
rmig
as
Alg
ori
tmo
Gen
étic
o
Rec
oci
do
sim
ula
do
Bú
squ
eda
de
Vec
ind
ad
Va
ria
ble
Op
tim
iza
ció
n d
e
En
jam
bre
de
pa
rtíc
ula
s
Bú
squ
eda
Lo
cal
Itera
tiv
a
Otr
as
Met
ah
eurí
stic
as
Avci & Topaloglu 2016 x
Bae & Moon 2016 x
Baños et. al. 2013 x
Carotenuto et. al. 2015 x
Chang et. al. 2012 x
Daza-Escorcia et. al. 2009 x
Daza-Escorcia et. al. 2011 x
de Armas et. al. 2015 x
Ding et. al. 2012 x
Du et. al. 2012 x
Expósito-Izquierdo Et. Al. 2016
Fikar et. al. 2015 x
Hamzadayi et. al. 2013 x
Janssens et. al. 2014 x x Fuente: Producción propia
49
Tabla 14 Metaheurísticas (Parte 2)
Autores
Añ
o
Bú
squ
eda
Ta
bú
Co
lon
ia d
e
Ho
rmig
as
Alg
ori
tmo
Gen
étic
o
Rec
oci
do
sim
ula
do
Bú
squ
eda
de
Vec
ind
ad
Va
ria
ble
Op
tim
iza
ció
n d
e
En
jam
bre
de
pa
rtíc
ula
s
Bú
squ
eda
Lo
cal
Itera
tiv
a
Otr
as
Met
ah
eurí
stic
as
Jia et. al. 2013 x
Junqueira & Morabito 2015 x
Khouadjia et. al. 2012 x x
Krichen et. al. 2014 x
Küçükoğlu et. al. 2015 x x
Lang et. al. 2014 x
Li et. al. 2010 x
Mancini 2015 x
Mercado et. al. 2013 x
Michallet et. al. 2014 x
Miranda & Conceicao 2016 x
Mitrovic-Minic et. al. 2004 x
Nazif & Lee 2012 x
Norouzi et. al. 2014 x
Prins et. al. 2004 x
Pureza et. al. 2012 x x
Qi et. al. 2012 x
Schneider 2015 x
Schulz 2013 x
Soto et. al. 2008 x x
Sprenger & Mönch 2012 x
Subramanian et. al. 2013 x
Szymon et. al. 2013 x
Taş et. al. 2014 x
Tavakkoli et. al. 2011 x
Tlili et. al. 2014 x x
Vidal et. al. 2014 x
Wen et. al. 2015 x
Wu et. al. 2016 x
Xiao and Jiang-qing 2012 x
Xiao et. al. 2012 x
Yousefikhoshbakht et. al. 2012 x
Yu et. al. 2011 x x
50
La búsqueda Tabú es muy popular, desarrollada a partir de la heurística de
búsqueda local incluyendo adicionalmente una valoración de soluciones, tácticas de
búsqueda local, criterio de finalización y elementos como tabúes en una lista y longitud
de la misma (Jia, Li, Dong, & Ya, 2013).
La optimización por colonia de hormigas (ACO, Ant Colony Optimization)
inspirado en el comportamiento de alimentación de especies de hormigas, es un algoritmo
de inteligencia colectiva para resolver problemas de optimización combinatoria difíciles
de resolver (Ding, Hu, Sun, & Wang, 2012).
El recocido simulado (SA, Simulated Annealing) definido como una técnica de
relajación estocástica. La metodología SA extrae su analogía con el proceso de recocido
de sólidos (Tavakkoli-Moghaddam, Gazanfari, Alinaghian, Salamatbakhsh, & Norouzi,
2011).
Los algoritmos genéticos se definen como una técnica de búsqueda heurística
adaptativa que opera sobre una población de soluciones, muy diferente a la mayoría de
los métodos de búsqueda estocásticos que operan en una sola solución (Pereira &
Tavares, 2008).
La búsqueda de vecindad variable (VNS, Variable Neighborhood Search)
conocida metaheurística basada en trayectoria, los métodos de trayectoria se caracterizan
por el uso de una única solución en cada momento. VNS se basa en el principio de las
vecindades que cambian de forma sistemática con el fin de escapar de los óptimos locales
(Khouadjia et al., 2012).
51
La optimización por enjambre de partículas (PSO, Particle Swarm Optimization)
es un método de búsqueda que se inspiró en el comportamiento de los organismos de
grupos naturales (abejas, peces y enjambres de aves). En el algoritmo PSO, cada partícula
es un individuo y el enjambre se compone de partículas, la posición de cada partícula se
considera como una solución para el problema. Cada partícula deja su posición para una
mejor posición en el espacio de búsqueda multidimensional con una velocidad específica
(Norouzi, Sadegh-Amalnick, & Alinaghiyan, 2015).
La búsqueda local iterativa es una metaheurística basada en el principio de
optimalidad próxima, el cual considera que los óptimos locales a menudo se agrupan en
racimos en el espacio de búsqueda (Michallet et al., 2014). (Subramanian, Uchoa, &
Ochi, 2013) combino esta búsqueda local iterativa con programación entera mixta para
resolver 5 variaciones del VRP: el CVRP, Asimétrico VRP, Abierto VRP, VRP con
recogidas y entregas simultáneas, Múltiples Depósitos VRP y el Múltiples Depósitos
VRP con recogidas y entregas mixtas.
También hay algunas metaheurísticas menos comunes como la búsqueda
Multiobjetivo dispersa propuesto por (Chang & Yen, 2012).
b. Heurísticas
Son métodos que realizan una exploración relativamente limitada del espacio de
búsqueda y por lo general producen buenas soluciones dentro de tiempos de cálculo
razonables. Además, la mayoría de estos métodos fácilmente se pueden adaptar a nuevas
limitaciones encontradas en los contextos de la vida real. De acuerdo con (Toth & Vigo,
2002) estas se pueden agrupar en tres tipos: de dos fases, constructivas y métodos de
52
mejoramiento. En la Tabla 15 esta la clasificación de los artículos que utilizaron
heurísticas.
Tabla 15 Heurísticas
Autores
Añ
o
Do
s F
ase
s
Co
nst
ruct
iva
s
Mét
od
os
de
mej
ora
mie
nto
Arroyave, M. R., &
Naranjo 2014 x
Bae & Moon 2016 x
Daza-Escorcia et. al. 2009 x x
Daza-Escorcia et. al. 2011 x x
Du et. al. 2012 x
Expósito-Izquierdo Et. Al. 2016
Junqueira & Morabito 2015 x
Kok et. al. 2011 x
Kuo et. Al. 2016
Lin et. al. 2011 x
Lin et. al. 2014 x
López et. al. 2015 x
Mannel & Bortfeldt 2016 x
Mitrovic-Minic et. al. 2004 x
Pisinger et. al. 2007 x
Rahimi-Vahed et. al. 2015 x
Sprenger & Mönch 2012 x
Vidal et. al. 2014 x
Wen et. al. 2015 x
Wu et. al. 2016 x
Xiao and Jiang-qing 2012 x
Yan et. al. 2013 x
Yepes et. al. 2003 x
Yousefikhoshbakht et. al. 2012 x Fuente: Producción propia
En las heurísticas de dos fases existen tres familias de métodos: los métodos de
agrupar primero y ruteo después; los métodos de ruteo primero y agrupar después y los
algoritmos de pétalo (Toth & Vigo, 2002). En realidad de la revisión realizada la mayoría
53
corresponden a los métodos de agrupar primero y ruteo después, los cuales pueden
utilizar una gran variedad de métodos para agrupar los vértices a visitar, desde el clásico
algoritmo de barrido hasta métodos mejorados del algoritmo de búsqueda local como la
―Gran búsqueda adaptativa de vecindario (ALNS, Adaptive Large Neighborhood
Search)‖ propuesta por (Pisinger & Ropke, 2007) y con la cual se pueden resolver hasta
cinco variantes del VRP, incluso se han propuesto heurísticas que utilizan elementos de
las metaheurísticas para mejorarlas, tal es el caso de Akpinar (2016), que propuso un
nuevo algoritmo hibrido que combinada una gran búsqueda local con el mecanismo de
construcción de soluciones de una colonia de hormigas (LNS-ACO, Large
Neighbourhood Search – Ant Colony Optimization). Daza, Montoya, & Narducci (2009)
desarrollaron un procedimiento de dos fases a partir de una heurística de ahorros y con
elementos de la búsqueda tabú.
En las heurísticas constructivas el ejemplo más claro es el algoritmo de ahorros de
Clarke y Wright, el cual va poco a poco construyen una solución factible sin perder de
vista el costo de la solución, sin embargo no contienen una fase de mejora como tal (Toth
& Vigo, 2002), por ende, en algunos casos se combinan con otras heurísticas o
metaheurísticas para mejorar las soluciones, por ejemplo en el artículo de (Junqueira &
Morabito, 2015), en el cual el algoritmo de ahorros se combina con un recocido simulado
para resolver un problema de ruteo de vehículos con carga de tres dimensiones.
Al final están los métodos de mejoramiento que tratan de actualizar cualquier
solución factible mediante la realización de una secuencia de intercambios de borde o
vértice dentro o entre las rutas de los vehículos (Toth & Vigo, 2002).
54
c. Métodos exactos
Los métodos exactos se clasifican de acuerdo lo propuesto por Laporte & Nobert
(1987) en tres categorías: programación lineal entera, programación dinámica y búsqueda
directa de árbol. En la Tabla 16 esta la clasificación de los artículos que utilizaron
métodos exactos.
Tabla 16 Métodos exactos
Autores
Añ
o
Pro
gra
ma
ció
n
Lin
eal
En
tera
Pro
gra
ma
ció
n
Din
ám
ica
Bú
squ
eda
dir
ecta
de
árb
ol
Almoustafa et. al. 2013 x
Andreatta et. al. 2016 x x
Archetti et. al. 2015 x
Biesinger et. Al. 2016 x x
Contardo et. al. 2014 x x
Ghiani et. al. 2009 x
Hernandez et. Al. 2016 x x
Kek et. al. 2008 x
Kok et. al. 2012 x
Lin et. al. 2014 x
López et. al. 2015 x
Michallet et. al. 2014 x
Mitrovic-Minic et. al. 2004
Potvin et. al. 2006 x
Subramanian et. al. 2013 x Fuente: Producción propia
La programación lineal entera mixta (MILP, Mixed Integer Linear Programming),
contiene tres tipos de formulaciones (Laporte & Nobert, 1987): Partición de conjuntos,
las cuales utilizan un número muy grande de variables binarias ya que cada una está
asociada a un circuito factible; flujo de vehículos, las cuales usan variables binarias para
55
indicar si un vehículo viaja entre dos ciudades en la solución óptima, estas formulaciones
pueden ser de dos o tres índices; flujo de mercancías asociado a flujos en los arcos. Un
ejemplo muy claro se encuentra en (Contardo & Martinelli, 2014) ya que en su artículo
utilizaron las formulaciones de partición de conjuntos y de flujo de vehículos en
diferentes etapas de su algoritmo propuesto. Otro ejemplo importante se encuentra en
(Hernandez, Feillet, Giroudeau, & Naud, 2016), los cuales propusieron dos estructuras de
ramificación y precios basadas en la formulación de partición de conjuntos.
La programación dinámica consiste en encontrar el costo mínimo alcanzable
utilizando vehículos, mediante una función de costo recursiva (Laporte, 1992). Un
ejemplo de su uso es en la propuesta de (Contardo & Martinelli, 2014) en la cual la
programación dinámica combinada con otros algoritmos resuelven un problema de ruteo
con múltiples depósitos y con restricciones de distancia.
Por ultimo esta la categoría de búsqueda directa de árbol la cual consiste en
construir secuencialmente rutas de vehiculas por medio de un árbol de ramificación y
acotamiento (Laporte & Nobert, 1987). Un ejemplo de aplicación de esta categoría a un
modelo de ruteo con restricciones de distancia y con asignación flexible de inicio y fin de
los depósitos se encuentra en (Kek et al., 2008).
2.1.3.4. Función objetivo
De la Tabla 5 a la Tabla 9 se encuentra la clasificación de las funciones objetivo
utilizadas en los artículos, a continuación se describen cada una de ellas.
56
a. Minimización magnitud de arcos
de los resultados obtenidos se evidencio que la minimización de magnitud de los
arcos es la más frecuente y consta de tres magnitudes que pueden asignarse a los arcos
que unen los nodos del conjunto de clientes a visitar, la primera y más común es la
distancia, un ejemplo se puede encontrar en (Almoustafa, Hanafi, & Mladenović, 2013).
La segunda es el tiempo de desplazamiento, muy utilizada en los problemas con ventanas
de tiempo o problemas que incluyan el factor velocidad promedio por rangos de horas
como el propuesto por (Kok et al., 2012). La tercera es el costo, la cual es muy
conveniente para ser combinada con los costos fijos de vehículos o de múltiples depósitos
como el problema de ruteo con múltiples depósitos y múltiples periodos con una flota
heterogénea propuesto por (Mancini, 2015).
b. Minimización de recursos
La minimización de recursos se refiere a los costos fijos asociados en el uso de
recursos tales como los vehículos, depósitos e incluso opciones de tercerización como el
uso de centros intermedios de distribución de proveedores que prestan servicios a otras
empresas (Sprenger & Mönch, 2012).
c. Multiobjetivo
Aunque su participación es baja respecto de las dos primeras, es muy utilizada en
los artículos que tratan problemas reales de mensajería o distribución, tal es el caso de la
propuesta para resolver ―Rich VRP‖ del mundo real propuesto por (de Armas, Melián-
Batista, Moreno-Pérez, & Brito, 2015).
57
d. Minimización de penalidades
Las funciones objetivo incluyen costos de penalización ocasionados por incumplir
algunas restricciones que han sido relajadas desde ventanas de tiempo que permiten llegar
más temprano o más tarde como es el caso de (Taş, Jabali, & Van Woensel, 2014) hasta
la flexibilización de la fecha de entrega como en la propuesta de (Archetti et al., 2015).
e. Prioridades
Las funciones utilizadas en programación dinámica las cuales están basadas en
prioridades y de nuevo la propuesta de (Contardo & Martinelli, 2014) ejemplifica el uso
de ellas.
f. Otros
Son funciones objetivos que no se pueden clasificar del todo en alguna otra de las
categorías, como por ejemplo, la maximización de rentabilidad propuesta por (Yepes
Piqueras & Medina Folgado, 2003).
2.1.3.5. Combinación de restricciones
En la Tabla 17 se agrupan los artículos que consideran más de una restricción y
los que solo utilizan una restricción. Como se mencionó en secciones anteriores muchos
autores optaron por analizar un solo tipo de VRP y esto se evidencio fácilmente en la
revisión del presente artículo ya que 53 artículos son propuestas para un solo tipo de VRP
y tan solo 19 trabajaron en problemas de ruteo de mayor complejidad al combinar 2 o
más restricciones. Tomando como base estos últimos y las demás clasificaciones
presentadas en secciones anteriores, se encontró que las propuestas aplicadas a
mensajería utilizaron mayormente la combinación de más de dos restricciones. Por otro
58
lado, no hay una tendencia marcada por algún método de solución, ya que, los tres tipos
de métodos se usan en proporciones similares. La combinación más frecuente son las
ventanas de tiempo unidas a restricciones de recoger y entregar para lo cual un ejemplo
explícito de esta combinación se encuentra en (C. K. Y. Lin, 2011).
Tabla 17 Combinación de restricciones
Aplicación
Ruteo
Tipo de
VRP
Método de
solución Función Objetivo Tipo de
datos
Co
mb
ina
ció
n d
e
Res
tric
cio
nes
Men
saje
ría
Dis
trib
uci
ón
Gen
era
l
Va
ria
nte
s B
ási
cas
Otr
as
Va
ria
nte
s
Met
ah
eurí
stic
a
Heu
ríst
ica
Mét
od
o E
xa
cto
Min
Mag
nit
ud
arc
os
Min
de
Rec
urs
os
Mu
ltio
bje
tiv
o
Min
Pen
ali
da
des
Pri
ori
da
des
Otr
os
Teó
rico
s
Rea
les
NO 4 20 27 38 13 39 14 8 40 9 6 4 1 6 42 14
SI 6 4 9 12 15 8 10 7 13 4 0 1 5 1 14 9
Fuente: Producción propia
2.1.3.6. Tipos de datos
La gran mayoría de los artículos utilizaron datos teóricos en especial las instancias
de Solomon, evidenciando la utilidad de estas instancias para comparar fácilmente los
resultados con las propuestas de otros autores que pueden estar al otro lado del mundo y
haber propuesto para un problema similar un método muy diferente. Por otra parte
también es síntoma de la dificultad de acceder a datos reales, sin embargo, es importante
destacar que 23 autores utilizaron ambos tipos de datos tanto reales como teóricos,
situación ideal para la validación de un método de solución, tal es el caso del problema de
carga tridimensional mencionado anteriormente el cual fue propuesto por (Junqueira &
Morabito, 2015).
59
2.2. Sistemas expertos
Al empezar a revisar los antecedentes sobre los sistemas expertos, en primera
instancia se encuentra la definición de inteligencia artificial aportada por (Rossini, 2000)
la cual se refiere a la capacidad de emular las funciones inteligentes del cerebro humano.
El mismo autor establece el concepto de sistemas expertos como un derivado del término
―Sistema experto basado en conocimiento‖ y lo clasifica en un subconjunto de la
inteligencia artificial.
En términos generales un sistema experto es un sistema que emplea conocimiento
humano capturado en una computadora para resolver problemas que normalmente
requieran de expertos humanos. Los sistemas bien diseñados imitan el proceso de
razonamiento que los expertos utilizan para resolver problemas específicos. Dichos
sistemas pueden ser usados por no-expertos para mejorar las habilidades en la resolución
de problemas o como asistentes para expertos dada que estos sistemas pueden funcionar
mejor que cualquier ser humano experto individualmente tomando decisiones en una área
específica de pericia, también llamada dominio (Turban, 1995).
Existen dificultades en la utilización de los sistemas expertos por la necesidad de
manipulación de grandes cantidades de información para emular una actividad realmente
experta en el sentido humano. Es por eso que (Badaró, Ibañez, & Agüero, 2013) define
dos puntos estratégicos a tratar:
Identificar la información necesaria para el tópico en cuestión, confrontando la
base de conocimiento.
60
Codificar de manera concisa, eficiente y precisa la información, de modo que la
manipulación sea efectiva y ubicua.
El mismo autor a su vez identifica las principales características que debe poseer un
sistema experto (SE), comenzando con:
Estructura: Un SE debe contener un subsistema de adquisición de conocimiento
para acumular, transferir y transformar la experiencia para resolver problemas;
una base de conocimiento para comprender, formular y resolver problemas; una
base de hechos del problema a solucionar; un motor de inferencia que funcione
como interpretador de reglas y estructura de control; y un subsistema de
justificación que explique el comportamiento del sistema experto cuando se halle
la solución.
Tipología: Dado que los SE trabajan mediante la aplicación de reglas,
comparación de resultados y aplicación de nuevas reglas basadas en la nueva
situación, se definen tipos de SE como: Basados en casos, Basados en redes
bayesianas o SE difusos.
Algoritmos: Los SE utilizan con más regularidad el tipo de algoritmo Rete, que
compara una larga colección de patrones con una larga colección de objetos,
encontrando todos los objetos que coinciden con cada patrón. Sin embargo existen
otros algoritmos como Eaguer Evaluation y Lazy Evaluation.
Herramientas: Las tecnologías y frameworks disponibles para construir un sistema
experto, existen lenguajes de programación como PROLOG, CLIPS, JESS,
Drools, Jena, JEOps y OpenCyc, entre otros.
61
La tendencia actual de acuerdo a (Badaró et al., 2013) se dirige hacia diferentes
campos de la industria y la ciencia, dentro de los cuales se encuentra el transporte, sector
económico al que hace parte el problema a solucionar en este documento.
Evaluando literatura donde se han aplicado sistemas expertos en problemas de
ruteo de vehículos, se encuentra el trabajo de (Zhang, 1994) quien practicó un sistema
experto experimental proveyendo soluciones heurísticas a este problema. El autor
soluciona el problema separando los dos procesos de valor: Un generador de rutas inicial
y un mejorador de rutas.
El generador de ruta diseñado utiliza una versión mejorada del algoritmo Sweep y
una variación de algoritmo TSP, llamado el Shrink Algorithm que otorgaba una eficiencia
computacional superior a métodos como el Lin’s Exchanged Method.
En este componente el algoritmo Sweep mejorado utiliza un estimador para
rápidamente estimar los costos de una solución, en vez del algoritmo TSP convencional,
teniendo por supuesto en cuenta el margen de error y estableciendo un lote que se
acomoda a un número de soluciones posible (cada una hecha de una combinación de
rutas) que tienen los costos estimados más bajos. A su vez se mejora el algoritmo al tener
en cuenta la capacidad limitada de los vehículos, utilizando un método “look-ahead” se
remediaron inconvenientes en encontrar soluciones factibles tras tener en cuenta esta
restricción.
Para el siguiente paso secuencial, el mejorador de rutas, se utilizaron dos sub-
componentes, el primero es un SE sencillo que identifica y soluciona problemas
específicos de las rutas iniciales, mientras que el segundo sub-componente trata de
62
reducir los costos totales de la operación a través del emparejamiento y re-ruteo (Pair-
Wise Re-Router) que funciona a través del Saving Algorithm on Neighboring Route Pairs.
Los resultados obtenidos por el sistema, probados en varios escenarios típicos de
ruteo, han alcanzado resultados óptimos o cercanos a soluciones óptimas, justificando
científicamente la implementación de esta herramienta como solución (o parte de la
solución) al problema de ruteo de vehículos con ventanas de tiempo y con restricciones
de distancia y horario en la capacidad a tratar en este documento.
2.4. Sector de mensajería
Una de las principales empresas en el sector mensajería y paquetería en Colombia
es Servientrega, por ende, es también competencia en algunos de los productos de la
empresa en la cual está inspirado el problema a investigar.
De acuerdo con una tesis de grado de Ingeniería Industrial de la Universidad del
Valle (Echeverry, 2013)i Servientrega no tiene un modelo estándar de ruteo de vehículos,
por el contrario utiliza un método empírico. En esta tesis se propuso un modelo
asignación basado en la heurística de Clark – Right.
Observando estudios realizados a otras empresas de mensajería de otros países se
encontró una tesis de Maestría en Ecuador (Tomalá Robles & Pincay Villa, 2010) en la
cual se propone un método evolutivo para un problema de ruteo con ventanas de tiempo
en un servicio de Courier.
Finalmente, en empresas de un mayor alcance internacional se encontró que DHL
publicó en su página web (―The next generation of route planning‖, s.f.)ii que utilizan el
ruteo de vehículos a través de una planificación dinámica de rutas, en la cual se considera
63
que la situación de entrega cambia constantemente. Estos cambios pueden ser entregas
nuevas o canceladas o condiciones ambientales alteradas. Con la ayuda de un sistema de
gestión electrónico llamado telemática del transporte por carretera, DHL evita por
ejemplo, los atascos de tráfico.
64
CAPITULO 3: PROPUESTA
3.1. Formulación del problema
3.1.1. Definición general
Se considera un conjunto de clientes { } geográficamente
distribuidos, en donde cada cliente está esperando un producto. Los vehículos que visitan
los clientes son idénticos { } y pertenecen a un deposito central { } el cual
se considera el punto de inicio y fin de todos los vehículos. Todos los clientes deben ser
visitados una única vez por un solo vehículo durante el periodo de planeación de p días.
El problema se puede definir como un grafo completo dirigido { } en donde
{ } es el conjunto de vértices y { } es el conjunto de
arcos. Cada arco tiene un valor no negativo asociado el cual representa la
distancia desde hasta . El objetivo es establecer el conjunto de rutas a seguir por los
vehículos de forma tal que se minimice la distancia total recorrida por todos los vehículos
y se visiten todos los clientes. Los supuestos para la formulación del problema analizado
se enlistan a continuación:
El tiempo de visita es igual para todos los clientes y todos los vehículos. Q
Los clientes tienen asociada una ventana de tiempo dura.
Los clientes tienen una fecha límite de gestión para ser visitados (Due Date).
Todos los vehículos son homogéneos y tienen la misma capacidad de carga.
Cada vehículo tiene un tiempo máximo disponible para los desplazamientos y tiempos de
visita, delimitado por un horario.
Todos los vehículos empiezan y terminan en el depósito central.
65
Los tiempos de viaje son determinísticos y cumplen el triángulo de desigualdad
3.1.2. Etapas del problema
Para resolver el problema descrito anteriormente, se propone descomponerlo en
tres etapas, para luego solucionarlas de forma sucesiva:
1. Programación: determina la fecha de visita de cada vértice del conjunto en el
periodo de planeación de días, teniendo en cuenta, las fechas de las citas, las
fechas límites de visita y las distancias de los arcos que pertenecen a A. Para
ello se utiliza un sistema experto, cuya estructura se compone principalmente de
una base de conocimiento, un motor de inferencia que funciona como
interpretador de reglas y un subsistema que justificación que explica el
comportamiento del sistema experto cuando se halla la solución (Badaró, Ibañez,
& Agüero, 2013).
2. Zonificación (Clustering): agrupa los vértices del conjunto de acuerdo a las
distancias , que pertenecen a , y los asigna a un vehículo teniendo en
cuenta el máximo de puntos que puede visitar en su horario de capacidad
[ ], su máxima capacidad de carga y las ventanas de tiempo de los clientes
[ ].
3. Diseño de rutas: es un proceso de optimización individual que consiste en
determinar el orden en que cada vehículo visitara los clientes que le fueron
asignados en el proceso de zonificación, teniendo también en cuenta las ventanas
de tiempo de los clientes y su horario de capacidad disponible.
66
3.1.3. Notación del problema
En la tabla 1 se resumen conjuntos, parámetros y variables que se utilizaran para
formular el modelo matemático de cada una de las etapas descritas en la sección anterior.
Tabla 18 Notación del problema
Conjuntos:
conjunto de clientes
conjunto de vertices
conjunto de arcos
conjunto de días que componen el horizonte de planeación
conjunto de vértices a visitar por día
conjunto de arcos que unen los vertices a visitar por dia
conjunro de vértices a visitar por día por el vehículo k
conjunro de arcos que unen los vértices a visitar por día por el vehículo k
𝐾 conjunto de vehiculos
Parámetros:
𝑁 número de clientes
número de vehículos
tiempo estandar de visita
capacidad de carga de los vehículos
costo por hora de los vehículos
demanda del cliente j
límite inferior ventana de tiempo cliente
límite superior ventana de tiempo cliente
limite inferior horario disponible vehículo
límite superior horario disponible vehículo
tiempo de recorrido máximo para el vehículo
distancia entre los arcos en km
velocidad promedio en km/hora
tiempo de desplazamiento en horas para los arcos
costo fijo asociado al vehiculo
fecha cita del cliente
fecha límite de visita del cliente j
capacidad de visitas promedio por hora de los vehículos
Horas disponibles totales de todos los vehiculos
Variables Binarias:
si el cliente es visitado en el periodo
67
si el cliente es visitado por el vehiculo
si el arco es utilizado para la solución optima
si el vehiculo es utilizado
Variables Enteras:
𝑁 cantidad de clientes a visitar el dia
Variables Continuas:
inicio de visita en el cliente
carga acumulada entregada hasta el cliente Fuente: Producción propia
3.1.4. Supuestos de la propuesta
En esta sección se resumen los supuestos sobre los cuales está construida la
propuesta, los cuales se enlistan a continuación:
No todos los clientes serán visitados en el horizonte de planeación, se
priorizan los clientes más importantes hasta utilizar la máxima capacidad
disponible.
Los tiempos de visita y los tiempos de desplazamiento se consideran
determinísticos.
Los vehículos están asociados a un depósito central.
En la etapa de programación se deben cumplir las fechas de citas de los
clientes, es decir, siempre un documento debe ser programado a ruta en la
fecha de su cita.
No todos los clientes tienen cita y pueden ser visitados en cualquier día,
preferiblemente antes de su fecha de vencimiento.
Las fechas de vencimiento no son estrictas, sin embargo, los clientes que
envían los paquetes o documentos, exigen que la gran mayoría sea visitado
en tiempo.
68
El nivel de servicio en cada día se mide como el cumplimiento las ventana
de tiempo de los clientes que tenían cita, es decir, la cantidad de clientes
con una ventana de tiempo y fueron efectivamente visitados sobre el total
de clientes con una ventana de tiempo asociada.
3.2. Formulación matemática
3.2.1. Programación
Se realiza para todos los clientes que deben ser visitados en el horizonte de
planeación. Esta se puede representar como el siguiente modelo de programación
matemática:
𝑀
∑ ∑ ∑
𝑁
(2)
Sujeto a:
(3)
∑
(4)
∑
(5)
{ } (6)
La función objetivo (2) busca minimizar la distancia promedio entre todos los
clientes a visitar en cada día del horizonte de planeación, logrando así maximizar la
concentración de las zonas a visitar. La restricción (3) representa la relación que existe
entre la asignación de un cliente a un día en función de las fechas de citas de los clientes,
69
las fechas límites de visita de los clientes, la capacidad máxima de carga de los vehículos,
la cantidad de vehículos disponibles, la capacidad promedio de visitas por hora de los
vehículos y las horas disponibles totales de los vehículos. En esta etapa de programación,
esta relación se representa bajo un conjunto de reglas que componen un sistema experto,
las cuales incluyen reglas básicas para cumplir las restricciones, un ejemplo es la fecha
de cita y también reglas de prioridad, algunos ejemplos son, priorizar clientes que están
muy cerca de su fecha límite de visita, priorizar clientes que no tienen una cita y se
encuentran cerca de otro que si tiene para ser programados en la misma fecha. La
restricción (4) asegura que cada cliente tenga asignada una fecha de visita en el horizonte
de planeación. La restricción (5) controla la cantidad máxima de documentos que se
pueden programar para ser visitados cada día de acuerdo a la capacidad disponible. Por
último la restricción (6) define la variable binaria utilizada.
3.2.2. Zonificación (Clustering)
Se realiza por cada día del horizonte de planeación. El modelo matemático se
presenta a continuación:
𝑀 ∑ ∑
𝑁
(7)
Sujeto a:
𝐾 (8)
∑
𝐾 (9)
{ } (10)
70
La función objetivo (7) busca minimizar la distancia promedio entre todos los
clientes a visitar por el vehículo k. La restricción (8) asegura que los clientes con
ventanas de tiempo sean asignados a vehículos que su horario empiece antes de dicha
ventana. La restricción (9) controla que no se sobrepase la capacidad máxima de carga de
los vehículos. La restricción (10) define la variable binaria utilizada.
3.2.3. Diseño de rutas
Se realiza por cada vehículo y por cada día del horizonte de planeación. Para
considerar las ventanas de tiempo se calcula el tiempo de desplazamiento ⁄ .
El modelo matemático se describe a continuación:
𝑀 ∑∑
(11)
Sujeto a:
∑
(12)
∑
∑
(13)
( ) 𝑀( ) (14)
( ) 𝑀( ) (15)
(16)
𝑀( ) (17)
∑
∑
(18)
71
{ } (19)
{ } (20)
(21)
La función objetivo (11) busca minimizar los costos de visitar los clientes
multiplicando los tiempos de desplazamientos de todas las rutas por el costo de una hora
trabajada de un vehículo. La restricción (12) asegura que cada cliente sea visitado una
vez. La restricción (13) permite la conservación del flujo regulando que cada vehículo
después de visitar un cliente salga a visitar otro punto. Las restricciones (14) y (15)
asignan los valores a las variables de carga acumulada y previenen que se formen sub-
rutas. La restricción (16) asegura que la capacidad de carga de los vehículos no se
exceda. La restricción (17) asegura que se cumplan las ventanas de tiempo de los clientes.
Las restricciones (18) y (19) controlan que las rutas a realizar por parte de los vehículos
estén dentro de sus horarios disponibles. Las restricción (20) corresponden a la
definición de la variable binaria. Por último la restricción (21) asegura que los tiempos de
inicio de las visitas no pueden ser negativos.
3.3. Métodos de solución propuestos
3.3.1. Programación
En el caso de los servicios de mensajería y como se en la formulación del
problema, la programación es desempeñada por trabajadores que utilizan principalmente
su experiencia para determinar que día del horizonte de planeación debe ser visitado
cada cliente, teniendo en cuenta las variables, tales como, las fechas de citas de los
72
clientes, las fechas límites de visita de los clientes, la capacidad máxima de carga de los
vehículos, etc. Esta experiencia de los trabajadores requiere ser representada en un
modelo que permita cumplir eficazmente la programación y evite la posibilidad de
errores humanos, por lo cual, proponemos sintetizar esta experiencia en un sistema
experto, el cual en términos generales emplea conocimiento humano capturado en una
computadora para resolver problemas que normalmente requieran de expertos humanos.
Los sistemas bien diseñados imitan el proceso de razonamiento que los expertos utilizan
para resolver problemas específicos (Turban, 1995).
Las reglas que se diseñaran a partir de la experiencia de los trabajadores, el
sistema experto utilizara como función de desempeño, la función objetivo establecida en
la ecuación (1), es decir, la minimización de la distancia promedio entre todos los clientes
a visitar en cada día del horizonte de planeación.
3.3.2. Zonificación (Clustering)
Para la solución de esta etapa existen diferentes métodos que permiten agrupar los
clientes, para este proyecto se probaron las siguientes opciones que se utilizaron en el
artículo de (Chirva, Cruz, & Santana, 2016), con el fin de modificarlas para que
consideren las ventanas de tiempo que tienen los clientes y los horarios disponibles de los
vehículos.
Heurística de asignación basada en centros geométricos
Heurística de barrido basada en coordenadas polares
Modelo de localización propuesto
73
3.3.3. Diseño de rutas
Finalmente después de lograr asignar para cada día del horizonte de planeación un
conjunto de clientes a visitar por cada vehículo, se obtiene como resultado poder
simplificar el problema de ruteo de vehículos hasta un TSP con ventanas de tiempo y
restricciones de distancia y horario en la capacidad.
Para la solución de este problema se propone utilizar la metaheurística de colonia
de hormigas porque el TSP con ventanas de tiempo (TSPTW) se considera un NP-
completo, es decir, pertenece a los problemas de optimización combinatoria que son
difíciles de resolver y de acuerdo con (Glover & Kochenberger, 2003), la colonia de
hormigas ha tenido numerosas implementaciones exitosas en una amplia gama de
diferentes problemas de optimización combinatoria. Según (Glover & Kochenberger,
2003) para estos problemas muy a menudo los algoritmos de ACO son acoplados con
capacidades adicionales, tales como optimizadores locales para problemas específicos,
que toman las soluciones de las hormigas a los óptimos locales. Algunos ejemplos
recientes de estas exitosas aplicaciones de ACO para el TSPTW las podemos encontrar
en los artículos de (Kara & Derya, 2015), (López-Ibáñez & Blum, 2010), (Cheng & Mao,
2007) y (Favaretto, Moretti, & Pellegrini, 2004).
Además, si se toma en cuenta que la colonia de hormiga también se ha utilizado
para el VRPTW más propuestas se pueden encontrar tales como (Ding et al., 2012),
(Pureza et al., 2012) y (Yu et al., 2011).
74
3.4. Estructura métodos de solución propuestos
3.4.1. Sistema experto para la etapa de Programación
Los principales componentes que harán parte del sistema experto son la base de
conocimiento y el motor de inferencia, en las siguientes secciones se describen cada uno
de estos.
3.4.1.1. Base de conocimiento
A través de un proceso de revisión documental de los procedimientos internos, los
acuerdos de servicio y también mediante entrevistas a los empleados que desarrollan las
actividades de programación, los cuales se pueden considerar pseudo-expertos, se
formularan las reglas del tipo Si (condición) entonces (acción), la cuales en su conjunto
crean la base de conocimiento.
3.4.1.2. Motor de inferencia
De acuerdo con Chen (2004) el motor de inferencia es un interpretador de reglas
que decide cuando aplicar las reglas. A partir de esta definición, se agruparan las reglas
de la base de conocimiento en tres módulos, para ser aplicadas en forma ordenada y
secuencial.
Módulo 1 Reglas estáticas: El primer módulo está compuesto reglas que se
denominan estáticas porque se aplican a todos los paquetes de los clientes a
visitar del inventario disponible. Estas reglas se basan en los procedimientos
internos y en los acuerdos de servicio con los clientes. El resultado es la modulo
es la modificación de un atributo denominado estado de ruta, este atributo puede
asumir tres valores: pendiente, descartado y programado. Si se cumpla alguna
75
regla el atributo cambia a ―descartado‖. Si no se cumple ninguna de las reglas
del módulo el atributo queda con valor ―pendiente‖.
Módulo 2 Citas: El segundo módulo contiene una sola regla, sin embargo, es la
más importante y la base de aplicación del siguiente modulo. La regla consiste
en evaluar si el cliente tiene una cita asignada dentro del horizonte de
planeación, si es así, cambia el estado de ruta a programado y hace igual la fecha
de ruta a la fecha de cita.
Módulo 3 Reglas dinámicas: El tercer módulo contiene un conjunto de reglas
que se activan solo si se requieren. Estas reglas fueron diseñadas para
aprovechar la ventaja de los sistemas expertos, que consiste en búsquedas
intensivas, es decir, en lugar realizar esfuerzos computacionales aplicando
repetidamente diferentes reglas a los mismos hechos, los esfuerzos se encaminan
en buscar en una base grande hechos, aquellos que activen las reglas. Esta reglas
se construyen a partir de la experiencia y conocimiento de los pseudo-expertos
que programan las rutas.
76
3.4.2. Heurísticas para la etapa de Zonificación (Clustering)
3.4.2.1. Heurística de asignación basada en centros geométricos
Esta heurística parte de la geometría de los centros geométricos, alrededor de los
cuales se genera el entorno del clúster. Este método se divide en dos fases (Shin & Han,
2012).
En la primera fase, se inicia seleccionando el nodo más distante del origen, dentro
de los nodos que no han sido previamente asignados, y se genera un clúster; después se
debe calcular el centro geométrico (21) entre estos nodos, donde y
son las
coordenadas en x, y de los nodos que pertenecen al clúster.
(∑ ⁄
∑ ⁄
) (21)
Los nodos más cercanos al centro geométrico se van adicionando teniendo en
cuenta la capacidad definida de cada clúster, la cual corresponde a la capacidad de un
vehículos, las ventanas de tiempo asociadas a los clientes y los horarios disponibles de los
vehículos. En la Tabla 19 se muestra el procedimiento de la primera fase, en negrilla y
subrayado se encuentran las modificaciones realizadas con respecto a la heurística
original para considerar las ventanas de tiempo.
Tabla 19 Heurística de asignación basada en centros geométricos Fase 1
Inicialización Fase 1
Sea y
Mientras (exista un paquete sin clúster)
: El cliente más lejano al origen entre todos los paquetes sin clúster
Si la ventana de tiempo del cliente está en contenida en el horario del
clúster o viceversa
Generar el clúster con el cliente
77
Establecer la capacidad del clúster =
Mientras (La demanda de los clientes no excedan la capacidad de )
Adicionar el cliente al clúster
Reducir la capacidad disponible de tanto como la demanda del
cliente
Calcular
Si la ventana de tiempo del cliente está en contenida en el
horario del clúster o viceversa
: Nodo más cercano al
Fin si
Fin Mientras
Fin Si
Fin Mientras
Fin Fase 1
Fuente: (Chirva et al., 2016) Adaptación propia
Después de generar los clúster, se deben ajustar en una segunda fase mediante el
procedimiento mostrado en la Tabla 20.
Tabla 20 Heurística de asignación basada en centros geométricos Fase 2
Inicialización Fase 2
Establecer { }, el cual es el conjunto de clúster generados en
la fase
Para hasta se debe repetir
Para cada paquete del clúster y
Para cada clúster en .
Si la ventana de tiempo del cliente está en contenida
en el horario del clúster o viceversa
Si ( y es más cercano a que a y la
demanda del cliente es menor o igual que la
capacidad disponible del clúster )
Mover el cliente de a
Recalcular y
Fin si
Fin si
78
Fin Para
Fin Para
Fin Para
Fin Fase 2
Fuente: (Chirva et al., 2016) Adaptación propia
3.4.2.2. Heurística de barrido
La heurística de barrido forma los clúster a partir de un punto de origen desde el
cual despliega una semirrecta y la rota en la zona en donde se encuentran los diferentes
nodos a asignar. El área abordada en el proceso de barrido constituye el clúster, siempre
que cumpla con la restricción de capacidad indicada para cada uno de éstos (Olivera,
2004).
Al igual que la heurística basada en centros geométricos, se modificó la heurística
de barrido para que tenga en cuenta las ventanas de tiempo asociadas a los clientes y los
horarios disponibles de los vehículos. En la Tabla 21 se muestra el procedimiento del
algoritmo, también en negrilla y subrayado se resaltan las modificaciones realizadas.
Tabla 21 Heurística de barrido
Inicialización Fase 1
Sea y
Calcular coordenadas polares de los clientes ( Ordenar los clúster por horario
Ordenar a los clientes según en valor de
Si (
Organizar a los clientes en orden ascendente según el valor de
Fin si
Fin Fase 1
Generación de clúster Fase 2
Para desde primer hasta el último clúster en
Seleccionar un cliente inicial
Hacer y { }
Mientras (exista un cliente sin clúster)
Seleccionar el siguiente cliente
79
Si la ventana de tiempo de está en contenida en el horario del clúster
o viceversa
Si ( La demanda del cliente respetan la restricción de capacidad del
vehículo)
Hacer
{ }
Si no
Salir del para
Fin si
Fin si
Fin mientras
Fin para
Fin Fase 2
Fuente: (Chirva et al., 2016) Adaptación propia.
3.4.2.3. Modelo de localización modificada
El tercer método a evaluar para generar los clúster es una propuesta propia de
(Chirva et al., 2016), la cual consiste en una modificación entre el modelo de asignación
generalizada (GAP) y el modelo de localización de Bramel y Simchi-Levi. El modelo de
localización propuesto fue aplicado para un proceso de recolección de basuras. En la
Tabla 22 se resume la notación del modelo.
Tabla 22 Notación modelo de localización
Conjuntos:
𝐼 ∶ {𝐼1, 𝐼2, 𝐼3. . . 𝐼 } Conjunto de clientes indexados por . 𝐽: {𝐽0, 𝐽1, 𝐽2, 𝐽3… 𝐽 } Conjunto de concentradores indexados por j.
𝐾 ∶ {𝐾1, 𝐾2, 𝐾3. . . 𝐾𝜎} Conjunto de vehículos indexados por .
Parámetros:
: Distancia entre el origen y el concentrador . : Distancia entre el concentrador y el nodo .
: Demanda del cliente . : Capacidad del concentrador para el vehículo asignado .
Variables Binarias:
: Toma el valor de 1 si el cliente es asignado al concentrador , 0 sino.
: Toma el valor de 1 si el vehículo es asignado al concentrador , 0 sino.
Fuente: (Chirva et al., 2016) Adaptación propia.
80
La formulación del modelo lineal de programación entera se presenta a
continuación:
𝑀 ∑ ∑
∑ ∑
(22)
Sujeto a.
∑
𝐼 (23)
∑
{ }
∑
𝐽 (24)
∑
𝐾 (25)
{ } 𝐽 𝐼 (26)
{ } 𝐽 𝐾 (27)
La función objetivo (22) busca minimizar la distancia de recorrido desde el origen
a uno de los clientes, que hacen el papel de concentradores y la distancia entre la el
cliente concentrador y los demás clientes. Las restricciones (23) obligan a que cada
manzana sea asignada solamente a una manzana concentradora. Las restricciones (24)
hacen que se respete la capacidad destinada a cada clúster. Las restricciones (25) obligan
a que cada vehículo tenga únicamente un cliente concentrador y las restricciones (26) y
(27) definen las variables y como variables binarias.
Después de comprender el modelo de localización propuesto se procedió a
aplicarlo en una muestra de 3.000 clientes, sin embargo, ni el Solver de Microsoft Excel
2010 32 bit, ni el programa Xpress-IVE versión 1.24.08 64 bit, soportan las más de 3.000
que se requieren.
81
3.4.3. Metaheurística para la etapa de Diseño de rutas
Con el fin de determinar el orden de visita de los clientes asignados a cada
vehículo en la etapa de zonificación (clustering), considerando las ventanas de tiempo de
los clientes y el horario de los vehículos, de todos los autores que se mencionaron en la
sección 3.3.3. Diseño de rutas, que realizaron estudios sobre la aplicación de algoritmos
de colonia de hormigas para el problema del TSPTW, se seleccionó el estudio realizado
por (Cheng & Mao, 2007) porque contiene una detallado paso a paso del funcionamiento
del algoritmo que propusieron, lo cual facilita su implementación en un lenguaje de
programación y por ende la solución consecutiva de un gran número de rutas.
En su estudio Cheng & Mao (2007) desarrollaron un algoritmo de hormigas
modificado, llamado ACS-TSPTW (Ant Colony System-TSPTW), basado en la técnica
ACO para resolver el TSPTW. Dos heurísticas locales están integradas en el algoritmo
ACS-TSPTW para gestionar las limitaciones de ventana de tiempo del problema. A
continuación se describirán los principales componente del ACS-TSPTW.
a. ACS (Ant Colony System)
El algoritmo ACS define la cantidad de feromona depositada para cada camino
con actualización global y local. La actualización local se define por la
ecuación (28).
(28)
Donde Es la cantidad de feromona en el camino i, j para el tiempo t,
es la taza de evaporación local y es el incremento de feromona en el
camino i, j dado por la función (29).
82
{𝐿
(29)
Donde L* es la distancia recorrida por el mejor camino T*. Y la actualización
global va dada por la ecuación (30).
(30)
Donde es la taza de evaporación global
Regla de transición de nodo. La decisión de moverse al siguiente nodo j se toma
con la función (31).
{
(31)
b. Heurísticas locales
y son heurísticas que se definirán a continuación y son parámetros
definidos por el usuario que determinan la importancia de y . S es el resultado de la
función probabilística (32).
{
∑
𝑁
(32)
Donde Es el conjunto de nodos que la hormiga no ha visitado en este recorrido.
La heurística local aumenta la importancia de los nodos cercanos a su
hora de cierre y se define con la función (33).
{
( ( ))
(33)
83
Donde Es el tiempo restante para que el nodo j cierre y se define como
siendo el tiempo para que el nodo j cierre y el tiempo actual,
controla la curva de probabilidad y se define como el promedio de .
La heurística local aumenta la importancia de los nodos cercanos a su
hora de entrada y se define con la función (34).
{
( ( ))
(34)
Donde Es el tiempo restante para que el nodo j abra y se define como
siendo el tiempo para que el nodo j abra y el tiempo actual,
controla la curva de probabilidad y se define como el promedio de . Notese
que Cuando es negativo, es decir que se le da máxima prioridad a los
nodos abiertos.
84
c. Notación del algoritmo
En la tabla se resume la notación principal utilizada para el ACS-TSPTW.
Tabla 23 Notación ACS-TSPTW
: Feromona del nodo i al j durante la iteración t
: Actualización de feromona del nodo i al j durante la iteración t
A: Conjunto de caminos entre nodos, Matriz de tamaño n*n
𝑁 : Caminos que faltan por recorrer por la hormiga actual
: Heurística que aumenta la importancia de los nodos cercanos a su hora de cierre
: Heurística que aumenta la importancia de los nodos que no requieren de tiempo de
espera
T*: Mejor camino actual
L*: Tiempo de recorrido del mejor camino actual
d. Procesamiento del ACS-TSPTW
Los pasos básicos de procesamiento en ACS-TSPTW se encuentran a
continuación:
Tabla 24 Procesamiento ACS-TSPTW
Paso 0 Fijar t = 0, o t = tiempo de inicio de ruta.
Fijar valores iniciales Para todo
Poner m hormigas en el depósito, o en un nodo aleatorio.
Fijar Para todo
Paso 1 Construcción de ruta:
Para i=0 hasta n: (Con n siendo el número de nodos)
Para cada k = 1 hasta m:
Si 𝑁 No está vacío Paso 1.1 Heurísticas locales:
Calcular y Para todo 𝑁 siguiendo las ecuaciones (33) y
(34)
Si 𝑁 Continuar con el siguiente K (no más caminos
factibles)
Paso 1.2 Movimiento:
Elegir el siguiente nodo j siguiendo las reglas dadas en las
ecuaciones (31) y (32)
Eliminar j de
Paso 2 Memorizar el mejor camino encontrado hasta ahora T* y su tiempo de viaje L*
85
Paso 3 Restaurar 𝑁 para cada hormiga
Paso 4 Actualización local:
Para todo : Actualizar la feromona de acuerdo a la ecuación (28)
Paso 5 Actualización local:
Para todo T*: Actualizar la feromona de acuerdo a la ecuación (30)
Paso 6 Criterio de parada:
Si el criterio de parada se cumple entonces detenerse, de otra forma: Ir al paso 1 Fuente: (Cheng & Mao, 2007) adaptación propia
86
CAPITULO 4: RESULTADOS CASO DE ESTUDIO
4.1 Presentación caso de estudio
Con el fin de evaluar el sistema experto hibrido se tomara como caso de estudio el
servicio prestado por una empresa de mensajería en Bogotá, la cual cuenta con una flota
de más de doscientos operadores movilizados en motocicletas, cuya función es la de
prestar el servicio de mensajería.
Para el año 2016 en la ciudad de Bogotá la empresa cuenta con tres centros de
operación, desde los cuales aproximadamente se distribuyen 3.500 paquetes o
documentos por día, es decir, 700 documentos en promedio por cada centro, lo cuales
cuentan con 20 a 32 operadores motorizados, estos pueden llevar desde 10 hasta 60
paquetes por día, dependiendo de su horario.
En el caso de estudio se tienen también las dos restricciones de los servicios de
mensajería mencionadas en la descripción del problema, citas programadas por cumplir
de algunos de los paquetes distribuidos y una capacidad de visitas, delimitada por
horarios de los motorizados. Estos horarios disponibles se actualizan semanalmente, sin
embargo, si hay novedades de reducción de capacidad, tales como incapacidades durante
de la semana el parámetro de capacidad total disponible se puede ajustar.
4.1.1. Atributos
Los paquetes que deben ser entregados a los clientes tienen un conjunto de
atributos o características, con los cuales se seleccionan o priorizan los paquetes que
deben ser programados a ruta. En el caso de estudio los paquetes tienen más de 60
atributos, sin embargo, muchos de ellos son solo informativos y las reglas de decisión no
87
los afectan, es por ello, que para el diseño e implementación del sistema experto
propuesto, solo se toman en cuenta los siguientes atributos:
Identificación del documento
Tipo de entrega
Fecha de cita
Hora inicio cita
Hora final cita
Estado real
Stock gestionable
Motivo real
Calificación gestión telefónica
Cantidad de llamadas
Cantidad de visitas
Vencimiento
CX (Longitud)
CY (Latitud)
4.1.2. Variables de capacidad
Se utilizan las siguientes variables para controlar la capacidad.
Capacidad total de carga
Capacidad disponible
4.1.3. Muestra real
Para la muestra se solicitaron a la empresa de mensajería una base datos con los
paquetes que estuvieran en su sistema el día 20 de septiembre de 2016. En la muestra
recibida había 17.492 paquetes en su inventario. En la Figura 4 se muestra la dispersión
de los paquetes en el mapa de Bogotá.
88
Figura 4 Muestra real
Fuente: Producción propia
Los capacidad total es de 2.700 visitas diarias y está compuesta por 75 vehículos
con sus respectivos horarios y capacidades, lo cuales se resumen en la Tabla 25.
Tabla 25 Horarios y capacidad de los Vehículos
VE
HÍC
UL
O
CA
PA
CID
AD
HO
RA
INIC
IO
HO
RA
FIN
VE
HÍC
UL
O
CA
PA
CID
AD
HO
RA
INIC
IO
HO
RA
FIN
VE
HÍC
UL
O
CA
PA
CID
AD
HO
RA
INIC
IO
HO
RA
FIN
1 60 8:00:00 18:00:00 26 30 10:30:00 16:00:00 51 38 8:00:00 13:30:00
2 40 8:00:00 15:00:00 27 25 8:00:00 12:00:00 52 38 8:00:00 14:00:00
3 25 9:00:00 14:00:00 28 35 10:00:00 17:00:00 53 38 8:00:00 14:00:00
4 20 9:30:00 14:00:00 29 35 10:30:00 17:00:00 54 38 8:00:00 14:00:00
5 30 10:00:00 16:00:00 30 25 8:00:00 12:00:00 55 41 8:00:00 14:30:00
6 30 10:00:00 16:00:00 31 25 8:00:00 12:00:00 56 41 8:00:00 14:00:00
7 30 8:00:00 14:00:00 32 35 10:00:00 17:00:00 57 41 8:00:00 14:30:00
8 30 8:00:00 14:00:00 33 30 10:00:00 16:00:00 58 41 8:00:00 14:30:00
9 30 10:00:00 16:00:00 34 35 10:00:00 17:00:00 59 44 8:00:00 14:30:00
89
10 30 10:00:00 16:00:00 35 25 8:00:00 12:00:00 60 44 8:00:00 15:30:00
11 30 11:30:00 16:00:00 36 25 8:00:00 12:00:00 61 50 8:00:00 16:00:00
12 40 8:00:00 14:30:00 37 35 10:30:00 17:00:00 62 60 8:00:00 18:00:00
13 30 10:30:00 16:00:00 38 35 10:00:00 17:00:00 63 60 8:00:00 18:00:00
14 40 8:00:00 15:00:00 39 35 10:30:00 17:00:00 64 60 8:00:00 18:00:00
15 30 10:00:00 16:00:00 40 25 9:30:00 13:30:00 65 60 8:00:00 17:00:00
16 30 10:00:00 16:00:00 41 25 8:30:00 12:30:00 66 60 8:00:00 17:00:00
17 30 10:00:00 16:00:00 42 25 9:30:00 13:30:00 67 60 8:00:00 17:00:00
18 30 10:00:00 16:00:00 43 29 10:00:00 14:30:00 68 60 8:00:00 18:00:00
19 30 10:30:00 16:00:00 44 32 8:00:00 12:00:00 69 60 8:00:00 18:00:00
20 30 10:30:00 16:00:00 45 32 8:00:00 13:00:00 70 60 8:00:00 18:00:00
21 30 10:30:00 16:00:00 46 32 8:00:00 13:00:00 71 60 8:00:00 18:00:00
22 30 10:30:00 16:00:00 47 32 9:30:00 14:30:00 72 60 8:00:00 18:00:00
23 30 10:00:00 16:00:00 48 32 8:00:00 13:00:00 73 60 8:00:00 17:30:00
24 30 10:30:00 16:00:00 49 35 8:00:00 13:30:00 74 60 8:00:00 17:30:00
25 30 10:30:00 16:00:00 50 35 9:30:00 15:00:00 75 60 8:00:00 17:30:00
Fuente: Empresa de Mensajería
4.2. Sistema experto caso de estudio
4.2.1. Reglas para el caso de estudio
Como se explicó en el capítulo 3 se consultaron los procedimientos internos y los
acuerdos de servicio para construir las reglas del Módulo 1 Reglas estáticas. En el caso de
estudio los atributos que permiten descartar los paquetes que no deben salir a ruta se
describen a continuación:
Cita: Fecha de la próxima cita
Estado Real: Estado de proceso en el que se encuentra el paquete
Stock gestionable: calificación interna
Motivo real: calificación de la última visita que se realizo
Calificación gestión telefónica: Calificación de la última llamada realizada
90
Las reglas del Módulo 1 se enlistan en la Tabla 26.
Tabla 26 Reglas estáticas
Sí tiene Fecha Cita Posterior al horizonte planeación entonces cambiar de pendiente a descartado
Sí tiene Estado real Asignado a ruta entonces cambiar de pendiente a descartado
Sí tiene Estado real Cargue y verificación entonces cambiar de pendiente a descartado
Sí tiene Estado real Empaque entonces cambiar de pendiente a descartado
Sí tiene Estado real Entregado a ruta entonces cambiar de pendiente a descartado
Sí tiene Estado real Remitido a ciudades entonces cambiar de pendiente a descartado
Sí tiene Stock gestionable No entonces cambiar de pendiente a descartado
Sí tiene Motivo real Ciudad de no cubrimiento entonces cambiar de pendiente a descartado
Sí tiene Motivo real Cliente no tiene documentos listos entonces cambiar de pendiente a descartado
Sí tiene Motivo real Dirección incompleta 2 entonces cambiar de pendiente a descartado
Sí tiene Motivo real Dirección incompleta entrega entonces cambiar de pendiente a descartado
Sí tiene Motivo real Dirección no existe 2 entonces cambiar de pendiente a descartado
Sí tiene Motivo real Dirección no existe entrega entonces cambiar de pendiente a descartado
Sí tiene Motivo real Gestión completa entonces cambiar de pendiente a descartado
Sí tiene Motivo real Identificación deficiente usuario final entonces cambiar de pendiente a descartado
Sí tiene Motivo real Ilocalizado dirección de entrega entonces cambiar de pendiente a descartado
Sí tiene Motivo real Mudado entonces cambiar de pendiente a descartado
Sí tiene Motivo real Por solicitud de la entidad entonces cambiar de pendiente a descartado
Sí tiene Motivo real Por solicitud usuario final entonces cambiar de pendiente a descartado
Sí tiene Motivo real Rechazado entonces cambiar de pendiente a descartado
Sí tiene Motivo real Rechazado por no solicitado entonces cambiar de pendiente a descartado
Sí tiene Motivo real Rechazo a stock entonces cambiar de pendiente a descartado
Sí tiene Motivo real Rechazo destruido entonces cambiar de pendiente a descartado
Sí tiene Motivo real Rechazo telefónico entonces cambiar de pendiente a descartado
Sí tiene Motivo real Rehusado entonces cambiar de pendiente a descartado
Sí tiene Motivo real Salida por tiempo indeterminado entonces cambiar de pendiente a descartado
Sí tiene Motivo real Sin datos del tenedor entonces cambiar de pendiente a descartado
Sí tiene Motivo real Zonas de no cubrimiento entonces cambiar de pendiente a descartado
Sí tiene Calificación gestión telefónica Cliente llamara a entidad entonces cambiar de pendiente a
descartado
Sí tiene Calificación gestión telefónica Cliente no tiene documentos listos entonces cambiar de pendiente
a descartado
Sí tiene Calificación gestión telefónica Cliente nombres errados entonces cambiar de pendiente a
descartado
Sí tiene Calificación gestión telefónica Devuelto a entidad entonces cambiar de pendiente a descartado
Sí tiene Calificación gestión telefónica No tiene documento Identidad entonces cambiar de pendiente a
descartado
Sí tiene Calificación gestión telefónica Rechazado entonces cambiar de pendiente a descartado
Sí tiene Calificación gestión telefónica Rechazo no necesita entonces cambiar de pendiente a descartado
Sí tiene Calificación gestión telefónica Salida tiempo indeterminado entonces cambiar de pendiente a
descartado
Sí tiene Calificación gestión telefónica Solicitud devolución entonces cambiar de pendiente a descartado
Sí tiene Calificación gestión telefónica Titular menor edad entonces cambiar de pendiente a descartado Fuente: Producción propia
91
Para el Modulo 2 Citas solo se aplica la siguiente regla:
―Sí la fecha de cita está contenida en el horizonte de planeación entonces cambiar
estado de ruta a programado y hacer fecha de ruta igual a fecha de cita.‖
Las reglas Modulo 3 que esta construidas a partir de la experiencia de los pseudo-
expertos utilizan el concepto de encadenamiento hacia adelante (Forwad Chaining), por
lo cual se ordenaron desde la regla con condiciones por cumplir más estrictas hasta la más
flexible, esto con el fin de priorizar los paquetes más importantes y urgentes por gestionar
En la se presentan las reglas del módulo 3.
Tabla 27 Reglas dinámicas
Sí hay capacidad disponible y el cliente es cercano a 5 clientes con cita o más y el paquete esta vencido y
tiene 0 visitas o menos y tiene más de 5 llamadas entonces cambiar de pendiente a programado
Sí hay capacidad disponible y el cliente es cercano a 4 clientes con cita o más y el paquete esta vencido y
tiene 0 visitas o menos y tiene más de 4 llamadas entonces cambiar de pendiente a programado
Sí hay capacidad disponible y el cliente es cercano a 3 clientes con cita o más y el paquete esta vencido y
tiene 1 visitas o menos y tiene más de 3 llamadas entonces cambiar de pendiente a programado
Sí hay capacidad disponible y el cliente es cercano a 2 clientes con cita o más y el paquete está en tiempo
y tiene 1 visitas o menos y tiene más de 2 llamadas entonces cambiar de pendiente a programado
Sí hay capacidad disponible y el cliente es cercano a 1 clientes con cita o más y el paquete está en tiempo
y tiene 2 visitas o menos y tiene más de 1 llamadas entonces cambiar de pendiente a programado
Sí hay capacidad disponible y el cliente es cercano a 0 clientes con cita o más y el paquete está en tiempo
y tiene 2 visitas o menos y tiene más de 0 llamadas entonces cambiar de pendiente a programado Fuente: Producción propia
4.2.2. Programación en Java y Jess
El sistema experto fue programado en Java, utilizando el motor de reglas Jess y
también un software de base de datos denominado MongoDB. En la Figura 5 se muestra
el diagrama de clase del programa desarrollado en Java, para así mostrar las clases
utilizadas, sus atributos, las operaciones y las relaciones entre los objetos.
92
Figura 5 Diagrama de clases del sistema experto
Fuente: producción propia
93
4.4. Resultados etapa de Programación
Para la muestra de 17.492 clientes y tomando en cuenta la capacidad de 2.700
visitas a través del sistema experto se programaron las rutas de tres días, la distancia
promedio entre todos los clientes obtenida para cada día programado se resumen en la
Tabla 28. Adicionalmente en la Figura 6 se muestran los clientes agrupados por colores
por cada día de programación.
Tabla 28 Resultados etapa de Programación
Cantidad de Clientes
Distancia Promedio
(km)
Muestra Inicial 17.492
Día 1 2.700 10,02
Día 2 2.700 9,71
Día 3 2.700 9,74
Figura 6 Programación de tres días
Fuente: producción propia
94
4.5. Resultados etapa de Zonificación (Clustering)
Se probaron ambas heurísticas para los tres días programados, el resumen de
resultados se encuentra en la Tabla 29, con los cuales se puede concluir que la heurística
basada en centros geométricos obtuvo mejores resultados que la de barrido, ya que la
distancia promedio de las distancia promedio en cada clúster fue un 62% menor. Para
observar gráficamente las diferencias entre las dos heurísticas, 10 clúster generados par el
día 1 por cada una se muestran en la Figura 7 y en la Figura 8. Adicionalmente, en la
Tabla 30 se muestra el detalle de la distancia promedio en cada clúster de la heurística de
centro de gravedad para el día 1.
Tabla 29 Comparación resultados etapa de zonificación
Día Cantidad de
clientes
Promedio Km entre todos los clientes Diferencia % Diferencia
Barrido Centro Geométrico
Día 1 2.700 3,16 1,20 -1,96 -62%
Día 2 2.700 3,02 1,14 -1,87 -62%
Día 3 2.700 2,96 1,15 -1,81 -61%
Promedio Diario 2.700 3,04 1,16 -1,88 -62%
95
Figura 7 Resultados Heurística basada en centros geométricos
Fuente: producción propia
Figura 8 Resultados heurística de barrido
Fuente: Producción propia
96
Tabla 30 Resultados por clúster Centro Geométrico
Clúster
Distancia
Promedio en
km
Clúster
Distancia
Promedio en
km
Clúster Distancia
Promedio en km
1 3,95 26 0,87 51 1,39
2 1,60 27 1,40 52 1,24
3 1,21 28 1,22 53 1,05
4 1,34 29 1,12 54 1,39
5 1,36 30 1,47 55 0,74
6 1,63 31 0,68 56 0,88
7 1,34 32 1,29 57 1,36
8 1,50 33 1,18 58 1,33
9 1,12 34 1,20 59 1,24
10 1,62 35 0,76 60 0,91
11 1,41 36 1,23 61 1,51
12 1,80 37 1,71 62 1,57
13 1,50 38 1,06 63 0,78
14 1,42 39 1,42 64 1,16
15 1,48 40 0,63 65 1,05
16 1,43 41 0,71 66 0,95
17 1,23 42 1,00 67 1,01
18 1,32 43 1,51 68 0,80
19 1,25 44 1,15 69 1,44
20 1,05 45 0,88 70 1,10
21 1,11 46 1,12 71 0,46
22 0,94 47 0,46 72 0,73
23 1,13 48 0,85 73 0,73
24 1,21 49 1,04
25 0,69 50 1,30
97
4.6. Resultados etapa de Diseño de rutas
Luego de aplicar la metaheurística ACS-TSPTW a los resultados generados en la
etapa anterior de zonificación, la distancia promedio recorrida entre clientes visitados en
las rutas de todos los vehículos para los tres días de ruta se resumen en la Tabla 31. No
se visitaron los 2.700 clientes de capacidad ya que el 5% de las rutas fueron infactibles,
en la Tabla 32 se presentan como ejemplo los resultados de las primeras 73 rutas del día
1. Un ejemplo de ruta se encuentra en la Figura 9, el orden de visita esta agrupado por
colores.
Tabla 31 Resultados ACS-TSPTW para el diseño de rutas
Distancia total
recorrida (km)
Clientes
visitados
Distancia promedio
entre clientes (km)
Día 1 2.512 2.613 0,96
Día 2 2.237 2.273 0,98
Día 3 2.567 2.553 1,01
Promedio 2.438 2.480 0,98
Figura 9 Ejemplo ruta 68 del día 1
98
Tabla 32 Resultados diseño de rutas para el día 1
Vehículo
Distancia
Total
Recorrida
Clientes
Visitados
Distancia
promedio
entre clientes
Vehículo
Distancia
Total
Recorrida
Clientes
Visitados
Distancia
promedio
entre clientes
1 0,00 0 Infactible 38 20,19 35 0,58
2 75,18 40 1,88 39 23,59 35 0,67
3 10,67 25 0,43 40 5,34 25 0,21
4 13,30 20 0,67 41 7,97 25 0,32
5 45,21 30 1,51 42 8,75 25 0,35
6 18,50 30 0,62 43 50,92 29 1,76
7 18,29 30 0,61 44 19,62 32 0,61
8 16,54 30 0,55 45 10,89 32 0,34
9 35,05 30 1,17 46 13,60 32 0,43
10 25,14 30 0,84 47 16,92 32 0,53
11 35,67 30 1,19 48 11,76 32 0,37
12 36,06 40 0,90 49 17,66 35 0,50
13 48,75 30 1,63 50 52,07 35 1,49
14 27,35 40 0,68 51 18,90 38 0,50
15 52,78 30 1,76 52 24,23 38 0,64
16 22,01 30 0,73 53 16,25 38 0,43
17 45,82 30 1,53 54 25,17 38 0,66
18 46,45 30 1,55 55 33,33 41 0,81
19 40,38 30 1,35 56 19,61 41 0,48
20 18,32 30 0,61 57 67,15 41 1,64
21 15,93 30 0,53 58 18,44 41 0,45
22 34,39 30 1,15 59 61,89 44 1,41
23 27,25 30 0,91 60 43,23 44 0,98
24 42,52 30 1,42 61 82,77 50 1,66
25 7,83 30 0,26 62 111,54 60 1,86
26 13,76 30 0,46 63 57,84 60 0,96
27 30,77 25 1,23 64 82,65 60 1,38
28 53,58 35 1,53 65 82,97 60 1,38
29 18,63 35 0,53 66 68,23 60 1,14
30 13,15 25 0,53 67 72,80 60 1,21
31 6,68 25 0,27 68 60,51 60 1,01
32 49,14 35 1,40 69 41,89 60 0,70
33 43,17 30 1,44 70 52,51 60 0,88
34 52,70 35 1,51 71 27,25 60 0,45
35 17,26 25 0,69 72 53,70 60 0,90
36 12,83 25 0,51 73 23,92 27 0,89
37 58,32 35 1,67
99
4.7. Impacto del modelo
Para medir el impacto se evalúan dos criterios, el primero es buscar que se
minimice la distancia promedio entre los clientes, para asegurar una alta concentración, lo
cual se puede evidenciar en los resultados sucesivos de las etapas, el resumen de estos
resultados se encuentra en la Tabla 33.
Tabla 33 Resumen indicador distancia promedio por etapas
Distancia promedio
entre clientes (km) Programación Zonificación
Diseño de
rutas
Día 1 10,02 1,20 0,96
Día 2 9,71 1,14 0,98
Día 3 9,74 1,15 1,01
Promedio 9,82 1,16 0,98
El segundo indicador es el nivel de servicio, el cual se definió como el
cumplimiento de las citas programadas. En la empresa de mensajería del caso de estudio
el nivel de servicio oscila entre el 80% y el 85%. Por otro lado con el modelo y teniendo
en cuenta que el 5% de las rutas fueron infactibles el nivel del servicio esperado es del
93%, es decir, una mejora de 11%, los resultados por cada día comparando los datos
reales y los del modelo se resumen en la Tabla 34.
Tabla 34 Indicador de nivel de servicio
Clientes
Programados
a ruta
Clientes
programados
con cita
Clientes
con cita
visitados
% Cumplimiento
del modelo
% Cumplimiento
Real
Variación
Modelo
vs Real
Día 1 2.700 546 524 96% 81% 15%
Día 2 2.700 433 367 85% 82% 3%
Día 3 2.700 333 324 97% 82% 15%
Promedio 2.700 437 405 93% 82% 11%
100
CONCLUSIONES
La escasez de investigaciones enfocadas directamente a servicios de mensajería
contrastada por otro lado con la amplitud de investigaciones sobre servicios de
distribución y de propósito general que se asemejan a la mensajería, implica una amplia
gama de posibilidades para proponer nuevas investigaciones sobre servicios de
mensajería que incluyan nuevas combinaciones de restricciones y que permitan asemejar
más los modelos teóricos de ruteo a las necesidades reales de la industria, ya que la
mayoría de las propuestas actuales que han combinado dos tipos de restricciones, se han
inclinado por las dos más comunes, es decir, las ventanas de tiempo y la restricción de
recoger y entregar.
El uso de metaheurísticas ha crecido enormemente de acuerdo a distintos autores
y a los resultados evidenciados en la presente revisión debido a su capacidad de
solucionar problemas complejos en tiempos reducidos, sin embargo, también se
evidencio que para aquellos problemas con un alto grado de complejidad se opta en
mayor medida por el uso de heurísticas en especial las de dos fases, es decir, agrupar
primero y ruteo después.
En este proyecto se propone una solución para el VRP inspirada en los servicios
de mensajería. En la formulación del problema se consideraron restricciones en cuanto a
capacidad, tiempos de ganancia, períodos múltiples, fechas de vencimiento, restricción de
distancia y capacidad de planificación. Para resolver el problema, se propone dividirlo en
tres etapas. Etapa de programación, en la que se asigna una fecha de visita para cada
cliente en el horizonte de planificación. Etapa de zonificación, donde los clientes
101
agrupado y son asignados a un vehículo a visitar. Y, la etapa de diseño de rutas, que
determina para cada vehículo, el orden en que cada cliente será visitado.
Para cada etapa se estableció un método de resolución. En la etapa de
programación se diseñó un sistema experto, basado en el conocimiento y la experiencia
de los trabajadores y se programó en Java utilizando además el motor de reglas de Jess.
Se obtuvieron resultados satisfactorios ya que se lograron programar los clientes a visitar
en el horizonte de tres días, respetando las restricciones de la empresa, para una muestra
de 17.000 clientes por visitar.
Para la etapa de zonificación, se evaluaron de las tres metodologías de clustering.
La metodología de localización no se pudo implementar por el número elevado de
variables. La heurística de centro de gravedad obtuvo mejores resultados que la heurística
de barrido.
Para la etapa de diseño rutas, después de definir esta etapa como un TSP con
ventanas de tiempo y limitaciones de distancia y horario en la capacidad, para resolverlo
se utilizó la metaheurística ACS-TSPTW.
A diferencia de otras propuestas aplicadas a la VRP en el servicio Courier, en las
que se utilizan por separado heurísticas y metaheurísticas, este proyecto combina estos
dos métodos y un sistema experto en una solución, demostrando la posibilidad de
resolver una VRP con más restricciones simultáneamente, como real Escenarios.
Este trabajo genera posibles líneas de desarrollo futuro, una de las cuales es la
validación de resultados con un gran conjunto de datos. Además, podríamos explorar
métodos de clasificación numérica basados en atributos sujetos a imprecisión usando
102
lógica difusa, entre otras técnicas para la etapa de programación. Asimismo, se podrían
explorar otros métodos de optimización para mejorar la solución de las etapas de
zonificación y diseño de rutas.
103
LISTA DE REFERENCIAS
Akpinar, S. (2016). Hybrid large neighbourhood search algorithm for capacitated vehicle
routing problem. Expert Systems with Applications, 61, 28–38.
http://doi.org/10.1016/j.eswa.2016.05.023
Almoustafa, S., Hanafi, S., & Mladenović, N. (2013). New exact method for large
asymmetric distance-constrained vehicle routing problem. European Journal of
Operational Research, 226(3), 386–394. Journal Article.
http://doi.org/10.1016/j.ejor.2012.11.040
Andreatta, G., Casula, M., De Francesco, C., & De Giovanni, L. (2016). A branch-and-
price based heuristic for the stochastic vehicle routing problem with hard time
windows. Electronic Notes in Discrete Mathematics (Vol. 52).
Archetti, C., Jabali, O., & Speranza, M. G. (2015). Multi-period Vehicle Routing
Problem with Due dates. Computers & Operations Research, 61, 122–134.
http://doi.org/10.1016/j.cor.2015.03.014
Arroyave, M. R., & Naranjo, V. V. (2014). Desarrollo de un modelo de distribución
urbana de mercancías con plataformas logísticas aplicado a la ciudad. Ingenierías
USBmed, 5(1), 67–76. Journal Article.
Avci, M., & Topaloglu, S. (2016). A hybrid metaheuristic algorithm for heterogeneous
vehicle routing problem with simultaneous pickup and delivery. Expert Systems with
Applications, 53, 160–171. http://doi.org/10.1016/j.eswa.2016.01.038
Badaró, S., Ibañez, L. J., & Agüero, M. (2013). Sistemas Expertos: Fundamentos,
Metodologías y Aplicaciones. Ciencia Y Tecnología, 1(13), 349–363. Journal
104
Article.
Bae, H., & Moon, I. (2016). Multi-depot vehicle routing problem with time windows
considering delivery and installation vehicles. Applied Mathematical Modelling,
40(13), 6536–6549. http://doi.org/10.1016/j.apm.2016.01.059
Banos, R., Ortega, J., Gil, C., Fernandez, A., & De Toro, F. (2013). A simulated
annealing-based parallel multi-objective approach to vehicle routing problems with
time windows. Expert Systems with Applications, 40(5), 1696–1707. Journal Article.
Biesinger, B., Hu, B., & Raidl, G. (2016). An Integer L-shaped Method for the
Generalized Vehicle Routing Problem with Stochastic Demands. Electronic Notes in
Discrete Mathematics, 52, 245–252. http://doi.org/10.1016/j.endm.2016.03.033
Braekers, K., Ramaekers, K., & Nieuwenhuyse, I. Van. (2016). The Vehicle Routing
Problem: State of the Art Classification and Review. Computers & Industrial
Engineering, 99, 300–313. http://doi.org/10.1016/j.cie.2015.12.007
Carotenuto, P., Giordani, S., Massari, S., & Vagaggini, F. (2015). Periodic Capacitated
Vehicle Routing for Retail Distribution of Fuel Oils. Transportation Research
Procedia, 10, 735–744. http://doi.org/10.1016/j.trpro.2015.09.027
Chang, T.-S., & Yen, H.-M. (2012). City-courier routing and scheduling problems.
European Journal of Operational Research, 223(2), 489–498.
http://doi.org/10.1016/j.ejor.2012.06.007
Chen, W. K. (2004). The electrical engineering handbook. Book, Academic press.
Cheng, C.-B., & Mao, C.-P. (2007). A modified ant colony system for solving the
travelling salesman problem with time windows. Mathematical and Computer
105
Modelling, 46(9), 1225–1235. Journal Article.
Chirva, J. A. P., Cruz, Y. X. D., & Santana, E. R. L. (2016). A Hybrid Mixed-Integer
Optimization and Clustering Approach to Selective Collection Services Problem of
Domestic Solid Waste. Ingeniería, 21(2), 235–247. Journal Article.
Contardo, C., & Martinelli, R. (2014). A new exact algorithm for the multi-depot vehicle
routing problem under capacity and route length constraints. Discrete Optimization,
12, 129–146. http://doi.org/10.1016/j.disopt.2014.03.001
Daza, J. M., Montoya, J., & Narducci, F. (2009). Resolución del problema de
enrutamiento de vehículos con limitaciones de capacidad utilizando un
procedimiento metaheurístico de dos fases. Revista EIA, 1(1), 21. Journal Article.
Daza-Escorcia, J. M., Wilches-Arango, M. J., & Cantillo-Guerrero, E. F. (2011).
Algoritmo Meta-heurístico para Resolver el CVRP-HF. Ninth LACCEI Latin
American and Caribbean Conference (LACCEI’2011), Engineering for a Smart
Planet, Innovation, Information Technology and Computational Tools for
Sustainable Development, 2, 1–10. Journal Article.
de Armas, J., Melián-Batista, B., Moreno-Pérez, J. A., & Brito, J. (2015). GVNS for a
real-world Rich Vehicle Routing Problem with Time Windows. Engineering
Applications of Artificial Intelligence, 42, 45–56.
http://doi.org/10.1016/j.engappai.2015.03.009
Ding, Q., Hu, X., Sun, L., & Wang, Y. (2012). An improved ant colony optimization and
its application to vehicle routing problem with time windows. Neurocomputing, 98,
101–107. Journal Article. http://doi.org/10.1016/j.neucom.2011.09.040
106
Du, L., & He, R. (2012). Combining Nearest Neighbor Search with Tabu Search for
Large-Scale Vehicle Routing Problem. Physics Procedia, 25, 1536–1546.
http://doi.org/10.1016/j.phpro.2012.03.273
Eksioglu, B., Vural, A. V., & Reisman, A. (2009). The vehicle routing problem: A
taxonomic review. Computers & Industrial Engineering, 57(4), 1472–1483. Journal
Article. http://doi.org/10.1016/j.cie.2009.05.009
Expósito-Izquierdo, C., Rossi, A., & Sevaux, M. (2016). A Two-Level solution approach
to solve the Clustered Capacitated Vehicle Routing Problem. Computers &
Industrial Engineering, 91, 274–289. http://doi.org/10.1016/j.cie.2015.11.022
Farahani, R. Z., Rezapour, S., & Kardar, L. (2011). Logistics operations and
management: concepts and models. Book, Elsevier. http://doi.org/10.1016/c2010-0-
67008-8
Favaretto, D., Moretti, E., & Pellegrini, P. (2004). Ant colony system for variants of
traveling salesman problem with time windows. Ca Foscari University, Venice,
Tech. Rep. Journal Article.
Fikar, C., & Hirsch, P. (2015). A matheuristic for routing real-world home service
transport systems facilitating walking. Journal of Cleaner Production, 105, 300–
310. http://doi.org/10.1016/j.jclepro.2014.07.013
Ghiani, G., Manni, E., Quaranta, A., & Triki, C. (2009). Anticipatory algorithms for
same-day courier dispatching. Transportation Research Part E: Logistics and
Transportation Review, 45(1), 96–106. http://doi.org/10.1016/j.tre.2008.08.003
Glover, F. W., & Kochenberger, G. A. (2003). Handbook of metaheuristics. (G. Fred &
107
Gary A. Kochenberger, Eds.) (Vol. 57). Book, Springer US.
http://doi.org/10.1007/b101874
Hamzadayi, A., Topaloglu, S., & Yelkenci Kose, S. (2013). Nested simulated annealing
approach to periodic routing problem of a retail distribution system. Computers &
Operations Research, 40(12), 2893–2905. http://doi.org/10.1016/j.cor.2013.06.004
Hernandez, F., Feillet, D., Giroudeau, R., & Naud, O. (2016). Branch-and-price
algorithms for the solution of the multi-trip vehicle routing problem with time
windows. European Journal of Operational Research, 249(2), 551–559.
http://doi.org/10.1016/j.ejor.2015.08.040
Hurtado de Barrera, J. (2000). Metodología de la Investigación Holística. Editorial
Fundación Servicios y Proyectos para América Latina (SYPAL). Caracas.
Venezuela. Journal Article.
Janssens, J., Van den Bergh, J., Sörensen, K., & Cattrysse, D. (2015). Multi-objective
microzone-based vehicle routing for courier companies: From tactical to operational
planning. European Journal of Operational Research, 242(1), 222–231.
http://doi.org/10.1016/j.ejor.2014.09.026
Jia, H., Li, Y., Dong, B., & Ya, H. (2013). An Improved Tabu Search Approach to
Vehicle Routing Problem. Procedia - Social and Behavioral Sciences, 96, 1208–
1217. http://doi.org/10.1016/j.sbspro.2013.08.138
Junqueira, L., & Morabito, R. (2015). Heuristic algorithms for a three-dimensional
loading capacitated vehicle routing problem in a carrier. Computers & Industrial
Engineering, 88, 110–130. Journal Article.
108
Kara, I., & Derya, T. (2015). Formulations for Minimizing Tour Duration of the
Traveling Salesman Problem with Time Windows. Procedia Economics and
Finance, 26, 1026–1034. http://doi.org/10.1016/S2212-5671(15)00926-0
Kek, A. G. H., Cheu, R. L., & Meng, Q. (2008). Distance-constrained capacitated vehicle
routing problems with flexible assignment of start and end depots. Mathematical
and Computer Modelling, 47(1), 140–152. Journal Article.
Khouadjia, M. R., Sarasola, B., Alba, E., Jourdan, L., & Talbi, E.-G. (2012). A
comparative study between dynamic adapted PSO and VNS for the vehicle routing
problem with dynamic requests. Applied Soft Computing, 12(4), 1426–1439.
http://doi.org/10.1016/j.asoc.2011.10.023
Kok, A. L., Hans, E. W., & Schutten, J. M. J. (2011). Optimizing departure times in
vehicle routes. European Journal of Operational Research, 210(3), 579–587.
http://doi.org/10.1016/j.ejor.2010.10.017
Kok, A. L., Hans, E. W., & Schutten, J. M. J. (2012). Vehicle routing under time-
dependent travel times: The impact of congestion avoidance. Computers &
Operations Research, 39(5), 910–918. http://doi.org/10.1016/j.cor.2011.05.027
Krichen, S., Faiz, S., Tlili, T., & Tej, K. (2014). Tabu-based GIS for solving the vehicle
routing problem. Expert Systems with Applications, 41(14), 6483–6493.
http://doi.org/10.1016/j.eswa.2014.03.028
Küçükoğlu, İ., & Öztürk, N. (2015). An advanced hybrid meta-heuristic algorithm for the
vehicle routing problem with backhauls and time windows. Computers & Industrial
Engineering, 86, 60–68. http://doi.org/10.1016/j.cie.2014.10.014
109
Kuo, R. J., Wibowo, B. S., & Zulvia, F. E. (2016). Application of a fuzzy ant colony
system to solve the dynamic vehicle routing problem with uncertain service time.
Applied Mathematical Modelling. http://doi.org/10.1016/j.apm.2016.06.025
Lang, Z., Yao, E., Hu, W., & Pan, Z. (2014). A Vehicle Routing Problem Solution
Considering Alternative Stop Points. Procedia - Social and Behavioral Sciences,
138, 584–591. http://doi.org/10.1016/j.sbspro.2014.07.242
Laporte, G. (1992). The vehicle routing problem: An overview of exact and approximate
algorithms. European Journal of Operational Research, 59(3), 345–358. Journal
Article.
Laporte, G., & Nobert, Y. (1987). Exact algorithms for the vehicle routing problem.
North-Holland Mathematics Studies, 132, 147–184. Journal Article.
Li, X., Tian, P., & Leung, S. C. H. (2010). Vehicle routing problems with time windows
and stochastic travel and service times: Models and algorithm. International Journal
of Production Economics, 125(1), 137–145. Journal Article.
Lin, C., Choy, K. L., Ho, G. T. S., Lam, H. Y., Pang, G. K. H., & Chin, K. S. (2014). A
decision support system for optimizing dynamic courier routing operations. Expert
Systems with Applications, 41(15), 6917–6933.
http://doi.org/10.1016/j.eswa.2014.04.036
Lin, C. K. Y. (2011). A vehicle routing problem with pickup and delivery time windows,
and coordination of transportable resources. Computers & Operations Research,
38(11), 1596–1609. http://doi.org/10.1016/j.cor.2011.01.021
López-Ibáñez, M., & Blum, C. (2010). Beam-ACO for the travelling salesman problem
110
with time windows. Computers & Operations Research, 37(9), 1570–1583. Journal
Article. http://doi.org/10.1016/j.cor.2009.11.015
López-Santana, E. R., & Carvajal, R. J. de J. (2015). A Hybrid Column Generation and
Clustering Approach to the School Bus Routing Problem with Time Windows.
Journal Article.
Mancini, S. (2015). A real-life Multi Depot Multi Period Vehicle Routing Problem with a
Heterogeneous Fleet: Formulation and Adaptive Large Neighborhood Search based
Matheuristic. Transportation Research Part C: Emerging Technologies.
http://doi.org/10.1016/j.trc.2015.06.016
Mercado, V. B., Pandolfi, D. R., & Villagra, N. A. (2014). Hibridación de
metaheurísticas aplicadas al problema de ruteo de vehículos. Informes Científicos-
Técnicos UNPA, 5(3), 1–21. Journal Article.
Michallet, J., Prins, C., Amodeo, L., Yalaoui, F., & Vitry, G. (2014). Multi-start iterated
local search for the periodic vehicle routing problem with time windows and time
spread constraints on services. Computers & Operations Research, 41, 196–207.
http://doi.org/10.1016/j.cor.2013.07.025
Miranda, D., & Conceição, S. V. (2016). The Vehicle Routing Problem with Hard Time
Windows and Stochastic Travel and Service time. Expert Systems with Applications.
http://doi.org/10.1016/j.eswa.2016.07.022
Mitrović-Minić, S., Krishnamurti, R., & Laporte, G. (2004). Double-horizon based
heuristics for the dynamic pickup and delivery problem with time windows.
Transportation Research Part B: Methodological, 38(8), 669–685.
111
http://doi.org/10.1016/j.trb.2003.09.001
Mitrović-Minić, S., & Laporte, G. (2004). Waiting strategies for the dynamic pickup and
delivery problem with time windows. Transportation Research Part B:
Methodological, 38(7), 635–655. http://doi.org/10.1016/j.trb.2003.09.002
Nazif, H., & Lee, L. S. (2012). Optimised crossover genetic algorithm for capacitated
vehicle routing problem. Applied Mathematical Modelling, 36(5), 2110–2117.
Journal Article.
Norouzi, N., Sadegh-Amalnick, M., & Alinaghiyan, M. (2015). Evaluating of the particle
swarm optimization in a periodic vehicle routing problem. Measurement, 62, 162–
169. http://doi.org/10.1016/j.measurement.2014.10.024
Olivera, A. (2004, August). Heurísticas para Problemas de Ruteo de vehículos.
Universidad de la República de Montevideo, Uruguay.
Pereira, F. B., & Tavares, J. (2008). Bio-inspired algorithms for the vehicle routing
problem (Vol. 161). Book, Springer.
Pisinger, D., & Ropke, S. (2007). A general heuristic for vehicle routing problems.
Computers & Operations Research, 34(8), 2403–2435. Journal Article.
Potvin, J.-Y., Xu, Y., & Benyahia, I. (2006). Vehicle routing and scheduling with
dynamic travel times. Computers & Operations Research, 33(4), 1129–1137.
http://doi.org/10.1016/j.cor.2004.09.015
Prins, C. (2004). A simple and effective evolutionary algorithm for the vehicle routing
problem. Computers & Operations Research, 31(12), 1985–2002. Journal Article.
Pureza, V., Morabito, R., & Reimann, M. (2012). Vehicle routing with multiple
112
deliverymen: Modeling and heuristic approaches for the VRPTW. European Journal
of Operational Research, 218(3), 636–647. http://doi.org/10.1016/j.ejor.2011.12.005
Qi, M., Lin, W.-H., Li, N., & Miao, L. (2012). A spatiotemporal partitioning approach for
large-scale vehicle routing problems with time windows. Transportation Research
Part E: Logistics and Transportation Review, 48(1), 248–257.
http://doi.org/10.1016/j.tre.2011.07.001
Rahimi-Vahed, A., Gabriel Crainic, T., Gendreau, M., & Rei, W. (2015). Fleet-sizing for
multi-depot and periodic vehicle routing problems using a modular heuristic
algorithm. Computers & Operations Research, 53, 9–23.
http://doi.org/10.1016/j.cor.2014.07.004
Schneider, M. (2015). The vehicle-routing problem with time windows and driver-
specific times. European Journal of Operational Research, 250(1), 101–119.
http://doi.org/10.1016/j.ejor.2015.09.015
Schulz, C. (2013). Efficient local search on the GPU—Investigations on the vehicle
routing problem. Journal of Parallel and Distributed Computing, 73(1), 14–31.
http://doi.org/10.1016/j.jpdc.2012.02.020
Shin, K., & Han, S. (2012). A centroid-based heuristic algorithm for the capacitated
vehicle routing problem. Computing and Informatics, 30(4), 721–732. Journal
Article.
Solomon, M. M. (1984). Vehicle routing and scheduling with time window constraints:
Models and algorithms (Report).
Soto, D., Soto, W., & Pinzón, Y. (2008). Una metaheurística híbrida aplicada a un
113
problema de planificación de rutas. Revista Avances En Sistemas E Informática,
5(3), 135–144. Journal Article.
Sprenger, R., & Mönch, L. (2012). A methodology to solve large-scale cooperative
transportation planning problems. European Journal of Operational Research,
223(3), 626–636. http://doi.org/10.1016/j.ejor.2012.07.021
Subramanian, A., Uchoa, E., & Ochi, L. S. (2013). A hybrid algorithm for a class of
vehicle routing problems. Computers & Operations Research, 40(10), 2519–2531.
http://doi.org/10.1016/j.cor.2013.01.013
Szymon, J., & Dominik, Ż. (2013). Solving Multi-criteria Vehicle Routing Problem by
Parallel Tabu Search on GPU. Procedia Computer Science, 18, 2529–2532.
http://doi.org/10.1016/j.procs.2013.05.434
Taş, D., Jabali, O., & Van Woensel, T. (2014). A Vehicle Routing Problem with Flexible
Time Windows. Computers & Operations Research, 52, 39–54.
http://doi.org/10.1016/j.cor.2014.07.005
Tavakkoli-Moghaddam, R., Gazanfari, M., Alinaghian, M., Salamatbakhsh, A., &
Norouzi, N. (2011). A new mathematical model for a competitive vehicle routing
problem with time windows solved by simulated annealing. Journal of
Manufacturing Systems, 30(2), 83–92. Journal Article.
Tlili, T., Faiz, S., & Krichen, S. (2014). A Hybrid Metaheuristic for the Distance-
constrained Capacitated Vehicle Routing Problem. Procedia - Social and Behavioral
Sciences, 109, 779–783. http://doi.org/10.1016/j.sbspro.2013.12.543
Toth, P., & Vigo, D. (2002). The vehicle routing problem, volume 9 of SIAM
114
Monographs on Discrete Mathematics and Applications. SIAM, Philadelphia, PA.
Journal Article. http://doi.org/10.1137/1.9780898718515
Turban, E. (1995). Decision support systems and expert systems. Prentice-Hall, 7(8.2),
8.9. Journal Article.
Vidal, T., Battarra, M., Subramanian, A., & Erdogˇan, G. (2015). Hybrid metaheuristics
for the Clustered Vehicle Routing Problem. Computers & Operations Research, 58,
87–99. http://doi.org/10.1016/j.cor.2014.10.019
Wen, L., & Eglese, R. (2015). Minimum cost VRP with time-dependent speed data and
congestion charge. Computers & Operations Research, 56, 41–50.
http://doi.org/10.1016/j.cor.2014.10.007
Wu, W., Tian, Y., & Jin, T. (2016). A label based ant colony algorithm for heterogeneous
vehicle routing with mixed backhaul. Applied Soft Computing, 47, 224–234.
http://doi.org/10.1016/j.asoc.2016.05.011
Xiao, Y., Zhao, Q., Kaku, I., & Xu, Y. (2012). Development of a fuel consumption
optimization model for the capacitated vehicle routing problem. Computers &
Operations Research, 39(7), 1419–1431. http://doi.org/10.1016/j.cor.2011.08.013
Xiao, Z., & Jiang-qing, W. (2012). Hybrid Ant Algorithm and Applications for Vehicle
Routing Problem. Physics Procedia, 25, 1892–1899.
http://doi.org/10.1016/j.phpro.2012.03.327
Yan, S., Lin, J.-R., & Lai, C.-W. (2013). The planning and real-time adjustment of
courier routing and scheduling under stochastic travel times and demands.
Transportation Research Part E: Logistics and Transportation Review, 53, 34–48.
115
http://doi.org/10.1016/j.tre.2013.01.011
Yepes Piqueras, V., & Medina Folgado, J. R. (2003). Optimización económica de redes
de transporte del tipo VRPTW. Revista de Obras Públicas: Organo Profesional de
Los Ingenieros de Caminos, Canales Y Puertos, (3.436), 31–39. Journal Article.
Yousefikhoshbakht, M., & Khorram, E. (2012). Solving the vehicle routing problem by a
hybrid meta-heuristic algorithm. Journal of Industrial Engineering International,
8(1), 1–9. Journal Article.
Yu, B., Yang, Z. Z., & Yao, B. Z. (2011). A hybrid algorithm for vehicle routing problem
with time windows. Expert Systems with Applications, 38(1), 435–441.
http://doi.org/10.1016/j.eswa.2010.06.082
i ―Ruteo de las actividades de distribución de Servientrega S.A‖ (s.f.) Recuperado el 12
de enero de 2014, de http://bibliotecadigital.icesi.edu.co/biblioteca_digital/handle/10906/76622
ii ―The next generation of route planning‖ (s.f.) Recuperado el 12 de enero de 2014, de
http://www.dhl-discoverlogistics.com/cms/en/course/technologies/reinforcement/route.jsp
Ley N° 1369. Diario Oficial de la República de Colombia, Bogotá, Colombia, 30 de
diciembre de 2009.