Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Abstract
In this paper a model for the vehicle routing problem with stochastic components of demand, service time and delivery time for
perishable products is presented. The purpose of the paper is to present an alternative to the problem of collecting the flower industry,
using a model that reflects the stochastic behavior in collecting flowers, required by companies in Colombia. The model incorporates
three stochastic components and a restriction not reported earlier by other authors. The solution method includes clusters for collection
points, route design, allocation to truck routes, Monte Carlo simulation and a regression model to obtain the equation of the total system
cost and optimal point of replenishment.
Keywords: Stochastic-VRP, Logistics, Perishables, Flowers, Clustering, Montecarlo Simulation, Costs.
1. Introduccin
Colombia es el principal exportadora de flores a EEUU,
para el 2013 export 960,7 millones de U.S
(ASOCOLFLORES). El principal departamento de
produccin es Cundinamarca con el 80%. La produccin de
flores en Colombia es estacional, obedece a factores
climticos, por lo tanto conseguir cierto tipo de colores o
especies en determinados meses de ao no es fcil. La
demanda depende de la festividad asociada a la temporada
del ao, tales como el da de San Valentn, Madres, da de la
Independencia, entre otros. De la misma manera, la
composicin de especie floral de color y de nmero de
Metodologa
Diagnstico situacin actual
Diseo de la Investigacin
Hiptesis y Variables
Instrumentos de recoleccin datos
Validacin de instrumentos
Anlisis de datos
Cualitativos
Cuantitativos
200
:
:
:
:
,,
:
,
,
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
Grafo
Nodo, vrtice o finca donde se
recoge flor
Bouquetera (Depsito)
Conjunto de nodos (vrtices),
representan los proveedores
(fincas)
Conjunto de arcos, representan
los trayectos desde el nodo
hasta el nodo donde
:
:
:
:
:
:
:
:
:
:
:
:
201
1,2,
1,2, , n
1,2, ,
1,2, ,
1,2, ,
:
:
:
:
nodo llegada
ndice que denota el k-simo
vehculo
Particin del conjunto V
Distancia que se reduce por no
visitar algunos nodos
Probabilidad de presencia de un
nodo
Funcin Objetivo
(1)
Sujeto a:
0 ,
(2)
(4)
(5)
0 ,
(3)
(6)
(7)
(8)
0,1 , ,
(9)
(10)
(11)
Funciones de recursos:
2
(12)
, , ,
(13)
, , , ,
(14)
202
La
ecuacin
de
costo
diario
es
, , ,
,
. Por su parte la ecuacin de cantidad
acumulada es
,
. la ecuacin de distancia
, la ecuacin de tiempo total
. la cantidad
restante
,
y la ecuacin punto de
reabastecimiento
,
5. Resultados
Se realizaron 160 corridas para cada uno de los cinco
clster. La variable de respuesta fue el costo total de la
operacin, el cual est compuesto por: Salario (tiempo del
operario), costo de oportunidad (cantidad no recogida) y
costo por distancia (asociada a la operacin del camin).
Fue necesario encontrar el grado de correlacin entre las
variables de entrada y de salida, ya que el algoritmo de
simulacin se program con base en el supuesto que el
costo total diario de operacin era la suma de esos tres
factores y que cada uno de ellos es una funcin lineal. Para
el costo por salario, se supuso el costo como funcin lineal
del tiempo total del operario. El costo de oportunidad es
una funcin lineal de la cantidad no recogida en el camin,
la cual a su vez est restringida por la capacidad del camin.
El costo por distancia es una funcin lineal de la operacin
del camin, la cual depende del nmero de kilmetros
recorridos diariamente. Se obtuvieron los costos para todos
los Cluster, Se presenta en la Tabla 1 las salidas del modelo
para el Cluster 1.
En esta parte de la investigacin el objetivo fue
encontrar una funcin (costo diario) a optimizar
(minimizar), sujeta a la restriccin de capacidad del camin;
se determina la cantidad acumulada, la cantidad restante y el
punto de reabastecimiento (expresado como una fraccin de
la cantidad acumulada con respecto a la capacidad); as
como tambin la distancia y el tiempo total de operacin
diario. El modelo obtenido se expresa a continuacin:
Funcin Objetivo
0,349
107927,587 1036,442
0,563
29053,998
2388,042
(1)
Sujeto a:
(Cantidad acumulada)
,
,
(2)
Tabla 1
Salidas del modelo para el clster 1
P. 1
P.2
PR 95%
PR 90%
PR 85%
PR 80%
PR 75%
PR 70%
PR 65%
PR 60%
PR 55%
PR 50%
No. Das
simulados
Cantidad a
Recoger
370
370
366
366
366
366
366
366
366
366
366
366
5033
8537
6448
6510
7037
6433
6597
6583
6647
6518
6428
6222
Q
Acumulada
Camin
22855
27732
25009
24094
23745
22017
21329
20297
19465
18227
17033
15898
Q restante
camin
Tiempo
total
Distancia
Acumulada
12145
7268
9991
10906
11255
12983
13671
14703
15535
16773
17967
19102
1,6
1,6
1,6
1,6
1,6
1,6
1,6
1,6
1,6
1,6
1,5
1,5
37,1
36,0
37,6
36,9
35,1
34,1
34,7
35,7
34,4
33,9
35,3
34,0
Costo por
Tiempo
(salario)
73068
75026
74397
75159
70873
72032
71242
74983
72615
72809
76561
76604
Costo de
oportunidad
camin (Q)
10328
6217
8679
9241
9076
10348
11151
12384
12701
13714
15323
15875
Costo por
Distancia
Costo total
38035
36853
38481
37685
35836
34974
35891
36581
35253
34713
36186
34810
121431
118096
121558
122085
115785
117353
118284
123948
120569
121236
128069
127289
(Distancia)
,
(Tiempo total)
,
(3)
(4)
(Cantidad Restante)
,
(Punto reabastecimiento)
,
,
(5)
(6)
mximo
de
punto
de
(9)
(Restricciones de no negatividad)
, ,
(10)
Tiempo total
Cantidad
restante
6666
9,749
Tabla 3
Comparativo de indicadores de desempeo del sistema
Actual
Variable
Desv.
Media
Estand.
113,00
21,88
Distancia (Km)
Tiempo por punto de recoleccin
1,07
1,42
(Horas)
Propuesta
Cantidad acumulada
Punto de reabastecimiento
25185
0,76
Indicadores
Media
62,08
Desv.
Estndar
21,49
1,71
0,15
18.638
Actual
77
8.732
12.863
17.999
4.286
1.364
119.321
21.448
148.586
24.273
13,66
204
Unidades
Efecto
290 Tallos/Km
$/hora de
14.482 operacin
Tallos
1.754 /hora
73
Incremento
-29
Disminucin
22
Incremento
-6
Disminucin
Propuesta
8,26 $/Tallo
6. Discusin
Mediante las etapas de clusterizacin y diseo de rutas,
se logra simplificar el problema al reducir un problema
complejo a cinco sub-problemas de ms fcil manejo y
resolucin. La asignacin de rutas a camiones bajo un
criterio de maximizar la utilizacin de la capacidad de los
camiones, en vez de minimizar la distancia, podra ser una
manera alternativa de resolucin del problema.
El algoritmo de simulacin de Montecarlo facilita la
resolucin del problema con mltiples variables
estocsticas, aunque requiere una alta capacidad de
procesamiento del equipo en el que se realiza.
Al levantar datos y hacer el respectivo tratamiento
estadstico de entrada se pueden corroborar los supuestos de
entrada: Las demandas, la presencia/ausencia de fincas, los
tiempos de recorrido y de servicios son aleatorias y se
pueden representar mediante un modelo matemtico, ya sea
una funcin de densidad o una distribucin de probabilidad.
El costo de operacin de recogida depende de la distancia
recorrida, la cantidad de nodos (fincas) visitados, el tiempo
de operacin (tiempo de viaje + tiempos de carga + tiempo
descarga + esperas por documentos y otros trmites) y la
cantidad transportada. Las condiciones de operacin propias
de cada sistema productivo se convierten en restricciones
del modelo; los horarios de inicio y culminacin de servicio,
los turnos de trabajo de los conductores, los horarios de la
planta son ventanas de tiempo; todo lo anterior condiciona y
complejiza el sistema.
En cuanto al comportamiento de las variables, se pudo
determinar que la demanda no poda ser incluida en la
ecuacin final de costo, se hace necesario pronosticarla
mediante otro tipo de tcnicas que no son objeto de ste
trabajo.
El anlisis de regresin multivariado permite generar un
sistema de ecuaciones a optimizar, dando as respuesta al
problema planteado inicialmente acerca de cul sera el
porcentaje de carga del camin a alcanzar, de tal manera
que sea econmico retornar a descargar. El anlisis de
regresin multivariado permiti generar una ecuacin de
costo diario de operacin que depende de las variables
distancia, tiempo, cantidad acumulada en el camin,
cantidad restante (capacidad sobrante del camin) y punto
de reabastecimiento. El modelo generado presenta un
coeficiente de correlacin del 99,8% el cual indica una alta
medida de asociacin lineal positiva entre las variables, y un
coeficiente de determinacin de 99,5%; es decir, en ste
porcentaje las variaciones de costo son explicadas por
variaciones de las variables independientes.
[2]
[3]
[4]
Erera, A.L., Morales, J.C. and Savelsbergh, M., The vehicle routing
problem with stochastic demand and duration constraints, Atlanta,
Georgia, 2010.
[5]
[6]
Hsu, C.-I., Hung, S.-F. y Li, H.-C., Vehicle routing problem with
time-windows for perishable food delivery, Joutnal of Food
7. Conclusiones
En el caso de los modelos estocsticos de VRP la
complejidad se incrementa debido a la aleatoriedad de los
parmetros y variables a estudiar. En los ltimos aos los
modelos estocsticos han presentado un inters particular.
Se han planteado y solucionado modelos con demandas
estocsticas, tambin donde la presencia o ausencia de
nodos es probabilstica y los tiempos de viaje y /o de
servicio son estocsticos. En la revisin efectuada no se
205
Simposio
Brasilero
de
[8]
[9]
[10] Bianchi, L., Birattari, M., Chiarand, M., Mastrolilli, M., Paquete, L.,
Rossi-Doria, O. and Schiavinotto, T., metaheuristics for the vehicle
routing problem with stochastic demand.
[11] Tan, K., Cheong, C. and Goh, C., Solving multiobjective vehicle
routing problem with stochastic demand via evolutionary
computation, European Journal of Operational Research, 177, p.
813-839, 2007.
[12] Charnes, A. and Cooper, W., Chance-constrained programming,
1959, pp. 73-79.
[13] Madansky, A., Methods of Solution of linear programs under
uncertainty, 10, 1962, pp. 463-471.
[14] Sampieri-H., R., Fernndez-Collado, C. y Baptista-Lucio, P.,
Metodologa de la Investigacin, Mxico, Mxico DF: Mc Graw
Hill, 2006.
[15] Hurtado de Barrera, J., Metodologa de la investigcin holstica,
Tecera ed., Caracas: Fundacin Sypal, 2000.
[16] Guadarrama-G., P,. Direccin y asesora de la investigacin
cientfica, Bogot: Magisterio, 2009.
[17] Pixelis Maps, [on line]. [date of reference August 15th of 2012]
Available: http://www.maps.pixelis.es/.
[18] Hansonn, R. and Finnsgard, C., Impact of unit load size on in-plant
materials supply efficiency, International Journal Production
Economics, 147, pp. 46-52, 2014.
[19] Christiansen, C. and Lysgaard, J., A column generation approach to
the capacitated vehicle routing problem with stochastic demand,
Dinamarca, 2006.
[20] Laporte, G., Louveaux ,F.V. and Mercure, H., A priori optimization
of the probabilistic traveling salesman problem, Operations
Research, 42 (3), pp. 543-549, 1994.
[21] Yepes-P.,V., Optimizacin heurstica econmica aplicada a las redes
de transporte tipo VRPTW, Dr. Thesis.Valencia, Spain. 2002.
[22] Hongtao, L., Laporte, G. and Guo, B., A generalized variable
neighborhood search heuristic for the capacited vehicle routing
problem with stochastic services times, Sociedad de Estadstica e
Investigacin Operativa, 2011.
[23] Rei, W., Gendreau, M. and Soriano, P., A hybrid Monte Carlo local
branching algorithm for the single vehicle routing problem with
stochastic demands, Transportation Science, 44 (1), pp. 136-146,
Febrero 2010.
[24] M.L.G., Gendreau, H.A., An approximation algorithm for the
traveling salesman problem with backhauls, Operations Research, 45
(4), pp. 639-641, 1997.
[25] Universidad de Granada, [En lnea]. [fecha de consulta Agosto 15 de
2012]. Disponible en: http://ugr.es/bioestad/private/cpfund7.pdf.
[26] Wiston, W.L., Investigacin de Operaciones. Aplicaciones y
Algoritmos., Cencage Learning, 2010.
[27] Hillier, F. y Lieberman, G.J., Introduccin a la Investigacin de
Operaciones, Mc Graw Hill, 2010.
[28] Guasch, A., Piera, M.., Casanovas, J. y Figueras, J., Modelado y
simulacin. Aplicacin a procesos logsticos de fabricacin y
servicios, 1a ed., Barcelona, Catalunya: Ediciones de la Universidad
Politcnica de Catalunya, 2002, 358 P.
[29] Balci, O. and Sargent, R., Simulatter, 1984.
[30] Balci, O. and Sargent, R., Communications of ACM, 1981.
206