Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Articulo Tesis FormatoAISS
Articulo Tesis FormatoAISS
ProblemadeRuteodeVehculosconCapacidadUniforme
considerandolaDemandaCompartidayOptimizandoelEmbalaje
dePaquetesenTresdimensiones
JosephGallartSurez,ManuelTupiaAnticona
(jgallart@pucp.edu.pe,tupia.mf@pucp.edu.pe)
Abstract.EnesteartculosebuscaimplementardosalgoritmosmetaheursticosGRASPque
permitenresolverelproblemaderuteodevehculosconcapacidaduniforme,considerandola
demandacompartidadelosclientesyresolviendoademselproblemadeembalajedepaquetes
en tres dimensiones dentro de las tolvas de dichos vehculos, paraeste ltimoproblemase
consideraelordenderepartodelosdestinatarios,eltamaoypesodelospaquetes.Eneste
artculosecomparalasolucinobtenidaporlosdosalgoritmosGRASPconunasolucinvoraz
y dos soluciones hbridas (voraz y aleatoria), obteniendoresultadosquecompruebanqueel
algoritmoGRASPobtienemejoressolucionesparaestetipodeproblema.
Keywords:CVRP,BPP3D,VRP,SDVRP,GRASP,2OPT,Metaheursticas.
1. Introduccin
Elproblemaderuteodevehculos(conocidoenlaliteraturacomoVehicleRoutingProblemo
VRP)esprobablementeelproblemadeenrutamientodenodosmsconocidoenlaactualidad.Este
problema es usualmente definido como un grafo G = (V,E) con un conjunto de nodos V = {
v 0 , v 1 , v 2 v n }yunconjuntodearistasE,endonde v 0 representael depsito,conK
vehculos idnticos de reparto con capacidad Q, los dems nodos representan a los clientes
destinatariosconunademanda qi ycadaarista(i,j)tieneuncostosimtrico c ij =c ji [6].
ElproblemaconsisteendeterminarunconjuntodeKrutasparaKvehculos,endondeelcosto
totalseamnimo,comenzandoyterminandoenundepsito;talquecadanodoseavisitadounasola
vezyquecadavehculoderepartonosobrepasesucapacidadQ[7].
Una variante particular del escenario explicado es agregar como restriccin la capacidad del
vehculo de reparto (CVRP), en este artculo adems se agrega la demanda compartida como
segundarestriccin(SDVRP),lograndoqueelproblemaseasemejemsalarealidad;estaltima
consideracinseaplicacuandoelclientedestinatariotengamayordemandaquelacapacidaddel
vehculodereparto,porlotantounclientedestinatariopuedeservisitadopormsdeunvehculode
reparto.
Estetipodeproblemadeoptimizacincombinatorianotieneunasolucinexactadebidoalagran
cantidaddeposiblessolucionesexistentesporlasconexionesentreelpuntodeorigen(basedelos
vehculosdereparto)ylospuntosdestino(clientes).Formapartedelaclasificacinalgortmicadel
tipoNPDifcil.[6]
EnesteartculoseimplementandosalgoritmosGRASPquepermitenresolveresteproblemayel
embalajedepaquetesentresdimensionesdentrodelastolvasdelosvehculosdereparto,adems,se
buscamejorarlasolucinoptimizndolaatravsdeunalgoritmodebsquedalocal2Opt.
El artculoest organizadode lasiguientemanera: enlaseccin2se mencionalostrabajos
previos desarrollados por otros investigadores, en la seccin 3 se detallan los algoritmos
implementados,enlaseccin4semuestranlosresultadosobtenidos,finalmenteenlaseccin5se
muestranlasconclusionesobtenidasytrabajosfuturos.
2. TrabajosPrevios
Desde la introduccin del problema propuesto por Dantzig y Ramser [8], la evolucin de
soluciones tanto exactas como heursticas han mejorado notablemente, dentro de las soluciones
heursticasdestacanlostrabajosdeLaporte,MercureyNobert[2];Fischetti,TothyVigo[10];y
Fisher[11]proponiendoalgoritmosdeRamificacinyacotacin,cabemencionarqueelmtodode
Fisherlograresolverhasta71nodosdestino(clientes),sinembargoestodemandaungrancosto
computacional[7].
En la categora de algoritmos exactos de tipo Ramificacin y corte destacan los trabajos de
Cornujols,FonluptyNaddef[12];NaddefyRinaldi[13];TothyVigo[14],sinembargoestetipo
dealgoritmodependemuchodelaestructuraparticulardelVRPyaquepuedecomplicarlasolucin
siseaplicancortesaunaestructuraquenofavorecealalgoritmo[15].
Dentrodelosmtodosheursticosconstructivosmsresaltantessetieneelalgoritmodeahorrode
ClarkeyWright[3],yelalgoritmodeahorrobasadoenmatching,comolostrabajosdeDesrochers
andVerhoog[17]yAltinkemerandGavish[18].
EnlacategoradealgoritmosconmtodosheursticosdeinsercindestacanlostrabajosdeMole
yJameson[19];Christofides,MingozziyToth[20];Solomon[21],estosalgoritmospartenconrutas
inicialmente vacaseiterativamente evalan lamejor formade insertar unnodoenalgunaruta
quedndoseconelpar(nodo,ruta)querepresentalamejorinsercin.
En la actualidad existen mtodos metaheursticos que obtienen muy buenas soluciones al
problemaplanteado,comoeselcasodelalgoritmodecoloniadehormigas[1],algoritmosgenticos
[9]oelalgoritmodebsquedaTab[16].
EnesteartculoseimplementandosalgoritmosGRASP[4]confasedeoptimizacin2OPTcon
el objetivo de estudiar la aplicabilidad de este tipo de algoritmos para la variante del VRP
mencionada.
3. AlgoritmosEmpleados
3.1 AlgoritmoGRASP
ElalgoritmoGRASPesunprocedimientodebsquedamiopealeatorizadoyadaptativo(vienede
lassiglasGreedyRandomizeAdaptiveSearchProcedure),estealgoritmoesunametaheurstica
queayudaaencontrarsolucionesdebuenacalidadaproblemasdeoptimizacincombinatoria[4].
ElalgoritmoGRASPesunmtodomultiarranque,cadaiteracinGRASPcontienedosfases:
construccinymejora.
Enlafasedeconstruccinseelaboraunasolucinrelajandoelcriteriovoraz,paraelloseaade
iterativamenteunelementoencadapaso,laeleccindecadaelemento(Si)esdeterminadapor:la
funcin objetivo(fo), el rango de viabilidad (E) y la lista de candidatos restringida la cual est
definidaporlossiguientesfactores:laconstantederelajacin ( ) ,elmejorvalordelafuncin
objetivo ( ) yelpeorvalordelafuncinobjetivo ( ) [4].Enlasfiguras1y2sedetallanla
lista de candidatos restringida para los casos de minimizar y maximizar la funcin objetivo
respectivamente.
RCL={Si:fo(Si)
Figura1:Listadecandidatosrestringidaencasosebusqueminimizarlafuncinobjetivo
RCL={Si:fo(Si)
Figura2:Listadecandidatosrestringidaencasosebusquemaximizarlafuncinobjetivo
Deesteconjuntodecandidatosseextraedemaneraaleatoriaunelemento,formandoasuna
posiblesolucin.
Enlafasedemejoraseoptimizalasolucingeneradaporlafasedeconstruccin;paraellose
realizaunabsquedaiterativareemplazandosucesivamentelasolucinactualporunaqueesteenel
conjuntodesolucionesvecinas.Cuandonoseencuentraunasolucinquemejoralaactual,sedice
quelasolucineslocalmenteptima.
Estasdosfasesserepitenvariasvecesylamejorsolucinencontradasobretodaslasiteraciones
GRASPesdevueltacomolasolucindemejorcalidad[4].
AcontinuacinsepresentalaestructurageneraldelalgoritmoGRASP:
Algoritmo1.GRASPestructurageneral
1: Mientras<nosecumplaelcriteriodeparada>hacer
2:
Seconstruyeunasolucinusandoelprocedimientovoraz
3:
Serealizaunabsquedalocalparamejorarlasolucinconstruida
4:
Sielcosto(solucionActual)<costo(mejorSolucionEncontrada)entonces
5:
actualizar(mejorSolucionEncontrada,solucionActual)
6:
FinSi
7:
FinMientras
8:
RetornarmejorSolucionEncontrada
Enesteartculoseimplementan2algoritmosGRASPquesedetallanacontinuacin:
3.1.1
PrimeralgoritmoGRASP
ElprimeralgoritmoGRASPproporcionaunasolucininicialalproblemaderuteodevehculos
concapacidaduniforme,teniendocomosegundarestriccinlademandacompartida.Dentrodela
fasedeconstruccinseaplicaunsegundoalgoritmoGRASPqueresuelveelproblemadeembalaje
depaquetesentresdimensiones(3DBinPackingProblem)elcualayudaaoptimizarelembalajedel
vehculo,considerandoademselordenderepartodelosdestinatarios.
Estealgoritmorecibecomoparmetrosungrafoconformadoporelnododepartidaylosnodos
destinatarios, adems recibe la lista de vehculos de reparto. El algoritmo devuelve por cada
vehculolarutaderepartoaseguir.
ParalaconstruccindelprimeralgoritmoGRASPseutilizaunafuncinobjetivoquetienecomo
parmetros: la distancia de la arista recorrida, laconstante de trfico y lafuncin decosto del
segundoalgoritmoGRASP1.Enlafigura3semuestralafuncinobjetivoaminimizar.
F(objetivo GRASP1) =
DistanciaConstante Trfico
F(costo GRASP2)
Figura3:FuncinobjetivodelprimeralgoritmoGRASP
Paraconocerlacalidaddelasolucindelalgoritmoseaplicaunafuncindecostoquetienelos
siguientesparmetros:lasumatoriadeladistanciarecorridaenlarutaportodoslosvehculos,el
promediodelaconstantedetrficodetodaslasavenidasqueconformanlarutadelosvehculosde
reparto,lacantidaddevehculosutilizadospararealizarelrepartoyelpromediodelafuncinde
costodelsegundoalgoritmoGRASP2.Enlafigura4semuestralafuncindecostoaminimizar.
F(CostoGRASP1) =
trficoNmero de vehculos
DistanciaConstante
F(costoGRASP2)
Figura4:FuncindecostodelprimeralgoritmoGRASP
1Lafuncindecostodelsegundoalgoritmosedetallaenlaseccin3.1.2
2Lafuncindecostodelsegundoalgoritmosedetallaenlaseccin3.1.2
AcontinuacinsedetallaelpseudocdigodelprimeralgoritmoGRASP:
Algoritmo2.PrimeralgoritmoGRASP
1:
2:
Paracadai0hastanumIteracioneshacer
listaVehiculosfaseConstruccion(grafo,listaVehiculos,listaDestinatarios)
3:
listaVehiculosMejoradafaseMejora2OPT(grafo,listaVehiculos)
4:
Sii=0entonces
5:
6:
actualizarLista(listaVehiculos,listaVehiculosMejorada)
Casocontrario
7:
Sicosto(listaVehiculosMejorada)<costo(listaVehiculos)entonces
8:
actualizarLista(listaVehiculos,listaVehiculosMejorada)
9:
10:
FinSi
FinSi
11:
FinPara
12:
RetornarlistaVehiculos
Enlalnea2seinvocaalafasedeconstruccindelprimeralgoritmoGRASPobteniendolalista
de vehculos con sus respectivos destinatarios y paquetes asociados, en la lnea 3 se invoca al
algoritmodemejora2OPTelcualsedetallaenlaseccin3.2,desdelalnea4hastalalnea9se
comparalasolucinoptimizadaconlamejorsolucinalmacenada.Paradeterminarsiunasolucin
esmejorqueotrasecomparalacalidadderespuestadelalgoritmoutilizandolafuncindecosto
mencionadaenlafigura4.
AcontinuacinsepresentaelpseudocdigodelaFasedeconstruccindelprimeralgoritmo
GRASP:
Algoritmo3.FasedeconstruccindelprimeralgoritmoGRASP
la
1:
2:
indiceVehiculo0
vehiculoobtenerVehiculo(listaVehiculos,indiceVehiculo)
3:
MientrasnoAsignadoTodosLosPaquetes(listaDestinatarios,listaVehiculos)hacer
4:
Mientras(hayaCapacidadEnVehiculo(vehiculo,listaDestinatarios)hacer
6:
RCLgenerarListaCandidatosRestringida( , , cstRelaj)
destinatarioElegidoseleccinAleatoria(RCL)
7:
agregarPaquetes(vehiculo,destinatarioElegido)
8:
actualizarCapacidadVehiculo(vehiculo,destinatarioElegido)
9:
SiasignadoTodosLosPaquetes(grafo,listaDestinatarios)entonces
5:
En
10:
actualizarLista(listaVehiculos,vehiculo)
11:
RetornarlistaVehiculos
12:
FinSi
13:
FinMientras
14:
actualizarLista(listaVehiculos,vehiculo)
15:
indiceVehiculoindiceVehiculo+1
16:
vehiculoobtenerVehiculo(listaVehiculos,indiceVehiculo)
17:
FinMientras
18:
RetornarlistaVehiculos
lnea3sedetallaelcriteriodeparadadelalgoritmo,sevadetenercuandotodoslospaquetesdelos
destinatarioshayansidoasignadosalosvehculosdereparto,enlalnea4semuestraelcriteriode
paradaporcadavehculodereparto,sevaacambiardevehculocuandonoentrenmspaquetesde
losdestinatariosenl,enlalnea5seprocedeagenerarlalistadecandidatosutilizandoelrango
definidoenlafigura1ylafuncinobjetivodefinidaenlafigura3,enestalneaseinvocaalsegundo
algoritmo GRASP resolviendo el problema de embalaje de paquetes en tres dimensiones, este
algoritmosedescribeenlaseccin3.1.2.
Enlassiguienteslneasseprocedeaagregarlospaquetesdeldestinatarioelegidoalvehculode
reparto,alfinalizar,elalgoritmodevuelvelalistadevehculosdetallandoporcadaunolaruta,los
destinatariosypaquetesaentregar.
3.1.2
SegundoalgoritmoGRASP
ElsegundoalgoritmoGRASPseaplicaenlaetapadeconstruccindelprimeralgoritmoGRASP,
estealgoritmoproporcionaunasolucinalproblemadeembalajedepaquetesentresdimensiones
(3DBinPackingProblem),recibiendocomoparmetroselvehculoderepartoylalistadepaquetes
de los destinatarios; el algoritmo devuelve el vehculo con la configuracin de los paquetes
embaladossegnelespacio(entresdimensiones)ypesodecargadedichovehculo.
ParalaconstruccindelsegundoalgoritmoGRASPseutilizaunafuncinobjetivoque tiene
comoparmetros:lasmedidasdelpaquete(ancho,largoyalto),elanchoylargodelareginde
cortedelvehculoaexaminaryporltimoelaltodelvehculo.Enlafigura5semuestralafuncin
objetivoamaximizar.
F(Objetivo GRASP2) =
AnchoPaqueteLargo PaqueteAlto Paquete
ARCorteVehi
culoLR C orte Ve hi culoAltoVe hiculo
Figura5:FuncinobjetivodelsegundoalgoritmoGRASP
En este segundo algoritmo tambin se aplica una funcin de costo que tiene los siguientes
parmetros:elvolumenutilizadoalembalarlospaquetesalvehculo,elvolumentotaldeespaciode
almacenamientodelvehculo,lasumadelpesodetodoslospaquetesembaladosalvehculoyel
pesodecargaquesoportaelvehculo,enestafuncinsetienecomoprioridadlaoptimizacindel
volumen,porelloseduplicadichofactor.Enlafigura6semuestralafuncindecostoamaximizar.
F(CostoGRASP2)=
Figura6:FuncindecostodelsegundoalgoritmoGRASP
AcontinuacinsedetallaelpseudocdigodelsegundoalgoritmoGRASP:
Algoritmo4.SegundoalgoritmoGRASP
1:
2:
3:
Paracadai0hastanumIteracioneshacer
nuevoVehiculofaseConstruccion(nuevoVehiculo,listaPaquetes)
Sii=0entonces
4:
5:
actualizarEmbalaje(vehiculo,nuevoVehiculo)
Casocontrario
6:
Sicosto(vehiculo)<costo(nuevoVehiculo)entonces
7:
actualizarEmbalaje(vehiculo,nuevoVehiculo)
8:
9:
FinSi
FinSi
10:
FinPara
11:
Retornarvehiculo
Enlalnea2seinvocaalafasedeconstruccindelsegundoalgoritmoGRASP,obteniendoel
vehculo con los paquetes embalados, desde la lnea 3 hasta la lnea 9 se compara la solucin
optimizadaconlamejorsolucinalmacenada.Paradeterminarsiunasolucinesmejorqueotrase
comparalacalidadderespuestadelalgoritmoutilizandolafuncindecostomencionadaenlafigura
6.
AcontinuacinsepresentaelpseudocdigodelaFasedeconstruccindelsegundoalgoritmo
GRASP:
Algoritmo5.FasedeconstruccindelsegundoalgoritmoGRASP
1: corteLargoInicialobtenerCorteLargoInicial(vehiculo)
2: corteLargoFinalobtenerMayorLargo(listaPaquetes)
3:
anchoInd0
4:
Mientras(hayaPaquetes(listaPaquetes)yentrePaquetes(listaPaquetes,vehiculo)hacer
5:
Mientras(anchoInd<anchoVehiculoyentrePaquetes(listaPaquetes,vehiculo)hacer
6:
7:
RCLgenerarListaCandidatosRestringida(
paqueteElegidoseleccionAleatoria(RCL)
8:
embalarPaquete(vehiculo,paqueteElegido)
9:
SihuboRotacion(paqueteElegido)entonces
10:
11:
13:
,cstRelaj)
anchoInd=anchoInd+obtenerLargo(paqueteElegido)
Casocontrario
12:
13:
anchoInd=anchoInd+obtenerAncho(paqueteElegido)
FinSi
eliminarPaquete(listaPaquetes,paqueteElegido)
14:
FinMientras
15:
anchoInd0
16:
corteLargoInicialactualizarcorteLargoInicial(vehiculo)
17:
corteLargoFinalobtenerMayorLargo(listaPaquetes)
18:
FinMientras
19:
Retornarvehiculo
Enlafasedeconstruccinserealizancorteslongitudinalesalvehculoexpresadosenlaslneas1
y2,encadacortesemaximizaelespacioautilizar,enlalnea4sedetallaelcriteriodeparadadel
algoritmo,sevadetenercuando:yanoexistapaquetesporembalar,yanoexistaespaciodisponible
enelvehculoocuandoyanoentrenmspaquetesporsobrecarga,enlalnea5sedetallaelcriterio
deparadaparaelcorteactualdelvehculo,sevadetenercuando:yanoexistapaquetesporembalary
yanoalcancemspaquetesenesecorteportamaoopesodecarga,enlalnea6seprocedea
generarlalistadecandidatosutilizandoelrangodefinidoenlafigura2ylafuncinobjetivodefinida
enlafigura5.
Enlassiguienteslneasseprocedeaembalarelpaqueteelegidoalvehculoderepartorotandolos
paqueteshorizontalmente(anchoporlargodelpaqueteyviceversa)paraqueseutiliceelmayor
largoyelmenoranchodelvehculoposible(losvehculosporlogeneraltienenmayormedidade
largoquedeancho),ademssedeberespetarelordendepaquetesdelosdestinatariosdentrodel
vehculo.
Al finalizar, el algoritmo devuelve la configuracin en tres dimensiones de los paquetes
embaladosdentrodelvehculodereparto.
3.2 Algoritmo2OPT
Elalgoritmo2OPTesunalgoritmodemejorabasadoenbsquedalocal,elprocedimientoa
seguireselsiguiente:sedeterminandosconjuntosdearistas{x1,...,xk}e{y1,...,yk}talesquesu
intercambiodisminuyaelcostodelasolucin.Losarcosxdebenserpartedelarutayambos
conjuntosdebenserdisjuntos,ademsaleliminarlosarcosxyagregarlosarcosydebeformar
unarutacerrada[5].
Estealgoritmorecibecomoparmetrosdeentradaungrafoconformadoporelnododepartiday
losnodosdestinatarios,ademsrecibelalistadevehculosderepartoconlarutadelosdestinatarios;
elalgoritmodevuelvelalistadevehculosconsusrutasoptimizadas.
Acontinuacinsepresentaelpseudocdigodelalgoritmodemejora2OPT:
Algoritmo6.Algoritmo2OPT
1:
Parai0hastacantidadVehiculos(listaVehiculos)hacer
2:
listaNodosobtenerListaNodos(listaVehiculos,i)
3:
mejorListaNodoslistaNodos
4:
mejorCostoobtenerCosto(listaNodos,grafo)
5:
Paracadaj0hastacantidadNodos(listaNodos)hacer
6:
Paracadakj+1hastacantidadNodos(listaNodos)hacer
7:
nodoTemplistaNodos(k)
8:
borrarNodo(listaNodos,k)
9:
insertarNodo(listaNodos,j,nodoTemp)
10:
costoobtenerCosto(listaNodos,grafo)
11:
Si(costo<mejorCosto)entonces
12:
actualizar(listaNodos,mejorListaNodos,costo,mejorCosto)
13:
FinSi
14:
FinPara
15:
listaNodosobtenerListaNodos(listaVehiculos,i)
16:
FinPara
17:
FinPara
18:
RetornarlistaVehiculos
Enlalnea4sellamaalafuncindecostodelprimeralgoritmoGRASPdetalladoenlafigura4,
desdelalnea5al17sehaceundoblerecorridoporlosnodostemporalesdelvehculodendicei,
intercambiandotodaslasposicionesdelosnodosyformandonuevasaristasenelcambio,porcada
cambioseobtieneelcostoysecomparaconelcostoalmacenado,siesteesmejor,entoncesse
actualizaelmejorcostoylalistadelosmejoresnodos.Alfinalizarelalgoritmodevuelvelalistade
vehculosconlarutaoptimizada.
4. Ejecucindepruebasyresultados
LosalgoritmosseimplementaronenJavaylaspruebasseejecutaronenunacomputadoraIntel
Core2Duo2.0Hz,2GBRAMyconsistemaoperativoWindowsXPSP2.
El objetivo de las pruebas es comparar los dos algoritmos GRASP y la optimizacin 2Opt
(acrnimoG2OPT)contraalgoritmosvoracesyalgoritmoshbridos(vorazyaleatorio)descritosen
latabla1.
Primeralgoritmo
AlgoritmoVoraz
AlgoritmoVoraz
AlgoritmoAleatorio
Segundoalgoritmo
AlgoritmoVoraz
AlgoritmoAleatorio
AlgoritmoVoraz
Acrnimo
VV
VA
AV
Tabla1:Acrnimosdelosalgoritmos
Segeneraron100grafosaleatoriosde50,100y200nodosdestinatarios,paquetesaleatoriosde
pesoymedidasaleatorias,enlatabla2semuestralosparmetrosutilizadosparalosdosalgoritmos
GRASP.
#IteracionesGRASP1
#IteracionesGRASP2
n=50n=100n=200
50
50
40
100
100
80
ConstantederelajacinGRASP1(
ConstantederelajacinGRASP2(
0.2
0.8
)
)
0.2
0.6
0.2
0.8
Tabla2:ParmetrosdelosalgoritmosGRASP
G2OPT
306.30
2175.29
VV
403.20
2283.96
VA
429.84
3225.82
AV
532.36
4385.58
Tabla3:Resultadopara50nodosdestinatarios
Promediotiempo(s)
Promediocosto
G2OPT
VV
VA
AV
772.44
17583.11
925.53
18516.72
961.17
20223.74
1216.25
29546.84
Tabla4:Resultadopara100nodosdestinatarios
Promediotiempo(s)
Promediocosto
G2OPT
VV
VA
AV
1849.56
96193.21
2620
118110.66
2838
144171.91
3563.11
214684.65
Tabla5:Resultadopara200nodosdestinatarios
Las3tablasindicanquelosdosalgoritmosGRASPconoptimizacin2OPTobtienenmejor
calidaddesolucionesqueelrestodealgoritmos,enlas3tablaselalgoritmoVorazobtienemejores
solucionesquelosdosalgoritmosHbridos.Enlatabla3elalgoritmopropuesto(G2OPT)yel
algoritmovorazobtienensolucionesmuycercanas(encostoytiempo),sinembargo,para100y200
nodoselalgoritmopropuestobrindaunamejorcalidaddesolucin.
SepuedeobservarqueelalgoritmoAleatorioVoraz(AV)presentaunmayorcostoytiempode
ejecucinqueelrestodealgoritmos,estosedebeaqueestepartedeunasolucinaleatoria,porlo
tantodemandamayorcostoytiempoenencontrarunasolucin.
5. Conclusionesytrabajofuturo
Enesteartculoseimplement2algoritmosGRASPconoptimizacin2OPTpararesolverel
problemaderuteodevehculosconcapacidaduniforme,considerandolarestriccindelademanda
compartida y resolviendo adems el problema de embalaje de paquetes en tres dimensiones,
combinandoestosdosproblemasselograresolverunproblemarealdelogsticadetransporteycarga
depaquetes.
Serealizpruebascomputacionalesparaestudiarlaaplicabilidadycalidaddesolucindelosdos
algoritmospropuestos,losresultadoscomputacionalesindicanquelosdosalgoritmosGRASPcon
optimizacin2OPTobtienenmejoressolucionesqueunalgoritmoVorazycontradosalgoritmos
Hbridos.
ComotrabajofuturoquedaimplementarotrosalgoritmosMetaheursticos,comolaColoniade
hormigasyelalgoritmoGentico,compararlosconlasolucinpropuestaycomprobarsiestaobtiene
lasmejoressolucionesalproblemaplanteado.
6. Referencias
1
Lin Wei Dong; Cai Tian Xiang.: Ant Colony Optimization for VRP and Mail Delivery Problems.
IndustrialInformatics,2006IEEEInternationalConferenceonIssue,1618Page(s):11431148.(2006)
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Laporte,Gilbert,Mercure,H.yNobert,Y:Anexactalgorithmfortheasymmetricalcapacitatedvehicle
routingproblem.Networks16.Page(s):3346(1986).
Clarke,G.yWright,J.W:Schedulingofvehiclesfromacentraldepottoanumberofdeliverypoints.
OperationsResearch12.Page(s):568581(1964).
MauricioG.C.Resende,JosLuisGonzlezVelarde.GRASP:GreedyRandomizedAdaptiveSearch
Procedures.InteligenciaArtificial,RevistaIberoamericanadeInteligenciaArtificial.No.19.Page(s)61
76(2003).
AlfredoOlivera:HeursticasparaProblemasdeRuteodeVehculos.InstitutodeComputacin,Facultad
deIngeniera,UniversidaddelaRepblica,Montevideo,Uruguay.(2004)
ChristianPrins:AGRASPXEvolutionaryLocalSearchHybridfortheVehicleRoutingProblem.Bio
inspiredAlgorithmsfortheVehicleRoutingProblem,1edition.Page35(2008).
UniversidaddeMlaga:http://neo.lcc.uma.es/radiaeb/WebVRP/(2009)
YannisMarinakisandAthanasiosMigdalas:OperationalResearch,Volume7,Number1.Page(s)2746
(2007).
9.BeatriceOmbukiBerman,FranklinT.Hanshar:UsingGeneticAlgorithmsforMultidepotVehicle
Routing.StudiesinComputationalIntelligence,Volume161.Page(s)7799(2009).
Fischetti, Matteo, Toth, Paolo y Vigo, Daniele: A branchandbound algorithm for the capacitated
vehicleroutingproblemondirectedgraphs.OperationsResearch42.Page(s)846859(1994).
Fisher,M.L:Optimalsolutionofvehicleroutingproblemsusingminimumktrees.OperationsResearch
42.Page(s)626642(1994).
Cornujols,G.,Fonlupt,J.yNaddef,Denis.Thetravelingsalesmanproblemonagraphandsome
relatedintegerpolyhedra.MathematicalProgramming33.Page(s)127(1985).
Naddef, Denis y Rinaldi, Giovanni: The graphical relaxation: A new framework for the symetric
travelingsalesmanpolytope.MathematicalProgramming58.Page(s)5388(1993).
Toth, Paolo y Vigo, Daniele: The Vehicle Routing Problem. Society of Industrial and Applied
Mathematics(SIAM)(2002).
ClaudioContardoVera:Formulacinysolucindeunproblemaderuteodevehculoscondemanda
variableentiemporeal,trasbordosyventanasdetiempo.UniversidaddeChile(2005).
NiazA.Wassan,A.HameedWassanandGborNagy:Areactivetabusearchalgorithmforthevehicle
routing problem with simultaneous pickups and deliveries. Journal of Combinatorial Optimization.
Volume15,Number4(2008).
MartinDesrochers,T.W.Verhoog:Anewheuristicforthefleetsizeandmixvehicleroutingproblem.
Computers&OR18Page(s)263274(1991).
Kemal Altinkemer, Bezalel Gavish: Parallel Savings Based Heuristics for the Delivery Problem.
OPERATIONSRESEARCH,Vol.39,No.3.Page(s)456469(1991).
Mole,R.H.yJameson,S.R:Asequentialroutebuildingalgorithmemployingageneralizedsavings
criterion.OperationsResearchQuarterly27.Page(s)503511(1976).
Christofides,N.,Mingozzi,A.yToth,P:Thevehicleroutingproblem.Wiley,Chichester,UK(1979).
Solomon,MariusM:Algorithmsforthevehicleroutingandschedulingproblemswithtimewindow
constraints.OperationsResearch35(1987).