Está en la página 1de 22

INSTITUTO TECNOLOGICO DE

SALTILLO

OPTOMIZACI
N AL
PROBLEMA DEL RUTEO
DE VEHCULOS CON
CAPACIDAD LIMITADA
APLICANDO UN
ALGORITMO INSPIRADO
EN LA OPTIMIZACIN
POR ENJAMBRE DE
PARTICULAS
PROTOCOLO DE INVESTIGACIN
ROBERTO GARCA MUIZ
CYNTHIA ELIZABETH RIVERA HDZ
MAURO TORRES VAZQUEZ
TALLER DE INVESTIGACION II
Contenido
Introduccin............................................................................................................................ 2
Delimitacin del problema..................................................................................................2
Problema del ruteo de vehculos con factor de capacidad.............................................. 2
Optimizacin por enjambre de partculas....................................................................... 3
Objetivos.............................................................................................................................5
General............................................................................................................................5
Especficos......................................................................................................................5
Justificacin........................................................................................................................ 6
Descripcin del problema............................................................................................... 6
Por qu se hace?............................................................................................................ 6
Para qu se hace?...........................................................................................................6
Hiptesis..............................................................................................................................6
Marco Terico.........................................................................................................................7
Antecedentes.......................................................................................................................7
El problema del Ruteo de vehculos............................................................................... 7
Problema del ruteo de vehculos con factor de capacidad.............................................. 8
Optimizacin por enjambre de partculas....................................................................... 9
Funcionamiento.............................................................................................................10
El algoritmo...................................................................................................................11
Metodologa.......................................................................................................................... 12
Objeto de estudio.............................................................................................................. 12
Cronograma...........................................................................................................................13
Levantamiento de Informacin .. 14
Descripcin y Anlisis de Resultados . 15
Conclusin 18
Referencias y Bibliografa.................................................................................................... 19
Introduccin
Actualmente el problema del ruteo de vehculos (VRP) juega un papel importante en la
logstica de algunos sistemas que tienen por objeto la optimizacin, s la distribucin de los
productos desde el deposito o los depsitos a los usuarios finales est bien planificada, su
resultado podr significar grandes ahorros de recursos.
Desde 1959 se han realizado grandes esfuerzos por resolver este tipo de problemas, por
ejemplo Dantzig y Ramser [1] formularon el problema de la distribucin de combustible y
cinco aos ms tarde Clarke y Wright [2] propusieron un algoritmo para su solucin,
conocido como: el popular algoritmo de ahorros. Desde ese entonces se puede argumentar
que el problema del ruteo de vehculos ha crecido de una manera controversial y ms
refinada, es decir, se han desarrollado modelos que incluyen factores que los hacen ms
realistas, y por ende la bsqueda y desarrollo de algoritmos que los resuelvan de manera
eficiente.
Existen variaciones dentro del problema del ruteo de vehculos, es decir, por la cantidad de
factores que son considerados y por las posibilidades por encontrar una solucin cercana a
la ptima el problema del ruteo de vehculos (VRP) se deriva tanto en PRV de
multidepsito (MDVRP), PRV peridico (PVRP), PVR estocstico (SVRP) y PVR con
ventana de tiempo (VRPTM), entre algunos otros.
Considerando lo anterior el PVR y sus variantes son considerados problemas NP-hard
[referencia]. Al buscar la solucin ptima son muchos los factores y posibilidades de
combinacin y permutacin a considerar, adicionando las restricciones y sin mencionar si el
nmero de clientes aumenta.

Delimitacin del problema

Problema del ruteo de vehculos con factor de capacidad


El problema del ruteo de vehculos con factor de capacidad est formalmente definido
como lo siguiente.
Se tiene G(V,A) un grafo sin direccin, donde V denota un conjunto de n+1 de vrtices. A
denota un arco, el cual est definido como A= {(vi,vj): vi,vjV,ij}. V se define como
V={0,1,2,,n} donde n es el nmero de clientes. El vrtice numero {0} representa el
depsito mientras el resto {1,,n} corresponde a los n clientes. Cada (vi,vj) de A esta
asociado a un costo no negativo C. cada cliente dentro de {1,,n} tiene una demanda no
negativa qi la cual define las unidades pedidas desde el depsito {0} al cliente i. La
demanda de q0 es igual a cero (q0 = 0). Un conjunto de m vehculos de igual capacidad Q
son usados para acudir a los n clientes.
Los m vehculos comienzan y terminan en el
depsito. Una ruta est definida como un ciclo
de un grafo de menor costo pasando a travs del
depsito y cubriendo el total de la demanda de
los vrtices visitados sin exceder la capacidad
del vehculo.

El objetivo de este problema es minimizar el


total de la distancia recorrida, tiempo o costo
por el nmero de vehculos sujeto a que: (1)
Ilustracin 1 - G(V,A) cada ruta comience y termine en el depsito, (2)
cada cliente es visitado exactamente una vez
est formulado con lo siguiente: exactamente por un solo vehculo, y (3) el total
de la demanda de cada ruta no excede Q. PRVC

Min cijxij (1)


Donde (i,j) V, V={0,1,2,,n}, Xij {0,1}
Sujeto a
x0j=m (1.1)
xi0=m (1.2)
j=1 xij=1(i=1,, n) (1.3)
i=1 xij=1 (j=1,, n) (1.4)
m1 (1.5)
El objetivo de la funcin (1) es el total del costo de la solucin. Las restricciones 1.1 y 1.2
indican que m es el nmero de vehculos usados en la solucin y todos los vehculos que
salieron del depsito deben regresar. La restriccin 1.3 y 1.4 asegura que cada cliente es un
nodo intermedio de una ruta.

Optimizacin por enjambre de partculas


La optimizacin por enjambre de partculas es una de las tcnicas evolutivas
computacionales basado en una poblacin de bsqueda y es inicializada con soluciones
aleatorias llamadas partculas. A diferencia de otras tcnicas evolutivas cada partcula de
PSO est asociada a una velocidad. Las partculas vuelan en un espacio de bsqueda con
velocidades que son ajustadas dinmicamente de acuerdo con su historial de
comportamiento, por lo tanto cada partcula tiende a volar hacia la mejor y mejor rea de
bsqueda sobre el curso del proceso de bsqueda.
El algoritmo
El diseo del algoritmo se relaciona con la simulacin de grupos de animales que trabajan
juntos, simulando, por ejemplo, un ave en busca de comida mediante la cooperacin social
con aves de su alrededor (dentro de su vecindario), todo esto fue expandido a una bsqueda
multidimensional, utilizando el espacio euclidiano, el algoritmo original se describe a
continuacin:

vid = vid + c1 random() (pid xid) + c2 Random() (pgd xid) (2a)


xid = xid + vid (2b)

Donde c1 y c2 son constantes positivas, random() y Random() son dos funciones en el rango
[0,1]; Xi = (xi1, xi2,,xid) representa la i-sima partcula; Pi = (pi1, pi2,,piD) representa la
mejor posicin previa (la posicin se obtiene evaluando la partcula con la funcin objetivo
o fitness function) de la i-sima partcula; el smbolo g representa el ndice de la mejor
partcula entre todas las partculas de la poblacin; Vi = (vi1,vi2,,viD) representa la
velocidad del cambio de posicin de la partcula i.
La ecuacin (2) describe la trayectoria de vuelo de una poblacin de partculas; La ecuacin
(2a) describe como la velocidad es actualizada de una forma dinmica y la ecuacin (2b)
representa la posicin actualizada de las partculas volando
La ecuacin (2a) consiste en tres partes, la primera es el momentum, la velocidad no puede
cambiar de una manera abrupta, esta es modificada por la actual velocidad; la segunda parte
es la cognitiva la cual representa el pensamiento privado de autoaprendizaje en su
experiencia de vuelo; la tercera parte es la social y esta representa la colaboracin entre
todas las partculas y el aprendizaje de la experiencia de vuelo en grupo.
Objetivos
General
El objetivo de esta investigacin es desarrollar un algoritmo inspirado en la optimizacin
por enjambre de partculas y aplicarlo en el problema del ruteo de vehculos con factor de
capacidad, probarlo en una empresa cliente (solo si es posible) y mostrar sus resultados.
Especficos
Investigar algoritmos hbridos inspirados en PSO ya sea revistas, libros, artculos,
tesis mediante un anlisis para la el apoyo en el desarrollo de un nuevo algoritmo
similar.
Identificar dentro del problema del ruteo de vehculos con factor de capacidad la
forma en que el algoritmo inspirado en PSO puede aplicarse
Desarrollar el algoritmo inspirado en PSO en un pseudocdigo y delimitar su uso.
Experimentar (si es posible) el algoritmo en una empresa cliente y mostrar
resultados.
Justificacin
Es importante mencionar que la logstica hoy en da juega un papel importante
considerando que las grandes empresas estn en busca de la menor prdida y mayor
ganancia, adicionando que los pases estn mucho ms cerca en el mbito del negocio y
tomando en cuenta esto se puede argumentar que las investigaciones como esta, son
importantes dentro del desarrollo y crecimiento de un negocio o empresa mexicana, ya que,
si un algoritmo como este ahorra un porcentaje considerable entonces no sern simples
instrucciones dentro de un ordenador, si no, sern una herramienta que ayude a nuestras
empresas a no cambiar sino a optimizar lo establecido.
Descripcin del problema.

Debido a la gran variedad en el rea de investigacin y a la complejidad del problema del


ruteo de vehculos es imposible considerar una metodologa que cumpla con todos los
factores del problema, sin embargo, tomar el problema por partes, se tiene la necesidad de
implementar una metodologa que minimice la ruta con factor de capacidad de carga.

Por qu se hace?

Para ofrecer una solucin aparentemente nueva que permita la experimentacin del
algoritmo basado en la optimizacin por enjambre de partculas, considerando implementar
un mtodo de optimizacin alternativo que permita encontrar una solucin ptima en el
problema.

Para qu se hace?

Para reducir costos, mejorar las ventas y los ingresos econmicos, encontrando la ruta
aparentemente ms corta en donde tambin se puede argumentar que ser una de las
mejores soluciones.

Hiptesis
1. A mayor cantidad de soluciones aleatorias iniciales, mejores resultados. Si el
algoritmo presenta resultados eficientes, demostrando encontrar la minimizacin
del costo de las rutas y su ruta ms corta, se podr desarrollar y probar para
estudios de caso.
2. Si la experimentacin presenta resultados prometedores, es decir, la
minimizacin del costo, la ruta y el tiempo de procesamiento son aparentemente
el mejor resultado, los resultados se podrn comparar con resultados de
experimentacin de alguna otra metodologa del mismo caso de estudio.
Marco Terico
Antecedentes
Los problemas de ruteo de vehculos han sido objeto de investigacin intensiva por ms de
50 aos, debido al gran inters cientfico que stos tienen por ser considerados NP-
completos y donde algunas instancias Euclidianas con 75 nodos an no han sido resueltas
hasta su ptimo (Prins, Christian (2004)). Por otra parte, se debe a su importancia cmo
modelo de optimizacin, en cantidades de campos de aplicacin, como son, transporte,
logstica, comunicaciones, manufactura, militar, entre otros. El problema tradicional
CVRP (por sus siglas en ingls Capacitated Vehicle Routing Problem) puede ser descrito en
su forma ms sencilla como una flota de vehculos con capacidades uniformes que tiene
que satisfacer la demanda de un grupo de clientes a travs de un conjunto de rutas que
empiezan y terminan en un almacn comn y que representan el menor costo posible, as
como la identificacin del orden de visita a los mismos (Gendreau et al. (2012)). Como
consecuencia de los altos niveles actuales de congestin vehicular, de los fuertes consumos
de energa de los vehculos de carga, as como del impacto negativo que estos ltimos
tienen en el medio ambiente como emisiones, accidentes, ruido y vibraciones; en los
ltimos aos uno de los problemas que ms ha interesado a la logstica urbana City
Logistics ha sido el de optimizar globalmente los sistemas de transporte, considerando los
costos y beneficios de esquemas tanto pblicos como privados. Estos conceptos de City
Logistics, han sido implementados y son objeto de inters presente en muchos modelos
desarrollados recientemente para predecir y establecer sistemas inteligentes de transporte
(Taniguchi y Thompson (2002). Cmo caso particular se relacionan posteriormente todos
los modelos generales y explcitos del VRP y sus variantes.

El problema del Ruteo de vehculos


En las ultimas dcadas ha habido un incremento de paquetes de optimizacin basados en
tcnicas de investigacin de operaciones o programacin matemtica, en sistemas de
distribucin para el manejo efectivo de la provisin de bienes o servicios.
De acuerdo a aplicaciones del mundo real se ha mostrado que una buena planeacin de los
procesos de distribucin genera ahorros del 5 % al 20 % en los costos de transportacin
global.
Proceso de transportacin: representa del 10 % al 20 % del costo final de los bienes.
Caractersticas
Un depsito central.
Clientes que requieren productos con cierta demanda.
Una flotilla de vehculos disponibles con cierta capacidad de transportacin.
Se quiere planear la entrega de productos a los clientes.
Se desea minimizar los costos de transportacin (distancia total recorrida, nmero
de vehculos, tiempo total de transportacin).
Se requiere disear las rutas de los vehculos que salen y regresan al depsito,
satisfaciendo las demandas de los clientes, con ciertas restricciones operacionales.
La red vial se describe generalmente con
un grafo, los arcos representan secciones o
tramos viales y los vrtices corresponden a
los clientes.
Cada arco tiene asociado un costo que
representa la longitud o tiempo de viaje.
Cuando se cuenta con un solo vehculo
con capacidad ilimitada: problema de
agente viajero (TSP)
VRP m as difcil de resolver que el TSP

Ilustracin 2 - Red vial

Problema del ruteo de vehculos con factor de capacidad


El problema del ruteo de vehculos con factor de capacidad est formalmente definido
como lo siguiente.

Se tiene G(V,A) un grafo sin direccin, donde V denota un conjunto de n+1 de vrtices. A
denota un arco, el cual est definido como A= {(vi,vj): vi,vjV,ij}. V se define como
V={0,1,2,,n} donde n es el nmero de clientes. El vrtice numero {0} representa el
depsito mientras el resto {1,,n} corresponde a los n clientes. Cada (vi,vj) de A esta
asociado a un costo no negativo C. cada cliente dentro de {1,,n} tiene una demanda no
negativa qi la cual define las unidades pedidas desde el depsito {0} al cliente i. La
demanda de q0 es igual a cero (q0 = 0). Un conjunto de m vehculos de igual capacidad Q
son usados para acudir a los n clientes.

Los m vehculos comienzan y terminan en el


depsito. Una ruta est definida como un ciclo
de un grafo de menor costo pasando a travs del
depsito y cubriendo el total de la demanda de
los vrtices visitados sin exceder la capacidad
del vehculo.

El objetivo de este problema es minimizar el


total de la distancia recorrida, tiempo o costo
por el nmero de vehculos sujeto a que: (1)
cada ruta comience y termine en el depsito, (2)
cada cliente es visitado exactamente una vez
Ilustracin 3 - G(V,A) exactamente por un solo vehculo, y (3) el total
de la demanda de cada ruta no excede Q. PRVC
est formulado con lo siguiente:
Min cijxij (1)
Donde (i,j) V, V={0,1,2,,n}, Xij {0,1}
Sujeto a
x0j=m (1.1)
xi0=m (1.2)
j=1 xij=1(i=1,, n) (1.3)
i=1 xij=1 (j=1,, n) (1.4)
m1 (1.5)
El objetivo de la funcin (1) es el total del costo de la solucin. Las restricciones 1.1 y 1.2
indican que m es el nmero de vehculos usados en la solucin y todos los vehculos que
salieron del depsito deben regresar. La restriccin 1.3 y 1.4 asegura que cada cliente es un
nodo intermedio de una ruta.

Optimizacin por enjambre de partculas


La Optimizacin por Enjambres de Partculas (conocida como PSO, por sus siglas en
ingls, Particle swarm optimization) es una tcnica de optimizacin/bsqueda en el campo
del aprendizaje automtico. Aunque normalmente el PSO se usa en espacios de bsqueda
con muchas dimensiones, vamos a mostrar aqu un uso en un espacio bidimensional, con el
fin de facilitar la visualizacin, y porque nuestro objetivo es puramente didctico,
esperando que el interesado no encuentre dificultades en extenderlo a otros casos.

Este mtodo fue descrito alrededor de 1995 por James Kennedy y Russell C. Eberhart
(Kennedy, J. & Eberhart, R. (1995), 'Particle swarm optimization', Neural Networks, 1995.
Proceedings., IEEE International Conference), y se inspira en el comportamiento de los
enjambres de insectos en la naturaleza. En concreto, podemos pensar en un enjambre de
abejas, ya que stas a la hora de buscar polen buscan la regin del espacio en la que existe
ms densidad de flores, porque la probabilidad de que haya polen es mayor. Este mtodo ha
sido portado al campo de la computacin en forma de algoritmo y se emplea en la
actualidad en la optimizacin de distintos tipos de sistemas.

Formalmente hablando, dada una funcin desconocida, f(x,y), que podemos evaluar en los
puntos que queramos, pero a modo de caja negra, sin conocer su expresin, se intentan
encontrar valores de x e y para los que la funcin f(x,y) sea mxima (o mnima, o bien
verifica alguna relacin extrema respecto a alguna otra funcin). Como ya hemos visto en
otras entradas similares, a f(x,y) se le suele llamar funcin de fitness, ya que va a
determinar cmo de buena es la posicin actual para cada partcula (a la funcin de fitness a
veces tambin se le llama "paisaje de fitness", ya que puede verse como un paisaje con
valles y colinas formados por los valores que toma la funcin).
Una primera aproximacin a este problema de calcular valores extrema es de una funcin
bidimensional podra ser la seleccin aleatoria de valores de x e y, y almacenar el mayor de
los resultados encontrados, lo que se conoce como una bsqueda aleatoria. Para muchos
espacios de bsqueda (normalmente, todos aquellos interesantes) este mtodo es altamente
ineficiente, por lo que es imprescindible encontrar otros mtodos ms "inteligentes" que, a
pesar del desconocimiento de la funcin a optimizar, ofrezcan ms posibilidades de xito
que la simple bsqueda azarosa.

En PSO, las partculas se sitan en el espacio de bsqueda y se mueven a travs del mismo
de acuerdo a unas reglas que tienen en cuenta el conocimiento personal de cada partcula y
el conocimiento global del enjambre. A travs de sus movimientos por este paisaje de
fitness las partculas llegan a descubrir valores particularmente altos para f(x,y).

La optimizacin por enjambre de partculas es una de las tcnicas evolutivas


computacionales basado en una poblacin de bsqueda y es inicializada con soluciones
aleatorias llamadas partculas. A diferencia de otras tcnicas evolutivas cada partcula de
PSO est asociada a una velocidad. Las partculas vuelan en un espacio de bsqueda con
velocidades que son ajustadas dinmicamente de acuerdo con su historial de
comportamiento, por lo tanto cada partcula tiende a volar hacia la mejor y mejor rea de
bsqueda sobre el curso del proceso de bsqueda.
Funcionamiento
Cada partcula (individuo) tiene una
posicin, (x,y), en el espacio de
bsqueda y una velocidad, (vx,vy), con la
que se mueve a travs del espacio.
Adems, como partculas de un mundo
real fsico, tienen una cantidad de inercia,
que los mantiene en la misma direccin
en la que se movan, as como una
aceleracin (cambio de velocidad), que
depende principalmente de dos
caractersticas:

1. Cada partcula es atrada hacia la mejor localizacin que ella, personalmente, ha


encontrado en su historia (mejor personal).
2. Cada partcula es atrada hacia la mejor localizacin que ha sido encontrada
globalmente en el espacio de bsqueda (mejor global).

La fuerza con que las partculas son empujadas en cada una de estas direcciones depende de
dos parmetros (atraccin-al-mejor-personal Y atraccin-al-mejor-global), de forma que a
medida que las partculas se alejan de estas localizaciones mejores, la fuerza de atraccin es
mayor. Tambin se suele incluir un factor aleatorio que influye en cmo las partculas son
empujadas hacia estas localizaciones.

En el modelo que presentamos a continuacin siguiendo este algoritmo se intenta optimizar


una funcin que viene determinada por los valores sobre una malla. El paisaje se obtiene
asignando aleatoriamente valores a cada uno de los puntos de la malla, para posteriormente
aplicar un proceso de difusin que suaviza los valores obtenidos, lo que proporciona un
espacio con numerosos mnimos locales (valles) y mximos locales (colinas). Esta funcin
ha sido creada as solo con fines ilustrativos. Habitualmente, en aplicaciones reales del PSO
las variables (x,y,z,...) pueden corresponderse con parmetros diversos del problema (por
ejemplo, de prediccin de un mercado de valores), y la funcin f(x,y,z,...) no tendr las
restricciones ni caractersticas que aqu se imponen (en el mismo ejemplo, podra evaluarse
por medio de los datos histricos).

El algoritmo
El diseo del algoritmo se relaciona con la simulacin de grupos de animales que trabajan
juntos, simulando, por ejemplo, un ave en busca de comida mediante la cooperacin social
con aves de su alrededor (dentro de su vecindario), todo esto fue expandido a una bsqueda
multidimensional, utilizando el espacio euclidiano, el algoritmo original se describe a
continuacin:

vid = vid + c1 random() (pid xid) + c2 Random() (pgd xid) (2a)


xid = xid + vid (2b)

Donde c1 y c2 son constantes positivas, random() y Random() son dos funciones en el rango
[0,1]; Xi = (xi1, xi2,,xid) representa la i-sima partcula; Pi = (pi1, pi2,,piD) representa la
mejor posicin previa (la posicin se obtiene evaluando la partcula con la funcin objetivo
o fitness function) de la i-sima partcula; el smbolo g representa el ndice de la mejor
partcula entre todas las partculas de la poblacin; Vi = (vi1,vi2,,viD) representa la
velocidad del cambio de posicin de la partcula i.
La ecuacin (2) describe la trayectoria de vuelo de una poblacin de partculas; La ecuacin
(2a) describe como la velocidad es actualizada de una forma dinmica y la ecuacin (2b)
representa la posicin actualizada de las partculas volando
La ecuacin (2a) consiste en tres partes, la primera es el momentum, la velocidad no puede
cambiar de una manera abrupta, esta es modificada por la actual velocidad; la segunda parte
es la cognitiva la cual representa el pensamiento privado de autoaprendizaje en su
experiencia de vuelo; la tercera parte es la social y esta representa la colaboracin entre
todas las partculas y el aprendizaje de la experiencia de vuelo en grupo [referencia].
Metodologa
El tipo de investigacin ser de tipo experimental debido a que se debern hacer pruebas
para considerar la verdadera utilidad del mtodo, adems de que se tendrn que manipular
deliberadamente algunas variables.

Objeto de estudio

Como mtodo experimental al algoritmo se considera una poblacin de al menos


200 clientes diarios y una capacidad limitada de carga en los vehculos
Incluyendo los puntos de los clientes con localizacin GPS, es decir, manejando los
puntos con latitud y longitud
La plataforma y el mbito de programacin del algoritmo esta de forma tentativa,
considerando el ambiente de lgica como PROLOG ya que el procesamiento ser
elevado, aunque considerando la flexibilidad del algoritmo se considera el ambiente
.NET o JAVA.
Cronograma
RECOPILACION DE INFORMACION

Descripcin de la Empresa

DHL Express fue fundada en 1969 por tres socios, cuyas iniciales conforman el nombre de la
compaa; Adrian Dalsey, Larry Hillblom y Robert Lynn. La Empresa inici realizando envos
personales de documentos por avin desde San Francisco hasta Honolulu. As naci esta nueva
industria de envos internacionales expresos. Entre 1976 y 1978, DHL se expande en Latino
Amrica y en 1979 la compaa extiende sus servicios a entrega de empaques, cuando en un
principio solamente manejaban documentos.
La metodologa actual de rediseo de rutas que utiliza DHL Express se la denomina routing
productivity management (RPM) y consiste en modificar las rutas en base a comparaciones del
desempeo de cada ruta individual con estndares internacionales.

Actualmente, DHL Express maneja varios sistemas, entre los que se pueden mencionar, sistemas
para coordinacin de pedidos, facturacin, coordinacin de horarios, entre otros. El sistema de
inters para el presente trabajo es el que est ligado a los pedidos, entregas y trazabilidad de las
rdenes. Por otro lado, DHL Express apoya sus operaciones en un software de informacin
geogrfica llamado MapInfo desarrollado por MapInfo Corporation. A continuacin se describe
en qu consiste cada una de estas herramientas.

Software que maneja DHL

MapInfo posee una herramienta caracterstica que es el ruteador. Esta herramienta se alimenta
de las coordenadas de los clientes y despliega la ruta ptima para visitar a los clientes. La ventaja
de la herramienta es que calcula la ruta ptima en base a las distancias (coordenadas de los
clientes), y restricciones geogrficas que se presentan en la realidad; se consideran los sentidos
de las vas y los accesos a dichas vas. Sin embargo, el ruteador no incluye en absoluto las
siguientes restricciones:
Trfico en las vas
Tiempo de la ruta
Capacidad de los couriers (carga, tiempo, recorrido)
Cantidad de semforos en la ruta
Lmites de velocidad/ velocidad variable de los vehculos
Ventanas de tiempo para realizar las entregas
Paradas usuales/inusuales
DESCRIPCION Y ANALISIS DE LOS RESULTADOS

Descripcin del problema (DHL)

Debido a la gran variedad en el rea de investigacin y a la complejidad del problema del ruteo
de vehculos es imposible considerar una metodologa que cumpla con todos los factores del
problema, sin embargo, tomar el problema por partes, se tiene la necesidad de implementar una
metodologa que minimice la ruta con factor de capacidad de carga.

RESULTADOS DE SW (DHL)

La aplicacin del algoritmo de DHL muestra que se debera realizar 23 rutas los resultados de los
tiempos de las rutas se presentan a continuacin en la Tabla:
RESUMEN ESTADISTICO DE RESULTADOS

ANALISIS DE RESULTADOS
La Simulacin anteriormente presentada, solo representa una corrida de todas las posibles
combinaciones que puedan existir, cabe mencionar que es un numero finito pero para calcular se
necesita mucho ms tiempo y procesos, que es de lo que se encarga el algoritmo, sin embargo, se
puede notar que las horas que salieron en 25 clientes rutas establece casi el mismo tiempo que
los resultados que arroja el sistema que actualmente utiliza DHL, si bien de alguna manera
podremos comparar los resultados una de ellas sera la siguiente:

RESULTADOS:
CONCLUSION

En esta investigacin se abord los problemas de ruteo de vehculos con el algoritmo de


optimizacin por enjambre de partculas, esto es una de las tcnicas evolutivas computacionales
basado en una poblacin de bsqueda y es inicializada con soluciones aleatorias llamadas
partculas. En nuestra primera prueba la simulacin de una corrida de un nmero de 25 rutas
establece casi el mismo tiempo que los resultados que arroja el sistema que actualmente utiliza
DHL.
El procedimiento actual para el diseo de rutas de DHL funciona de acuerdo a coordenadas, sin
embargo, se realiza con una frecuencia muy prolongada esto limita la adaptabilidad de las rutas a
corto plazo, mientras que nuestro algoritmo se puede adaptar a los cambios de rutas ya que es un
procedimiento basado en GPS y puede mejorar su servicio siendo ms eficiente en potencializar
el ahorro en tiempo y dinero.
Nuestro algoritmo se encuentra en la fase de prueba y por lo tanto sus resultados pueden variar,
hasta que se implemente se puede asegurar ptimos resultados hasta el punto de satisfacer las
necesidades del cliente.

Referencias y Bibliografa

[1 G. R. J. Dantzig, "The truck dispatching problem.," in Management Science, 6 ed.,


] 1959,
[2 pp. 80-91.
G. W. W. Clarke, "Scheduling of vehicles from a central depot to a number of delivery
] points.," in Operations Research, 2 ed., 1964, p. 568581.
[3 http://repositorio.utp.edu.co/dspace/handle/11059/4000
[4] http://lya.fciencias.unam.mx/computocientifico/archivos/RuteoVehiculos.pdf
[5] Yuhui Shi, Particle Swarm Optimization, Electronic Data Systems, Inc.Kokomo, IN 46902,
USA
[6] Alberto Ochoa-Zezzatti,Jns Snchez,Gastn Cedillo-Campos"Handbook of
] Research on Military, Aeronautical, and Maritime Logistics and Operations"