Documentos de Académico
Documentos de Profesional
Documentos de Cultura
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
ConTECSI
PRIMER CONGRESO NACIONAL DE TECNOLOGAS
COMPUTACIONALES Y SISTEMAS DE INFORMACIN
Len, Gto., 7, 8 y 9 de Septiembre del 2005
Abstract In the Vehicle Routing Problem, which belongs to NP-hard class, a set of routes for a
fleet of vehicles must be determinate, visiting a specific number of clients geographically dispersed and
satisfying their demands. This research studies one variant with Time Windows, adding periods of
service time for each client, and restricting the vehicle load capacity and the specific time to attend the
client. Different from traditional approach, which try to establish balance between the vehicles
number and traveling time, this work is centered on minimize the total number of vehicles, assigning as
clients as possible to one vehicle, this situation is desirable for many companies. This document exhibit
development and performance evaluation for four metaheuristics algorithms to solve a well-known
benchmark: GRASP, Simulated Annealing, Genetic Algorithm and Ant Colony System, getting with
the last one 14% of improvement against the best reported solution.
Palabras clave Algoritmos Genticos, GRASP, Recocido Simulado, Sistema de Colonia de Hormigas,
VRP.
I. INTRODUCCIN
Clientes
Centro de
Embarque
Clientes
El objetivo primordial del VRP, como lo plante Dantzing [2] por primera vez (llamndolo The
Truck Dispatching Problem El Problema del Envo de Camiones), es satisfacer las demandas
conocidas de los clientes mediante uno o varios circuitos que inician y terminan en el centro de
embarque. Como cada camin es asociado a una ruta o circuito, se persigue minimizar la cantidad
de vehculos empleados.
El presente trabajo forma parte de un proyecto para solucionar problemas de programacin,
enrutado y carga de vehculos que se desarrolla para el sector productivo nacional. A pesar de que
existen herramientas comerciales, stas no satisfacen por completo las necesidades de muchas
compaas. El sistema de solucin que esta en proceso de desarrollo contempla adems de la
formacin de rutas, la distribucin del producto dentro de los vehculos, respetando restricciones de
peso (de las camas) y balanceo de la carga del vehculo para lograr estabilidad. Dicho sistema
logstico utiliza un enfoque de solucin metaheurstico. ste artculo reporta los resultados iniciales
de la investigacin con el objetivo de identificar la viabilidad de cuatro de los algoritmos heursticos
ms conocidos.
La seccin 2 presenta una descripcin formal del VRP, en la seccin 3 se detallan las cuatro
tcnicas implementadas, la seccin 4 esboza la experimentacin y finalmente las conclusiones son
expuestas en la seccin 5.
II. EL VRP
El VRP se compone por un centro de embarque, una flotilla de m vehculos disponibles y un
conjunto de n clientes a visitar, los cuales se relacionan geogrficamente mediante un grafo G(V, E),
donde:
V = {v0 , v1 , v2 ,..., vn } es el conjunto de vrtices vi , 1 i n , que representan los
clientes y v0 el centro de embarque.
- Todo cliente tiene una demanda qi a satisfacer por el centro de embarque.
E = {(vi , v j ) | vi , v j V i j} es el conjunto de arcos.
- Cada arco tiene asociado un valor cij que representa el costo de transporte de vi
a vj .
La tarea a resolver es determinar un conjunto R de rutas de costo total mnimo, que inician y
terminan en el centro de embarque, donde cada vrtice vi V \ {v0 } es visitado slo una vez y la
longitud de cada ruta debe ser menor o igual a L (umbral de longitud definido con base en el tiempo
CONTECSI 3
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
A. VRP Capacitado
(Capacitated VRP CVRP). Esta variante analizada por [3] cuenta con un nmero ilimitado de
vehculos, cada uno de los cuales poseen una misma capacidad de carga que es mayor a la demanda
de cualquier cliente. La restriccin incorporada es que la suma de la demanda de los clientes que
son visitados en una trayectoria no debe exceder la capacidad del vehculo. El objetivo es encontrar
un conjunto de rutas tal que minimice la distancia total recorrida.
A. Algoritmo GRASP
El Procedimiento de Bsqueda vido, Aleatorio y Adaptativo (Greedy Randomized Adaptative
Search Procedure GRASP) es un proceso iterativo, donde cada ciclo consta de dos fases:
Construccin, la solucin inicial tentativa es creada en esta fase.
Procedimiento de bsqueda local, cuya tarea es tratar de mejorar la solucin encontrada
en la fase anterior mediante un procedimiento de intercambio hasta lograr un ptimo
local.
CONTECSI 4
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
Algoritmo NN()
1. Seleccionar aleatoriamente un nodo vi V \ {v0 }
2. j = 1, k = i
3. while $vi V \ {v0 } sin visitar
4. if $v | d (v , v ) = min(d (v , v )) and factible
i k i k i
vi V
5. R j vi
6. else
7. R j v 0, j j + 1, Rj v0
8. endif
9. end
El algoritmo GRASP implementado para VRPTW crea una solucin inicial factible con base en
una Lista de Restringida de Candidatos (List Candidated Restricted LCR), donde se ubican todos
los nodos o clientes que pueden ser visitados sin violar las restricciones de carga (satisfacer la
demanda con la carga actual) y tiempo (atender al cliente dentro de su ventana de tiempo), con una
distancia relativamente cercana al nodo actual definida por un parmetro de aptitud de la lista de
candidatos. Si la LCR se vuelve vaca en algn momento dado, significa que ningn otro cliente
puede ser alcanzado por el vehculo actual, por lo que se debe cerrar la ruta regresando al centro de
embarque y comenzar una nueva en caso de que existan ms nodos sin visitar.
Debido a la complejidad del problema se elige la vecindad por intercambio de posicin entre dos
clientes elegidos aleatoriamente en la solucin.
D. Algoritmo Gentico
El Algoritmo Gentico (Genetic Algorithm GA) implementado utiliza un cromosoma de
longitud n, donde n representa el nmero de clientes involucrados en la solucin, dicho cromosoma
es una permutacin de los distintos clientes, al analizarla se construye la solucin que representa,
determinando la cantidad de vehculos a emplear y la distancia recorrida. La mutacin se realiza por
intercambio recproco de dos alelos del cromosoma.
IV. EXPERIMENTACIN
El rendimiento de los cuatro algoritmos desarrollados: GRASP, SA, ACS y GA fue verificado
con un conjunto ampliamente usado para validar modelos VRPTW, el benchmark de Solomon [5]
CONTECSI 6
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
conformado por 56 instancias de 6 tipos diferentes (C1, C2, R1, R2, RC1, RC2) con 100 nodos cada
una. Las caractersticas de cada clase de instancia se muestran en la Tabla I.
TABLA I
CLASIFICACIN DE LAS INSTANCIAS DE SOLOMON.
Tipo de Localizacin de los
Caractersticas Adicionales
Instancia Clientes
Agrupados en cmulos Ventanas de tiempo apretadas y
C1 dentro de un rea. poca capacidad de carga en los
vehculos.
Agrupados en cmulos Ventanas de tiempo amplias y
C2 dentro de un rea. gran capacidad de carga en los
vehculos.
Uniformemente Ventanas de tiempo apretadas y
R1 distribuidos sobre un rea poca capacidad de carga en los
cuadrada. vehculos.
Uniformemente Ventanas de tiempo amplias y
R2 distribuidos sobre un rea gran capacidad de carga en los
cuadrada. vehculos.
Combinacin de cmulos Ventanas de tiempo apretadas y
RC1 y distribucin uniforme. poca capacidad de carga en los
vehculos.
Combinacin de cmulos Ventanas de tiempo amplias y
RC2 y distribucin uniforme. gran capacidad de carga en los
vehculos.
GRA SP GRA SP
30 14
SA SA
GA GA
12
25 A CS A CS
Cantidad de Vehculos
Cantidad de Vehculos
10
20
8
15
6
10
4
5 2
0 0
Instancias R1 Instancias R2
GRA SP GRA SP
18 9
SA SA
16 GA 8 GA
A CS A CS
14 7
Cantidad de Vehculos
Cantidad de Vehculos
12 6
10 5
8 4
6 3
4 2
2 1
0 0
Instancias C1 Instancias C2
GRA SP GRA SP
20 12
SA SA
18 GA GA
A CS 10 A CS
16
Cantidad de Vehculos
Cantidad de Vehculos
14 8
12
10 6
8
4
6
4
2
2
0 0
Instancias RC1 Instancias RC2
TABLA II
DESVIACIN ESTNDAR Y TIEMPO DE EJECUCIN PROMEDIO DE LOS
ALGORITMOS DESARROLLADOS PARA VRPTW.
Algoritmo Desviacin Tiempo de Ejecucin
Estndar Promedio Promedio
ACS 0.035 5.52 segundos
SA 0.220 33.67 segundos
GRASP 0.265 20.84 segundos
GA 0.527 56.42 segundos
CONTECSI 8
7, 8 Y 9 DE SEPTIEMBRE 2005
INSTITUTO TECNOLGICO DE LEN
La Tabla III muestra una comparacin de los cuatro algoritmos desarrollados contra cuatro de los
mejores mtodos conocidos, donde se provee una columna para el promedio de vehculos usados
por cada tipo de instancia, y la columna final muestra un promedio de vehculos empleados para el
conjunto total de instancias. Los mtodos considerados son: un heurstico determinista de Bsqueda
Variable en el Vecindario de Brysy [6], un Algoritmo Gentico Hbrido de Berger [7], un
algoritmo Gentico de Homberger [8] y un Sistema de Colonia de Hormigas Multiobjetivo de
Gambardella [9]. Los resultados de la Tabla III estn ordenados con base en el promedio general de
vehculos.
TABLA III
PROMEDIO DE MEJORES SOLUCIONES OBTENIDOS POR LOS ALGORITMOS DESARROLLADOS Y CUATRO DE LOS
MEJORES MTODOS CONOCIDOS PARA VRPTW.
Promedio
Algoritmo R1 R2 C1 C2 RC1 RC2
General
ACS 9.00 2.18 10.00 3.00 9.75 2.37 6.05
Brysy 11.92 2.73 10.00 3.00 11.50 3.25 7.06
Berger 11.92 2.73 10.00 3.00 11.50 3.25 7.06
Homberger 11.92 2.73 10.00 3.00 11.63 3.25 7.08
Gambardella 12.00 2.73 10.00 3.00 11.63 3.25 7.10
SA 13.62 5.42 10.76 4.00 13.10 6.23 8.85
GRASP 14.16 5.27 11.13 4.82 13.00 6.12 9.08
GA 13.79 6.24 12.99 5.45 14.34 7.05 9.98
V. CONCLUSIONES
El presente trabajo muestra el desarrollo y pruebas de cuatro metaheursticas: GRASP, SA, ACS
y GA para resolver el VRPTW, previamente explicado, con el objetivo de minimizar la cantidad de
vehculos a emplear. Con base en la experimentacin detallada, es posible concluir que el algoritmo
ms eficiente result ser ACS en contraste con GRASP, SA y GA implementados, pues en la
mayora de los casos logr obtener la mejor solucin, y en el resto estuvo dentro de los mejores
(Figura 3); adems los valores expuestos en la Tabla II permiten asegurar que la variabilidad de los
resultados (desviacin estndar promedio) ofrecidos por ACS es mnima.
Finalmente al comparar las metaheursticas implementadas con los mejores mtodos conocidos
en la literatura especializada (Tabla III), se observa que el ACS obtuvo una mejora de 1.01
vehculos (14%) sobre el mejor reportado para la solucin de instancias de Solomon.
REFERENCIAS
[1] M.W.P. Savelsbergh, Local search in routing problems with time windows, Annals of Operations Research, 1985, unpublished.
[2] G. B. Dantzing and J.H. Ramser, The Truck Dispatching Problem Management Sciences, 1959, unpublished.
[3] P. Shawn, Using Constraint Programming and Local Search Methods to Solve Vehicle Routing Problems, Proc. 4th Intl Vehicle
Routing Conference on Principles and Practice of Constraint Programming. Springer-Verlag, 1998, pp. 417-431.
[4] J.F. Cordeau et al., The VRP with Time Windows, tech. report, Mathematics and Industrial Engineer Department, Montreal
Polytechnique School, 2000.
[5] M. Solomon, Algorithms for the Vehicle Routing and Scheduling Problem with Time Window Constraints Operations Research,
1987, unpublished.
[6] O. Brysy, A Reactive Variable Neighborhood Search Algorithm for the Vehicle Routing Problem with Time Windows, tech. report
STF42 A01025, Optimization Department, SINTEF Applied Mathematics, 2001.
[7] J. Berger et al., A Parallel Hybrid Genetic Algorithm for the Vehicle Routing Problem with Time Windows, tech. report, Defence
Research Establishment Valcartier, 2001.
[8] J. Homberger and H. Gehring, Two Evolutionary Meta-heuristics for the Vehicle Routing Problem with Time Windows, tech. report
37297318, 1999.
[9] L.M. Gambardella et al., MACS-VRPTW: A Multiple Ant Colony System for Vehicle Routing Problems with Time Windows, tech.
report IDSIA-06-99, IDSIA, 1999.