Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Recibido para revisión 28 de Noviembre de 2007, aceptado 14 de Febrero de 2008, versión final 28 de Febrero de 2008
Resu men —En este tr ab ajo se p r esenta un mod elo ba sa do en Keywords—Tr a n sp or t a t ion System, G r a p h T h eor y, Q u eu e
a lgor itmos gen éticos, teor ía de colas y teor ía d e gr a fos pa r a la Th eor y, G enetic Algor ith m, Dijkstr a.
p la n ea ción d e sist ema s ma sivos d e t r a n sp or t e. E n t r e la s
ca r a ct er íst ica s p r in cip a les d el mod elo se p r op on e: i) E l
mod elamiento real de la tr oncal de la s Amér icas del sistema de
t r a n sp or t e ma sivo Bogot a n o Tr a n sm ilen io; ii) Un
I. . I NTR O DUC C I Ó N
p r ep r ocesa mien t o d e d a t os u tiliza n d o teor ía d e gr a fos p a r a
ca r acter izar la s r uta s más cor ta s entr e todas la s combin acion es
p osib les d e est a cion es or ig en y d est in o iii) Ut iliza ción d e
a lgor itmos gen ét icos p a r a op timiza r el t iemp o q u e ga st a u n
E l desarrollo de estrategias de planeación de rutas en los
sistemas de transporte masivo es fundamental para la
optimización de costos del negocio y del cumplimiento de
u su ar io en el sistema Tr a nsmilen io p or medio d e la asign ación necesidades por parte del usuario de los sistemas de transporte.
de buses y fr ecuencias de salida. iv) La simulación de eventos por La implementación de dichas estrategias está enfocada a evitar
medio de distr ibuciones de Poisson y Er lang, simulando el evento costos operacionales elevados, disminuyendo la proporción de
de llegada de un bus Tr ansmilenio a una estación deter minada y
estos costos respecto a los logísticos [1].
el tiempo de esper a de ar r ibo d el pr óximo bus r espectivamente.
Ad emá s se d esa r r olla u n a met od ología exp er imen ta l p a r a La optimización de operaciones logísticas de transporte es
va lida r el modelo p r opu esto y estudia r los r esu lta dos otor gad os una de las áreas de planeación que más auge ha tenido durante
por el mismo. la última década debido al incremento de necesidades de crear
soluciones y optimizaciones a los problemas de distribución, así
Pa la bra s Cla ve—Sist ema d e Tr a n sp or t e, Teor ía d e C ola s,
mismo se ha visto soportada por la implementación de nuevas
Distr ibución Er lang, Gr afos, Dijkstr a , Algor itmos G enéticos.
tecnologías que contribuyen a la realización de soluciones más
integrales, confiables y dinámicas.
Abstract—In th is wor k, a model based on gen etic algor ithms, El desarrollo de nuevas tecnologías partiendo de sistemas
q u eu e th eor y a n d gr a p h th eor y for r ou te p la n n in g in a ma ss
inteligentes para la planeación de la operación de sistemas de
tr an sp or ta tion system is p r esented . Most imp or ta nt fea tu r es of
the proposed approach are i) the modeling of the Amer icas line in
transporte son herramientas útiles para la optimización de
the ma ss tr anspor tation system Tr ansmilenio in Bogota; ii) Data funciones y costos operativos de un sistema de transporte. [2]
p r epr ocessin g u sin g gr a ph th eor y to ch a r a cter ize th e sh or test Se espera que al aplicar las n uevas tecnologías de
r outes between all the possible combin ations of destin ation a nd
procesamiento de información, comunicaciones, control y
sou r ce sta t ion s; iii) th e op t imiza tion of tr a vel time b y r ou te
assignment using genetic algor ithms iv) the simula tion of events
electrónica, los sistemas masivos de transporte creen caminos,
using the Poisson and Er lang distr ibutions, cor r esponding to bus vehículos y usuarios "más inteligentes". Se espera también que
ar r ival at specific stations and to user ´s waiting time. la aplicación de estas tecnologías mejore la operación de los
Ad dition ally, an exp er imen ta l meth od ology wa s developed to sistemas de transporte al proveer rutas más eficientes a los
validate the pr oposed appr oach. viajeros. [2]
Revista Avances en Sistemas e Informática, Vol.5 No. 1, Edición Especial, Medellín, Mayo de 2008, ISSN 1657-7663
III Congreso Colombiano de Computación – 3CCC 2008
164 Revista Avances en Sistemas e Informática, Vol.5 No. 1, Edición Especial, Medellín, Mayo de 2008, ISSN 1657-7663
III Congreso Colombiano de Computación – 3CCC 2008
En este trabajo se aplicó un algoritmo genético como • Existe un intervalo lo suficientemente pequeño, de tamaño
metodología de optimización para la asignación de frecuencias h, para el que la probabilidad de que en el mismo ocurra un
y número de buses para las rutas determinadas en la operación sólo evento es proporcional al tamaño del intervalo, es
del sistema de transporte masivo Transmilenio en la troncal de decir es λ h, siendo por tanto λ la probabilidad de que
las Américas. Se simuló el comportamiento del sistema partiendo ocurra un evento en un intervalo de tamaño unidad.
de la teoría de colas, herramientas estadísticas y probabilísticas. • La probabilidad de que en cualquier intervalo de tamaño h
La simulación del comportamiento de usuario se trabajó a partir suficientemente pequeño ocurran dos o más eventos, es
de teoría de grafos. prácticamente despreciable.
El documento está organizado como sigue: En la sección 2
algunos fundamentos de distribuciones y teoría de colas es B. Distribución Erlang
brevemente explicado. En la sección 3 se analiza la lógica de la
aproximación planteada. En la sección 4 se explica la La distribución Erlang es una distribución de probabilidad
implementación a partir de algoritmos genéticos. En las últimas continua con dos parámetros k y θ cuya función de densidad
secciones se desarrollar una metodología de experimentación para valores x > 0 es.
para validar la significancia y precisión del modelo, seguida de
los resultados y correspondientes conclusiones. (x)k1
f (x) e x (Eq. 2)
(k 1)!
genéticos para encontrar soluciones en espacios de búsquela entero, y a la frecuencia de salida de dichos buses o la distancia
grandes y complejos, que suelen ser característicos en el en tiempo entre los buses de dicha ruta, el cual se representa
problema tratado dado el alto grado de libertad que conlleva la por medio de un número de doble precisión. En la Figura 2 se
asignación de frecuencias a las distintas rutas junto al alto muestra un esquema del genotipo del i∞ndividuo:
número de posibilidades en la asignación de buses en las
El rango posible para el parámetro buses de cada ruta es [1,
mismas.
n-r] , donde n es el número total de buses establecido para el
Adicionalmente, los algoritmos genéticos representan un sistema y r representa el número de rutas, este intervalo
método de búsqueda idóneo dada su naturaleza paralela que simplemente nos dice que todas las rutas deben tener asignado
permite explorar el espacio de búsqueda en varias direcciones, por lo menos un bus. Para el parámetro frecuencia de cada ruta,
esta característica evita estancamientos al encontrar soluciones el rango de valores posibles es: [ti/bi, ] , donde ti es el tiempo
sub-óptimas como en otros métodos en los que es necesario máximo de viaje de la ruta i y bi es el número de buses
comenzar de nuevo todo el proceso al estar en uno de estos actualmente asignado a la ruta i. Con este intervalo garantizamos
estados. Par a el pr oblema de traspor te tr atado, este que al menos exista un bus para una ruta dada en el sistema.
comportamiento es de gran utilidad dado que nos permite
Es importante recalcar, que el cromosoma representa en
estudiar soluciones alternas que pueden llegar a ser de gran
última instancia una potencial solución de planeación para el
utilidad en la toma de decisiones cuando surgen condiciones
sistema de trasporte definido.
externas al problema.
El algoritmo genético propuesto para el problema de B. Inicialización de la Primera Población
asignación de buses y frecuencias al sistema de trasporte tratado La inicialización de la primera población del algoritmo
se bosqueja en la figura 1. El proceso comienza con la asignación gen ético se lleva a cabo por medio de un pr oceso
de parámetros del algoritmo genético, entre los parámetros se completamente aleatoria. En el proceso, el cual es aplicado a
encuentra el grado de la mutación, el número total de usuarios cada individuo, se asigna cada uno de los buses a una ruta que
en el sistema, número de buses, capacidad de los buses, número es elegida siguiendo una distribución uniforme, no obstante se
de rutas, tiempo total de viaje de cada ruta - teórica- , tamaño de garantiza que ninguna ruta posea al menos un bus asignado.
la población , número de gener acion es, en tr e otros.
Posteriormente se inicializa la primera población de algoritmo Es importante mencionar que junto a la inicialización de la
genético y luego de forma cíclica se evoluciona las generaciones primera población, se lleva a cabo un proceso de inicialización
por medio de la aplicación de mutaciones a los individuos, la de los orígenes y destinos de los pasajeros en el sistema por
selección de los individuos que conforman cada nueva cada generación de individuos del algoritmo genético. Para este
generación se implementa por el método de torneo. fin se construye una matriz de tamaño e × e - donde e representa
el número de estaciones en el sistema - y se genera de forma
En las siguientes secciones se explica en detalle los
aleatoria el origen y destino para cada uno de los pasajeros en
componentes del algoritmo genético para el problema de
el sistema - el número de pasajeros es un parámetro de entrada
asignación e buses y frecuencias por medio de la especificación
del modelo-, de esta forma en la posición Mi,j de la matriz,
del individuo, la función de fitness, los operadores genéticos y
contamos el número de pasajeros que parten de la estación ei y
el procedimiento de selección.
se dirigen a la estación ej. Naturalmente no se admite que el
origen sea igual al destino, lo cual produce que la diagonal de
A. Definición del Individuo
esta matriz sea siempre cero.
El primer paso a la hora de implementar un algoritmo
genético consiste en decidir la estructura que tendrá el
cromosoma de cada individuo. De la definición correcta de esta
estructura dependerá en gran medida el comportamiento del
algoritmo.
Para el presente enfoque se codificó el cromosoma como
un arreglo de igual longitud al número de rutas, de esta forma
cada posición del arr eglo con tiene la pr ogr amación
correspondiente a una ruta. Dicha programación consiste en el
número de buses el cual se codifica por medio de un número
168 Revista Avances en Sistemas e Informática, Vol.5 No. 1, Edición Especial, Medellín, Mayo de 2008, ISSN 1657-7663
III Congreso Colombiano de Computación – 3CCC 2008
Ti
f (Eq. 7)
bi
donde Ti es el tiempo total de recorrido de la ruta i y bi es el
nuevo número de buses asignado a dicha ruta. Con esta
actualización garantizamos que al menos halla un bus en el
sistema para la ruta especificada.
Es importante mencionar que para valores pequeños del
parámetro max se lleva a cabo una exploración gradual del
espacio de búsqueda mientras que valores grandes conllevan a
saltos más grandes en la búsqueda.
Figura 4: Diagrama de flujo del modelo
D. Función Fitness
En el algoritmo genético buscamos la programación de buses
y frecuencias que minimicen el tiempo que gastan los usuarios
en el sistema, este tiempo puede ser cuantificado por medio de
la siguiente ecuación:
p
(tv te )
Figura 5: Representación del cromosoma
ttotal (Eq. 8)
i 0
C. Definición de los Operadores Genéticos
Uno de los puntos clave del éxito de los métodos que utilizan donde p es el número total de pasajeros del sistema en un
algoritmos genéticos se encuentra en la habilidad de usar periodo de tiempo discreto, tv es el tiempo de viaje de cada uno
información encontrada en los genes de una población para de los pasajeros y te es el tiempo de espera del usuario para
utilizarla con la idea de crear unos nuevos candidatos más aptos. recibir el servicio. A continuación se describe como se cálculo
En el presente enfoque, este objetivo es alcanzado a través de cada uno estos términos.
un proceso de mutación, en el cual se llevan a cabo variaciones
en individuos de la población original con el fin de explorar el
D.1 Calculo del tiempo de viaje por medio de técnicas de
espacio de búsqueda y encontrar mejores soluciones por medio
grafos
de un criterio de selección. Para calcular el tiempo de viaje se asumió que cada uno de los
pasajeros selecciona el conjunto de rutas que representa el
La mutación que se propone consiste en elegir de forma
camino más corto para llegar a su destino. Esta hipótesis es
aleatoria un gen en el individuo - de forma uniformemente
congruente con la intención del usuario por minimizar su tiempo
distribuida- y añadir al gen (ruta) seleccionar un número de
de viaje y con el razonamiento que lleva a cabo para satisfacer
buses aleatorio entre el rango [1, max], donde max es un
dicho objetivo.
parámetro del algoritmo genético que nos permite controlar el
grado de variación en los individuos mutados. Dado que existe Para obtener el tiempo de viaje se diseñó un grafo con las
rutas seleccionadas para el problema, donde los nodos del grafo
Un Modelo de Asignación de Recursos a Rutas en el Sistema de Transporte Masivo Transmilenio – Duarte, Becerra y Niño. 169
representan las estaciones y los arcos las conexiones existentes construido de forma previa. De esta forma el cálculo de la función
entre las estaciones, los cuales definimos como caminos. Los de fitness es optimizada desde el punto de vista de tiempo de
costos de los arcos se definen como el tiempo que tardamos de cómputo, lo cual contribuye sustancialmente a reducir la
ir entre las estaciones que el arco conecta, de forma adicional a complejidad computacional del algoritmo genético. En la Figura
este tiempo, se agrega el conjunto de posibles rutas que cubren 3 se muestra el grafo diseñado para las rutas seleccionadas, en
el recorrido entre el par de nodos - estaciones- analizadas. la figura también se puede observar la aplicación del algoritmo
de Dijsktra tomando como nodo origen el primer nodo.
La utilización de una estructura de grafo es idónea para
representar la información del problema de una forma concisa y Desde el punto de vista computacional, el grafo se puede
eficiente, ya que tenemos acceso a los tiempos de viaje entre representar por medio de una matriz en la que el elemento mi,j de
cualquier origen y destino y aún más importante, podemos la matriz contiene el tiempo de viaje de ir de la estacón i a la
conocer las rutas que el usuario debe tomar para llegar a su estación j y las rutas asociadas a dicho tiempo.
destino con el tiempo de viaje más corto, información que es
Finalmente el cálculo del tiempo de viaje de los usuarios
también necesaria para calcular el tiempo de espera promedio
del sistema de trasporte, se lleva a cabo por medio de la siguiente
de los usuarios en el sistema.
fórmula:
Los datos que se emplearon en la construcción del grafo se
e/2e
resumen en la Tabla 1.
tviaje
(mi, j pi , j ) (Eq. 9)
i0 j i1
TABLE I
DESCRIPCIÓN DE LAS RUTAS TOMADAS PARA EL ESTUDIO
donde pi,j se refiere a los elementos de la matriz que posee el
Ruta Orden de las estaciones que visita número de pasajeros que viajan de la estación i a la estación j.
F1 0,1,2,3,4,5,6….14,15,16,17
F14 0,2,4,8,13 D.1 Cómputo del tiempo de espera
F19 4,7,9,14
El tiempo de espera de los usuarios del sistema se calcula por
F23 0,1,4,12,14,15,17
medio de la distribución de probabilidad Erlang, la cual es ideal
F60 0,2,4,8,10,11,14,16,17
para modelar los tiempos de espera en sistema de colas, el cual
F61 0,2,4,7 es análogo a la espera que los usuarios llevan en las estaciones
F91 0,2,4,8,12,14,15,17 para poder abordar un bus.
REFERENC IAS
[1] ] B. Blanchard, "Logistics Engineering And Management".
Fifth Edition.Prentice Hall. 1998.
[2] ] J. Daza, J. Espinosa. "Hacia una Arquitectura Nacional
para los sistemas Inteligentes de Transporte". Publicación
Técnica No 251Sanfandila, Qro, 2004.
[3] ] V. Abraira, A. Pérez. "Métodos Multivariantes en
Bioestadística".
Ed. Centro de Estudios Ramón Areces. 1996.
[4] ] J. Serrano, "Computación Estadística, Generación de
variables aleatorias", 2007.
[5] ] TransMilenio S.A, Transmilenio,
http://www.transmilenio.gov.co. [6 ] H. Moskowitz, G.P. Wright.
"Investigación de Operaciones".
Prentice_Hall Hispanoamericana S.A. 1991
[7] ] Urban operations Research, Logistical and
Transportation Planning Methods, 1981.
[8] ] E.W. Dijkstra, "A Note on Two Problems in
Connection with Graphs". Numerische Math. 1, 269-271,
1959.
[9] ] F. Azadivar, "Simulation Optimization
Methodologies", Proceedings of the 1999 Winter Simulation
Conference.
[10] ] S. Ólafsson, J. Kim, "Simulation Optimization",
Proceedings of the 2002 Winter Simulation Conference.
172 Revista Avances en Sistemas e Informática, Vol.5 No. 1, Edición Especial, Medellín, Mayo de 2008, ISSN 1657-7663
III Congreso Colombiano de Computación – 3CCC 2008