Programación Mundial Aplicada, Vol (1), No (3), 118-131 agosto de 2011.

ISSN: 2222-2510

© 2011 WAP revista. www.waprogramming.com

Solución Para Multi-Depot Vehicle Routing Problem

El uso de algoritmos genéticos

Surekha P * Dr.S.Sumathi

Investigación Académico, Departamento de AEE asociado Profe

ssor, Departamento de AEE
PSG College of Technology PSG College of Technology
Coimbatore, India Coimbatore, India
surekha_3000@yahoo.com ss.author@gmail.com

Resumen: El Problema de rutas para vehículos multi-Depot (MDVRP), una
NP-difícil problema para determinar simultáneamente el
un conjunto de clientes y luego volver a la misma depo
vehículos para dar servicio a todos los clientes a un mínimo
distancia, sin violar la capacidad y los viajes
MDVRP, en este documento, se obtiene a través Genetic A
la distancia a sus depósitos más cercanos y luego enrutada
rutas están programadas y optimizadas utilizando GA. Un conjunto
(P01, p02, p03, p04, p06) del recurso en línea
utilizando el software MATLAB R2008b. Los resultados fueron eval
ruta, la distancia óptima, tiempo de cálculo, averag
los resultados experimentales con tecnología del estado de la técnica
y eficaz para resolver el vehículo multi-almacén de r
n extensión de VRP clásica, es una
rutas para varios vehículos de múltiples depósitos a
t. El objetivo del problema es encontrar rutas f o
costo en términos de número de rutas y recorrido total
limitaciones de tiempo de los vehículos. La solución a la
lgorithm (GA). Los clientes se agrupan según
con Clarke y Wright método de ahorro. además, el
de cinco casos de referencia de diferentes Cordeau
de la Universidad de Málaga, España se experimentó
uated en términos de longitud de la ruta del depósito, óptima
e la distancia, y el número de vehículos. Comparación de
nicas muestra que el rendimiento de GA es factible
problema de excursión.

Palabra clave: Multi-Depot Vehicle Routing Problem, agrupamiento Rout ING, programación, Algoritmo Genético

I. INTRODUCCIÓN
La estrategia reto en el campo de la cha de suministro en la industria de la gestión y la logística es optimizar la
la entrega del producto de los proveedores a clientes de este modo es atisfying limitaciones. Tales problemas son conocidos como V ehículo
Los problemas de enrutamiento (VRP), en la que los vehículos dejan el depósito, servir a los clientes asignados y sobre compl etion de
sus rutas de regreso al depósito. Cada cliente es caracterizado por su propia demanda. Dado que el proble m es relacionada
con un único depósito, la VRP es también el nombre de un solo d Epot VRP [ 1 ]. En los casos con más de un depósito, son VRP
conocida como multi-depósito de VRP (MDVRP). Solo depósito de VRP s no son adecuados para situaciones prácticas, aunque ellos
han atraído a los investigadores en un sentido amplio. en MDVR P, ya que hay un gran número de depósitos, es una dificultad
tarea para los tomadores de decisiones para determinar qué atención al cliente rs
al son servidos por el cual los depósitos sin exceder el capacidad
restricciones. Por lo tanto agrupación se realiza a agruparse clientes en base a la distancia entre los clientes y el
depósitos, antes de las fases de enrutamiento y programación. Además, dado que son MDVRPs NP duro, métodos exactos no son
adecuado para obtener soluciones óptimas. Por lo tanto heuristi c algoritmos se han adoptado para resolver los MDVRPs a una más rápida
tasa proporcionando así solut computacionalmente eficiente iones. El objetivo del problema está dirigido a Mini zando la
coste total de rutas combinadas para una flota de vehicl ES. Desde costo está asociado con la distancia, en el gen ral, el objetivo es
minimizar la distancia recorrida por la aplicación de la bio - inspirado algoritmo genético (GA).

II. L iteratura S NCUESTA

En esta sección se informa al trabajo existente relacionada con MD soluciones VRP por diversos métodos heurísticos. researc h en
MDVRPs es bastante limitada en comparación con la amplia literatura sobre VRP simples y sus variantes. Salh i et Al.,
[ 2 ] Dirigió una heurística compuesta de varios niveles con dos pruebas de reducción. Las soluciones factibles iniciales fueron
construido en el primer nivel, mientras que el intra-dep AT y el inter-depot rutas se mejoraron en el y la segunda
tercer nivel. Wu et al., [ 3 ] Informa de un recocido simulado (SA) heurístico para la resolución de la ubicación de múltiples Depot
4 ] Desarrollado un strateg “cluster primera, segunda ruta”
problema de enrutamiento (MDLRP). Giosa et al., [ y para la MDVRP
con ventanas de tiempo (MDVRPTW), una extensión de la MD VRP. Teniendo en cuenta el carácter operativo de la
MDVRPTW, en este documento, se centra más en la computatio el tiempo final. Haghani et al., [ 5 ] Presentado una formulación para
la solución del problema de enrutamiento dinámico del vehículo con Ti los tiempos de viaje me-dependientes mediante Algoritmos Genéticos. Nagy et
Alabama. [ 6 ] Propuesto varias mejoras a un sistema integrado de él uristic método para resolver el MDVRP. Lee et al. [ 7]

118
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

manejado la MDVRP mediante la formulación del problema como det erministic programación dinámica (DP) con finita-STA Te
y espacios de acción, y luego usando un camino más corto h algoritmo de búsqueda eurístico. Creviera et al., [ 8 ] Propuesto una
heurística combinación de método de búsqueda tabú, y número entero programación para multi-depósito de proble de rutas para vehículos m de
que los vehículos pueden ser repuestos en d intermedio epots a lo largo de su ruta.

Jeon et al., [ 9 ] Sugiere un algoritmo genético híbrido (HGA) para MD VRP, que considera la mejora de
generación de una solución inicial, tres diferentes procesos heurísticos, y una tasa de mutación flotador para escapa de la
solución local con el fin de encontrar la mejor solución. Finde para resolver el MDVRP eficiente, dos híbridos genético
algoritmos (hgA1 y HGA2) fueron desarrollados por Ho et al [ 1 0 ]. Chen et al [ 1 1 ] Desarrollaron un genético híbrido
algoritmo (GA) con recocido simulado para resolver la MDVRP. Desde el MDVRP integra tres duro
problemas de optimización, tres mejoras heurística técnicas fueron introducidos por Mirabi et Al [ 1 2 ]. Estas
técnicas superaron [de Giosa 4 ] Método. en [ 1 3 ], Lau et al., Considerado el coste debido al total de viaje
distancia, y el coste debido a la itinerante total de t IME para resolver el MDVRP. Se emplearon un stochast Búsqueda ic
técnica llamada lógica difusa guiado algorit genética HMS (FLGA) para resolver el problema. GA es eficaz para adquirir
la solución óptima o casi óptima en la solución opt imization problemas pero tiene dos problemas principales: ( es bajo
velocidad de búsqueda y (ii) la convergencia prematura. en Thi s trabajo, desarrollamos una solución para el MDVRP basada en GA
con la mejor ruta de cruce costo.

El informe está organizado como sigue: Sección III des cribes la MDVRP con un ejemplo y la matemática Alabama
modelo. El procedimiento paso a paso de la aplicación de M DVRP usando GA se explica en la Sección IV. los
resultados computacionales para las instancias de referencia una re analizado en la Sección V. Sección VI dibuja el conc lusion y
futuro ámbito de la aplicación en el presente documento.

III. MDVRP M ODELO

En una MDVRP, el número y la ubicación de los depósitos están predeterminados. Cada depósito es lo suficientemente grande para st mineral
todos los productos solicitados por los clientes. cada veh Icle comienza y termina en el mismo almacén. el loc ación y
demanda de cada cliente también es conocido en un avance d cada cliente recibe la visita de un vehículo exactamente onc mi. Figura 1
muestra un ejemplo de la MDVRP con 2 depósitos y 10 clientes. Puesto que hay depósitos adicionales para st oring
los productos, los que toman las decisiones tienen que determinar depósitos a través del cual se sirven los clientes [ 1 0 ]. los
haciendo etapas decisión se clasifican en agrupación , enrutamiento, la programación y la optimización como se muestra en Fig. 2. En
agrupación, los clientes se agrupan basándose en la distancia entre los clientes y los depósitos. En el ejemplo, cust gomeres
1,5,9,4,8 ​están asignados al depósito de A mientras que los clientes 7 , 10,3,6,2 son asignados a depósito B.

5 9 10
3

ruta 1
6
1 ruta 1

7
ruta 2

UNA segundo 2
4
ruta 2

Figura 1. Ejemplo de una MDVRP con 2 depósitos y 10 clientes

Los clientes del mismo almacén se asignan a SEV rutas erales en la fase de enrutamiento por Clarke y Wrig ht
ahorro de método y cada ruta está secuenciado en el sc fase heduling. El objetivo de encaminamiento es minimizar t él
número de rutas sin violar la con capacidad straints. Puesto que hay dos depósitos de la nu mínimo mbre de
rutas se pueden limitar a dos. Más número de rutas aumentar el número de vehículos requeridos así redu cing la
calidad de las soluciones. En el depósito A, clientes 1,5,9 una volver en la primera ruta, mientras que los clientes 4 y 8 son servido en el
segunda ruta. Mejor enrutamiento y la programación pueden res ULT en más corta distancia de entrega, más cortos de tiempo spen t en servir
todos los clientes, un mayor nivel de eficiencia y menor coste de envío. En general, el objetivo de la MD VRP es
minimizar la distancia total de entrega o el tiempo transcurrido en el servicio a todos los clientes. Menor es el tiempo de entrega, más alto es el
la satisfacción del cliente. Menos vehículos significan que la costo de operación total es menor, por lo tanto el objetivo c un ser también
minimizando el número de vehículos. Aunque puede haber varios objetivos, el objetivo de MDVRP es incr facilitar
la eficiencia de la entrega.

119
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

Agrupación /
Clustering

enrutamiento

Programación y
optimización

Figura 2. La toma de decisiones en MDVRP

El MDVRP se formula con el objetivo de forma ing una secuencia de los clientes en cada ruta vehículo.
El tiempo necesario para viajar entre los clientes a lo largo de con el depósito y las demandas son conocidos de antemano. yo t es
asumido que todos los vehículos tienen la misma capacidad, una n finalización
nd cada vehículo inicia su recorrido desde un depósito, UPO
de servicio a los clientes, tiene que volver a la de maceta. Las notaciones utilizadas y el modelo matemático son tan
de la siguiente manera:
conjuntos:
yo - Conjunto de todos los depósitos
J - Conjunto de todos los clientes
K - Conjunto de todos los vehículos
Índices:
yo - Índice de depósito
j - Índice del cliente
k - Índice de rutas
parámetros:
norte - Número de vehículos
do ij - Distancia entre el punto yo y j, , ∈JI ∪ ji
V yo - Rendimiento máximo en el depósito yo
re yo - La demanda de los clientes j
Q k - Capacidad de vehículo (ruta) k
Variables de decisión:

• 1, k en precede j y i immediatel si ruta

x ijk
= •
• 0, de otra manera

• 1, si z ij a asignado es j cliente i
depot
= •
• 0, de otra manera

T lk - variable auxiliar para los contras de eliminación de sub-tour traints en ruta k

Modelo matemático
La función objetivo es reducir al mínimo los dis totales tancia de todos los vehículos dados por la ecuación. (1),

min ΣΣΣ x Cijk ij (1)

∈ JI∪ i ∈ j∪ JI ∈K K

Cada cliente tiene que ser asignado una única ruta acc Ording¡para la ecuación. (2),

ΣΣ ijk
= 1JX
, ∈ J (2)
∈K K ∈ JI∪ i

La limitación de la capacidad de un conjunto de vehículos es gi ncluso por la ec. (3),

ΣΣ ijk j
≤K k Qk , ∈ xd (3)
∈ Jj ∈ JI∪ i

La ecuación. (4) da el nuevo eliminación Constra sub-tour int establece como,

- lk jk
+ ijk
≤ -k J1,jl N Nx, UU
∈ , ∈ K (4)

Las limitaciones de conservación de flujo se expresan como en la ecuación. (5),

ΣΣ ijk
- jik
= 0, ∈ kxx ,
iK ∈ ∪ JI (5)
∈ j∪ JI ∈ j ∪ JI

120
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

Cada ruta se puede servir una vez atmost según E qn. (6),

ΣΣ ijk
≤ 1, kx ∈ K (6)
∈i I ∈Jj

Las limitaciones de la capacidad de los depósitos i se dan n ec. (7) como,

Σ ∈ ij i
≤ i Vyo,zd ∈ I (7)
Jj

Las restricciones en la ecuación. (8) especificar que un cliente puede ser asignado a un depósito sólo si hay una ruta de aquí para allá m que depot
pasando por ese cliente,
- ij
+ Σ ∪
( +ujk iuk
) ≤ 1, k J∈j I ixxz
, ∈ , ∈ K (8)
∈ u JI

Los requisitos binarias en las variables de decisión de una re dada por las ecs. (9) y (10)
∈ 0 ,{ 1}, ∈ J j,I ix ∈
ijk , ∈ Kk (9)

∈ 0 ,{ 1}, I iz∈ij , ∈ Jj (10)

Los valores positivos de la variable auxiliar es DE multado en la ecuación. (11) como,

≥ 0, k ∈
J l U lk, ∈ K (11)

IV. sol ENÉTICOS UNA Algoritmos

Algoritmos Genéticos (GA) se basa en un fiador paralelo ch mecanismo, lo que hace que sea más eficiente que ot su
técnicas de optimización clásicos como rama y atado, método de búsqueda tabú y Si recocido mulada. los
idea básica de GA es mantener una población de lata soluciones didato que evoluciona bajo la prensa selectiva Ure. el GA
puede evitar quedar atrapado en un óptimo local por tun ing la genética operadores, cruce y mutación. Debido a su
alto potencial de optimización global, GA tiene rece IVED gran atención en la solución de multi-depósito de vehículos enrutamiento
problemas. GA imita el mecanismo de sele naturales cción y la supervivencia del más apto como testigo en color natural
evolución. El esquema general de la genética algori thm para MDVRP se explica en esta sección.

A. Representación cromosoma
Los cromosomas para la solución de la MDVRP son correo ncoded usando representación trayectoria, en la que el cust gomeres
se enumeran en el orden en el que se visitan. En el ejemplo mostrado en la Fig. 3, hay 6 custome rs designado
1-6. Si la representación de ruta para esta instancia i s (0 2 4 1 0 3 6 5 0), entonces se requieren dos rutas por los vehículos
para servir a todos los clientes. La primera ruta se iniciadesde el depósito a 0 y viaja a los clientes 2, 4 una nd 1, tras
sirviendo el vehículo vuelve de nuevo a la estación. Simi larmente, la segunda ruta parte de depósito en 0, Ser vicios
clientes 3, 6, 5 y vuelve al depósito. por norte depósitos en el MDVRP, el cromosoma se compone de norte campo de golf. los
solución factible para el proceso de optimización es g enerated en tres pasos básicos: Agrupación, Dirección de una re
Programación.
Agrupar - En esta etapa, los clientes son cedida d para cada uno de los n enlaces. El objetivo de la MDVR P es
minimizar el tiempo total de la entrega y por lo tanto al cliente s se asignan a los depósitos cercanos. En el exampl e, hay
son dos depósitos A y B, cada cliente do yo tiene que ser asignado a un solo almacén exactamente. Esta proceso de agrupación
se realiza basándose en el cálculo de la distancia de acuerdo con la siguiente regla:
- Si D ( do yo, A) <D ( do yo, B), entonces el cliente do yo se asigna a un depósito
- Si D ( do yo, A)> D ( do yo, B), entonces el cliente do yo se asigna al depósito B
- Si D ( do yo, A) = D ( do yo, B), entonces el cliente do yo se asigna a un depósito elegido arbitrariamente entre AyB
2 2
En los casos anteriores, ( yo
, ) = ( D - kc
) +( - yyxxkc
kc
) , representa la distancia entre el cliente do yo y
yo yo

deposito k.
Routing - Los clientes en el mismo enlace son Asignar ed a varias rutas usando Clarke y Wright de verano [14]
método. El se basa en la distancia recorrida por t él vehículos para servir a los clientes. Una alfombra de ahorro RIX

( cc, S Ji
) se construye por cada dos clientes yo y j en el mismo enlace. Además, los clientes con larg mi

Valor de ahorro se agrupan en la misma ruta sin violar las restricciones de capacidad. El ahorro de matr ix es
construido como,
( , Ji
) = ( , yo
) D+ck D ck( ,D ccj )S- ( , ccJi )
(12)
Programación - A partir del primer cliente, la secuencia de entrega se elige de manera que la próxima cust Omer es tan
cerca como para el cliente anterior. Este proceso es repite hasta que todos los clientes son seleccionados SEC uida. A

121
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

el final de la fase de programación, un solutio factible n del ejemplo MDVRP problema (Fig. 1) es construc ted como
se muestra en la Fig. 3.

Clientes 0 UNA 0 segundo 1 2 3 4 5 6 7 8 9 10

Agrupamiento

1 4 5 8 9 2 3 6 7 10

Un Depot Depot B

enrutamiento

0 UNA 8 4 1
0 UNA 5 9 0 UNA 0 segundo 2 6 0 segundo 7 3 10 0 segundo

Un depósito de Depot B

programación

0 UNA 8 4 9
0 UNA 5 1 0 UNA 0 segundo 2 6 0 segundo 3 10 7 0 segundo

Un depósito de Depot B
Figura representación 3. Cromosoma y pop inicial ulación

SEGUNDO. La evaluación de la aptitud

Para el MDVRP, la función objetivo es minimi ze el plazo de entrega máximo pasado entre norte depósitos.
Las operaciones de entrega se encienden al mismo tiempo en el correo muy depósito, mientras que se necesita tiempo diferente a comple te sirve
los clientes asignados. Algunos vehículos pertenecientes a un depósito puede completar la entrega más rápida, mientras que othe r
vehículos pueden completar su tarea en un tiempo más corto. Por lo tanto la más larga entre las norte depósitos está dominando el tiempo
requerido para entregar todos los productos a todos los clientes. Dejar re t ser el tiempo de entrega total requerida por un depósito de k y deja
)
min ( t re representar el tiempo de entrega mínimo pasado por todos norte depósitos, luego

metro
k
• metro
do
•
t
= Σ • ([ do
), 0)](D+ Σ 1- ([ ), icicdcmcd
)] (• (13)
k =1 • yo= 1 •
2
( - ) +( - yyxxbad
)
2

ABAB
Dónde ( , )= es el tiempo de viaje de un vehículo de un cliente a segundo. V es la
V
velocidad del vehículo, c (i) es la ubicación de la yo º cliente, c (0) es la posición inicial del depósito, metro do es el
número de clientes en ruta r, m k es el número de rutas en depósito k. Así, la función de aptitud se define como
psize

= Σ =min ( DFt )
pag 1
.

DO. Selección

Durante cada generación, los padres se seleccionan f o el apareamiento y la reproducción. En este applicati MDVRP en,
utilizamos torneo de selección [ 1 5 ] Para generar nuevos individuos de la población. Th Se está basada estrategia de selección
en la evaluación de la aptitud. El procedimiento de selección es una s sigue:
Paso 1: Seleccionar un conjunto de sol individuos de la población de una manera aleatoria para formar el conjunto torneo
Paso 2: Elija un número aleatorio r norte en el intervalo {0,1}
Paso 3: Si r n < límite seleccione la persona más fuerte del torneo s et para la reproducción
Elegir cualquier otra cosa en dos cromosomas XX aleatoria de e torneo configurado para la reproducción

122
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

Paso 4: Aplicar el elitismo para garantizar que los mejores de dividuos se seleccionan

comienzo

Parámetros de entrada
(I) la ubicación de los depósitos (ii) Las
capacidades de los vehículos (iii) La
demanda en los nodos

Generación de inicial
Conjunto de soluciones

Evaluación de rutas (coste

función)

solución de
actualización del Óptimo / cerca
conjunto por la - soluciones
óptimas
reproducción, cruce y alcanzaron?
mutación

mejor conjunto de
soluciones de salida

Detener

Figura 4. Diagrama de flujo de GA para MDVRP

RE. Crossover
Una técnica problema de cruce específico, la Mejor Costo Ruta Crossover (BCRC) desarrollado por [ 1 6 ], para vehículo
problema de enrutamiento con ventanas de tiempo (VRPTW) es applie d en este trabajo para MDVRP con ligeras mejoras.
Los pasos implicados en BCRC se muestran a continuación: Paso 1:
Elegir los padres del torneo seleccione ion
Paso 2: Seleccionar una ruta de cada padre en un rando m manera
Paso 3: Eliminar todos los clientes que pertenece a la ruta 1 1 de los padres
Retire todos los clientes que pertenecen a la ruta 1 f rom padre 1
Paso 4: Por cada cliente que pertenezca a la ruta 1
- Calcule el costo de la inserción de la ruta 1 en cada ubicación de los padres 2 y almacenar los costos en un orde rojo
lista.
- Para cada ubicación de inserción, comprobar si el inse RTion es factible o no
- Generar un número aleatorio r norte∈ 0 ,[ 1]

- Selecciona la primera ubicación de inserción factible si r n < límite

- Else if si r norte > límite elegir la primera entrada en la lista ordenada, despit e la viabilidad
Paso 5: Repita el paso 4 para el cliente perteneciente a los transbordadores UTE 2

MI. Mutación
La mutación de inversión se utiliza en la búsqueda de un MDVRP solución usando GA. Una subcadena se selecciona del
padre de una manera aleatoria y voltea para formar una offs Pring. La mutación de inversión funciona sólo en una
cromosoma. El operador de la inversión es una mutación op ración, que se utiliza para aumentar la diversidad de la

123
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

población en lugar de mejorar la calidad de l población e. El diagrama de flujo general que muestra las
aplicación de MDVRP usando GA se muestra en la Fig. 4 .

V. C OMPUTATIONAL R RESULTADOS

El código de GA fue implementado en MATLAB R2008b en Int el núcleo 2 Duo (1,73 GHz), 3 GB de RAM PC. los
cinco casos de Cordeau a saber, p01, p02, p03, p04
el rendimiento de la MDVRP se evaluó utilizando un conjunto de y
p06 tomado de http://neo.lcc.uma.es/radi-aeb/WebVR P / recurso en línea de la Universidad de Málaga, España. los
especificaciones de cinco casos de Cordeau tales como p01 (4 depósitos y 50 clientes), p02 (4 depósitos y 50
clientes), p03 (5 depósitos y 75 clientes), p04 (2 depósitos y 100 clientes) y p06 (3 depósitos y 10 0
clientes) se muestran en la Tabla I.

TABLA I. S ESPECIFICACIONES DE P 01, P 02, P 03, P 04 y P 06 C ORDEAU 'S CASOS

Parámetros / Instancias P01 P02 P03 P04 P06

Número total de clientes 50 50 75 100 100

Número total de depósitos 4 4 5 2 3

Cantidad total de vehículos 32 20 35 24 30

Número de vehículos en cada Depot 8 5 7 12 10

Capacidad de cada vehículo 80 100 140 100 10 0

TABLA II. A SIGNACIÓN DE C lientes A D EPOT CASOS DE REFERENCIA PARA

deposito Los clientes asignados Nº de clientes

problema ejemplo: p01

A (20,20) 4-13-17-18-19-25-40-41-42-44-45 11

B (30,40) 5-6-7-10-12-14-15-23-24-27-33-37-38-39-43-46-47-48- 49 19

C (50,30) 1-2-8-9-11-16-21-22-26-28-29-30-31-32-34-50 dieciséis

D (60,50) 3-20-35-36 4

problema ejemplo: p02

A (20,20) 4-13-17-18-19-25-40-41-42-44-45 11

B (30,40) 5-6-7-10-12-14-15-23-24-27-33-37-38-39-43-46-47-48- 49 19

C (50,30) 1-2-8-9-11-16-21-22-26-28-29-30-31-32-34-50 dieciséis

D (60,50) 3-20-35-36 4

problema ejemplo: p03

3-4-5-6-9-12-15-17-18-20-25-26-27-29-30-32-34-37-39 -
A (40,40)
40-44-45-47-48-50-51-55-60-67-68-70-75 32

B (50,22) 7- 8-13-35-46-52-57-58-72 9

C (55,55) 10-11-14-19-31-38-53-54-59-65-66 11

D (25,45) 2-16-21-24-28-33-36-49-62-63-69-71-73-74 14

E (20,20) 1-22-23-41-42-43-56-61-64 9

problema ejemplo: p04

2-5-6-7-8-13-14-15-16-17-18-21-22-23-36-37-38-40-41 - 42-43-
A (15,35) 44-45-46-47-48-52-53-56-57-58-59-60-61-72-73-74-75- 82-
55
83-84-85-86-87-89-91-92-93-94-95-96-97-98-99-100
1-3-4-9-10-11-12-19-20-24-25-26-27-28-29-3031-32-33-34-
35-39-49-50-51-54- 55-62-63-64-65-66-
B (35,55) 45
67-68-69-70-71-76-77-78-79-80-81-88-90

problema ejemplo: p06

5-14-15-16-17-37-38-41-42-43-44-45-46-57-59-61-
A (15,20) 84-85-86-87- 91-92-93-95-96-97-98-99-100 29
1-3-9-10-11-12-20-24-25-29-30-32-33-34-35-50-51-54- 55-
B (50,20) 63- 64-65-66-68-70-71-76-77-78-79-80-81-90 33
2-4-6-7-8-13-18-19-21-22-23-26-27-2831-36-39-40-47-48-49-52-53-56-58-60-
62-67-69-
C (35,35) 38
72-73-74-75-82-83-88-89-94

124
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

A. Agrupamiento

En la agrupación, los clientes se asignan a la adja
más corta. Los clientes se agrupan basan en el m
distancia euclidiana entre el cliente y el dep
casos p01, p02, p03, p04, p05 de cordeau son gro
La Fig. 5 indica los clientes iniciales y depot lo
indica la ubicación de los clientes (100 clientes)
La asignación de agrupación para p04 se realiza usando
se muestra en la Fig. 6. Los clientes se agrupan tal tha
punto indica los clientes asignados al depósito A y
depósitos ciento en lo que la distancia recorrida por el v ehículo es
ÍNIMOS distancia entre los clientes y los depósitos. los
OT se calcula, y en base a la distancia mínima, la
uped y los resultados se muestran en la Tabla II.
cationes para la instancia de p04 de referencia. El BU Azul llet
y la bala roja representa la ubicación del depósito de (2 depósitos).
la fórmula de la distancia euclidiana y la ou resultante tput es
t que o bien puede ser servido por depósito de A o depósito B. El rojo
bala azul muestra a los clientes asignados al depósito B.

Figura 5. inicial de clientes y depósitos de ubicaciones para p04

Figura 6. Agrupación de Tareas para p04

SEGUNDO. enrutamiento

En la fase de encaminamiento, los clientes en cada grupo son d ivided en diferentes rutas. El objetivo de encaminamiento es a
minimizar el número de rutas, o vehículos utilizados, wh ile no viola la restricción de la capacidad del vehículo. el Clark
y se propone Wright método de ahorro de resolver el r excursión. En este trabajo, versión paralela se utiliza para c ompute la
rutas a un ritmo más rápido. Vale la pena señalar que º e número de rutas se puede reducir durante los proces s de la
algoritmo paralelo. Por ejemplo, las dos rutas 0-1 -2-0 y 0-3-4-0 se combinarán en una ruta si la
conexión de depósito de A a B está establecido; en tha t caso la ruta resultante se convierte en 0-1-2-3-4-0. Ful Ly cargado
porcentaje (FLP) se define como el número de produc ts cargados en cada vehículo en cada depósito y es cal culado
de acuerdo con la ec. (14)
-
= × 100 (14)
Q FL
Q LQ
Dónde Florida indica el porcentaje completamente cargado de cada Vehi CLE, Q es sinónimo de capacidad de cada vehículo,

LQ representa la cantidad de carga de cada vehículo dur ing el proceso de distribución. En la fase de encaminamiento, la
ruta de los vehículos, el porcentaje de plena carga, distanc electrónico y el número de vehículos atendidos por un depósito son computarizada
y los resultados se tabulan. La asignación de rutas de los clientes, por ejemplo utilizando el p01 y Clark Wright
método de ahorro se muestra en la Tabla III. Los depósitos de alo ng con sus coordenadas se especifican, y la SE t de rutas
seguido por los clientes con la distancia es tabu RELAClONADAS. Se puede observar que para depósito B situado al (50, 22),

125
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

hay 6 conjunto de rutas generada para 6 diferente vehículos. La distancia total para la Vehi asignado culos para iniciar
desde el depósito B, servir a todos los clientes y retur n al depósito B es 523,3 km.

TABLA III. R TINERARIO A SIGNACIÓN de los clientes por P 01

deposito Ruta FLP (%) Distancia (km) No. Vehículos

A-04.13.17-A 85.85 57.65

A-18-19-A 78.69 42.42

A (40,40) A-25-40-A 86.82 41.3 5

A-41-42-44-A 92.5 68.56

A-45-A 89.65 32.5

B-5-6-7-B 75.64 86.4

B-12.10.14-B 74.78 94.56

B-15-23-24-27-B 93.75 112.45

B (50,22) 6
B-33-37-38-B 83.5 56.85

B-39-43-46-47-B 93.5 107.64

B-48-49-B 64.85 65.4

C-1-2-C 78.51 56.92

C-8 -9-11-C 86.84 84.6

C (55,55) C-16-21-22-26- 28-29- do 92.4 146,6 5

C-30-31-32-C 86.5 54.81

C-34-50-C 72.65 38.65

D-3-20-D 76.56 32.84

D (25,45) D-35-36-D 85.6 29,76 2

La Tabla IV muestra los resultados obtenidos para la benchma rk p02 ejemplo. A partir de los experimentos llevados a cabo i t es
visto que 4 vehículos son servidos por depósito A, 5 por de olla B, 4 por depósito de C y 1 por depósito D, respectivamente. los
distancias se calculan utilizando la distancia euclídea y no garantizan el valor óptimo.

TABLA IV. R TINERARIO A SIGNACIÓN de los clientes por P 02

deposito Ruta FLP (%) Distancia (km) No. Vehículos

A-04.13.17-A 85.85 57.65

A-18-19-A 78.69 42.42

A (40,40) 4
A-25-40-41-A 86.82 41.3

A-42-44-45A 92.5 68.56

B-5-6-7-10-B 75.64 86.4

B-14.12.15-B 74.78 94.56

B (50,22) B-23-24-27-33-B 93.75 112.45 5

B-37-38-39-43-46-B 83.5 56.85

B-47-48-49-B 93.5 107.64

C-1-2-8-C 78.51 56.92

C-9-11-16-21-22-26-C 86.84 84.6

C (55,55) 4
C-28-29-30-31-32C 92.4 146,6

C-34-50-C 86.5 54.81

D (25,45) D-3- 20-35-36-D 76.56 32.84 1

El algoritmo de encaminamiento se ha ejecutado para el punto de referencia p03 instancia que consta de 5 depósitos, 75 clientes y la
resultados se muestran en la Tabla V. La más alta totalmente loa porcentaje ded de depósito A es 96,82%, lo que implica que el
vehículo sirve a clientes a través de la ruta A-20-25-26-2 7-29-A. Cada ruta es seguido por un vehículo y en depot A,
7 vehículos sirven a las necesidades de los clientes, mientras que i n depot B, 2 vehículos servir, en el depósito C, 3 vehículos , En el depósito
D, 3 vehículos y en el depósito E, 2 vehículos cumplen la clientes siguiendo las rutas como se muestra en la Tabl e 8.5.

126
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

TABLA V. R TINERARIO A SIGNACIÓN de los clientes por P 03

deposito Ruta FLP (%) Distancia (km) No. Vehículos

A-3-4-5-6-A 85.85 86.98

A-9-12-15-17-18-A 78.69 104.42

A-20-25-26-27-29-A 96.82 148,4

A (40,40) A-30-32-34-37-39-A 93.5 136,8 7

A-40-44-45-47-A 89.65 106.13

A-48-50-51-55-60-A 93.65 158.54

A-67-68-70-75-A 68.51 93.54

B-7-8-13-35-46-52-B 95.64 108.58

B (50,22) 2
B-57-58-72-B 74.78 59.64

C-10.11.14-C 78.51 68.95

C (55,55) C-19-31-38-53-C 86.84 96,64 3

C-54-59-65-66-C 90.4 83.58

D-2.16.21-D 76.56 96.68

D (25,45) D-24-28-33-36-D 85.6 109.74 3

D-49-62-63-69-71-73-74- re 94.65 148.33

E-21- 22-23-41-42-43-E 91.84 101.56

E (20,20) 2
E-56-61-64-E 81.35 46.89

La p04 ejemplo de referencia que consta de 2 depósitos de una ND 100 clientes, considerado como uno de los grandes
problemas de tamaño se ejecuta utilizando el algoritmo de encaminamiento unad los resultados se muestran en la Tabla VI. Es observado que el
distancia total requerida por depósito de A con 11 vehículos para servir a los clientes es 1.433,41 kilometros, y de manera similar dE olla B utilizado
10 vehículos con una distancia total de 1.465,77 kilometros, re respectivamente de tal manera que todos los clientes se sirven.

TABLA VI. R TINERARIO A SIGNACIÓN de los clientes por P 04

deposito Ruta FLP (%) Distancia (km) No. Vehículos

A-2-5-6-7-8-13-A 90.62 135.67

A-14-15-16-17-18-21-A 93.68 201.98

A-22-23-36-37-38-A 89.37 167,45

A-40-41-42-43-44-45-46-A 93.5 198,56

A-47-48-52-A 76.7 98.65

A (15,35) A-53-56-57-58-59-60-A 92.5 162,3 11

A-61-72-73-74-75-A 85.55 100.2

A-82-83-84-85-A 76.5 93.45

A-86-87-89-91-92-A 87.6 89.89

A-93-94-95-A 78.96 78,48

A-96-97-98-99-100-A 81.5 106.78

B-1-3-4-9-10-B 90.5 97.93

B-11-12-19-20-24-25-B 94.5 189.77

B-26-27-28-29-30-B 93.5 208,79

B-31-32-33-34-B 88.6 144.76

B-35-39-49-B 87.6 86.65

10
B (35,55) B-50-51-54-55-62-63-B 92.5 234,92

B-64-65-66-67-B 76.5 104.87

B-68-69-70-71-76-B 96.61 156.17

B-77-78-79-80-81-B 95.5 173,17

B-88-90-B 58.67 68.74

127
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

TABLA VII. R TINERARIO A SIGNACIÓN de los clientes por P 06

deposito Ruta FLP (%) Distancia (km) No. Vehículos

A-5-14-15-16-17-A 93.75 89.81

A-37-38-41-42-43-44-45-46- UNA 95 145,45

A (15,20) A-57-59-61-84-A 68.75 79.21

6
A-85-86-A 95 38.92

A-87-91-92-93-95-A 88.75 53.54

A-96-97-98-99-100-A 73.75 26.05

B-1-3-9-10-11-B 83.75 108.11

B-12-20-24-25-29-30-B 83.75 176,1

B-32-33-34-35-50-51-B 98.75 108.12

B (50,20) B-54-55-63-64-65-B 73.75 167.11 7

B-66-68-70-B 82.5 74

B-71-76-77-78-79-80-B 92.5 117

B-81-90-B 56.25 44

C-2-4-6-7-8-13-18-C 97.5 217.72

C-19-21-22-23-C 93.75 115.93

C-26-27-28-31-C 95 138,4

C-36-39-40-47-C 90 49.61

C (35,35) C-48-49-52-C 93.75 64,46

9
C-53-56-58-60-62-C 75 159.2

C-67-69-72-73-74-C 91.25 94.2

C-75-82-83-88-89-C 86.25 95.2

C-94-C 53.25 18

La asignación de ruta para los clientes en el insta p06
VII. Un depósito se asigna con un conjunto de 6 rutas wi
93,75%, 95%, 68.75%, 95%, 88,75% y 73,75%, Respe
cuya distancia total es de 794,44 kilometros y depósito C es al
distancia total obtenido en la fase de enrutamiento para el th
depot B, respectivamente. Estos valores se obtienen en
ahorro de método. La asignación de rutas se muestra en la
de cada vehículo en el depósito A y el representante línea roja
Estas rutas se forman en base a la capacidad de const
na vez con 3 depósitos y 100 clientes se muestra en la Tab Le
th una distancia total de 432.98 km con carga Capac dades de
ctively. Del mismo modo, depósito B se asigna con 7 rou tes
situado con 9 rutas con una distancia total de 952. 72 km. los
e instancia p04 son 1.433,41 kilometros de depósito A y 1465. 77 km de
la fase de enrutamiento del proyecto usando Clark y W derecho
La Fig. 7, donde la línea azul indica el enrutamiento asignación
resiente la asignación de enrutamiento de cada vehículo en t que depot B.
Raint de vehículo.

Figura Asignación 7. enrutamiento para p04

DO. GA para MDVRP

En GA, cada cromosoma está representado por la ruta de la cada vehículo. El conjunto de cromosomas forman º mi
población inicial formando así el espacio de búsqueda. T tamaño de la población que decide el número de cromosomas s en una
generación individual. Un tamaño de la población más grande retrasa d poseer la carrera GA, mientras que un valor más pequeño conduce a expl oración de

128
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

un pequeño espacio de búsqueda. Un rango razonable del pop
cromosomas en este proyecto, el tamaño de la población wa
secuencia mediante la selección de dos individuos en el popula
se aplican. Mejores wa técnica de costo ruta de cruce
de la mutación era flip tipo de inversión de bits con un prob
MDVRP en este proyecto. Los parámetros utilizados en solvi
se muestra en la Tabla VIII.
ulación tamaño es entre {50100}. Sobre la base de la ENCO ding de
S Ajustar a 50. Los algoritmos genéticos generan una nueva derrota mi
ción en que los explotadores genética de cruce y m utation
s aplica para explotar una mejor solución para MDVRP. T elección que
capacidad de 0,02, que explora una amplia búsqueda SPAC e para el
ng MDVRP usando GA durante cinco problemas de referencia son

TABLA VIII. P ARAMETRO S ONFIGURACIÓN PARA MDVRP GA BASADA

parámetros ajustes

Tamaño de la poblacion basado en el número de clientes

Selección selección de torneos

Crossover Mejor Ruta cruce Costo

Mutación El tipo de bit flip

probabilidad de cruce 0.6

probabilidad de mutación 0.02

Élite 4

TABLA IX. O PTIMAL R TINERARIO USO PARA GA P 01

Nº de
No. Los vehículos No. vehículos
deposito clientes Ruta óptima
disponibles necesarios
servidos

p01 instancia

A (20,20) 8 11 4 A-17-4-13-A, A-19-18-A, A-25-41-40-A, A-44-4 2-45-A

B-7-10-5-6-B, B-12.14.15-B, B-23-27-33-37-24, B-39- 38-46-43-47-B, B-

B (30,40) 8 19 5
48-49-B

C (50,30) 8 dieciséis 4 C- 8-2-9-1-C, C-28-26-11-21-16-22-C, C-29-31 - 32-30-C, C-50-34-C

D (60,50) 8 4 1 D-35-20-3-36-D

p02 instancia

A (20,20) 5 11 3 A-13-18-4-17-A, A-25-41-40-19-A, A-44-45-42- UNA

B-6-7-10-5-B, B- 15-12-23-14-B, B-27-24-37-33-38-B, B- 46-39-47-43-48-

B (30,40) 5 19 5
B, B-49-B

C (50,30) 5 dieciséis 3 C-9-2-8-1-C, C- 11-16-21-29-28-26-22-C, C-34 - 50-31-32-30-C,

D (60,50) 5 4 1 D-3-20-35-36-D

p03 instancia

A-9-3-6-5-4-A, A-18-17-20-15-26-12-25-A, A-34-27-37 - 29-30-32-A, A-

A (40,40) 7 32 6 40-39-44-47-45-A, A-48-60-67-55-50-51-68-A, A-75-70 -UNA

B (50,22) 7 9 2 B-52-46-7-35-8-13-57-B, B-72-58-B

C (55,55) 7 11 3 C-19-14-11-10-C, C-59-65-31-38-53-54-C, C-66 -C

D (25,45) 7 14 3 D-2-24-16-21-D, D-49-36-71-69-28-62-73-33-63 - D, D-74-D

E (20,20) 7 9 2 E-61-22-42-41-56-23-43-1-E, E-64-E

p04 instancia

A-8-7-6-13-2-14-5-A, A-22-15-16-17-18-21-A, A-38-43 - 41-23-40-36-37-

42-A, A-45-46-47-44-A, A-57-56-58-53-52-48-A, A-73- 72-74-59-61-60-A,
A (15,35) 12 55 10
A-82-83-84-85-75-A, A-91-86-89-87-92-A, A-97-95-94- 96-93-A, A-99-98-
100-A
B-1-4-3-9-11-10-B, B-27-19-20-24-25-12-26-B, B-29-3 0-31-28-B, B-33-
B (35,55) 12 33 8 32-35-34-39-B, B-49-51-55-54-50-62-B, B-67-65-66-64 - 63-B, B-69-70-71-
78-77-68-76-B, B-88-90-81-79-80-B

p06 instancia

A-17-5-37-15-14-38-16-A, A-41-59-45-46-44-43-42-57 - A, A-61-84-86-85-

A (15,20) 10 29 5
A, A-96-95-87-97-92-91-93-A, A-100-98-99-A
B-24-12-3-20-9-11-10-1-B, B-34-29-25-30-32-33-35-B, B-55-65-64-63-51-
B (50,20) 10 33 5
50-54-B, B-70-66-71-68-76-B, B-81-79-78-80-77-90-B
C-7-19-8-18-6-13-4-2-C, C-26-23-22-21-27-C, C-31-36 - 40-39-28-C, C-49-
C (35,35) 10 38 7 47-48-C, C-52-53-56-67-58-60-62-C, C-69-82-83-72-75 - 74-73-C, C-88-94-
89-C

129
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

Las rutas programadas se han optimizado con GA para la cinco problemas de referencia y el número de cliente s
servicio, el número de vehículos requeridos, vía depósito se evalúan longitud y la ruta óptima. estos parámetro etros son
tabulados en la Tabla IX, por cinco (p01, p02, p03, p04 y p06) casos de referencia, respectivamente. Th mi
rutas optimizadas obtuvieron utilizando genética algoritmo f o la instancia de p04 se muestra la Fig. 8. Las rutas pas ses
a partir de un ubicaciones de origen y termina en el sa
a través de todas las ubicaciones de los clientes (que se muestra como puntos) me fuente
después de servir a todos los clientes.

Figura 8. Optimización de rutas usando GA para p04

Los resultados computacionales obtenidos a través de GA para t él cinco casos de referencia se muestran en la Tabla X en
términos del número de clientes, número de depósitos, la distancia más conocido, mejor distancia óptima, comput acional
tiempo con respecto a la mejor distancia y aver óptima edad de distancias más conocidas y mejor óptimas. El d iferencia
entre la distancia más conocido y distanc óptima ES obtenido por GA) ( rePAG , se calcula,

- VVP
=bk
desde
× 100 (15)
V bk

Dónde o V es la mejor distancia óptima obtiene por GA y V bkes la distancia más conocido. Del tabulados
resultados, se encontró que la distanc total de entrega e se disminuye mientras que la optimización de la MDVRP usando GA cuando
en comparación con la distancia más conocido por todo el benchma rk casos considerados en este trabajo.

TABLA X. C OMPUTATIONAL RESULTADOS PARA 5 B CASOS QUE UTILIZAN ENCHMARK GA

Diferencia entre el más

Tipo de referencia Nº de No. de la distancia más Mejor distancia tiempo de cálculo
conocido y mejor óptima
Instancia clientes depósitos conocido (km) óptima (km) (segundos)
distancias (%)

p01 50 4 576,87 598,45 4.0692 3.740877

p02 50 4 473,53 478,65 3.4207 1.081241

p03 75 5 641,19 699,23 6.8128 9.051919

p04 100 2 1001.59 1011.36 10.1081 0.975449

p06 100 3 876,50 882,48 9.3177 0.682259

RE. Análisis comparativo

El rendimiento de nuestro GA en instancias MDVRP son co mpared con Genetic Clustering (GC) [ 16]y
GA en términos de la distancia y los resultados son sho wn en la Tabla XI. El GA propuesta dio mejores resultados para todos
casos en comparación con el trabajo en [ 1 6 ]. Cuando se compara con la agrupación genética para MDVRP propuesto
por [ 1 7 ], Propuesto GA produjo mejores valores de distancia para i nstances p04 y p06.

TABLA XI. ANÁLISIS COMPARATIVO

Tipo de referencia Nº de No. de

Georgia GC [ 17 ] GA [ dieciséis ]
Instancia clientes depósitos

p01 50 4 598,45 591,73 622,18

p02 50 4 478,65 463,15 480,04

p03 75 5 699,23 694,49 706,88

p04 100 2 1011.36 1062.38 1024.78

p06 100 3 882,48 976,02 908,88

130
 Surekha P et al., World Programming Aplicada, Vol (1), No (3), agosto de 2011.

VI. do CONCLUSIÓN

La eficacia de las técnicas propuestas es tes
instancias a saber, p01, P02, P03, P04 y P06 en el
se agruparon inicialmente para asignar los clientes a t
clientes del mismo almacén se asignan a varias
método y cada ruta es secuenciado en el schedulin
resultados de simulación de la algori heurístico propuesto
ruta, la distancia óptima, tiempo de cálculo, averag
experimentos realizados, el rendimiento de GA fue ex
mucho más rápido para la resolución de múltiples depósito derrota vehículo
restricciones realistas sobre la estructura y el problema
metodología propuesta .
Ted por un conjunto de cinco conjuntos de herramientas de Cordeau
R2008b entorno MATLAB. Los casos de problemas
heredera depósitos correspondientes en base a distan euclidiana ce. los
rutas en la fase de enrutamiento por Clarke y Wright s abiendo
fase g. Las rutas programadas se optimizan usando G A. El
THM se compararon en términos de longitud de la ruta de depot , óptima
e la distancia, y el número de vehículos. Se observó desde el
ceptional y el tiempo computacional demostraron que GA es
ing problema. En el futuro, se tomarán los esfuerzos para im representar más
problemas de gran tamaño en tiempo real se trataron por la

Referencias

[1] N. Yoshiike y Y. Takefuji, "Resolución de vehículo r problemas excursión por el modo de neurona máximo" Ingenieria avanzada
Informática, vol. 16, pp. 99-105, de abril de 2002. [2] S. Salhi y M.
Sari, "Un material compuesto multi-nivel heurística para la multidepot prob composición de la flota de vehículos Lem," europeo
Revista de Investigación Operativa, vol. 103, pp. 95-112 16 de noviembre de 1997.
[3] TH Wu, C. bajo, y JW Bai, "sol heurístico luciones a multi-depósito problema de la ubicación de ruta" Ordenadores &
La investigación de operaciones, vol. 29, pp. 1393-1415, 2002.
[4] ID Giosa, IL Tansini, y IO Viera, "N algoritmos de asignación de ew para el depósito de múltiples vehicl e enrutamiento problema"
Revista de la Sociedad de Investigación Operativa, vol. 53, pp. 977-984, 2002.
[5] A. Haghani y S. Jung, "una derrota vehículo dinámico ing problema con los tiempos de viaje en función del tiempo," computadoras y
La investigación de operaciones, vol. . 32, pp 2959-2986, noviembre de 2005.
[6] G. Nagy y S. Salhi, "algoritmos heurísticos para problemas de enrutamiento de vehículos depot simples y múltiples con pastillas y
entregas" European Journal of Operational Research, vol. 162, pp. 126-141, 1 de abril de 2005.
[7] C.-G. Lee, MA Epelman, CC blanca, e Y. Una . Bozer, "Un enfoque camino más corto a la múltiple de rutas para vehículos
problema con split pick-up," Investigación del Transporte de la Parte B: metodológico, vol. 40, págs. 265-284, mayo de 2006.
[8] B. Creviera, J.-F. Cordeaua, y G. Laporte, "T él multi-depósito de ruteo de vehículos con inter-d Epot rutas"
European Journal of Operational Research, vol. 176, págs. 756-773, 16 de Enero de 2007.
[9] G. Jeon, HR Leep, y JY Shim, "Un vehículo problema de enrutamiento resuelve mediante el uso de un una genético híbrido lgorithm"
Computadoras e Ingeniería Industrial, vol. 53, págs. 680-692, noviembre de 2007.
[10] W. Ho, Ho GTS, P. Ji, y el PS Lau, " Un algoritmo genético híbrido para el multi-depósito de los m enrutamiento CLE
problema," Diario de aplicaciones de ingeniería de I Artificial Servicios de Inteligencia, vol. 21, pp. 548-557, junio de 2008.
[11] P. Chen y X. Xu, "Un algoritmo híbrido para mul vehículo ti-depot problema de encaminamiento," en Conferencia Internacional IEEE
el Servicio de Operaciones y Logística, e Informática s (IEEE / SOLI 2008) , Beijing, 2008, pp. 2031-2034.
[12] M. Mirabi, SMTF Ghomi, y F.Jolai, "Ef heurística híbridos ciente estocásticos para la multi- depot de rutas para vehículos
problema," Robótica y fabricación integrada por ordenador, vol. 26, pp. 564-569, diciembre de 2010.
[13] HCW Lau, TM Chan, WT Tsui, y W. K . Pang, "Aplicación de los algoritmos genéticos para resolver la Multidepot
Vehicle Routing Problem" IEEE Transactions on Automatización Ciencia y Enginee anillo, vol. 7, pp. 383-392, abril de
2010.
[14] G. Clarke y JW Wright, "Programación de Veh icles partir de un almacén central a una serie de Entrega Puntos,"
LA INVESTIGACIÓN DE OPERACIONES, vol. 12, pp. 568-581, julio-agosto de 1964 1964.
[15] J. Renaud, G. Laporte, y FF Boctor, "A ta bu búsqueda heurística para el rou vehículo multi-Depot ting problema,"
Computadoras e Investigación Operativa, vol. 23, págs. 229-235, marzo de 1996.
[16] B. Ombuki-Berman y F. Hanshar, "Uso de geneti algoritmos c para multi-depósito de rutas para vehículos ", en Bio-Inspired
Algoritmos para el problema de enrutamiento de vehículos . vol. 161, FB Pereira y J.Tavares, Eds, ed.: Springer - Estudios en
Inteligencia Computacional, 2009, pp. 77-99. [17] SR
Thangiah y S. Salhi, "clusteri genéticos ng: una heurística adaptativo para el vehículo multidepot problema de enrutamiento"
Inteligencia Artificial Aplicada, vol. 15, pp. 361-383, 2001.

131