MODELO MATEMÁTICO DE PROGRAMACIÓN LINEAL PARA EL

RUTEO DEL SUMINISTRO DE CAJEROS AUTOMÁTICOS EN LA

CIUDAD DE BOGOTÁ

BRIAN STEVEN RODAS MARTINEZ

NATALIA ROJAS SANCHEZ

DANIEL ARIZA FERNANDEZ

PAOLA RUEDA TRUJILLO

ADRIANA BALLÉN REYES

MODELO MATEMÁTICO DE PROGRAMACIÓN LINEAL

Ing. Industrial. Oscar Mauricio Gelves

UNIVERSIDAD SANTO TOMÁS

FACULTAD DE INGENIERÍA INDUSTRIAL

2020

1
Tabla de contenido
RESUMEN....................................................................................................................................................................... 3
Abstract........................................................................................................................................................................... 3
INTRODUCCIÓ N........................................................................................................................................................... 4
MARCO TEÓ RICO............................................................................................................................................................. 4
Características de los Problemas de Distribució n y Transporte..............................................................4
Programació n Lineal (PL)........................................................................................................................................ 5
Problema del Agente Viajero (TSP)..................................................................................................................... 6
MATERIALES Y MÉ TODOS........................................................................................................................................... 7
Enumeració n de todas las soluciones factibles............................................................................................... 7
Métodos exactos.......................................................................................................................................................... 8
Heurísticas..................................................................................................................................................................... 8
Algoritmos genéticos................................................................................................................................................. 8
Redes neuronales........................................................................................................................................................ 8
Colonia de hormigas (ACO)..................................................................................................................................... 8
Project Scheduling Problem (PSP)...................................................................................................................... 8
Bú squeda Tabú ............................................................................................................................................................ 9
Combinació n de propuestas................................................................................................................................... 9
Modelos cuantitativos en logística....................................................................................................................... 9
Herramientas Matemá ticas..................................................................................................................................... 9
Herramientas de software............................................................................................................................................ 9
Método SOLVER:.......................................................................................................................................................... 9
RESULTADOS.................................................................................................................................................................. 12
CONCLUSIONES............................................................................................................................................................. 15

2
 RESUMEN
En el presente trabajo tiene como objetivo presentar un problema del agente viajero
(TSP) cuya presentación ha resuelto múltiples problemas que pueden ser
modelados con base en las características del algoritmo base de TSP o de sus
múltiples variables. Se presenta una introducción donde se describe el origen de
TSP; en la sección de desarrollo se muestra el algoritmo base y una descripción de
TSP con base en las características que han propuesto diferentes autores, y la
aplicación de TSP como simulación a problemas reales.

Palabras Claves: Problema del Agente Viajero, Problema de Optimización

Combinatoria, Optimización basada en Colonia de Hormigas.

Abstract
The main target is to introduce an essay of the traveling salesman problem (TSP)
whose structure has solved many problems that can be modeled based on base-
algorithm or its multiple variables.

An introduction describes the origin of TSP, in the development section the basic
algorithm and the TSP description are presented based on different viewpoints of
some authors, and the TSP implementation on real problems based on simulation.

Keywords: Travel Salesman Problem (TSP), Combinatorial Optimization Problem

(COP), Ant Colony Optimization (ACO).

3
 INTRODUCCIÓN
El problema del agente viajero o TPS por sus siglas en inglés, es uno de los
problemas de optimización más estudiados a lo largo de la historia, y consiste de
manera sencilla en un conjunto de lugares o ciudades que se pueden visitar y un
agente de viajes debe buscar la manera de identificar una ruta que permita realizar
todas las visitas una sola vez, sin tener que pasar dos veces por el mismo lugar,
todo esto sin olvidar que la ruta elegida debe asegurar la menor distancia recorrida.

A pesar de definir el problema de manera sencilla, la complejidad matemática detrás

del mismo ha llamado la atención de matemáticos y científicos a nivel mundial y a lo
largo de la historia. Por otro lado, se considera uno de los primeros acercamientos al
TPS en el año 1832 a través de un periódico alemán donde se da a conocer un
pequeño manual por medio de un aviso el cual en su contenido registraba rutas
óptimas para recorrer algunas regiones de Suiza y Alemania.

Por otro lado, aunque se realiza un acercamiento a las dinámicas del TPS, es
realmente casi 100 años después en 1930 donde el matemático Karl Menger logra
la primera formulación matemática al problema, el cual consiste en la búsqueda de
una ruta que logre conectar puntos identificados por coordenadas y a su vez
registrar la menor distancia recorrida.

MARCO TEÓRICO

Características de los Problemas de Distribución y Transporte

El problema de distribución y transporte define/crea el reto/desafío en términos de
minimizar los costos a lo largo de la cadena de suministro, desde los puntos de
origen (plantas) hacia los centros de distribución o puntos de entrega final
(destinos), y para lograrlo toma importancia que la red de transporte que

4
interconectan los nodos sea definida con criterios de eficiencia y eficacia, de tal
manera que logre la efectividad en el transporte del producto/carga. En investigación
de operaciones, la solución al problema de transporte se realiza a través de
modelos matemáticos de programación lineal.

Programación Lineal (PL)

Según (Arya, Lardner, 2002) la programación lineal, básicamente permite definir un
modelo matemático que optimiza la función objetivo en términos de
maximizar/minimizar el resultado, en (Richard, Jacobs, Aquilano, 2007) se explica
cómo el producto de la relación y los alcances/restricciones de las variables
consideradas en el modelo propuesto para resolver. Entre los siglos XVII y XVIII, se
comenzó a cimentar lo que sería los inicios de la programación lineal, grandes
estudiosos de las matemáticas dentro de los cuales se destaca Newton, siempre
estuvieron interesados en la solución de funciones con condicionales; pero fue el
matemático Jean Baptiste-Joseph Fourier (1768-1830) quien delinear lo que hoy
conocemos como programación lineal, y su potente aplicación. Koopmans y
Kantarovitch, entre los años 1941 y 1942 plantean el primer problema del transporte
soportado en el modelo de programación lineal, este avance marca a partir de
entonces el desarrollo vertiginoso de este modelo matemático, en muchos campos
de aplicación.

La aplicación de la programación lineal (PL) permite resolver muchos de los

problemas que se enfrentan en la investigación de operaciones, esta herramienta
matemática desde la 2da. guerra mundial tuvo sus primeras aplicaciones para
optimizar el transporte de suministros y pertrechos a las líneas de guerra/batalla,
dando excelentes resultados para los países que la aplicaron; (Arya, Lardner, 2002)
comenta que luego esta técnica fue extendida al campo Industrial. Dentro de la
programación lineal, por su versatilidad para la resolución y obtención del resultado,
(Arya, Lardner, 2002) destaca el algoritmo simplex para aplicar a los problemas de
distribución y transporte; también se destaca su aplicación en campos como:

● Gestión de inventarios.
● Asignación de recursos humanos.
● Asignación recursos de máquinas.

5
Problema del Agente Viajero (TSP)
El problema consiste en una serie de puntos los cuales llamaremos nodos que
corresponden a un lugar en específico que pueden ser países, ciudades, tiendas,
locales, entre otros que deben ser visitados por un individuo o entidad (persona,
camión, avión, entre otros). Dichos nodos deben ser visitados solo una vez, por lo
tanto las posibles soluciones que se pueden dar se obtienen a través de una función
de combinación sin repetición que consiste en C(n,n-1), por ejemplo, si tenemos 10
nodos la función C(10,9) arroja el valor de 10*9=90 (noventa) soluciones posibles.

El problema del agente viajero se considera como un problema de optimización

combinatoria, en el cual intervienen un número determinado de variables las cuales
pueden tomar diferentes valores y como resultado se obtiene un número de
combinaciones de carácter exponencial dando lugar a múltiples soluciones óptimas.

La complejidad de la resolución del problema del agente viajero consiste en que no

se puede garantizar que se encuentre la mejor solución en un tiempo
razonablemente corto en cuanto al tiempo computacional. Por dicha razón existe
gran variedad de métodos y heurísticas que buscan generar soluciones de buena
calidad en tiempos de cómputo menor, o en otras palabras, soluciones óptimas en
cuanto al tiempo y respuesta.

Las variables que se han tenido en cuenta por gran parte de investigadores,
matemáticos y científicos son:
● Tiempo de recorrido entre nodos: minutos, horas, días, etc.
● Distancia de recorrido entre nodos: metros, pies, kilómetros, millas, etc.
● Costos de traslado: unidades monetarias, desgaste de vehículos o piezas,
gastos de energía, etc.
Las variables pueden variar según el problema que se aborde, pues existen
infinidad de problemas que se presentan tanto de manera cotidiana como a nivel
empresarial que tienen sus propias complejidades y dinámicas.

Entre las aplicaciones más comunes para el TPS se tienen las relacionadas con el
reparto de productos donde se busca la mejor ruta de entrega y la más corta,
transporte donde se mejora la ruta tomado encontrando la menor longitud, robótica
buscando minimizar el número de desplazamientos por ejemplo en una serie de
perforaciones en un circuito, Las rutas turísticas, horarios de rutas escolares o
laborales, inspecciones entre sitios remotos, entre otras.

6
 MATERIALES Y MÉTODOS
El Problema del Agente Viajero puede resolverse de diferentes maneras:

Enumeración de todas las soluciones factibles

Es decir, enlistar todas las posibles soluciones al problema, calcular sus
costos asociados, e identificar, por comparación, cuál es la solución con el
costo más conveniente.

7
Métodos exactos
También llamados algoritmos óptimos, intentan descartar familias enteras de
posibles soluciones, tratando así de acelerar la búsqueda y llegar a una óptima.
Los que más se usan para resolver el TSP son Ramificación y Acotamiento, y
Ramificación y Corte.

Heurísticas
Son métodos que obtienen buenas soluciones en tiempos de cómputo muy
cortos, aunque sin garantizar la solución única.

En la actualidad investigadores han propuesto diferentes estrategias para dar

solución a TSP, de las cuales se pueden mencionar algunas técnicas
empleadas:

Algoritmos genéticos
La solución consiste en encontrar un individuo cuya combinación de genes
(cada gen es una variable), den solución al problema de visitar todas las
ciudades una vez. Otra solución es que cada gen es una ciudad y cuyo orden
dependerá del orden en que serán visitadas.

Redes neuronales
Una red neuronal simula las conexiones entre los nodos (lugares por visitar),
y cada recorrido por las diferentes neuronas genera al final un camino que
involucra el tour por todas las ciudades visitadas una sola vez.

Colonia de hormigas (ACO)

Las hormigas encuentran el camino más corto entre 2 puntos; para TSP, se
considera el punto de inicio como el punto final, el mismo nodo; de esta
manera, las hormigas deben recorrer todas las ciudades en un circuito, sin
pasar 2 veces por la misma ciudad.

Project Scheduling Problem (PSP)

Buscar la solución considerando principalmente el uso mínimo de recursos
durante cada recorrido.

8
Búsqueda Tabú
Consiste en buscar el vecino próximo cuyos costos de traslado del nodo
actual al siguiente, sea el de menor costo en cuanto al uso de recursos

Combinación de propuestas
Las técnicas de Inteligencia Artificial se pueden combinar para crear meta
heurísticas, conformando diferentes soluciones tales como: algoritmos
genéticos con redes neuronales, PSP con ACO, PSP con redes neuronales,
etc.

● Entre otras soluciones.

Algunas de las herramientas de fácil acceso que permiten modelar y buscar

soluciones a los diversos problemas de programación lineal consiste en:

Modelos cuantitativos en logística

Función Objetivo que optimiza la operación del transporte (Solver de Excel).

Herramientas Matemáticas
Programación lineal y Algoritmo simplex– Elaboración de función objetivo
para minimizar el costo de transporte.

Herramientas de software
Función Solver en Excel– Definición de función objetivo.

Método SOLVER:
1. Realizar la matriz de distancias
2. Colocar el número 1 en una primera casilla (este es el inicio)
3. Colocar los números de 1 al 18 y al final colocar un 1 (este es el final)

1 1 2 3.. 18 1

9
4. Utilizar la función Índice, la cual busca en una matriz la intersección de
dos celdas la matriz debe quedar fija y se seleccionan las dos celdas de
arriba hacer esto hasta llegar al número 18

5. Sumar todas las celdas donde se utilizo la función índice es decir suma
todas las distancias

6. DATOS-SOLVERSeleccionar como objetivo la celda donde se realizó

la suma de las distancias, Colocar minimizar, Agregar y colocar la
restricción seleccionando las celdas desde el segundo 1 hasta el 18 y
colocar que sean diferentes todos.

10
7. Seleccionar el método Evolutonary
8. Resolver
9. Analizar datos

11
 RESULTADOS
Matriz de distancias, esta matriz se calculó utilizando la herramienta Google maps
que nos brinda la distancia entre dos direcciones y se escogió la óptima.

DESDE/HASTA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
1 0 10.3 11.2 8.2 9 11.8 8.1 14.9 9.40 10 15.2 6.1 6.7 3.6 6.2 6.5 4.9 7.1
2 10.2 0 19.2 7.6 4.2 2.5 14.8 8.7 2.9 14.5 8.4 14.7 4.2 13.6 15.2 4.3 14.8 16.3
3 10.2 18.3 0 15.2 18.2 22.3 9.5 22.5 14.8 8.7 26 3.9 16.2 10.2 5 15.8 13.5 4
4 8.3 7.3 15 0 10.4 8.7 8.1 16.7 5.6 9.2 16.3 10.4 11.2 10.8 11 11.4 12 12.8
5 10.1 4.7 19.1 10.4 0 4.2 15.6 6.4 6.2 16.3 6.2 14.8 4.3 13.4 15.1 4.2 13.2 16.9
6 11.4 2 19.3 7.6 4.2 0 13.9 10.9 10.3 13.3 9.1 15.3 5.4 14.6 15.6 5.5 14.3 17.5
7 9.2 12.2 9.4 7.3 14.8 15.6 0 21.3 7.9 3.9 19.4 7.9 13.5 12.2 6.8 13.1 13.4 8.5
8 14.3 12.9 22.3 16.9 6.6 10 21.2 0 12.7 18.6 8.2 17.6 8.6 15.3 18.1 8.2 16.5 19.7
9 8.4 2.4 1.7 4.9 5.4 3.1 11.4 12 0 8.8 9.8 13.1 7.3 11.7 13.3 7 14.4 14.5
10 11.1 10 11.8 3.4 12.6 13.4 5 20.6 8.9 0 17.2 10.3 12.6 10.5 8.1 4.3 11.8 12.4
11 14.3 9 23.6 15.6 7.2 7.9 20 6.2 10.3 17.4 0 18.9 8.9 16.6 18.9 8.5 16.8 21.1
12 6.4 14.7 4.3 10.6 14.4 16.6 8.9 18.9 13.9 10.2 22.2 0 12.4 8.4 2.2 6.4 9.7 3.3
13 6.5 4.8 15.5 9.7 3.9 6 12.4 9.9 6.8 11.4 10.2 11.3 0 9.9 11.5 1.5 11.1 13.4
14 4.7 13.5 10.4 12 12.2 14.3 11.1 9.9 12.6 13.9 16.5 6.1 7.1 0 7.9 8.3 3.4 6.4
15 5.8 14.5 5 11.1 14.1 16.3 5.8 18.3 13.5 7.6 20.4 2.1 12.1 7.8 0 6.1 9.1 4.3
16 4.9 5.1 16 9.4 2.6 4.8 12.9 8.4 6.3 11.1 8.9 11.8 1.3 10.4 13.8 0 11.6 14.8
17 5 15.9 11.4 14.3 10.4 16.7 11.4 12.1 14.9 12 19 7.1 10.5 2.7 8.7 12.1 0 6.9
18 8.3 16.3 4 12.5 16.2 20.9 8.7 20.8 15.7 11 22.5 3 14.3 6 3.8 13.7 7.6 0
Tabla 1 Matriz de distancias

12
El Solver en Excel haciendo uso del Método TSP arrojó la siguiente ruta óptima

RUTA
DESDE HASTADISTANCIA
1 4 8.2
4 7 8.1
7 10 3.9
10 16 4.3
16 13 1.3
13 5 3.9
5 8 6.4
8 11 8.2
11 6 7.9
6 2 2
2 9 2.9
9 3 1.7
3 15 5
15 12 2.1
12 18 3.3
18 14 6
14 17 3.4
17 1 5
TOTAL RECORRIDO (KM) 83.6
TOTAL RECORRIDO (HORAS) 4.18

Tabla 2 Solución óptima por medio de solver TSP

Las direcciones que corresponden a cada número son los siguientes

13
1 BOGOTÁ Sede de Cra. 69b #19A-59
Brinks

2 BOGOTÁ AVENIDA Calle 72 # 10 - 83

CHILE

3 BOGOTÁ BOSA CENTRO Calle 65 Sur # 80 - 04

4 BOGOTÁ CARRERA Carrera 10 # 17 - 96

DECIMA

5 BOGOTÁ CASTELLANA C.C. Iserra 100 local 110 Y 111

6 BOGOTÁ CENTRO Carrera 11 # 82 - 51 local 140

ANDINO

7 BOGOTÁ CENTRO Autopista Sur # 38A - 20 Sur, C.C. Centro Mayor locales 2 -
MAYOR 035 y 2 - 036

8 BOGOTÁ CENTRO SUBA Avenida Calle 145 # 91 - 19 local 4 - 101

9 BOGOTÁ CHAPINERO Calle 59 # 10 - 68

10 BOGOTÁ CIUDAD Avenida Carrera 24 # 48 - 93 Sur, C.C. Ciudad Tunal entrada 9

TUNAL local S1 - 56,

11 BOGOTÁ CONTADOR Avenida Carrera 19 No 137 - 02

12 BOGOTÁ CORABASTOS Carrera 86 # 24A - 19 Sur, Corabastos local 102

13 BOGOTÁ ESTRADA Avenida Calle 72 # 68G - 80

14 BOGOTÁ HAYUELOS Calle 20 # 82 - 52, C.C. Hayuelos locales 2 - 111 y 2 - 112.

15 BOGOTÁ KENNEDY Carrera 77 # 36 - 05 Sur

16 BOGOTÁ METROPOLIS Avenida Carrera. 68 # 75A - 50, C.C. Metrópolis local 101

17 BOGOTÁ PARQUE Carrera 100 # 18 - 12

FONTIBON

14
 CONCLUSIONES

 Los beneficios demostrados al aplicar el modelo de TSP, son realmente

impresionantes. Se ha demostrado que ayuda a mejorar la precisión en la
planeación, así como a la disminución de defectos detectados en pruebas,
incrementando la productividad y la moral del trabajo. El TSP provee tanto la
estrategia como los métodos operativos, para usar los procesos disciplinados
individuales al nivel de los equipos de trabajo, ayuda a construir planes
realistas para los equipos, proporciona a su vez una manera eficiente de
construir/ fortalecer la integración de los equipos, mientras se proporcionan
los mecanismos para monitorear el plan y avance del equipo.
 Se encontró la ruta más optima mostrada en la tabla 2 teniendo un recorrido
total de 83.6 Km y un tiempo total de demora de 4.18 horas comenzando
desde la sede y terminando en la sede.
 Este método es fácil de realizar en Excel, el modelo matemático es más
complejo.

15
 BIBLIOGRAFÍA

ARYA, Jagdish y LARDNER, Robin W. Matemáticas aplicadas a la administración y

a la economía. Arya, Lardner, 2002

CHASE B, Richard; JACOBS, F. Roberts y AQUILANO, Nicolás J. “Administración

de la producción y operaciones para una ventaja competitiva”. McGraw Hill. 2007.
http://editorial.ucentral.edu.co/ojs_uc/index.php/Ingeciencia/article/view/310/277

16