Heurística de segmentación de nodos para un modelo de distribución a través de una
flota heterogénea
M.P. G, Acosta1, E., Olivares2, C. R. Navarro3, J.L., Martinez2 y A.A., Naranjo1
1
Instituto Tecnológico de Sonora, Ciudad Obregón Sonora, 2Universidad Popular Autónoma de Estado de
Puebla, Puebla Puebla, 3Universidad Politécnica de Baja California, Mexicali Baja California.
Resumen: En este trabajo se presenta el modelo
para un problema de rutas de distribución con flota
heterogénea considerando restricciones de peso y
volumen para diferentes instancias. Debido a la
complejidad para encontrar la solución del modelo,
se desarrolló una heurística de segmentación de
nodos que permite conformar regiones bajo tres
criterios: aislamiento, alejamiento y distancia al
almacén, considerando que el número de nodos de
cada segmento estén equilibrados. Cada región se
resuelve de manera óptima usando software
comercial de optimización con el modelo de flota
heterogénea que determina el tamaño de la flota y la
ruta que debe seguir cada vehículo. Se presentan los
resultados para cada instancia y se compara el
número de rutas, capacidad utilizada de los
vehículos y el tiempo de solución.
Abstract: This work presents a heterogeneous fleet
vehicle routing problem that considers weight and
volume constraints for several instances. Because of
the complexity to find the optimal solution of the
model, a segmentation heuristic was developed to
create regions of nodes under three criteria:
isolation, separation, and distance to the depot,
considering a similar number of nodes in each
region. Each region is solved optimally with
commercial optimization software with the
heterogeneous fleet model to determine the size of
the fleet and the route for each vehicle. The results
for each instance compare the number of routes, the
capacity used in the vehicles, and the solution time.
Keywords: Routing, Heterogeneous Fleet,
Heuristics.
Introducción
Este trabajo aborda el problema de rutas con flota
heterogénea de vehículos y un depósito, considerando
decisiones desde dos puntos de vista, el estratégico al
definir el tamaño de la flota y el operativo al diseñar las
rutas que atenderán las necesidades de los clientes. Se
requiere diseñar un conjunto de rutas y el tamaño de la
flota para cada tipo de vehículo considerado en el
estudio que empiecen y terminen en un almacén, de
modo que se visiten todos los destinos una sola vez
optimizando una función objetivo basada en distancia y
satisfaciendo a su vez las restricciones de capacidad en
cuanto a peso y volumen de los vehículos. Los datos
utilizados fueron proporcionados por una empresa
dedicada a la distribución de medicamentos en toda la
República Mexicana, considerando la demanda en peso
y volumen, y diferentes tipos de vehículos.
El objetivo planteado consiste en resolver un
problema de flota heterogénea para diferentes instancias
adaptando el modelo propuesto por [1], en un software
comercial. Debido a la complejidad computacional de
resolver instancias muy grandes se utiliza una heurística
de segmentación de nodos como un primer paso, para
después en cada segmento determinar el tamaño de la
flota y planear las rutas a partir del uso del software
comercial.
Uno de los aspectos que esta impactando en la
economía de las empresas y que se traduce en
aproximadamente el 50% del costo logístico total es el
costo del transporte [2], por lo que es esencial la
disminución de este costo de los procesos logísticos [3].
Se puede lograr disminuir los costos a través de
estrategias de distribución y administrando de manera
eficiente los recursos asociados a este servicio.
La flota de vehículos susceptible de ser empleada
en un problema de distribución tiene asociada un
conjunto de costos dependientes de múltiples factores.
El caso más general consiste en suponer que cada medio
de transporte disponible presenta unas características
propias que pueden o no coincidir con el resto [4].
Una de las decisiones operativas que debe tomarse
frecuentemente en la gestión del transporte es el diseño
de rutas con las cuales se atiende la demanda de los
clientes finales [5]. Es importante tomar en cuenta en el
diseño de rutas el conocimiento de las particularidades
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.
de la situación que se aborda [6]; [7]. No es lo mismo
realizar rutas de recolección de basura, que rutas de
repartición de periódicos o de distribución de alimentos
[8] y por lo tanto, las herramientas deben ajustarse a las
características de cada situación.
En el diseño de rutas según [1] intervienen
elementos como:
• Clientes: cada cliente tiene cierta demanda que
deberá ser satisfecha por algún vehículo.
• Depósitos: Tanto los vehículos como las
mercancías a distribuir suelen estár ubicadas en
los depósitos. Usualmente se exige que cada ruta
comience y finalice en un mismo depósito,
aunque este podría no ser el caso en algunas
aplicaciones.
• Vehículos: La capacidad de un vehículo podría
tener varias dimensiones como peso y volumen.
Cada vehículo tiene asociado un costo fijo en el
que se incurre al utilizarlo y un costo variable
proporcional a la distancia que recorre. Los
problemas en que los atributos son los mismos
para todos los vehículos se denominan de flota
homogénea y, si hay diferencias, de flota
heterogénea.
En general, la flota de vehículos de una empresa de
transporte no suele ser homogénea. Los vehículos
difieren en equipamiento, en capacidad, en antigüedad
y en estructura de costos. La necesidad de estar
presente en los diversos segmentos de mercado, obliga
a muchas empresas a disponer de vehículos que se
adapten a diversas tipologías como el transporte de
gráneles, contenedores, etc. [4].
El objetivo del Vehicle Routing Problem (VRP)
para flota heterogénea es minimizar la suma de los
costos fijos y variables de las rutas. El costo fijo de los
vehículos se compone con los costos de adquisición y
mantenimiento de la flota heterogénea. Los costos
variables de las rutas están en función a la distancia
total recorrida [9].
Asimismo, la disposición de unidades con
diferentes capacidades de carga permite una mejor
adaptación a la demanda. El problema de las rutas con
una flota heterogénea y limitada de unidades de cada
clase, y donde los costos de operación y los fijos
dependen del tipo de vehículo “Vehicle Routing
Problem with a Heterogeneous Fleet” (VRPHF) ha
recibido muy poca atención [10] en relación con el
clásico VRP.
Existen dos variantes para el VRP con flota
heterogénea. Primeramente, el número de vehículos de
cada tipo pueden ser limitados o ilimitados, cuando es
necesario determinar el tamaño y la composición de la
flota. En segundo lugar, los costos variables pueden o
no depender del tipo de vehículo [9].
El tiempo y esfuerzo computacional requerido para
resolver este problema aumenta exponencialmente
respecto al tamaño del problema, es decir, la cantidad
de nodos a ser visitados por los vehículos. Para este tipo
de problemas es a menudo deseable obtener soluciones
aproximadas, para que puedan ser encontradas
suficientemente rápido y que sean suficientemente
buenas para llegar a ser útiles en la toma de decisiones.
[11].
Los problemas de múltiples rutas desde un depósito
(m-TSP o m-VRP) presentan una complejidad tal, que
son resueltos casi exclusivamente por medio de
algoritmos heurísticos.
En el análisis de los resultados del problema
vehicular y en el caso particular del problema de flota
heterogénea se toman diferentes criterios de decisión
que se analizan en las instancias generadas para ver su
comportamiento. Tales criterios se proponen en el
trabajo de [12].
En la sección 2 se describe el modelo matemático
utilizado y las consideraciones utilizadas para resolver
las instancias planteadas; en la sección 3 de
“metodología” se establecen los pasos que se siguieron
para resolver el problema; en la sección 4 denominada
“experimentación” se establecen las instancias y los
materiales utilizados en la investigación; posteriormente
se presentan los “resultados” en la sección 5, generados
por la segmentación y el modelo adaptado, y
finalmente se comentan las conclusiones.
Modelo matemático
El modelo utilizado para la investigación se basó en el
problema de ruteo vehicular para flota heterogénea
propuesto por [1].
En el modelo de flota heterogénea los costos y las
capacidades de los vehículos varían, existiendo un
conjunto T = {1, │T│} de tipos de vehículo, V es el
conjunto de clientes que existen y E es el conjunto que
contiene los caminos posibles para ir de un nodo i hacia
el nodo j en la red de transporte. La capacidad de los
vehículos es y su costo fijo es . Los
costos para cada tipo de vehículo son . Se asume que
los índices de los vehículos están ordenados en forma
creciente por capacidad (es decir para ,
, ).
Las variables binarias indican si el arco (i,j) es
utilizado por el vehículo k y las variables y
positivas indican la carga acumulada en peso y volumen
Pag. 2
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.

respectivamente en la ruta correspondiente hasta el considerando el peso y el volumen, dado lo anterior la

nodo i (inclusive). y representan el Ec. (4) se estableció atendiendo estas necesidades, pero
conjunto de nodos adyacentes e incidentes al nodo i. La además se plantearon un conjunto de restricciones tanto
función objetivo (Ec. 1) mide el costo total de la de peso como de volumen para todos los nodos excepto
solución incluyendo los costos fijos y variables. La el origen y para i ≠ j y otro conjunto exclusivamente
ecuación (2) establece que todo cliente debe ser para el origen en donde i ≠ j, con lo cual el modelo dio
visitado por algún vehículo. La ecuación (3) indica que resultados adecuados. Para las diferentes instancias, la
si un vehículo de tipo k visita al nodo i, entonces un capacidad de los diferentes vehículos exhibe una
vehículo del mismo tipo debe abandonarlo. Las correlación positiva entre el peso y el volumen.
ecuaciones (4, 5 y 6) fijan los valores de las variables
y actúan como restricciones de eliminación de sub Metodología
tours, mientras que la capacidad de los vehículos se
establece en la Ec. (7). La metodología utilizada se explica a continuación:
Esta formulación asume que la cantidad de Se programa el modelo de [1] adaptado bajo la sintaxis
vehículos de cada tipo es ilimitada. El problema del software comercial de Lingo Versión 12
correspondiente se denomina Fleet Size and Mix considerando los datos de cada una de las instancias
Vehicule Routing Problem (o FSMVRP). planteadas. Al correr las instancias de 50, 80 y 100
nodos en el software debido a limitaciones de la licencia
min ∑ f k ∑ x0k j + ∑ k k
∑ cij xij no fue posible correrlos por el número de variables que
(1)
k∈T j∈∆ + ( 0 ) k∈T ( i , j )∈E permite y cuyo número se excedía. Debido a lo anterior
se diseñó una heurística de segmentación de nodos con
s.a el objetivo de aprovechar el modelo y resolver con el
software comercial segmentos con un menor número de
∑ ∑ xijk =1 ∀j∈V \{ 0} (2) nodos, dentro del límite de la licencia. También se
k∈T i∈∆ + ( j )
espera que este enfoque reduzca el tiempo de solución,
a costa de un resultado de menor calidad en la función
∑ xijk − ∑ x kji = 0 ∀i ∈ V , ∀k ∈ T
j∈∆ + ( i )
(3) objetivo.
j∈∆ − ( i )

r = 0 Fundamentación de la heurística
0
La segmentación de los nodos toma en cuenta
Peso algunas heurísticas que ya se han utilizado para el VRP,
|T |
rj − ri ≥ ( d j + q ) ∑ xijk −q|T | {}
∀i ∈ V \ 0 , ∀j ∈ ∆ + (i ) (4)
entre las que vale la pena mencionar:
k∈T o Heurística de barrido o sweep, está técnica propone
establecer un punto de origen en el depósito y desde
Volumen
ahí realizar el barrido para abarcar toda el área
v j − vi ≥ (d j + q|T | ) ∑ xijk − q|T | {}
∀i ∈ V \ 0 , ∀j ∈ ∆ + (i ) (5)
geográfica del problema. En este caso se requirió
k∈T definir un punto de origen, que en este caso es el
almacén, y a partir de este, construir los segmentos
rj ≤ ∑ ∑
k
q k x ij ∀i ∈ V \ 0 { } (6) [13].
k ∈T i∈ ∆ − ( j )
o Heurística de asignación generalizada de Fisher y
x
k
∈ {0 ,1} ∀ ( i , j ) ∈ E , ∀k ∈ T (7)
Jaikumar, basa la generación de clusters en la
ij solución de un problema de asignación generalizada.
Para la heurística que se propone se conformaron
r ≥ 0 ∀j ∈ V grupos de nodos cuya característica principal fue la
j
distancia mínima entre ellos [13].
El modelo se adaptó principalmente porque al La heurística que se presenta está basada en la tabla
desarrollarlo en un software comercial no generó de distancias que existen entre los nodos. Se definen las
resultados coherentes. Los cambios se describen a siguientes variables:
continuación:
N = número de clientes
La Ec. (2) aplica para toda .
0 = nodo correspondiente al almacén
En base a las necesidades observadas en la
investigación, se requirió plantear las restricciones

Pag. 3
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.

i = contador que representa al cliente i (si i=0 este 4000

indica al almacén). Típicamente i = 0 a N 3500 8 7

14
ir = contador de nodos que están agrupados y 3000 12
2

pertenecen a la región r 2500 10 0

18
nr = número de nodos que se encuentra en la región r. 2000
9
6
17
dij = distancia del cliente i al cliente j
1500 5
4

1000 3
La heurística de segmentación se basa en el El nodo 5 y5ely el8 8representan
El nodo representan másmas extremosidad,
alejamiento, pues
11

producto de tres factores: 500

pues son sonlos
los nodos
nodos más
masalejados entre entre
alejados si si. 13
15
16 1
0
Factor de Aislamiento: Mientras más aislado se 0 500 1000 1500 2000 2500 3000 3500 4000

encuentre un cliente, más deseable se vuelve a

seleccionarlo como nodo inicial, ya que de otra manera
estos clientes se tienden a dejar solos y estropean el
proceso de regionalización (ver Figura 1). Esto se
puede medir con el promedio de su distancia a otros
clientes, a mayor distancia promedio, mayor
aislamiento se tiene. El factor de aislamiento, se puede
representar matemáticamente por:
f .aislamientoi =
j =1.. N
4000
3500
3000
Fig. 2. Representación del factor de alejamiento
Factor de distancia al almacén: Se detectó que en
ocasiones iniciar el proceso de zonificación en un nodo
demasiado cercano al almacén puede afectar el criterio
de selección de los sucesivos nodos, por lo que se
decidió incluir este criterio, el cual básicamente indica
que es recomendable iniciar con algún punto que
∑ di , j
cumpla los criterios anteriores (que esté aislado y
n alejado con respecto a los demás nodos), pero también
que este muy alejado del almacén (ver Figura 3). El
factor de distancia al almacén, tiene la siguiente
representación matemática:
7
14
12
2

2500 8 10 0

2000
18
9
f .dist.almaceni = di,0
6
1500 5 17
4

1000 El nodo 4 representa mas 3 4000

11
aislamento que el resto 15
500 13 3500 8 7

16 1 14
0 3000 12
2
0 500 1000 1500 2000 2500 3000 3500 4000

2500 0
Fig. 1. Representación del factor de aislamiento.
10

18
2000
9
6
17

Factor de Alejamiento: Mientras un cliente se

1500 5
4

3
encuentre en una ubicación más extrema o formando un
1000
11
El nodo 8 tiene una mayor distancia al almacen
vértice fuera de todos los puntos, más deseable se
500 13
que los otros clientes
15
16 1

vuelve como punto de inicio, pues estos puntos suelen

0
0 500 1000 1500 2000 2500 3000 3500 4000

quedar fuera del proceso de regionalización y estropear

Fig.3. Representación del factor de distancia al almacén
las zonas obtenidas (ver Figura 2).
Pasos para la aplicación de la heurística:
El factor de alejamiento, se calcula a partir de la
distancia máxima que existe de ese nodo hacia los otros
1. Definir el número de regiones o zonas en las cuales
(sin considerar el almacén). Su representación
segmentar el problema en base a la cantidad de
matemática es:
variables que puede manejar el software.
f .alejamient oi = max d i , j
j =1.. N
( ) 2. Identificar el nodo inicial. Se calcula para cada nodo
el producto de los tres factores: factor de
aislamiento, factor de alejamiento y factor de
distancia al almacén. El nodo que tenga un producto
mayor de estos factores es el que se selecciona como
nodo inicial.
3. Agregar nodos a ese nodo inicial. Este paso requiere
ir aplicando el criterio para seleccionar el siguiente
nodo a incluir dentro de la zona o región que se está
armando, para lo cual se aplica el criterio
matemático de distancia promedio y alejamiento del

Pag. 4
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.

origen, se utiliza una potencia que determina el

alejamiento entre los nodos a considerar en la Resultados
región:
A partir de la generación de las cinco instancias con las
 ∑ d  0.65  características definidas en la tabla 1, en la figura 4 se
Nodo i = Min
r +1 j =1.. N i i nr  ( dj ,o ) 
j ∉ region   r ∈ region r , j   presenta un ejemplo de la aplicación del método en la
segmentación de la instancia de 18 nodos, para lo cual
Se segmentaron los nodos para las instancias se conformaron dos regiones.
planteadas utilizando la heurística diseñada y tomando
en cuenta la restricción del software en cuanto al
número de variables que permite. Cada uno de los
segmentos conformados en cada instancia se resolvió
con el modelo adaptado de [1] en el software comercial
utilizado y posteriormente se analizaron las soluciones
generadas en cada instancia tomando como criterios:
función objetivo, número de rutas, capacidad del
vehículo utilizada y el tiempo de solución.

Experimentación
Los datos utilizados para la investigación fueron
instancias conformadas por diferente número de nodos,
tipo de vehículos y costos asociados a la distancia que
existe entre nodos. En la tabla 1 se presentan las Fig. 4. Instancia de 18 nodos segmentada
instancias diseñadas para la investigación:
Se resolvió la primera instancia sin segmentación y
Tabla1. Instancias utilizadas en la investigación segmentando los nodos en grupos, (Ver tabla 2). Para
Instancia Número Tipos de Características de los
de Nodos Vehículos vehículos la segunda instancia solo se pudo resolver para 31
Peso Volumen nodos con cuatro tipos de vehículos por la limitante del
1 18 2 18074 108 software. Se utilizó el método de segmentación para las
27300 164
2 31 4 18074 108 instancias más grandes (50, 80 y 100 nodos),
27300 164 aplicándola también a las instancias más pequeñas para
27698 166 realizar un comparativo de los resultados de su
35110 211
3 50 4 22511 211 aplicación.
30887 185
41953 164 Tabla 2. Resultados de las instancias
48990 166 Número Tamaño de Función Núme Capacidad Tiempo de
de la instancia Objetivo ro de utilizada de solución
4 80 5 102662 615
Instancia Rutas los (seg)
199891 1199 vehículos
222598 1335 1 18 nodos 368.354 5 95.12% 19500
274958 1649 Segmento 149.888 2 6060
306211 1837 1(9nodos)
1 94.32%
17316 103.896 Segmento 222.819 3 6000
5 100 5 18350 110.1 2(9nodos)
21310 127.86 2 31 nodos 729.544 10 82.10% 24540
24156 144.936 Segmento1 295.226 3 5400
37512 225.072 (16nodos)
2 86.94%
Segmento2 439.163 6 5100
Las instancias se generaron a partir de datos reales (15nodos)
proporcionados por una empresa, siendo estos: número Segmento1 370.045 5 6060
(25nodos)
de clientes, ubicación de cada uno, distancias entre los 3
Segmento2 442.712 6
86.7%
4800
nodos que conforman la red de clientes, demanda (25nodos)
Segmento1 803.031 11 3300
semanal, costos fijos de los vehículos y el rendimiento (20nodos)
de combustible por vehículo. Segmento2 965.228 13 3720
(20nodos)
4 80.78%
Las características de la computadora utilizada Segmento3 734.009 8 5100
(19nodos)
son: procesador Intel Core de 2.27 GHz, memoria Segmento4 730.616 10 4440
(RAM) 4.00 GB y el tipo de sistema operativo de 32 (21nodos)
bits. En relación al software comercial es LINGO Segmento1 444.638 6 6480
5 (20nodos) 85.49%
versión 12.0 industrial para universidades. Segmento2 440.72 6 6120

Pag. 5
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.
(21nodos)
Segmento3 440.823 6 6060
(20nodos)
Segmento4 437.221 6 3240
(21nodos)
Segmento5 436.869 6 3720
(18nodos)
De acuerdo a los resultados en la instancia 1 se
puede decir que la diferencia que existe entre la función
objetivo obtenida con la segmentación y sin
segmentación es de 1.18%, y en el número de rutas no
hubo diferencia y la diferencia en la capacidad utilizada
de los vehículos es de 0.8%.
En la instancia 2 la diferencia obtenida entre la
función objetivo con la segmentación en relación a sin
segmentar es de 0.66%, en el número de rutas se
generaron menos con la segmentación y en la
capacidad utilizada de los vehículos se tiene un 4.84%
mejor en el aprovechamiento de la capacidad con la
segmentación.
En la instancia 3 no se tuvo con que comparar
debido a que no fue posible correr la instancia completa
(50 nodos) por la restricción del software, por lo cual
solo se aplicó la heurística de segmentación.
Comparando los resultados con la instancia de 31
nodos, el tiempo de solución fue menor (considerando
la suma de los tiempos de los dos segmentos). La
capacidad utilizada de los vehículos es superior al 85%
por lo que se aprovecha la capacidad de los vehículos y
esto permite utilizar menos.
La instancia 4 requiere una flota muy grande
debido a que la demanda de los nodos que la
conforman es alta, aun cuando las distancias entre los
nodos sean pequeñas. La capacidad de los vehículos
está alrededor del 80%.
Finalmente, la instancia 5 requirió para su solución
7 horas 7 minutos, y en relación a la capacidad de los
vehículos está alrededor del 85%.
Conclusiones
A partir de los resultados se observa que la
segmentación permitió obtener soluciones muy buenas
en poco tiempo, lo cual apoya a la decisión de definir
los tipos de vehículos para la flota así como la
planeación de las rutas. La segmentación de los nodos a
partir de las distancias que existen entre ellos ayuda a
lograr bajos costos con tiempos de solución cortos y a
caracterizar a los clientes en regiones, lo cual favorece
su ubicación y localización rápidamente.
El método de segmentación se diseñó adoptando
elementos de heurísticas que ya existen en base al
principio de agrupar primero y rutear después, a través
de un esquema híbrido donde se aprovecha el método
exacto implícito en el software comercial para sacrificar
lo menos posible en cuanto a la calidad de la solución.
Para todas las instancias y segmentos el tipo de
vehículo que se utiliza es el tipo 1, que es el de menor
tamaño.
Para futuras investigaciones, en cuanto a los
parámetros, se planea revisar la estructura de costos
para determinar el caso que propicie una mayor
diversidad en los tipos de vehículos seleccionados para
la flota.
Referencias
[1] Olivera, A., (2004). Heurísticas para problemas de
ruteo de vehículos, Instituto de Computación,
Facultad de Ingeniería, Universidad de la
República, Montevideo, Uruguay.
[2] Ballou, R. H., (2004). Busssines Logistics/Supply
Chain Management. 5ª ed. Prentice Hall. Upper
Saddle River. New Jersey. pp. 14.
[3] Hasle, G. (2003). Heuristics for Rich VRP Models
ROUTE 2003. International Workshop On Vehicle
Routing. Skodsborg. Denmark. 2003.
www1.ctt.dtu.dk/route2003/
presentations/Geir%20Hasle.ppt . Consultada el 15
de noviembre de 2007.
[4] Yepes, V. y Medina, J.R. (2002). Optimización de
rutas con flotas heterogéneas y múltiples usos de
vehículos. VRPHEMSTW, SEMNI. p7.
[5] Riopel, D., Langevin, A. y Campbell, J. (2005).
“The Network of Logistics Decisions”. Logistics
Systems: Design and Optimization. New York.
Springer. pp. 1-38.
[6] Canen, A. G. y Scott, L. G. (1995). “Bridging
Theory and Practice in VRP”. Journal of the
Operational Research Society. Vol. 46. pp. 1-8.
[7] Canen, A. G. y Galvao, R.D. (2004). “The magic of
the sharp end of VRP”. Logistics & Transpot
Focus. Vol. 4. pp. 54-57.
[8] Correa, F, H. M. Gómez, J. F. Loaiza, J. G. Villegas
(2007). “Aplicaciones prácticas de los problemas
de rutas de vehículos”. Reporte de Investigación,
Departamento de Ingeniería Industrial, Facultad de
Ingeniería – Universidad de Antioquia.
[9] Belfiore, P., Yoshizaki, H. (2009), Scatter search for
a real-life heterogeneous fleet vehicle routing
problem with time windows and split deliveries in
Brazil . European Journal of Operational Research.
v. 199 , n. 3 , p. 750 - 758
[10] Taillard, E. D. (1999), “A heuristic column
generation method for the heterogeneous fleet
VRP”, RAIRO Rech Opér. 33(1), pp 1-14 .
Pag. 6
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.
[11] Lüer, A., Benavente, M., Bustos, J., and Venegas,
B. El Problema de Rutas de Vehículos:
Extensiones y Métodos de Resolución, estado del
Arte. In Proceedings of EIG. 2009.
[12] Correa, F., Gómez, H., Loaiza, J., Villegas, J.,
(2008). “Características del diseño de rutas de
distribución de alimentos en el Valle de Aburrá”,
Departamento de Ingeniería Industrial,
Universidad de Antioquia, Apartado Aéreo 1226,
Medellín, Colombia.
[13] González G. y González, F. (2006),
Metaheurísticas aplicadas al ruteo de vehículos.
Un caso de estudio. Parte 1: formulación del
problema. Ingeniería e Investigación, Universidad
Nacional de Colombia, Colombia, pp. 149-156.
María Paz Guadalupe Acosta Quintana
Estudiante de doctorado en Logística y Dirección de la
Cadena de Suministros en la Universidad Popular
Autónoma del Estado de Puebla (UPAEP). Es profesor
de tiempo completo en el Instituto Tecnológico de
Sonora en el departamento de Ingeniería Industrial y
forma parte del cuerpo académico de Cadenas
Productivas. Sus trabajos están relacionados con la
distribución de productos, modelos de redes y ruteo
vehicular a través de flota heterogénea.
Dirección: 5 de Febrero 818 sur, Col. Centro C.P.
85000, Ciudad Obregón, Sonora México.
Email: marypaz.acosta@itson.edu.mx
Elías Olivares Benítez
Doctor en Ciencias de Ingeniería con especialidad en
Logística y Optimización por el Tecnológico de
Monterrey, campus Monterrey. Es profesor
investigador de la Universidad Popular Autónoma del
Estado de Puebla. Sus trabajos están relacionados al
diseño de cadenas de suministro, diseño de territorios
de venta y distribución, y problemas de ruteos de
vehículos.
Dirección: 21 sur 1103, Col. Santiago, C.P. 72410,
Puebla, Puebla, México.
e-mail: elias.olivares@upaep.mx
Carlos Raúl Navarro González
Doctorado en Ingeniería Industrial, por parte de la
Universidad Autónoma de Baja California, con
Maestría en Ingeniería en Procesos Industriales y
egresado de Ingeniería Industrial. Me desempeño como
profesor-investigador de tiempo completo en la
Universidad Politécnica de Baja California, mi línea de
trabajo es la mejora de la productividad y efectividad
organizacional, especialmente mediante la aplicación de
la investigación de operaciones suave y dura; así como
la evaluación y validación del impacto del cambio y con
ello asegurar la efectividad de proyectos industriales.
Dirección: Calle de la Claridad s/n, Col. Plutarco Elías
Calles, C.P. 21376, Mexicali, Baja California, México,
Tel. (686) 841-3320 ext 138
e-mail: cnavarrog@upbc.edu.mx
José Luis Martínez Flores
Licenciado en Matemáticas y Doctor en Ingeniería por
la Universidad Autónoma de Nuevo León. Ha sido
profesor-investigador en el Posgrado en Ingeniería de
Sistemas de la UANL y en el Departamento de
Ingeniería Industrial y de Sistemas del ITESM Campus
Monterrey. Actualmente es profesor-investigador y
coordinador del Posgrado en Logística y Dirección de la
Cadena de Suministro del Centro Interdisciplinario de
Posgrados Investigación y Consultoría de la
Universidad Popular Autónoma del Estado de Puebla.
Es miembro de la Society for Industrial and Applied
Mathematics (SIAM) y de la American Mathematical
Society (AMS). Ha publicado en revistas arbitradas
internacionales y ha participado en diferentes foros
como ponente. Sus actuales áreas de interés son
Logística, Optimización y Redes Neuronales
Artificiales.
Dirección: 21 sur 1103, Col. Santiago, C.P. 72410,
Puebla, Puebla, México.
e-mail: joseluis.martinez01@upaep.mx
Arnulfo Aurelio Naranjo Flores
Maestro en Ciencias en Ingeniería Industrial en el
Instituto Tecnológico de Juarez. Es profesor de tiempo
completo del departamento de Ingeniería Industrial del
Instituto Tecnológico de Sonora. Sus trabajos están
relacionados con la logística interna y principalmente en
la mejora de la misma a través de la aplicación de la
manufactura esbelta y herramientas de ingeniería
industrial.
Dirección: Av. Antonio Caso S/N Col. Villa ITSON,
Ciudad Obregón Son., México
e-mail: arnulfo.naranjo@itson.edu.mx
Pag. 7