Optimización Del TPCU Con Un Modelo Matemático

Potenciales beneficios del diseño de
un sistema de rutas de transporte

público colectivo urbano formulado a
partir de un modelo matemático
multiobjetivo aplicando algoritmos
genéticos. Caso de estudio: Neiva,
Huila.
Juan Guillermo Ruiz Fonseca
Universidad Nacional de Colombia

Facultad de Ingeniería, Departamento de Ingeniería Civil y Agrícola
Bogotá, Colombia
2020
Potenciales beneficios del diseño de
un sistema de rutas de transporte
público colectivo urbano formulado a
partir de un modelo matemático
multiobjetivo aplicando algoritmos
genéticos. Caso de estudio: Neiva,
Huila.
Juan Guillermo Ruíz Fonseca
Trabajo de investigación presentado como requisito parcial para optar al título de:
Magister en Ingeniería de Transporte - Investigación
Directora:
Ph.D. Sonia Cecilia Mangones Matos
Línea de Investigación:
Planificación del Transporte
Universidad Nacional de Colombia

Facultad de Ingeniería, Departamento de Ingeniería Civil y Agrícola
Bogotá, Colombia
2020
Agradecimientos
A mi madre y hermano, quienes son las personas que me han acompañado en el camino.
A la directora de este trabajo de investigación, la Ingeniera Sonia Mangones, por su apoyo

incondicional y su orientación en el desarrollo exitoso del mismo.
A la firma Cal y Mayor y Asociados por brindarme el acceso a la información requerida

para realizar esta tesis.
A todas las personas que, de una u otra manera, contribuyeron en este logro de mi vida.
Resumen y Abstract V
Resumen
Los sistemas de transporte público colectivo urbano de las ciudades intermedias de

Colombia presentan una fuerte tendencia al deterioro en las últimas décadas debido, entre
otros, a problemas de tipo estructural y operacional, generando importantes perjuicios para
los usuarios, los operadores y la sociedad en general. A pesar de lo anterior, los métodos
que actualmente se emplean en el medio para el diseño de estos sistemas son heurísticas
de ensayo de “prueba y error”, que no garantizan que las soluciones brindadas permitan
un aprovechamiento adecuado de los recursos disponibles para la prestación de un
servicio de calidad. A partir de esto, el presente trabajo de investigación propuso un
modelo matemático multiobjetivo, solucionado a través del uso de un algoritmo genético,
mediante el cual fue posible sustentar la tesis de que se logran obtener diseños más
optimizados a través de este tipo de herramientas, generando sistemas de mayor
eficiencia operacional y de servicio al usuario.
Palabras clave: Transporte público colectivo urbano, modelo matemático

multiobjetivo, algoritmo genético, diseño de rutas.
Abstract
The urban collective public transport systems of the intermediate cities of Colombia have
a strong risk trend in recent decades due, among other things, to structural and operational
problems, generating significant damages for users, operators and society in general.
Despite the above, the methods currently used in the medium for the design of these
systems are "trial and error" test heuristics, which do not require that the solutions provided
have adequate use of the resources available for the provision of a quality service. From
this, the present research work proposed a multiobjective mathematical model, solved
through the use of a genetic algorithm, through which it was possible to support the thesis
that more optimized designs can be obtained through this type of tools , generating systems
of greater operational efficiency and user service.
Keywords: Urban collective public transport, multiobjective mathematical model,

genetic algorithm, route design.
Contenido VII
Contenido
Pág.
Resumen ......................................................................................................................... V
Lista de figuras .............................................................................................................. IX
Lista de tablas ................................................................................................................ X
Lista de Símbolos y abreviaturas ................................................................................. XI
Introducción .................................................................................................................. 12
1. Objetivos ................................................................................................................. 17
1.1 Objetivo General: ........................................................................................... 17
1.2 Objetivos Específicos:.................................................................................... 17
2. Antecedentes del problema de investigación ...................................................... 19

2.1 Situación actual del transporte público colectivo urbano en las ciudades
intermedias de Colombia .......................................................................................... 20
2.1.1 Problemática del TPCU a nivel nacional.............................................. 20
2.1.2 Problemática del TPCU en Neiva, Huila .............................................. 26
2.2 Estado del arte del diseño de sistemas de rutas del TPCU ............................ 30
2.2.1 Panorama mundial .............................................................................. 30
2.2.2 Panorama latinoamericano ................................................................. 41
2.2.3 Panorama nacional ............................................................................. 42
3. Fundamentación teórica ........................................................................................ 45

3.1 Modelo matemático multiobjetivo ................................................................... 46
3.2 Algoritmos genéticos ..................................................................................... 51
4. Formulación matemática del problema ................................................................ 60

4.1 Generalidades y supuestos ........................................................................... 62
4.2 Función objetivo del modelo .......................................................................... 68
4.3 Conjunto de restricciones del modelo ............................................................ 71
4.4 Modelo matemático multiobjetivo ................................................................... 73
4.5 Limitaciones y restricciones del modelo matemático multiobjetivo ................. 76
5. Desarrollo y aplicación del algoritmo genético.................................................... 79

5.1 Generación de soluciones de diseños de sistemas de rutas de TPCU .......... 81
5.1.1 Alternativa de generación de sistemas de rutas # 1: ........................... 84
VIII Potenciales beneficios del diseño de un sistema de rutas de TPCU
formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos

5.2 Evaluación de los sistemas de rutas de TPCU generados aleatoriamente .... 87
5.3 Selección de los mejores sistemas de rutas de TPCU evaluados ................. 88
5.4 Proceso de crossover o cruzamiento para generar nuevas soluciones de rutas
de TPCU .................................................................................................................. 89
5.5 Mutación de los sistemas de rutas de TPCU generados del proceso de
cruzamiento ............................................................................................................. 90
5.6 Elección del mejor sistema de rutas de TPCU en cada población de
individuos ................................................................................................................. 91
5.7 Código de programación del algoritmo genético ............................................ 94
6. Elección del mejor sistema de rutas de TPCU obtenido ................................... 102
7. Validación del modelo diseñado ......................................................................... 106

7.1 Determinación de variables de comparación ............................................... 107
7.2 Escenarios de comparación ........................................................................ 109
7.2.1 Escenario 1: situación actual ............................................................ 110
7.2.2 Escenario 2: Sistema Estratégico de Transporte Público SETP ........ 112
7.2.3 Escenario 3: Modelo Matemático Multiobjetivo ................................. 112
7.3 Cuantificación de variables .......................................................................... 115
7.3.1 Índice de pasajero por kilómetro (IPK): ............................................. 115
7.3.2 Cobertura espacial............................................................................ 116
7.3.3 Cobertura temporal ........................................................................... 120
7.3.4 Costo generalizado del transporte .................................................... 122
7.3.5 Tamaño de la flota ............................................................................ 123
7.3.6 Longitud total .................................................................................... 124
7.3.7 Número de rutas ............................................................................... 124
7.3.8 Transferencias .................................................................................. 125
8. Comparación de resultados obtenidos .............................................................. 127

8.1 Escala de valoración ................................................................................... 127
8.2 Evaluación de los indicadores ..................................................................... 128
8.3 Ponderación de los indicadores................................................................... 129
8.4 Resultados de la evaluación multicriterio ..................................................... 130
Conclusiones y recomendaciones ............................................................................ 133
Bibliografía .................................................................................................................. 137

Contenido IX
Lista de figuras
Pág.
Ilustración 2-1: Problemática del transporte público urbano de pasajeros ...................... 21

Ilustración 2-2: Sobreoferta en el transporte público – Caso Pereira .............................. 23
Ilustración 2-3: Kilómetros de ruta de transporte público por millón de habitantes .......... 24
Ilustración 2-4: Distribución modal de viajes en Neiva, Huila .......................................... 27
Ilustración 3-1: Métodos de optimización ........................................................................ 48
Ilustración 3-2: Método de escalarización ....................................................................... 49
Ilustración 3-3: Esquema del funcionamiento de un algoritmo evolutivo ......................... 51
Ilustración 3-4: Componentes del algoritmo genético ..................................................... 56
Ilustración 5-1: Desarrollo del algoritmo genético ........................................................... 80
Ilustración 5-2: Zonas de análisis de transporte para la generación de soluciones ......... 83
Ilustración 5-3: Proceso de evaluación de sistemas de rutas de TPCU .......................... 87
Ilustración 7-1. Oferta de rutas TPCU actual .................................................................111
Ilustración 7-2. Oferta de rutas SETP ............................................................................113
Ilustración 7-3 Oferta de rutas escenario modelo matemático multiobjetivo ...................114
Ilustración 7-4: Cobertura TPCU actual .........................................................................117
Ilustración 7-5: Cobertura SETP ....................................................................................118
Ilustración 7-6: Cobertura modelo..................................................................................119
Contenido X
Lista de tablas
Pág.
Tabla 2-1: Comparación de modelos existentes.............................................................. 39

Tabla 3-1 Ventajas y desventajas del algoritmo genético ................................................ 58
Tabla 5-1: Ejemplo del desarrollo del algoritmo genético ................................................ 87
Tabla 5-2: Ejemplo del desarrollo del algoritmo genético para una población X .............. 93
Tabla 5-3: Código de programación del algoritmo genético ............................................ 95
Tabla 6-1: Cantidad de sistemas de TPCU analizados en el algoritmo genético ........... 103
Tabla 6-2: Sistema de rutas seleccionado..................................................................... 104
Tabla 7-1: Determinación de variables .......................................................................... 108
Tabla 7-2: Comparativo IPK .......................................................................................... 115
Tabla 7-3: Comparativo cobertura espacial ................................................................... 120
Tabla 7-4: Comparativo cobertura temporal .................................................................. 121
Tabla 7-5: Comparativo costo generalizado del transporte ........................................... 123
Tabla 7-6: Comparativa tamaño de la flota.................................................................... 123
Tabla 7-7: Comparativo longitud total............................................................................ 124
Tabla 7-8: Comparativo número de rutas ...................................................................... 124
Tabla 7-9: Comparativo transferencias ......................................................................... 125
Tabla 8-1: Escala de valoración .................................................................................... 128
Tabla 8-2: Resumen resultados obtenidos .................................................................... 128
Tabla 8-3: Evaluación de indicadores ........................................................................... 129
Tabla 8-4: Ponderadores de los indicadores evaluados ................................................ 130
Tabla 8-5: Matriz multicriterio ........................................................................................ 131
Símbolos y abreviaturas XI
Lista de Símbolos y abreviaturas
Abreviaturas
Abreviatura Término
TPCU Transporte Público Colectivo Urbano
SETP Sistema Estratégico de Transporte Público
IPK Índice de Pasajeros por Kilómetro
MMMO Modelos matemáticos multiobjetivos
AL Algoritmos genéticos
CGT Costo generalizado de transporte

Introducción
Durante las últimas décadas, los sistemas de transporte público colectivo urbano
(TPCU) de las ciudades intermedias de Colombia han presentado fuertes
tendencias al deterioro de la calidad del servicio. Las principales manifestaciones
de las fallas del sector, relacionadas principalmente con diseños ineficientes, se
caracterizan y reflejan principalmente en sobreoferta y concentración de servicios,
paralelismo y sobreposición de rutas, sobrecostos de operación, pérdida de
demanda, externalidades negativas y las profundas crisis financieras en las que se
encuentran sumidos hoy la gran mayoría de estos sistemas, lo que ha causado que
cada vez más usuarios muden a modos de transporte no sustentables como el
vehículo privado, las motocicletas, el mototaxismo, entre otros. Los usuarios son
afectados en forma directa al tener mayores tiempos de viaje, menor confiabilidad,
comodidad, seguridad y tarifas ineficientes. Así mismo, las ciudades colombianas
sufren también externalidades negativas resultantes de sistemas de transporte
urbano inadecuados, por lo que, en lugar de contribuir al desarrollo urbano
planificado de las ciudades, la evolución del transporte urbano ha generado
patrones de crecimiento desordenados, y ha incrementado los niveles de
accidentalidad y contaminación, atentando contra el bienestar de la totalidad de la
población (Conpes 3167, 2002).
A pesar de su gran importancia, el problema del diseño óptimo de la arquitectura

de las rutas de los sistemas de transporte público colectivo urbano (topología y
número de servicios ofertados), de naturaleza combinatoria y de tipo NP-Hard, ha
sido poco estudiado en nuestro medio, solucionándose de manera aproximada por
medio de la utilización de métodos empíricos y poco estructurados, llevados a cabo
Introducción 13
mediante análisis clásicos de evaluación y comparación de alternativas o

heurísticas de prueba y error a "visión de experto", ya que la formulación y
derivación de algoritmos eficientes para su solución presenta alta dificultad
(formulación del problema, no linealidad, no convexidad, naturaleza combinatoria,
múltiples objetivos, disposición espacial y demás) (Ceder y Israeli, 1998). Los
esfuerzos realizados hasta el momento, han tratado de adaptar al mismo
metaheurísticas que han demostrado ser flexibles en otros contextos diferentes,
aplicados a casos de pruebas de dimensiones pequeñas, irreales e hipotéticas,
abriendo la posibilidad para la investigación en este campo.
La situación descrita anteriormente, permitió identificar la potencial oportunidad que

existe en el contexto de las ciudades intermedias colombianas, de obtener diseños
de sistemas de rutas más eficientes por medio de la formulación de modelos y
algoritmos matemáticos, en contravía de los métodos empíricos convencionales,
que consideren la optimización del problema desde diferentes enfoques
(multiobjetivo) y cuya finalidad específica sea el diseño de rutas de TPCU, con el
fin de reducir el impacto negativo a los usuarios y prestadores del servicio
(operadores) de los sistemas, ayudando a mejorar el deterioro del TPCU de las
ciudades intermedias de Colombia y proporcionando una verdadera herramienta
de apoyo a la toma de decisiones para los estructuradores de estos sistemas y las
entidades públicas, contribuyendo a mejorar las condiciones financieras, de
competitividad y movilidad urbana de las ciudades intermedias del país.
Con el fin de lograr validar la oportunidad identificada en esta materia, se procedió,

de acuerdo a las problemáticas identificadas, a realizar la formulación de un modelo
matemático multiobjetivo, adecuado para las condiciones colombianas, orientado
a la obtención de diseños de sistemas de rutas enfocados tanto en maximizar el
nivel de servicio al usuario, reduciendo sus costos generalizados de transporte
(tiempo de caminata, espera y viaje), así como en lograr una minimización de los
recursos necesarios por medio del mejoramiento de la ocupación promedio de los
buses, es decir el índice de pasajeros por kilómetro de estos sistemas. De esta
14 Potenciales beneficios del diseño de un sistema de rutas de TPCU
manera, la salida del modelo debió ser la cantidad y el trazado de los recorridos de
las rutas del sistema a partir de los patrones espaciales de la demanda (matriz
origen-destino) y las restricciones establecidas. En cuanto a la resolución del
problema, se utilizó un algoritmo genético, inspirados en la teoría de la evolución
darwiniana, basado en la aplicación de tres operadores básicos: selección,
cruzamiento y mutación, el cual ha demostrado buenos resultados para encontrar
soluciones aproximadas al óptimo en este tipo de problemas de alta complejidad.
Se utilizó a la ciudad de Neiva, Huila, como caso de prueba, debido a que reúne la
mayoría de problemáticas identificadas para el TPCU representativas de las
ciudades intermedias del país (sobreoferta, pérdida de demanda, aumento de
viajes en automóvil, tarifas elevadas, falta de cobertura temporal y espacial, crisis
financiera, etc.) y se podrían validar los resultados obtenidos por el método
propuesto en este trabajo de investigación.
A partir de las consideraciones anteriores, el objetivo del presenta trabajo de

investigación fue “Estimar los potenciales beneficios obtenidos mediante la
optimización del diseño de un sistema de rutas de transporte público colectivo
urbano (trazado y cantidad de servicios) a partir de la formulación de un modelo
matemático multiobjetivo aplicando algoritmos genéticos para su solución,
utilizando como caso de estudio la ciudad de Neiva, Huila, Colombia”. Para
conseguir el objetivo anterior, se partió de realizar el diagnóstico de la situación
actual del sistema de transporte público colectivo urbano en esta ciudad, la cual es
característica de las condiciones de la mayoría de urbes intermedias del país, con
el fin de establecer la línea base de comparación del estudio; así mismo, se
procedió con la formulación de un modelo matemático multiobjetivo para la
optimización del diseño del sistema de rutas de transporte público colectivo urbano
de la ciudad (trazado y cantidad de servicios), el cual permitió minimizar los costos
generalizados de transporte de los usuarios y maximizar el índice de pasajeros por
kilómetro del sistema (IPK); de otro lado, se desarrolló y aplicó un algoritmo
genético que permitió obtener una solución aproximada al óptimo del problema
Introducción 15
matemático multiobjetivo formulado y, a partir de la cuantificación de los aspectos

o factores a evaluar y los indicadores operacionales por medio de los cuales se
realizó la comparación respecto de la línea base con la solución obtenida, se
establecieron las conclusiones y recomendaciones del presente trabajo de
investigación.
1. Objetivos
1.1 Objetivo General:

Estimar los potenciales beneficios obtenidos mediante la optimización del diseño
de un sistema de rutas de transporte público colectivo urbano (trazado y cantidad
de servicios) a partir de la formulación de un modelo matemático multiobjetivo
aplicando algoritmos genéticos para su solución, utilizando como caso de estudio
la ciudad de Neiva, Huila, Colombia.
1.2 Objetivos Específicos:

• Realizar el diagnóstico de la situación actual del sistema de transporte
público colectivo urbano de la ciudad de Neiva, Huila, para establecer la
línea base de comparación.
• Formular un modelo matemático multiobjetivo para la optimización del

diseño de rutas de transporte público colectivo urbano (trazado y
cantidad de servicios) de la ciudad de Neiva, Huila, que permita minimizar
los costos generalizados de transporte de los usuarios y maximizar el
índice de pasajeros por kilómetro del sistema (IPK).
• Desarrollar y aplicar un algoritmo genético que permita obtener una

solución óptima al problema matemático multiobjetivo formulado.
• Establecer los aspectos o factores a evaluar y los indicadores

operacionales por medio de los cuales se realizará la comparación
respecto de la línea base con la solución obtenida.
• Cuantificar los indicadores operacionales definidos para el sistema de

rutas de transporte público colectivo urbano actual y el diseñado.
• Comparar los resultados obtenidos entre el diseño actual de rutas del

sistema de transporte público colectivo urbano de la ciudad de Neiva,
Huila, y el obtenido mediante el modelo de optimización propuesto en
este trabajo.
2. Antecedentes del problema de
investigación
Los sistemas de transporte público colectivo urbano de las ciudades intermedias
de Colombia presentan una fuerte tendencia al deterioro en las últimas décadas
debido, entre otros, a problemas de tipo estructural y operacional, generando
importantes perjuicios para los usuarios, los operadores y la sociedad en general.
Estas deficiencias en sus diseños provocan que la constante, en la gran mayoría

de las ciudades de Colombia, sea la pérdida de pasajeros, los cuales migran cada
vez más a modos no sustentables y poco sostenibles como el automóvil privado y
la motocicleta, aumentando la ocupación de las vías y generando graves problemas
de accidentalidad y contaminación ambiental.
Entre los problemas que más se destacan se presenta la sobreoferta de servicios

y de flota de buses, el elevado paralelismo y concentración de las rutas, tarifas
ineficientes, baja ocupación de los buses, altos tiempos de viaje y de espera, largas
distancias de acceso a los servicios, entre otros.
Todo lo anterior conllevó a identificar la gran oportunidad que existe en esta materia
para conseguir diseño de rutas de transporte público más eficientes y acordes a las
necesidades de los usuarios, que conduzcan a un mejor aprovechamiento de los
recursos sin deteriorar la calidad en el servicio, pues los métodos que actualmente
se emplean en el medio para el diseño de estos sistemas son heurísticas de ensayo
de “prueba y error”, que no garantizan que las soluciones brindadas sean las
mejores que puedan conseguirse en pro de la sociedad, los usuarios y los
operadores de los sistemas.
El presente capítulo se encuentra enmarcado en los antecedentes a nivel nacional

y en el contexto latinoamericano, sobre el diseño de rutas de transporte público
colectivo urbano. En una primera parte se presentan los aspectos más relevantes
en relación a la situación actual del transporte público colectivo urbano de las
ciudades intermedias de Colombia, haciendo especial hincapié en el caso de Neiva,
Huila, como referente de estudio para el desarrollo de este trabajo de investigación,
puesto que concentra la gran mayoría de problemáticas que se presentan a nivel
nacional; mientras que de otro lado, en una segunda parte, se expone el estado del
arte a nivel mundial, latinoamericano y nacional, respecto de los métodos
matemáticos y algoritmos existentes para la solución del problema del diseño de
sistemas de oferta de transporte público que conduzcan a obtener sistemas
altamente eficientes que contribuyan a un adecuado uso de los recursos y mejoren
el nivel de servicio brindado a los usuarios, haciendo más atractivo este modo de
transporte frente a otros existentes, no sustentables y poco eficientes.
2.1 Situación actual del transporte público colectivo

urbano en las ciudades intermedias de Colombia
En primera instancia se presenta una caracterización de las condiciones de

prestación del servicio a nivel nacional, y en segundo lugar, de las condiciones
particulares de Neiva, Huila; ciudad que fue el caso de estudio para validar la tesis
del presente trabajo de investigación.
2.1.1 Problemática del TPCU a nivel nacional
Los procesos de urbanización que el país ha observado durante su historia reciente

han exigido el desarrollo de nuevas capacidades en la prestación de los diferentes
servicios de transporte que requieren las ciudades para su adecuado
funcionamiento. A medida que éstas crecen en población y en superficie
Antecedentes del problema de investigación 21
urbanizada, el número de viajes aumenta requiriendo sistemas de transporte

urbano que proporcionen la movilidad adecuada para la interacción de las nuevas
comunidades que resultaron del proceso de expansión urbana (Transporte & DNP,
2002).
A pesar de la preponderancia del uso del transporte público urbano de pasajeros,

entre el 65 y 85% de los viajes motorizados, (Transporte & DNP, 2002), esto no ha
sido suficiente para cambiar la fuerte tendencia al deterioro de la calidad del
servicio prestado en las últimas décadas en las ciudades colombianas. Si bien el
comportamiento del transporte público tiene una estrecha relación con los demás
modos de transporte y el uso del suelo en las ciudades, se puede afirmar que las
principales manifestaciones de las fallas del sector, relacionadas con la oferta de
servicios e infraestructura, se reflejan fundamentalmente en los impactos negativos
sobre los usuarios y las externalidades generadas por su funcionamiento, las que
a su vez se desprenden de fallas estructurales en el diseño, como se observa en
la Ilustración 2-1.
Ilustración 2-1: Problemática del transporte público urbano de pasajeros
Fuente: Departamento Nacional de Planeación, 2012.

Los usuarios son afectados en forma directa al tener mayores tiempos de viaje,
menor confiabilidad, comodidad, seguridad y tarifas ineficientes. Esta tendencia
puede generalizarse a las principales ciudades de Colombia, de las cuales Neiva,
Huila, presenta la misma tendencia.
Las ciudades colombianas sufren también externalidades negativas resultantes de

sistemas de transporte urbano inadecuados. En lugar de contribuir al desarrollo
urbano planificado de las ciudades, la evolución del transporte urbano ha
contribuido a patrones de crecimiento desordenados, y ha incrementado los niveles
de accidentalidad y contaminación, atentando contra el bienestar de la totalidad de
la población (Transporte & DNP, 2002).
La tendencia al deterioro de los servicios de transporte público urbano se

caracteriza y refleja principalmente en los siguientes aspectos:
Sobreoferta: el mayor número de vehículos ofrecido en comparación con lo

efectivamente demandado es una constante en las principales ciudades del país.
Se estima que en promedio un 40% del parque automotor existente no se requiere
(Secretaría de Hacienda de Bogotá, 2010). En este caso se ha sobrestimado la
demanda, produciendo sistemas negativos para los operadores, los usuarios, la
ciudad y el medio ambiente.
La Ilustración 2-2 presenta como ejemplo el comportamiento diario de la oferta y la

demanda en uno de los principales corredores que conducen al centro de Pereira.
Este caso, representativo de las demás ciudades intermedias colombianas, permite
apreciar un bajo nivel de ajuste de la oferta en función del comportamiento temporal
de la demanda. Durante las horas de mayor desplazamiento de pasajeros el
número de sillas ofrecido está, en promedio, por encima de la demanda y es cerca
de tres veces el número de pasajeros durante las horas de menos
desplazamientos, como ocurre entre las nueve y once de la mañana.
Ilustración 2-2: Sobreoferta en el transporte público – Caso Pereira
Fuente: Unión temporal TTC-Systra-GGT, 2010.
Tan marcada tendencia a la baja se confirma con el incremento observado en el

tamaño de la flota de servicio público, caracterizado por la introducción de
vehículos de menor capacidad para servir las mismas rutas. Esto revierte en una
mayor ocupación de espacio vial por pasajero, menor velocidad para ofrecer la
misma capacidad y un mayor costo de capital en equipo por pasajero transportado.
En Colombia la participación de los buses, que era 80% del parque a finales de los
70, pasó a ser hoy el 50%, mientras en Santiago de Chile esta proporción apenas
cambió del 68% al 61%. En cuanto a las tasas de crecimiento de la flota durante la
última década, el 4,7% anual de la situación colombiana contrasta con el 0,5% en
Buenos Aires y el casi -2% de Santiago de Chile (TTC-SYSTRA-GGT, 2001)
Concentración de rutas: pese al amplio cubrimiento espacial de las rutas de

transporte público, la consolidación de actividades en las ciudades induce a una
concentración de rutas principalmente en los corredores que dan acceso al centro.
Se estima que entre el 70% y el 90% de las rutas de las principales ciudades del
país pasan por el centro (Instituto SER, 2003). Esto hace que un elevado número
de vehículos de mediana y baja capacidad transite por un corredor, en lugar de
utilizar un menor número de vehículos de mayor capacidad, y de esta manera hacer
uso más eficiente de la infraestructura y los equipos. En general, las rutas de
transporte público brindan un adecuado cubrimiento espacial de las ciudades. Sin
embargo, cada una busca unir en forma aislada los orígenes y destinos de viaje
pasando por zonas de alta demanda, sin tener en cuenta el resto de rutas del
sistema. El resultado es un creciente número de rutas extensas, redundantes en el
centro, pero con cubrimientos temporales y confiabilidad baja en la periferia de las
ciudades.
En cuanto a los kilómetros de ruta que conforman la red de transporte público,

como se muestra en la siguiente ilustración, también tienden a ser mayores en las
ciudades colombianas. Estos valores refuerzan la tesis de superposición de
recorridos.
Ilustración 2-3: Kilómetros de ruta de transporte público por millón de habitantes
Fuente: Instituto SER de investigación, 2003.

Tarifas ineficientes: la mayoría de los aspectos anteriormente descritos generan

altos costos de operación y mantenimiento, y una menor rentabilidad para los
operadores. Esta situación ha llevado a los operadores a buscar mejorar su
rentabilidad reduciendo los costos laborales, descuidando las prácticas de
mantenimiento y reposición del equipo y presionando incrementos de las tarifas
principalmente para los vehículos más viejos.
Deterioro urbano: se ha presentado la expansión no controlada y desordenada de

las ciudades, y desvalorización inmobiliaria en los corredores de mayor
concentración de rutas.
Contaminación: se estima que el cambio tecnológico en los buses, la eliminación

de la sobreoferta, la reestructuración de rutas y la optimización operativa por la
implantación de sistemas integrados de transporte masivo modernos reduce las
emisiones de monóxido de carbono (CO) en aproximadamente un 90%, de
hidrocarburos (HC) en 60%, y de óxidos de nitrógeno (NOX) en 50%. También
habría reducciones notorias en la emisión de otros gases como dióxido de azufre,
de material particulado y de ruido. Lo anterior significa que si las ciudades contaran
con sistemas de transporte público eficientes el consumo energético sería muy
inferior y el ambiente de las ciudades recibiría cargas contaminantes mucho
menores a las actuales.
Crisis financieras: La gran mayoría de los sistemas de transporte público colectivo

del país presentan hoy profundas crisis financieras debido a la tendencia a la baja
de la demanda de usuarios que cada vez más migran a modos alternativos e
informales de transporte. En general se ha identificado que factores como la
sobreoferta, las bajas velocidades, la irregularidad de los servicios, la falta de
cobertura, el riesgo, entre otros, ha contribuido negativamente a que estos sistemas
presenten altos costosos operativos sin contar con la demanda necesaria para
hacerlos sostenibles financieramente, vacío que ha intentado llenarse con tarifas
cada vez más altas, lo que a su vez genera nuevamente pérdida de la demanda,
creando un círculo vicioso difícil de corregir.
2.1.2 Problemática del TPCU en Neiva, Huila
Neiva, capital del departamento del Huila, es una ciudad intermedia de Colombia
(con cerca de 500.000 habitantes) que presenta problemáticas en la prestación de
su servicio de transporte público, similares a las de la gran mayoría de ciudades
intermedias en Colombia, relacionadas con fallas estructurales que derivan en
sobreoferta, superposición y concentración, ineficiencia, entre otros, que han
causado como efecto un deterioro cada vez más acelerado del servicio, y por tanto
la pérdida masiva de usuarios del servicio, cambiando sus preferencias modales.
Es así como en el caso específico de Neiva, el transporte público colectivo urbano

ha pasado de 108.200 viajes diarios a 73.300 viajes diarios, lo que supone una
caída del 33% en el número de pasajeros transportados entre 2007 y 2016,
mientras que los viajes en moto y automóvil particular se han elevado a 155.300 y
86.400, respectivamente, al tiempo que el mototaxismo ha alcanzado los 31.800
viajes diarios, es decir aproximadamente el 43% de los viajes que se realizan en el
transporte público colectivo.
Por su parte, los viajes a pie son del orden de 74.200 diarios y en bicicleta son de
9.758 desplazamientos diarios. En definitiva, la ciudad ha migrado de formas de
movilidad sustentable (transporte público colectivo, a pie y en bicicleta) a mayores
viajes en modos no sustentables como los vehículos particulares y el mototaxismo,
en parte como consecuencia de un sistema de transporte público deteriorado,
desarrollo urbano desordenado y de baja densidad, así como el incremento
acelerado en las tasas de motorización.
Así, en el 2007 los viajes diarios a pie, bicicleta y transporte público colectivo
representaban el 55% del reparto modal, mientras que en 2016 solo representaron
el 33% del reparto modal (Unión temporal Cal y Mayor - Ikon, 2017), como se
presenta en la Ilustración 2-4
Ilustración 2-4: Distribución modal de viajes en Neiva, Huila
Fuente: Plan Maestro de Movilidad de Neiva, 2016.
De acuerdo a la serie histórica entre 2006 y 2016, la demanda de pasajeros ha

decrecido significativamente, pasando de aproximadamente 41 millones de
pasajeros movilizados en el 2007 a apenas 26 millones de pasajeros movilizados
en el 2016, lo que representa una reducción del 36%, similar a la identificada por
las encuestas de movilidad en valores diarios.
Esta reducción en la demanda de pasajeros ha estado relacionada con la

disminución en la flota de transporte público colectivo operativa en la ciudad,
pasando de aproximadamente 600 vehículos operativos en el año 2007 a cerca de
430 vehículos operacionales en el año 2017, lo que representa una reducción del
27% en la oferta de transporte público colectivo. Sin embargo, la flota vinculada se
ha mantenido estable entorno a los 650 y 680 vehículos, lo que denota una
reducción en la oferta ante la reducción en la demanda de pasajeros y no por una
disminución en los vehículos afiliados; esto resulta en un círculo vicioso que
empeora continuamente la calidad y cobertura del servicio
Respecto del transporte público colectivo urbano, la ciudad cuenta con 39 rutas
que tienen una cobertura cercana al 80% del área en servicio actual de la ciudad,
incluyendo algunos asentamientos fuera del perímetro urbano (Fortalecillas y
Caguán). De otro lado, cerca del 70% de las rutas en un día típico, brindan una
oferta con un intervalo de despacho inferior a 15 minutos y más del 50% de las
rutas brindan un intervalo de despacho inferior a 10 minutos, que a pesar de ser un
tiempo de espera aceptable se convierte en un tiempo de espera superior al
habitual para la espera de un servicio informal como es el “mototaxismo”. El tiempo
de ciclo promedio para las rutas es de 45 minutos, el tiempo mínimo es de 28
minutos y el tiempo máximo es de 64 minutos. La distancia promedio de los
trayectos para todas las rutas es de 12,9 km y la velocidad promedio 17,3 km/h, la
velocidad de la ruta más baja es de 11,4km/h y la más alta 23,8km/h. Respecto de
la superposición de los recorridos de las rutas, en promedio existe un paralelismo
del 33% entre todas. En general, en el sistema actual el 57% de las rutas (22
servicios) presenta una superposición media entre el 30 al 40%, mientras que el
33% entre el 20 al 30% con respecto a todas las demás (Unión temporal Cal y
Mayor - Ikon, 2017).
En relación con los indicadores operacionales del sistema, para el año 2011 el
sistema tradicional movilizaba diariamente un promedio de 114.754 pasajeros y
recorría un total de 130.908 Kilómetros, es decir un IPK de 0,85

pasajeros/kilómetro, mientras que en la actualidad el sistema presenta un IPK diario
de 0,88 pasajeros/kilómetro movilizando 73.815 pasajeros y recorriendo 86.752
kilómetros. Lo anterior permite observar que, aunque el TPC ha presentado una
disminución del 34% en kilómetros y del 36% en pasajeros, el IPK del sistema se
ha mantenido constante decreciendo en tan sólo un 3%. Lo anterior demuestra que
se ha generado un “círculo vicioso” entre la disminución de pasajeros diarios que
han migrado a otros modos de transporte como el informal, y la disminución del
número de vehículos operativos, ya que en el 2011 se cuantificaban casi 600
mientras que hoy en día se presentan 400 en promedio al día, trayendo consigo
una reducción en el número de kilómetros diarios y por ende la movilización de una
menor cantidad de pasajeros; a pesar de esto, en términos de IPK el sistema se ha
mantenido constante, ya que la disminución tanto de kilómetros como de pasajeros
ha sido similar.
Las anteriores cifras denotan un detrimento importante en la prestación del servicio

de TPCU en la ciudad de Neiva relacionado con fallas estructurales y de diseño
(sobreoferta, sobreposición, bajas velocidades, rutas extensas, baja cobertura
espacial y temporal) que han causado, entre otras, la pérdida progresiva de la
demanda y la migración de los usuarios a otros modos de transporte menos
sustentables como las motos y el mototaxismo.
Este contexto, tanto nacional como específico para el caso de Neiva, Huila,
sustentan la enorme oportunidad que existe para que desde el sector académico
se exploren y brinden soluciones técnicas que permitan orientar diseños de
sistemas cada vez más eficientes, que proporcionen altos estándares de servicios
a los usuarios con el menor uso posible de recursos, contribuyendo al desarrollo y
sostenibilidad de las ciudades colombianas.
Sin embargo, y a pesar de su gran importancia, el problema ha sido poco estudiado,

como se presenta en el siguiente apartado, y los diseños en la actualidad en
Colombia continúan realizándose por medio del uso de heurísticas de “ensayo y

error”, a visión de experto, que son altamente susceptibles de ser mejorados por
medio de modelos y algoritmos matemáticos, como se fue demostrado mediante el
presente trabajo de investigación.
2.2 Estado del arte del diseño de sistemas de rutas del

TPCU
El problema del diseño óptimo de la arquitectura de las rutas de los sistemas de

transporte público colectivo urbano (topología y número de servicios ofertados), de
naturaleza combinatoria y de tipo NP-Hard, ha sido poco estudiado en nuestro
medio, solucionándose de manera aproximada por medio de la utilización de
métodos empíricos y poco estructurados, llevados a cabo mediante análisis
clásicos de evaluación y comparación de alternativas o heurísticas de prueba y
error a "visión de experto", ya que la formulación y derivación de algoritmos
eficientes para su solución presenta alta dificultad (formulación del problema, no
linealidad, no convexidad, naturaleza combinatoria, múltiples objetivos, disposición
espacial y demás) (Ceder y Israeli, 1998).
A continuación se realiza una exposición del estado del arte del diseño de sistemas
de rutas de TPCU a partir de la revisión de toda la literatura relacionada, iniciando
por el panorama histórico a nivel mundial, seguido del panorama latinoamericano
y, por último, del panorama nacional.
2.2.1 Panorama mundial
Los esfuerzos realizados hasta el momento a nivel mundial para solucionar el

problema, han tratado de adaptar al mismo metaheurísticas que han demostrado
ser flexibles en otros contextos diferentes, aplicados a casos de pruebas de
dimensiones pequeñas, irreales e hipotéticas, abriendo la posibilidad para la

investigación en este campo.
A continuación, se realiza un análisis a profundidad relacionado con los algoritmos

y modelos matemáticos más representativos en el campo de la optimización de
rutas del TPCU, en donde se describe cada uno de ellos teniendo en cuenta
principalmente los aportes que realizan y las limitaciones a las que se encuentran
sujetos.
Técnicamente, el problema de la optimización de rutas de TPCU está enmarcado

dentro del problema clásico de ruteo de vehículos VRP (Vehicle routing problem),
el cual consiste básicamente en hallar un conjunto de rutas óptimas (en términos
de costos, tiempos, distancias, recursos, etc.) para una flota homogénea de
vehículos que sirve a un conjunto de clientes geográficamente dispersos (Paolo y
Daniele, 2002). La mayoría de los esfuerzos en el área del transporte urbano se
han dirigido a la solución de este problema, tanto a nivel académico como práctico,
aunque con un enfoque más marcado hacia la distribución de mercancías y no al
transporte de pasajeros.
El primer problema planteado tipo VRP fue el del agente viajero TSP ( Hamdy,
2004) (Travelling salesman problem), formulado a mediados del siglo pasado, en
1930. Dicho problema, que consiste en obtener la ruta más óptima para que un
vendedor viajero pase por todos los puntos de un mapa, sin importar el orden en
que lo haga, volviendo al nodo origen (depósito), ha sido ampliamente estudiado
desde entonces, y su análisis y resolución para encontrar la ruta más óptima sigue
estando vigente hoy en día. Esta versión clásica del TSP se refiere al caso más
básico en que se cuenta con un solo depósito y un solo vehículo y no hay
restricciones de capacidad del vehículo, ni de demanda de los clientes, ni de
ventanas de tiempo (Golden, 2008).
A través del tiempo, al VRP inicial se han venido incluyendo un amplio número de
variables y diversos parámetros con la intensión de capturar de forma más precisa
los casos más utilizados en la práctica y algunas de las realidades del mundo de la
logística, planteando así diferentes problemas de ruteo de vehículos que han
implementado escenarios cada vez más complejos y reales. Es así como en 1959,
Dantzig y Ramser formularon una generalización del TSP modelando por primera
vez el despacho de combustible a través de una flota de camiones a diferentes
estaciones de servicio desde una terminal, dando origen a un problema que plantea
la búsqueda de la solución óptima con diferentes restricciones como: número de
vehículos, capacidad, lugares de destino, demanda de los clientes, entre otras
(Dorronsoro, 2007); ésta es una extensión del clásico TSP que considera varios
agentes viajeros, en que las rutas permitidas son limitadas por la necesidad de que
los objetos deben ser entregados desde un punto fuente hasta su destino por un
vehículo de capacidad finita.
De igual manera, en 1989, H. Min se interesó por un problema de la vida real de

transporte de libros en una biblioteca, planteando por primera vez una variación al
VRP que considera entrega y recolección simultánea (Goksal , 2012), apropiado
para el estudio de los sistemas de distribución de las cadenas de abarrotes y
alimentos.
En el año 1990, Fleischmann introdujo la idea del VRP con uso múltiple de los
vehículos, es decir que consideró la situación en la cual un vehículo puede hacer
más de un viaje en un periodo de planeación (Bulbul, 2008). Por otro lado, Brandao
y Mercer en 1997, trabajaron el supuesto de VRP con múltiples viajes (Tallard,
2012). Hasta el año 2002, Prins introdujo un VRP con viajes múltiples de flota
heterogénea y más adelante aparece el VRP con viajes múltiples periódicos y con
viajes múltiples independientes.
En la actualidad existen diversas variaciones al modelo original del VRP que

abarcan los casos más utilizados en la práctica, entre las cuales se destacan:
MDVRP (Chalasani, 1999) (Multidepot VRP) que plantea la existencia de varios
depósitos desde los cuales se deben abastecer a los clientes, VRPTW (Restrepo,
2008) (VRP with time windows) que contempla la restricción adicional de una
ventana o intervalo de tiempo asociado a cada consumidor, CVRP (Olivera, 2004)
(Capacitated VRP) que considera vehículos con capacidad definida y una
secuencia de visitas establecidas a los clientes y VRPSPD (Goksal , 2012) (VRP
with simultaneous delivery and collection) donde cada cliente presenta problemas
tanto de entrega como de recolección atendida en una sola visita del vehículo.
Específicamente en relación con el problema de optimización de rutas de TPCU,

cabe mencionar que se cuenta con poca información al respecto. Uno de los
primeros antecedentes de los que se tiene conocimiento data del año de 1979,
cuando (Mandl, 1979) planteó el problema de la red suiza de transporte y expuso
una solución al ruteo de los vehículos. La representación del modelo consistió en
una red de 15 nodos y 21 arcos. Este caso de estudio ha sido trabajado
posteriormente por otros investigadores como (Baaj and Mahmassani, 1995), entre
otros, cada uno de ellos obteniendo una optimización de rutas para el problema
planteado a través de diferentes algoritmos propuestos.
En cuanto a los métodos de solución que existen del problema, el ruteo de

vehículos corresponde a problemas de optimización combinatoria de tipo NP-hard
debido a que su solución óptima solo puede ser obtenida para pequeñas instancias
del problema, lo que ha convertido al VRP en uno de los problemas de optimización
combinatoria más importante, con muchas aplicaciones del mundo real, en la
logística de distribución y del transporte (Toth & Vigo, 2002). Sus principales
avances se deben a la llegada de la computadora digital moderna, ya que la
mayoría de los métodos actuales aceptados en la solución de problemas de
optimización combinatoria difícilmente se habrían tomado en serio hace 25 años
por la sencilla razón de que nadie habría podido llevar a cabo los cálculos
necesarios para aplicarlos (Lawler, 1976).
Inicialmente, la resolución a los problemas de optimización combinatoria, como el

ruteo de vehículos, se realizaba mediante algoritmos de fuerza bruta o métodos
exactos, sin embargo, dichos algoritmos han ido quedando obsoletos ante la
complejidad y número de restricciones que se han añadido cada vez más al

problema clásico y hacen más difícil su resolución mediante este tipo de técnicas,
por lo que a continuación surgieron soluciones con algoritmos aproximados:
métodos heurísticos y metaheurísticos.
Los métodos exactos son eficientes cuando la cantidad de variables no es

considerable debido a restricciones de tiempo computacional y limitación de la
memoria. Existen tres clases: búsqueda directa de árbol, programación dinámica y
programación lineal y entera. Entre los años 2000 y 2011, se desarrollaron métodos
exactos de solución adaptables al CVRP y al VRPTW basados en primer lugar en
la formulación de algoritmos de partición de conjuntos permitiendo la incorporación
de restricciones adicionales que pueden ser usadas en la modelación de una
situación específica, y en segundo lugar, algoritmos basados en la generación de
columnas, éstos se derivan de pequeñas modificaciones de los algoritmos
originales del VRP (Baldacce, 2011). Uno de los métodos exactos más utilizados
para resolver problemas NP-Hard, es el método simplex desarrollado en 1947 por
George Dantzig.
Los métodos heurísticos proporcionan soluciones de aceptable calidad mediante la

exploración del espacio de búsqueda (Wee-Kit Ho, 2011), los cuales fueron
desarrollados entre 1960 y 1990 (Ayala y Gonzalez, 2001). Se clasifican en
métodos constructivos y de inserción (búsqueda local) (Contardo, 2005). El primer
algoritmo que resultó efectivo para resolver el VRP fue el propuesto por Clarke y
Wrigth en 1964.
Los métodos metaheurísticos fueron desarrollados hacia finales de la década de

los 90 y se caracterizan porque realizan un procedimiento de búsqueda para
encontrar soluciones de aceptable calidad (Cordeau, 2002) basadas en fenómenos
naturales. Se clasifican en metaheurísticas de trayectoria y metaheurísticas
basadas en población (Gendreau, 2005). Dentro de éstos se encuentran: Recocido
simulado (Braysy y Wout, 2003), recocido determinístico, redes neuronales
(Hernán y Pacheco, 2007), búsqueda tabú (González, 2006), algoritmos genéticos

(González, 2007), algoritmos de hormigas, memoria adaptativa y búsqueda de
vecindades (González, 2007).
Los métodos de solución más usados para resolver las diferentes variaciones del
VRP son en su mayoría metaheurísticas, entre ellas se pueden resaltar: búsqueda
tabú, algoritmos genéticos, algoritmos de memoria adaptativa y búsqueda de
vecindades.
En relación a los primeros algoritmos desarrollados para la resolución del problema

de optimización de rutas de TPCU, surgen en la década del 70, basados en ideas
intuitivas, sin una formulación del modelo ni una función objetivo, en algunos casos
sin exploración del espacio de soluciones. En la década del 80 se formulan algunas
funciones objetivo, y se incorporan nuevos parámetros tales como el cubrimiento
de la demanda, factor de carga (proporción de pasajeros parados respecto a la
cantidad de asientos) y transferencias de los buses (Axhausen & Smith Jr, 1984).
En la década del 90 aparecen otros enfoques, como la utilización de técnicas
metaheurísticas y la exploración del espacio de soluciones.
De acuerdo a la revisión literaria realizada, dentro de los algoritmos utilizados para

la optimización de rutas de TPCU se encontró que éstos se basan en modelos de
programación matemática resueltos con métodos aproximados. En particular varias
aplicaciones utilizan algoritmos genéticos, metaheurística que ha probado ser
flexible en otros contextos (Goldberg, 1989). Los algoritmos parten de una solución
inicial (conjunto de rutas), que se mejora iterativamente, generalmente avanzando
según tres fases bien diferenciadas: 1) generación, 2) evaluación y 3) mejora de
soluciones, con algunas variantes en cada una de ellas (Mauttone & Urquart, 2009).
Baaj & Mahmassani, en su trabajo AI-Based Approach for Transit Route System
Planning and Design, en 1991, propusieron una metodología que opera en base a
la generación, evaluación y mejora de rutas. La estrategia es ensayada con el caso
de prueba generado por Mandl, en 1979. Otros dos trabajos de estos autores (Baaj
& Mahmassani, A LISP program for the analysis of transit route configurations,
1990) (Baaj & Magmassani, Hybrid route generation heuristic algorithm for the
design of transit networks, 1995) utilizan como caso de estudio la red de 140 nodos
de la ciudad de Austin (Texas, 500.000 habitantes aproximadamente). Los
algoritmos de estos autores tienen la ventaja de proveer cierto grado de
interactividad para definir algunas restricciones y parámetros; es flexible por su
modularidad y permite planificaciones tanto a mediano como largo plazo. Su
principal limitación es que no propone una manera sistemática de variar los
parámetros para generar diferentes soluciones.
Shih, Mahmassani, & M, 1998 proponen una extensión del método de Baaj &
Mahmassani, An AI-Based Approach for Transit Route System Planning and
Design, 1991, que se adecua particularmente a la planificación de servicios
coordinados de transporte multimodal, en modalidad de flota heterogénea. Utilizan
como base los mismos procedimientos heurísticos, agregándoles el concepto de
centro de transferencia (comerciales y de empleo). Los ensayos se realizan con los
casos de prueba de Baaj & Mahmassani, An AI-Based Approach for Transit Route
System Planning and Design, 1991.
Israel & Ceder, 1995, resuelven los problemas de diseño de rutas, en base a un
modelo de programación matemática no lineal, con variables mixtas, múltiples
objetivos (minimización de los tiempos de viaje y minimización del tamaño de la
flota). El método es probado en una red ficticia de 8 nodos, algo limitado como caso
de prueba. Sus principales aportes son: el tratamiento formal del problema
(reduciendo algunos subproblemas a problemas clásicos como el de set covering),
y el método propuesto para la identificación de las soluciones no dominadas.
Pattnaik & Mohan, en 1998, con base al modelo de Baaj & Mahmassani, de 1991),
proponen un algoritmo que inicialmente genera un conjunto de rutas a partir de los
caminos más cortos entre todo par de nodos y caminos alternativos. Se utilizan
algoritmos genéticos para seleccionar subconjuntos del conjunto de rutas
candidatas, siendo este un aporte en cuanto a la utilización de metaheurísticas en

la resolución del problema. El procedimiento de evaluación de soluciones es similar
al utilizado por (Baaj & Mahmassani, An AI-Based Approach for Transit Route
System Planning and Design, 1991). El caso de prueba es un subconjunto de la
red de transporte de la ciudad de Madras, India, de 25 nodos.
Ngamchai & Lovell, 2000 formulan un método que genera rutas sin tener en cuenta
la matriz de demanda, pero alcanzando a todos los nodos de la red. Dado que
utiliza algoritmos genéticos, inicialmente se crea una población de una cantidad
determinada de conjuntos de rutas. La implementación es ensayada con una red
de 19 nodos. Una limitación de este método es que parte de soluciones iniciales
que no tienen en cuenta la matriz origen-destino. Un aporte es la propuesta de
nuevos operadores genéticos que buscan mejorar las soluciones generando
nuevas subrutas, a partir de rutas en las que existe variación de flujo mayor o igual
que un parámetro dado.
Rao, Krishna, & Dhingra, 2000 desarrollan un enfoque que se basa en el modelo y
algoritmos de Baaj & Mahmassani. Inicialmente se aplica un procedimiento de
identificación de corredores, el cual implica el cálculo de caminos más cortos entre
todo par de nodos de la red, asignación de demanda a rutas y chequeo de
restricciones de mínimo y máximo flujo de pasajeros en arcos. Nuevamente se
utilizan algoritmos genéticos, donde ahora la función objetivo incorpora los
objetivos del operador, en la forma de costo de flota, y los tiempos de espera en
los costos del usuario. El principal parámetro que controla este proceso es el factor
de carga de los buses. La metodología es ensayada con la red de pruebas de
(Mandl, 1979).
Caramia, Carorenuto, & Confessore, 2001, proponen una metodología que

requiere de un conjunto inicial de rutas (las actuales del sistema de TPCU) a ser
mejoradas. Utilizan algoritmos genéticos, donde la población es de cardinalidad
prefijada, y cada gen corresponde a una línea. El enfoque es similar al utilizado por
(Pattnaik & Mohan, 1998). La particularidad de este trabajo es que utiliza una red
neuronal para la evaluación de la función objetivo. El entrenamiento de la red se

realiza “off-line” con base a un cierto número de casos de prueba, donde para cada
uno se efectúa un procedimiento de asignación y de análisis multicriterio para
determinar el valor de la función objetivo. En las pruebas se utiliza como caso de
estudio el sistema de TPCU de la ciudad de Parma (norte de Italia), con un total de
80 posibles líneas de ómnibus. Este artículo se centra en el aporte de las redes
neuronales y algoritmos genéticos en la aproximación al subconjunto óptimo de
rutas, pero no entrega mayores detalles del modelo y métodos.
Finalmente, Gruttner & Pinninghoff, en 2002, utilizan algoritmos genéticos en el

sentido clásico. La asignación de pasajeros a rutas se efectúa utilizando un modelo
logit. Se mencionan resultados obtenidos según la variación de los parámetros que
regulan el trade-off entre los distintos objetivos, consistiendo en rutas largas
concentradas en zonas de alta demanda cuando se prioriza al operador, y muchas
rutas dispersas cuando se prioriza a los usuarios. El caso de prueba utilizado es la
red de la ciudad de Los Ángeles (Chile) cuya dimensión no se especifica.
La Tabla 2-1 muestra la comparación entre los modelos más relevantes mostrando
sus principales características y las limitaciones a las que están sujetos.
Potenciales beneficios del diseño de un sistema de rutas de TPCU formulado a partir de un modelo
matemático multiobjetivo aplicando algoritmos genéticos
Tabla 2-1: Comparación de modelos existentes
AUTOR AÑO CARACTERÍSTICAS LIMITACIONES FORMULACIÓN MATEMÁTICA

Modelo de 1991 Metodología que opera en base a la No propone una manera
Baaj y generación, evaluación y mejora de sistemática de varias los
Mahmassani rutas. parámetros para generar
Provee grado de interactividad para diferentes soluciones.
definición de interacciones y
parámetros.
Es flexible por su modularidad y
permite planificaciones a mediano y
largo plazo.
Israeli y Ceder 1993 Modelo de programación Aplicable únicamente a

matemática no lineal, con variables redes pequeñas (hasta de 8
mixtas y múltiples objetivos. nodos)
Tratamiento formal del problema
(reduciendo algunos subproblemas a
problemas clásicos como el de set
covering
Método propuesto para la
identificación de las soluciones no
dominadas
40 Potenciales beneficios del diseño de un sistema de rutas de TPCU formulado a partir de un modelo
matemático multiobjetivo aplicando algoritmos genéticos
Ngamchai y 2000 Método que genera rutas sin tener Parte de soluciones iniciales
Lovell en cuenta la matriz de demanda, que no tienen en cuenta la
alcanzando todos los nodos de la matriz origen-destino. Es
red. decir que no considera la
Calcula frecuencia de los buses en demanda.
las rutas donde se quiere minimizar
el costo de la flota.
Propuesta de nuevos operadores
genéticos que buscan mejorar las
soluciones generando nuevas
subrutas, a partir de rutas en las que
existe variación de flujo mayor o
igual que un parámetro dado.
Gruttner, 2002 Utiliza algoritmos genéticos en el No considera la demanda.

Pinninghoff, sentido clásico.
Tudela, y Díaz La asignación de pasajeros a rutas se
efectúa utilizando un modelo logit.
Se mencionan resultados obtenidos
según la variación de los parámetros
que regulan el trade-off entre los
distintos objetivos, consistiendo en
rutas largas concentradas en zonas
de alta demanda cuando se prioriza
al operador, y muchas rutas
dispersas cuando se prioriza a los
usuarios
Fuente: Elaboración Propia

Recientemente, la facilidad computacional de integrar módulos existentes y de

incorporar interfases gráficas, ha estimulado el desarrollo de nuevos métodos de
solución al problema de ruteo de vehículos de TPCU, los que se diferencian por
factores como: su adaptabilidad (respecto de los datos disponibles, principalmente
aquellos relativos a la topología de la red de tránsito y a la demanda de viajes y
matrices origen-destino), interactividad (con el usuario, de modo que permiten la
incorporación de conocimiento técnico humano en el proceso de toma de
decisiones), eficiencia (calidad en los resultados y tiempos de procesamiento
razonables) y flexibilidad (en cuanto al horizonte de planificación, ya que los
primeros métodos que surgieron se refirieron a planificaciones de corto y mediano
plazo).
2.2.2 Panorama latinoamericano
En cuanto a casos de aplicación de algoritmos para la solución del problema de

optimización de rutas de TPCU a nivel latinoamericano, de acuerdo a las
búsquedas realizadas, la información existente sobre modelos aplicados en países
de Suramérica como Ecuador, permitió encontrar un estudio y propuesta de nuevas
rutas y líneas de transporte para el Distrito Metropolitano de Quito, para el corredor
suroccidental del sistema Metro Bus – Q, mediante el cual se estimaron los tiempos
de viaje de las unidades de transporte público en este corredor, se determinó el
modelo de rutas de transporte más apropiado para desarrollar el proyecto tomando
en cuenta la matriz origen-destino del área de estudio y la función flujo velocidad,
y se generó una herramienta que permite analizar futuras asignaciones o
reasignaciones de rutas a operadores de transporte por parte del organismo
regulador del transporte público urbano en la ciudad de Quito (Bayas Meza, 2011)
Otro caso de aplicación para Suramérica, se encontró en Chile, mediante la tesis

de maestría en Ingeniería Industrial “Optimización en el diseño de redes de
transporte público con objetivos medioambientales mediante algoritmos evolutivos
(Durán Micco, 2016) de la Universidad de Concepción, en la cual se estudia el VRP
multiobjetivo con el fin de minimizar tiempo de viaje y emisiones de CO2 mediante

la formulación de un modelo de programación matemática y dos algoritmos
evolutivos, el segundo correspondiente al problema bimodal, probados en
instancias pequeñas y medianas. Como conclusión de este trabajo se encontró que
los algoritmos evolutivos en general proporcionan mejores resultados y en menor
tiempo que el modelo de programación matemática, resultando competitivos con
otros métodos existentes en la literatura.
2.2.3 Panorama nacional
En relación a Colombia, en los últimos años se ha despertado el interés por el

estudio de problemas tipo VRP, especialmente en aplicaciones concretas, como lo
evidencia la participación en congresos internacionales como el CLAIO (Congreso
Latinoamericano de Investigación de Operaciones) y otros, donde se han
destacado ponencias de casos aplicados del uso de algoritmos para la optimización
de rutas, pero enfocados hacia la distribución de mercancías y la logística
empresarial y no hacia las rutas de transporte público colectivo en el contexto
urbano.
En cuanto a la utilización de algoritmos para el ruteo de vehículos de TPCU en

nuestro país, se puede resaltar la tesis para optar al título de Ingeniero Industrial
“Un modelo de optimización de rutas de transporte urbano en el área metropolitana
de Bucaramanga con VRPTW mediante un algoritmo de optimización por enjambre
de partículas evolutivo (Marín, 2017)” de la Universidad Industrial de Santander –
UIS, en la cual se realizó la formulación de un modelo de optimización de rutas de
transporte urbano en Bucaramanga y su zona metropolitana mediante el uso del
software MATLAB, permitiendo rediseñar las rutas actuales del sistema integrado
de transporte masivo “Metrolínea”, con el fin de disminuir tanto las distancias
recorridas como los tiempos de viaje en cumplimiento de las ventanas de tiempo
establecidas. Los autores decidieron aplicar una metaheurística de optimización
por enjambre de partículas evolutivo (EPSO) por las buenas soluciones que brinda
en comparación con otras técnicas. Como conclusión de este trabajo investigativo
se encontró que aunque el algoritmo EPSO resuelve el problema de ruteo de
vehículos con ventanas de tiempo, el modelo de rutas resultante no se ajusta al
entorno real, generando un número excesivo de servicios, rigiéndose netamente
por la formulación matemática del problema. Al final se proponen algunas
recomendaciones futuras para la obtención de mejores resultados mediante esta
técnica de optimización.
A pesar de estos avances, se pudo constatar que los mecanismos para el

modelamiento de rutas en Colombia son empíricos (Marín, 2017), y no se realiza
la aplicación de las metodologías de optimización existentes en otros lugares del
mundo. El diseño de rutas de transporte público en Colombia continúa realizándose
de manera subjetiva y manual por medio de metodologías clásicas de evaluación
y comparación de alternativas, sin contar con verdaderas herramientas de apoyo a
la toma de decisiones, que, complementando el conocimiento y experiencia
profesional con elementos cuantitativos, orienten diseños más óptimos en el uso
de recursos como lo exige el contexto social y económico actual del país. Lo
anterior se sustenta en que no se logró evidenciar en ninguno de los rediseños de
rutas de los Sistemas Estratégicos de Transporte Público (SETP) de Colombia, la
utilización de métodos y algoritmos matemáticos como los descritos anteriormente,
sino por el contrario, se validó el uso de métodos empíricos, poco estructurados.
Las ineficiencias en los diseños de los sistemas de transporte público colectivo

urbano de las ciudades intermedias del país ha llevado a que la gran mayoría de
estos sistemas hoy afronten profundas crisis estructurales, perdiendo cada vez más
participación dentro de la distribución modal, lo que redunda en menor demanda
de usuarios. Las personas están migrando a formas de movilizarse menos
sustentables e informales con las graves consecuencias que esto conlleva para la
sostenibilidad ambiental y financiera de estos sistemas (Cal y Mayor – Ikon, 2017).
La anterior oportunidad del conocimiento en nuestro medio abre la puerta para

formular un modelo multiobjetivo de optimización de rutas de transporte público
colectivo urbano (recorridos y cantidad) para las ciudades medianas de Colombia,
que contemple el problema desde varias perspectivas (usuarios, operadores y
sociedad), a partir de la utilización de algoritmos genéticos, proporcionando una
herramienta práctica, funcional, eficiente y flexible, adaptada al contexto
profesional y académico del país, que oriente diseños más óptimos en el uso de
los recursos disponibles a través de elementos cuantitativos que apoyen a los
tomadores de decisiones y diseñadores de estos sistemas, a diseñar
adecuadamente las rutas en cumplimiento con los requerimientos y necesidades
de los usuarios del servicio, contribuyendo a mejorar las condiciones financieras de
los sistemas y la movilidad urbana de las ciudades colombianas. Se validaron las
bondades y la funcionalidad del algoritmo propuesto mediante la comparación de
indicadores operacionales aplicados al caso de prueba real de Neiva, Huila,
Colombia, como se presenta a lo largo de este trabajo de investigación.
Fundamentación teórica 45
3. Fundamentación teórica
Una vez definido el problema de investigación, identificado como la ineficiencia de
los métodos convencionales utilizados en el medio para el diseño de sistemas de
rutas de transporte público colectivo urbano (TPCU) que conduzcan a un mejor
aprovechamiento de los recursos disponibles, brindando altos estándares de
servicio a los usuarios, lo que ha contribuido al deterioro estructural de los sistemas
de la gran mayoría de las ciudades intermedias en Colombia, se procedió a
desarrollar, mediante el presente trabajo de investigación y de acuerdo al resultado
de la revisión del estado del arte en la materia, un modelo matemático multiobjetivo,
solucionado a través del uso de un algoritmo genético, por medio del cual fue
posible sustentar la tesis de que se logran obtener diseños más optimizados a
través de este tipo de herramientas, generando sistemas de mayor eficiencia
operacional y de servicio al usuario en comparación con los métodos tradicionales.
En este sentido, se presenta este capítulo, a través del cual se busca exponer y
comprender toda la fundamentación teórica base para la realización del trabajo de
investigación. La estructura general del capítulo está compuesta por dos acápites
principales: por una parte, se expone el marco teórico de los problemas de
optimización multiobjetivos en el cual se abarca la revisión bibliográfica relacionada
con los mismos, describiendo así, de manera detallada, los parámetros que son la
base fundamental para el desarrollo de la investigación; mientras, de otra parte, se
realiza una exposición similar relacionada con el fundamento teórico y conceptual
de los algoritmos genéticos y su proceso de resolución de problemas de alta
complejidad tipo NP-Hard.
Considerado como el soporte de los conceptos utilizados para el desarrollo del

trabajo de investigación, se ha realizado una ardua revisión bibliográfica en pro de
obtener la información necesaria que permita cumplir con el objetivo de la presente
tesis. Ha sido a partir de dicha revisión de información que se ha estructurado el
presente apartado denominado “Fundamentación teórica”, el cual recoge los
conceptos fundamentales relacionados con algoritmos genéticos y modelos
matemáticos multiobjetivo, base principal de la investigación. A continuación se
realiza la descripción detallada de cada uno de ellos y sus diferentes componentes,
los cuales fueron de gran utilidad dentro del marco del desarrollo de la investigación
en cuanto a los aspectos de formulación matemática y obtención de resultados.
3.1 Modelo matemático multiobjetivo
Como fue presentado en el capítulo anterior, el diseño de un sistema de rutas de

transporte público colectivo urbano (TPCU) puede ser tratado como un problema
de optimización de uno o varios objetivos.
De acuerdo al estado del arte de la materia, a lo largo del tiempo, y en la medida

que ha evolucionado el desarrollo y la capacidad computacional, se han venido
desarrollando diferentes aportes que buscan resolver el problema desde diferentes
ópticas particulares, algunos con algunas limitaciones importantes y otros con
enfoques muy diferentes.
En este caso en particular, luego de la revisión literaria realizada, y a partir de los

objetivos definidos para la validación de la hipótesis de trabajo, se consideró
adecuado que el problema fuera tratado como un problema matemático
multiobjetivo que recogiera, por un lado, la necesidad de optimización de los costos
generalizados de transporte de los usuarios y, por otro, la eficiencia de los recursos
necesarios de los operadores del servicio. Es decir, que la solución del problema
debió proporcionar un sistema de rutas de TPCU balanceado entre los intereses
de ambas partes, sin favorecer a ninguno en particular, lo que se denomina como

un “problema multiobjetivo”.
Es así como en la mayoría de este tipo de problemas de decisión no se tiene un

único objetivo, sino diversos objetivos y muchas veces, en conflicto entre sí. Los
modelos que reflejan dicha situación se denominan multiobjetivo y se caracterizan
por no poseer una única solución óptima, sino que poseen un conjunto de
Soluciones Eficientes o Soluciones No Dominadas. La posibilidad de trabajar con
modelos multiobjetivo brinda flexibilidad, ya que se retira la condición de
representar los objetivos en una única función, lo que muchas veces conduce a
simplificaciones erradas, pero esta mayor flexibilidad genera una mayor
complejidad en la resolución (Collete & Siarry, 2004). A continuación se describen
los principales elementos conceptuales y teóricos de este tipo de problemas de
optimización matemática.
En general, la estructura de un modelo con k objetivos tiene la estructura que se

muestra a continuación:
𝑂𝑝𝑡𝑖𝑚𝑖𝑧𝑎𝑟: ⌊𝑍1 (𝑥), 𝑍2 (𝑥), 𝑍3 (𝑥), … , 𝑍𝑘 (𝑥) ⌋ = 𝑍(𝑥)
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎: 𝑔(𝑥) ≤ 0
𝑥≥0
Donde:
Z(x): define el conjunto de las distintas funciones objetivo
Zh(x): es una función objetivo en particular, con h=1,2 …. k
En este caso no se dispone de una sola solución óptima, ya que una solución
factible X1 puede ser mejor que otra solución X2 de acuerdo al objetivo Z1, pero
peor según el objetivo Z2, por lo que, sin una jerarquización clara de las funciones
objetivo no se puede determinar qué solución es mejor. Así es como se definen las
soluciones no dominadas, encontrándose que X1 es dominada por X2 si y solo si
se cumple (Durán Micco, 2016):
𝑍ℎ (𝑥2 ) ≥ 𝑍ℎ (𝑥1 ); ℎ = 1,2, … , 𝑘
𝑍ℎ (𝑥2 ) > 𝑍ℎ (𝑥1 ); 𝑝𝑎𝑟𝑎 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑎𝑙𝑔ú𝑛 ℎ
En otras palabras, X2 domina a X1 si es mejor o igual de acuerdo a todas las

funciones objetivo y estrictamente mejor para al menos un objetivo (Durán Micco,
2016).
Luego, se dice que una solución factible es eficiente si no es dominada, por ninguna
otra solución. El conjunto de soluciones eficientes también se llama conjunto de
Pareto (Durán Micco, 2016).
Para seleccionar una única solución del conjunto de Pareto, se debe asignar algún
valor de comparación entre los distintos objetivos. Según la etapa en que se realice
dicho proceso, los métodos de solución de problemas multiobjetivo, se dividen en
tres familias (Durán Micco, 2016), las cuales se muestran en la Ilustración 3-1.
Ilustración 3-1: Métodos de optimización

Métodos de optimización A Priori
•La comparación o ponderación entre los objetivos se realiza antes de la
ejecución de la optimización. Así, se tiene que realizar solo un proceso de
búsqueda, que entregará la solución que represente las prioridades asignadas
en un principio. El hecho de realizar solo una búsqueda implica un menor
esfuerzo, pero se debe tener en cuenta el trabajo de realizar las ponderaciones
antes de la optimización (Durán Micco, 2016)
Métodos de Optimización Progresivos

•Se requiere participación del tomador de decisiones durante el proceso de
optimización para guiar el proceso de búsqueda, según sus preferencias
respecto a los objetivos. Es difícil ejecutar este tipo de métodos por la
necesidad de monopolizar la atención del tomador de decisiones por un
prolongado periodo de tiempo (Durán Micco, 2016).
Métodos de Optimización A Posteriori

•Se busca un conjunto de soluciones que están igualmente espaciados dentro
del conjunto de Pareto, para luego seleccionar una solución desde este
conjunto generado. Estos métodos requieren de un mayor esfuerzo al realizarse
múltiples procesos de búsqueda, pero evitan la necesidad de modelar las
preferencias del tomador de decisiones (Durán Micco, 2016).

Por otra parte, existen múltiples métodos para resolver modelos multiobjetivos, no
pudiéndose elegir o destacar unos mejores que otros. Sin embargo, uno de los más
destacados es el método de escalarización que se describe en la siguiente
ilustración.
Ilustración 3-2: Método de escalarización
Método de
escalarización
Objetivo Métodos
Convertir el Suma
problema E-restricción
ponderada
multiobjetivo
en un problema
con un
objetivo, el que método de
se resuelve consiste en Dado que las consiste en
preferencias del optimización A
para encontrar sumar las dejar uno de los
decisor se Posteriori, ya
soluciones funciones en objetivos,
asignan antes que se obtiene
eficientes. una única convertir los
del proceso de un conjunto de
función, con otros en
optimización, soluciones
ponderaciones restricciones y
corresponde a eficientes sin
que pueden ser resolver el
un método de considerar las
obtenidas problema
optimización A preferencias del
según distintos resultante.
Priori tomador de
criterios
decisiones
Es importante destacar que para problemas no combinatorios, estos métodos son

capaces de entregar todos los puntos de la frontera de Pareto, si se consideran los
parámetros adecuados. Sin embargo, para problemas combinatorios
multiobjetivos, existen soluciones eficientes o no dominadas que, no pueden ser
encontradas por métodos de escalarización. Esta es una de las complejidades que
presentan los problemas combinatorios multiobjetivos. (Ehrgott & Gandibleux,
2004).
 Metaheurísticas multiobjetivo: Debido a la complejidad de los problemas

combinatorios multiobjetivo, es muy difícil resolverlos en forma exacta, por lo que
en general se usan métodos para encontrar aproximaciones de la frontera de
Pareto, principalmente metaheurísticas (Durán Micco, 2016).
Las metaheurísticas son estrategias de alto nivel para explorar el espacio solución
de un problema, mediante la operación en forma iterativa de heurísticas
subordinadas. Estos algoritmos pueden ser adaptados y aplicados a un gran
número de problemas distintos por lo que han sido ampliamente estudiados durante
los últimos años, demostrando su capacidad de resolver problemas complejos.
(Osman & Laporte, 1996) (Talbi, 2009).
Los algoritmos evolutivos (AE) han sido especialmente exitosos en la aplicación a

problemas multiobjetivo, ya que al trabajar con poblaciones de soluciones en vez
de soluciones particulares, permiten encontrar conjuntos de soluciones no
dominadas diversas en una sola ejecución. Estos algoritmos se caracterizan por
aplicar conceptos de la evolución natural de las especies al campo de la
optimización (Durán Micco, 2016).
Los AE corresponden a metaheurísticas basadas en población capaces de resolver

problemas combinatorios de alta complejidad, siendo especialmente apropiados
para la resolución de problemas multiobjetivo, por su habilidad de encontrar
conjuntos de soluciones no dominadas en una única ejecución (Durán Micco,
2016).
A partir de una población inicial, generada mediante un proceso de inicialización

determinado, se inicia el proceso iterativo. En cada iteración o generación, y
mientras no se alcance la condición de término, se seleccionan las soluciones
“padres”, que a través de operadores de cruzamiento y mutación dan origen a la
descendencia. Luego, cada una de las nuevas soluciones debe ser evaluada y
posteriormente se procede a una nueva etapa de selección y reemplazo, en la que
se debe considerar factores de calidad y diversidad (Durán Micco, 2016).
La principal diferencia entre los AE simples y multiobjetivos es que en los últimos

se busca tanto la convergencia de la solución (cercanía a la frontera de Pareto
real), como la diversidad de la misma (que el conjunto de soluciones encontrado
se encuentre bien distribuido sobre la frontera de Pareto). Lo anterior convierte a
las metaheurísticas multiobjetivo en problemas biobjetivos por sí mismos. (Talbi,
2009)
Existen distintos indicadores para determinar la calidad de un conjunto de

soluciones, así como comparar el desempeño de distintos algoritmos. Estos se
pueden dividir entre indicadores basados en convergencia, indicadores basados en
diversidad e indicadores híbridos. Dada la naturaleza biobjetivo de estos métodos,
por lo general se utiliza más de un indicador (Durán Micco, 2016).
Ilustración 3-3: Esquema del funcionamiento de un algoritmo evolutivo
Fuente: Elaboración propia.
3.2 Algoritmos genéticos
El presente aparte comprende la descripción general en cuanto a algoritmos

genéticos se refiere en el caso del ruteo de vehículos, abarcando posteriormente
los componentes y principales características del mismo, las cuales son de vital
importancia dentro del desarrollo del presente trabajo de investigación, pues a partir
de ellos se realizará la programación del algoritmo que cumpla con el objetivo
principal de la investigación.
 Generalidades
Basado en la teoría de la evolución de C. Darwin que parte de una población inicial
de individuos para éste caso ruteo de vehículos donde cada uno representa
soluciones iniciales factibles, pero subóptimas, cada una posee un valor que
representa la bondad de dicha solución, ésta bondad representa una adaptación
del ruteo de vehículos al problema, que en su incremento verá proporcionalmente
aumentada la probabilidad de ser seleccionado para el proceso de selección en el
cruzamiento de la información con otro sistema de igual manera. El cruce produce
nuevos sistemas de ruta, los cuales serán descendientes de los anteriores y
compartirán características de las diferentes bondades que maximizan el nivel del
servicio al usuario, ellas son las soluciones obtenidas en el algoritmo que
evolucionan mediante la aplicación de tres operadores: selección, cruzamiento y
mutación que combinan y modifican a los individuos de la población creando una
nueva.
Para la solución del problema de ruteo de vehículos de transporte público,

usualmente se consideran cuatro operadores de mutación: intercambio de la
posición de dos nodos en una ruta, inversión del orden de la ruta, reinserción de un
nodo en una ruta diferente a la original y selección de una sub-ruta para insertarla
en otro lugar de la solución (Petch & Salhi, 2007).
 Operadores evolutivos del algoritmo genético
Selección: el algoritmo genético suele utilizar distintas técnicas para seleccionar a

los individuos que deben copiarse hacia la siguiente generación. Algunos de estos
métodos son mutuamente exclusivos, mientras que otros pueden utilizarse en
combinación, un proceso que se lleva a menudo. Las técnicas de selección más

comunes son las que se describen a continuación:
o Selección elitista: garantiza la selección de los miembros más aptos de

cada generación (Aguado & Jiménez, 2013).
o Selección proporcional a la aptitud: los individuos más aptos tienen

más probabilidad de ser seleccionados, pero no la certeza (Aguado &
Jiménez, 2013)
o Selección por rueda de ruleta: es una forma de selección proporcional

a la aptitud en la que la probabilidad de que un individuo sea seleccionado
es proporcional a la diferencia entre su aptitud y la de sus competidores
(Aguado & Jiménez, 2013).
o Selección escalada: al incrementarse la aptitud media de la población,

la fuerza de la presión selectiva también aumenta y la función de aptitud
se hace más discriminadora. Este método puede ser útil para seleccionar
más tarde, cuando todos los individuos tengan una aptitud relativamente
alta y sólo les distingan pequeñas diferencias en la aptitud (Aguado &
Jiménez, 2013).
o Selección por torneo: se eligen subgrupos de individuos de la

población, y los miembros de cada subgrupo compiten entre ellos.
Sólo se elige a un individuo de cada subgrupo para la reproducción
o Selección por rango: a cada individuo de la población se le asigna

un rango numérico basado en su aptitud, y la selección se basa
en este ranking, en lugar de las diferencias absolutas en aptitud.
La ventaja de este método es que puede evitar que individuos muy
aptos ganen dominancia al principio a expensas de los menos

aptos, lo que reduciría la diversidad genética de la población y
podría obstaculizar la búsqueda de una solución aceptable
o Selección generacional: la descendencia de los individuos

seleccionados en cada generación se convierte en toda la
siguiente generación. No se conservan individuos entre las
generaciones (Aguado & Jiménez, 2013).
o Selección por estado estacionario: la descendencia de los

individuos seleccionados en cada generación vuelve acervo
genético preexistente, reemplazando a algunos de los miembros
menos aptos de la siguiente generación. Se conservan algunos
individuos entre generaciones (Aguado & Jiménez, 2013).
o Selección jerárquica: los individuos atraviesan múltiples rondas

de selección en cada generación. Las evaluaciones de los
primeros niveles son más rápidas y menos discriminatorias,
mientras que los que sobreviven hasta niveles más altos son
evaluados más rigurosamente. La ventaja de este método es que
reduce el tiempo total de cálculo al utilizar una evaluación más
rápida y menos selectiva para eliminar a la mayoría de los
individuos que se muestran poco o nada prometedores, y
sometiendo a una evaluación de aptitud más rigurosa y
computacionalmente más costosa sólo a los que sobreviven a esta
prueba inicial (Aguado & Jiménez, 2013)
Cruce y mutación (Aguado & Jiménez, 2013): Una vez que la selección ha elegido
a los individuos aptos, éstos deben ser alterados aleatoriamente con la esperanza
de mejorar su aptitud para la siguiente generación. Existen dos estrategias básicas

para llevar a cabo este procedimiento las cuales se describen a continuación:
o Cruce: implica elegir a dos individuos para que intercambien segmentos

de su código, produciendo una “descendencia” artificial cuyos individuos
son combinaciones de sus padres. Este proceso pretende simular el
proceso análogo de la recombinación que se da en los cromosomas
durante la reproducción sexual. Las formas comunes de cruzamiento
incluyen al cruzamiento de un punto, en el que se establece un punto de
intercambio en un lugar aleatorio del genoma de los dos individuos, y
uno de los individuos contribuye todo su código anterior a ese punto y el
otro individuo contribuye todo su código a partir de ese punto para
producir una descendencia, y al cruzamiento uniforme, en el que el valor
de una posición dada en el genoma de la descendencia corresponde al
valor en esa posición del genoma de uno de los padres o al valor en
esa posición del genoma del otro padre, elegido con un 50% de
probabilidad.
Los operadores genéticos en este caso son operadores con memoria,

guardando en cada iteración los códigos genéticos de los mejores
individuos a través de las generaciones. Los procesos de evolución
darwiniana generalmente son procesos miméticos a través de
generaciones.
o Mutación: al igual que una mutación en los seres vivos cambia un

gen por otro, una mutación en un algoritmo genético también causa
pequeñas alteraciones en puntos concretos del código de un
individuo.
 Componentes de un algoritmo genético
Los componentes del algoritmo genético son los mostrados en la Ilustración 3-4.
Ilustración 3-4: Componentes del algoritmo genético
Evaluación de
un individuo
Decodificación
del cromosoma
Representación
para la solución
Problema a del problema
optimizar
o Problema a optimizar: Generalmente los problemas a optimizar por

medio de algoritmos genéticos son problemas de optimización
complejos, donde se tienen diferentes parámetros o conjuntos de
variables que deben ser combinadas para su solución, así como
problemas con muchas restricciones y problemas con espacios de
búsqueda muy grandes. (Aguado & Jiménez, 2013).
Gracias a sus ventajas, los algoritmos genéticos no requieren

información matemática adicional sobre optimización, por lo que
pueden tomar otro tipo de funciones objetivo y todo tipo de
restricciones definidas sobre espacios discretos, continuos o espacios
de búsqueda combinados (Aguado & Jiménez, 2013).
o Representación para la solución del problema: En cuanto a la

solución del problema lo importante es definir la estructura del
cromosoma de acuerdo con el espacio de búsqueda. En este caso, la

representación más utilizada es la binaria, debido a la facilidad de
manipulación por los operadores genéticos, su fácil transformación en
números enteros o reales, además de la facilidad que da para la
demostración de teoremas (Aguado & Jiménez, 2013).
o Decodificación del cromosoma: La codificación de números reales

en cadenas de números binarios se debe realizar teniendo en cuenta
que la cadena no representa un número real, sino que este número
binario etiqueta un número dentro del intervalo inicialmente fijado
o Evaluación de un individuo: muestra el valor de aptitud de cada uno

de los individuos. Esta aptitud viene dada por una función que es la
unión entre el mundo natural y el problema a resolver
matemáticamente. Esta función de aptitud es particular para cada
problema particular a resolver y representa para un algoritmo
genético lo que el medio ambiente representa para los humanos
 Ventajas y limitaciones de un algoritmo genético:
La tabla siguiente muestra un comparativo entre las ventajas y limitaciones que

presenta el desarrollo o la aplicación de algoritmos genéticos para la solución de
problemas de optimización.
Tabla 3-1 Ventajas y desventajas del algoritmo genético
VENTAJAS LIMITACIONES
El lenguaje para especificar soluciones
candidatas debe ser robusto, capaz de tolerar
Son intrínsecamente paralelos cambios aleatorios que no produzcan errores
fatales o resultados son sentido. Por lo que se
debe definir una representación del problema.
Elección cuidadosa de la función de aptitud, al
Tienen descendencia múltiple por lo que elegirla mal o de manera inexacta, el algoritmo
pueden explorar el espacio de soluciones en puede terminar resolviendo un problema
múltiples direcciones a la vez. equivocado o no puede encontrar la solución al
problema.
Si el tamaño de la población es muy pequeño,

Habilidad para manipular muchos parámetros puede que el algoritmo no explore
simultáneamente. suficientemente el espacio de soluciones para
encontrar las más consistentes.
Si el ritmo de cambio genético es demasiado

alto o el sistema de selección se escoge
Trabajan sobre un conjunto codificado de
inadecuadamente, puede alterarse el desarrollo
soluciones, no sobre las soluciones mismas.
de esquemas beneficiosos y la población puede
entrar en catástrofe.
No se recomienda la utilización de algoritmos
genéticos en problemas resolubles de manera
Utilizan información simple para determinar la analítica ya que se utilizaría más tiempo del
aptitud de los individuos debido para su solución, pudiéndose realizar
por el método analítico tradicional que requiere
menos tiempo.
Convergencia prematura en poblaciones
pequeñas en donde emerge un individuo
Usan procesos de transición probabilística
excesivamente apto que hace que el algoritmo
para la búsqueda de la solución.
converja hacia el óptimo local que representa
ese individuo.
Funciones de aptitud engañosa, en las que la

Es bastante útil para resolver problemas cuyo
situación de los puntos mejorados ofrece
espacio de soluciones potenciales es
información engañosa sobre donde se
realmente grande (problemas no lineales)
encuentra probablemente el óptimo global.
El paralelismo implícito del algoritmo permite

superar un gran número de posibilidades y
encontrar resultados óptimos en un corto
período de tiempo, tras muestrear
directamente solo regiones pequeñas del vasto
paisaje adaptativo.
Se desenvuelven bien en problemas con un
paisaje adaptativo complejo.
No dependen de un conocimiento previo, sus

soluciones son aleatorias, todos los caminos
de solución están abiertos por lo que puede
generar soluciones novedosas y creativas que
de haber estado sujeto a conocimiento previo,
posiblemente se hubiese descartado.

4. Formulación matemática del problema
Como ha sido mencionado a lo largo de todo este trabajo, la hipótesis central de
esta investigación busca identificar la potencial oportunidad que existe en el
contexto de las ciudades intermedias colombianas, como en el caso de Neiva,
Huila, de obtener diseños de sistemas de rutas de transporte público colectivo
urbano más eficientes (medida dicha eficiencia en términos de indicadores
operacionales que permitan demostrar esta condición a través de un ejercicio
comparativo entre varias alternativas de diseño) por medio de la formulación de un
modelo matemático (Ortúzar, J. de D. y Willumnsen, L., 1996), en contravía de los
métodos empíricos convencionales.
Con el fin de lograr el objetivo anterior, y una vez realizada la revisión del estado
del arte y los fundamentos teóricos que soportan los modelos matemáticos que se
han desarrollado para la resolución de este tipo de problemas de optimización, se
procedió con la formulación de un modelo que considerara la optimización del
problema desde diferentes enfoques (multiobjetivo), con el fin de reducir el impacto
negativo a los usuarios y prestadores del servicio (operadores) de los sistemas,
ayudando a mejorar el deterioro del TPCU de las ciudades intermedias de
Colombia, y proporcionando una verdadera herramienta de apoyo a la toma de
decisiones para los estructuradores de estos sistemas y las entidades públicas,
contribuyendo a mejorar las condiciones financieras, de competitividad y movilidad
urbana de las ciudades intermedias del país.
Con el fin de lograr validar la oportunidad identificada en esta materia, se procedió,

de acuerdo a las problemáticas identificadas, a realizar la formulación de un modelo
Formulación matemática del problema 61
matemático multiobjetivo, adecuado para las condiciones colombianas, orientado

a la obtención de diseños de sistemas de rutas enfocados tanto en maximizar el
nivel de servicio al usuario, reduciendo sus costos generalizados de transporte
(principalmente tiempo de viaje), así como en lograr una minimización de los
recursos necesarios por medio del mejoramiento de la ocupación promedio de los
buses, representado en términos del índice de pasajeros por kilómetro (IPK) de
estos sistemas.
La formulación del modelo matemático multiobjetivo propuesto en este trabajo de

investigación, partió de la revisión detallada de todo el marco conceptual y de
referencia de estudios similares realizados en diferentes partes del mundo
(Mauttone Vidales, Cancela, & Urquhart, 2003), así como de la propuesta emanada
de la iniciativa del investigador a partir de su propia experiencia y comprensión de
la temática. Los principales modelos identificados, que sirvieron como referente de
estudio, se presentaron condensados en el correspondiente capítulo de
“Fundamento teórico”.
De esta manera, el presente capítulo, se estructura de la siguiente manera: en

primer lugar, es necesario establecer las generalidad y supuestos que se
consideraron previamente para la formulación del modelo matemático de
optimización, tales como: su naturaleza multiobjetivo, su aplicabilidad en un caso
de prueba real, los resultados esperados, los insumos necesarios para su
funcionamiento, la definición de su alcance, las restricciones que se considera
tendrán el modelo, entre otros; en segundo lugar, se realiza la formulación formal
del modelo matemático de optimización, es decir las dos (2) ecuaciones
matemáticas que serán objeto de optimización mediante la utilización del algoritmo
genético que será desarrollado más adelante; en tercer lugar, se presenta el
conjunto de restricciones que tendrá el modelo y con las cuales se controlará que
los resultados obtenidos mediante el proceso de optimización se encuentren dentro
de un rango deseable de parametrización, lo cual garantizará la coherencia,
aplicabilidad y equilibrio de los resultados obtenidos; en cuarto lugar, se presenta
de manera general toda la formulación del modelo matemático finalmente definido

por el investigador (funciones objetivo y conjunto de restricciones), el cual se
someterá a prueba mediante el presente trabajo, a fin de demostrar si su uso en
efecto conduce a resultados de sistemas más óptimos en comparación con los
métodos convencionales usados en el medio nacional; finalmente, en quinto lugar,
se resaltan las limitaciones y las restricciones que tiene la herramienta formulada,
con el objeto de establecer la verdadera expectativa de su funcionabilidad, restando
espacio a interpretaciones inadecuadas acerca de sus resultados.
Se destaca que la resolución del modelo matemático multiobjetivo formulado en

este capítulo, será el foco del siguiente, por medio de la presentación del
funcionamiento del algoritmo genético y cómo se emplea para encontrar un valor
cercano al óptimo del problema evaluado, lo que conducirá a establecer la cantidad
de rutas y la secuencia de su trazado que proporcionará los mejores indicadores
de eficiencia en razón de los costos generalizados de transporte y el IPK del
sistema, en los términos establecidos en la función de optimización del problema.
4.1 Generalidades y supuestos
A nivel general, la formulación matemática del problema presenta las siguientes

características preponderantes:
Formulación del problema: Puede realizarse desde diferentes enfoques,

dependiendo del objetivo que se busque. Por tanto, las soluciones podrán ser muy
diferentes en función del actor que busque beneficiarse. Algunos modelos
proponen beneficios para el usuario, otros para el operador del servicio, otros para
la sociedad en general, mientras que otros lo hacen combinando los intereses de
varios actores (funciones multiobjetivos). En general, las formulaciones de los
modelos analizados, varían sustancialmente entre uno y otro, dependiendo
también del contexto en el que deseen ser replicados (Israel & Ceder, 1995). En
este caso, se buscó que la formulación del problema permitiera obtener un sistema
de rutas de transporte público, es decir, la cantidad de servicios y el trazado de sus
recorridos, que a partir de los patrones espaciales de viaje, permita atender la
demanda maximizando el servicio al usuario (en términos de tiempo de viaje), a la
vez que maximice los recursos necesarios para su operación (índice de ocupación
o de aprovechamiento de los buses). En otros términos, el producto del modelo
matemático deberá ser un sistema de oferta de transporte público, que atienda la
demanda en el momento y el lugar adecuado, de modo tal que permita la
optimización del mismo, en los términos mencionados anteriormente.
No convexidad y no linealidad: La característica principal de este tipo de

problemas, denominados NP-hard, es que no presentan una única solución debido
al número infinito del espectro de posibles soluciones (Mao-Chang, Hani S, & M.
Hadi, 1998). Por tanto, los problemas no presentan convexidad y linealidad,
haciendo más complejo hallar soluciones óptimas o por lo menos cercanas a esto,
lo que conlleva al uso de metaheurísticas para su solución, encontrándose valores
aproximados. En este caso, se buscó resolver el problema por medio de una
metaheurística evolutiva (como se presenta en el siguiente capítulo), que, aunque
dadas las características del problema, no conducen a una solución única exacta,
sí permitirá obtener una solución lo más óptima posible.
Naturaleza combinatoria: En este tipo de problemas, la posibilidad de incluir

diferentes variables es diversa y dependerá del alcance y objetivo que quiera
dársele al modelo. Es bien entendido, que entre más variables se incluyan, la
complejidad del problema aumentará exponencialmente, requiriéndose de una
mayor complejidad para su resolución, debido a la naturaleza combinatoria del
mismo. Para el caso presente, la formulación del problema buscará reducir al
máximo posible las variables involucradas con el fin de minimizar la cantidad de
operaciones y niveles de decisión del algoritmo al momento de su solución. Las
variables empleadas buscarán representar adecuadamente los intereses tanto de
los usuarios (tiempos de viaje), como de los operadores (IPK).
Múltiples objetivos: Generalmente, la formulación matemática en pro de un actor,

irá en dirección contrapuesta a la de otro diferente. Esto ocurre más directamente
en la relación usuario (o sociedad) versus los intereses de los actores privados
como los operadores del sistema (Kepaptsoglou & Karlaftis, 2009). En el primer
caso, típicamente la solución del sistema será un número elevado de rutas de
recorridos muy cortos, mientras que en el segundo, se obtendrán pocas rutas de
gran extensión que tendrán como consecuencia altos tiempos de viajes para los
usuarios. Por esta razón, la solución al problema, debe encontrar un punto medio
de equilibrio mediante la inclusión de factores que propenden a favor de uno y del
otro.
Disposición espacial de las rutas: Uno de los problemas más difíciles de superar
mediante la utilización de modelos matemáticos para el diseño de sistemas de rutas
de transporte público colectivo, tiene que ver con el arreglo espacial de las rutas en
el territorio (Barra & Kawamoto, 2000), ya que no se logran disposiciones
adecuadas en función de garantizar una cobertura adecuada a la totalidad de la
demanda, debido a la complejidad matemática que su formulación supone. Así
mismo, generalmente estos modelos no consideran elementos como usos del suelo
o del sistema de actividades, por tanto en sus resultados no se ven reflejados de
manera directa estos aspectos importantes en la generación y atracción de los
viajes. Con el fin de superar esta dificultad, será necesario utilizar una red de
transporte que permita representar adecuadamente la disposición espacial del
sistema de rutas analizado, a la vez que la visión del experto seguirá siendo
necesaria para realizar un acomodo adecuado de las mismas en el territorio.
Una vez realizada la búsqueda y analizados los modelos existentes, de acuerdo al

estado del arte presentado, se procedió a la formulación del modelo matemático
multiobjetivo propuesto en este trabajo de investigación, por medio del cual se
espera poder validar la hipótesis del mismo, conduciendo a sistemas de rutas que
contribuyan a mejorar el deterioro actual de estos sistemas en las ciudades
intermedias de Colombia, corrigiendo las fallas estructurales derivadas de diseños

ineficientes y que, por tanto, no satisfacen adecuadamente los niveles de servicio
esperado por los usuarios para ser un modo atractivo para la realización de los
viajes frente a otros menos sustentables, como en el caso de Neiva, Huila.
Las principales consideraciones y supuestos realizados para su formulación, fueron

las siguientes:
 El modelo debe ser de naturaleza multiobjetivo, considerando

los intereses de los usuarios y de los operadores. El primero,
se deberá ver reflejado en la minimización de los costos
generalizados de transporte (representado principalmente
por el tiempo de viaje a bordo del vehículo), mientras que el
segundo deberá considerarse en el valor del índice de
pasajeros por kilómetro recorrido de las rutas, lo que es una
medida efectiva del grado de aprovechamiento y de
utilización del sistema y un insumo fundamental para la
evaluación financiera y equilibrio de los sistemas de TPCU.
 El modelo deberá poder ser aplicado a un caso real, con el fin

de validar sus potenciales beneficios, que sea representativo
de las condiciones preponderantes del servicio en una ciudad
de tamaño intermedio de Colombia, ya que los casos de
referentes analizados generalmente se han realizado a
situaciones hipotéticas de dimensiones reducidas. Así
mismo, deberá ser contrastable con el diseño de un sistema
realizado por medio de los métodos convencionales y
tradicionales, con el fin de evaluar sus potenciales beneficios
(Cal y Mayor, 2018)
 El resultado del modelo matemático deberá ser un modelo de

oferta de servicios, es decir, deberá establecer el recorrido y
la cantidad de rutas que mejor proporcionen una
configuración que atienda la demanda en el momento y en el
lugar que sea ser consumida de acuerdo a la necesidad y a
los patrones de viajes de la población, garantizando un mejor
aprovechamiento de los recursos y contribuyendo a la
viabilización financiera de los sistemas, no solo a través de la
tarifa sino de una mayor productividad de los vehículos.
 Los insumos fundamentales para el funcionamiento del

modelo matemático deberán ser dos: la matriz de viajes
origen – destino para un periodo de tiempo determinado y la
red de infraestructura vial (con sus características físicas y
operativas como velocidad, capacidad, número de carriles,
ancho de calzada y demás). La matriz deberá ser utilizada
como elemento que refleje las dinámicas de los patrones
espaciales del comportamiento de la demanda y será
considerada como un reflejo adecuado del sistema de
actividades y de usos del suelo que gobiernan la producción
y atracción de los viajes de una ciudad dentro de un periodo
de tiempo determinado, generalmente el periodo más crítico
de utilización del sistema (hora “pico” o “punta” de mayor
congestión); mientras que, de otro lado, la red vial será
empleada para obtener trazados de rutas que atiendan
adecuadamente la demanda en función de los corredores de
mayor concentración e importancia dentro de la ciudad,
consiguiendo una distribución espacial acorde con las
necesidades de los usuarios y la configuración urbanística de
la ciudad.
 Otro elemento que resulta fundamental en la formulación del

modelo matemático multiobjetivo para el diseño de un
sistema de rutas de transporte público colectivo urbano, es la
definición del alcance que se busca del mismo. En este caso
en particular, se estableció que la salida del modelo deberá
ser un conjunto de rutas que orienten el trazado más
favorable para que los costos generalizados de transporte del
usuario sean los menores posibles, así como para que el
valor global del IPK del sistema obtenido sea el mayor. Sin
embargo, no se pretende eliminar el análisis humano para
conseguir una distribución más adecuada de los servicios,
sino que el modelo sea solamente una verdadera herramienta
de apoyo para la toma de decisiones al estructurador, ya que
como fue mencionado anteriormente, existen elementos que
quedan fuera de la formulación del modelo, dada la
complejidad que esto supone.
 Finalmente, el modelo propuesto en este trabajo de

investigación, deberá estar sujeto a un conjunto de
restricciones por medio de las cuales se busca garantizar
soluciones sujetas a la realidad de la operación de los
sistemas y que propendan por garantizar unos niveles de
servicio adecuados para los usuarios de los mismos,
viéndose reflejados principalmente en la capacidad de los
buses con la que será diseñado el sistema y en los intervalos
máximos de despacho que serán permitidos para el cálculo
de la longitud real de recorrido de los buses, variables
fundamental para estimar el valor del IPK de todo el sistema
y que reflejan el nivel del servicio prestado al usuario.
A partir de estas definiciones expuestas anteriormente, y de la revisión del estado

del arte de la materia, se procedió a realizar la formulación matemática del
problema, como es presentado en el siguiente numeral.
4.2 Función objetivo del modelo
El primer paso para la formulación matemática del problema de optimización

multiobjetivo, consistió en la definición de la función objetivo del mismo.
Como fue mencionado anteriormente, el problema es de tipo multiobjetivo,

requiriéndose entonces dos (2) funciones objetivo: una que refleje los intereses de
los operadores y otra el de los usuarios.
La primera función, enfocada en el IPK del sistema, representada por medio de Z1,
buscará la maximización de la relación entre la demanda total movilizada (Q) para
el sistema de rutas evaluado, y la distancia total recorrida por todas las rutas (m)
que pertenecen a tal sistema. Esta última deberá ser el resultado de la sumatoria
del producto entre la distancia (D) de cada ruta (j) y la cantidad de buses requeridos
para su operación dentro del espacio de tiempo definido en su segmento más
cargado (qmáxm) considerando la capacidad de los buses (Cbusm). La longitud
total de cada ruta será obtenida como la sumatoria de la distancia de todos los
segmentos (k) que compongan cada ruta, es decir la distancia entre cada par origen
– destino (i) que atienda de la matriz de viaje, incluyendo los tramos que requiera
recorrer para conectar con el próximo segmento a atender.
A partir de las consideraciones anteriores, la formulación de la primera función

objetivo del problema matemático, es la siguiente:
𝑄
𝑀𝑎𝑥 𝑍1 = ∀𝑖 ∈𝑚 ∈𝑅
𝑞𝑚á𝑥𝑚
∑𝑗𝑚=1 {[∑𝑘−1
𝑖=1 (𝐷𝑜𝑖 𝑑𝑖 + 𝐷𝑑𝑖 𝑜𝑖+1 ) + 𝐷𝑜𝑘𝑑𝑘 ] ∗ }
𝐶𝑏𝑢𝑠𝑚
Donde:
𝑍1 = Índice total de pasajeros por kilómetro del sistema de rutas R (pax/km)
𝑄 = Número total de pasajeros por hora que moviliza el sistema de rutas R (pax)
𝑗 = Número de rutas que componen el sistema de rutas R
𝑚 = Ruta del sistema R
𝑘 = Número de segmentos que componen cada ruta m
𝑖 = Segmento de la ruta m
𝐷𝑜𝑖 𝑑𝑖 = Distancia asociada a la ruta de tiempo mínimo de viaje entre el origen y el
destino del segmento i (km)
𝐷𝑑𝑖 𝑜𝑖+1 = Distancia asociada a la ruta de mínimo tiempo entre el destino del
segmento i y el origen del segmento i+1 (km)
𝐷𝑜𝑘 𝑑𝑘 = Distancia asociada a la ruta de tiempo mínimo de viaje entre el origen y el
destino del segmento k (km)
𝑞𝑚á𝑥𝑚 = Número de pasajeros movilizados en el par origen - destino más cargado
de la ruta m (pax/hora)
𝐶𝑏𝑢𝑠𝑚 = Capacidad de pasajeros movilizados por unidad de transporte de la ruta
m (pax/bus)
𝑞𝑚á𝑥𝑚
= Número de buses necesarios para atender la cantidad de pasajeros del
segmento más cargado de la ruta m (buses/hora)

𝑅 = Sistema de rutas evaluado
Respecto de la segunda función objetivo, que representa los intereses de los

usuarios a través del tiempo de viaje, denominada Z2, ésta busca minimizar el
costo del tiempo de viaje de todos los usuarios que utilizan cada ruta (m) que
pertenece al sistema R. El tiempo de viaje de cada ruta será la sumatoria del
producto de la cantidad de usuarios movilizados entre un segmento (i) y el tiempo

de viaje entre el origen – destino del mismo y el necesario para conectar con el
siguiente segmento.
A partir de las consideraciones anteriores, la formulación de la segunda función

objetivo del problema matemático, es la siguiente:
𝑗
𝑀𝑖𝑛 𝑍2 = ∑𝑚=1{∑𝑘−1
𝑖=1 𝑞𝑜𝑖 𝑑𝑖 ∗ (𝑡𝑜𝑖 𝑑𝑖 + 𝑡𝑑𝑖 𝑜𝑖+1 ) + 𝑞𝑜𝑘 𝑑𝑘 ∗ 𝑡𝑜𝑘 𝑑𝑘 } ∀𝑖 ∈𝑚 ∈𝑅
Donde:
𝑍2 = Tiempo total de viaje de los usuarios del sistema de rutas R (min)
𝑞𝑜𝑖 𝑑𝑖 = Cantidad de pasajeros movilizados entre el origen y el destino del segmento
i (pax)
𝑡𝑜𝑖 𝑑𝑖 = Tiempo de viaje entre el origen y el destino del segmento i (min/pax)
𝑡𝑑𝑖 𝑜𝑖+1 = Tiempo de viaje entre el destino del segmento i y el origen del segmento
i+1 (min/pax)
𝑞𝑜𝑘𝑑𝑘 = Cantidad de pasajeros movilizados entre el origen y el destino del
segmento k (pax)
𝑡𝑜𝑘𝑑𝑘 = Tiempo de viaje entre el origen y el destino del segmento k (min/pax)
4.3 Conjunto de restricciones del modelo
En segundo lugar, para la formulación del problema matemático de optimización,

es fundamental formular el conjunto de restricciones a las que estará sujeta su
solución. En este caso se establecieron dos (2) restricciones con las cuales se
buscó generar una solución realista enfocada en la capacidad de diseño de los
buses del sistema y otra en un tiempo mínimo de paso de los buses.
La primera restricción, denominada “Restricción de frecuencia mínima”, está

representada por un parámetro mínimo establecido en términos de la cantidad de
buses por unidad de tiempo (fmin) por medio de los cuales debe ser atendida la
demanda de todas las rutas (m) que pertenecen al sistema R. Es decir, que si la
relación qmáxm/Cbusm es inferior al valor establecido, se deberá realizar el ajuste
para trabajar siempre al menos con la frecuencia mínima establecida, para
garantizar la prestación adecuada del servicio. Esta restricción busca que la
solución del problema no conduzca a diseños de rutas de sistemas de transporte
público colectivo urbano TPCU deficientes con intervalos de paso altos en contravía
a lo requerido por los usuarios.
A partir de las consideraciones anteriores, la formulación de la primera restricción

del problema matemático, es la siguiente:
𝑞𝑚á𝑥𝑚
≥ 𝑓𝑚𝑖𝑛 ∀ 𝑚 ∈ 𝑅
Donde:
𝑞𝑚á𝑥𝑚 = Número de pasajeros movilizados en el par origen - destino más cargado

de la ruta m (pax/hora)
m (pax/bus)
𝑞𝑚á𝑥𝑚

𝑓𝑚𝑖𝑛 = Frecuencia mínima permitida para todas las rutas del sistema R
(buses/hora)
La segunda restricción del modelo matemático, denominada “Restricción de
capacidad máxima de los buses”, busca limitar la solución del problema matemático
a un valor real de capacidad ofertada por unidad de transporte en términos de
pasajeros movilizados para un nivel de servicio determinado. Esta limitación
pretende asegurar la prestación del servicio con un nivel de ocupación adecuada
con el fin de garantizar al usuario una comodidad mínima, ya que de otro modo, el
problema conduciría a soluciones irreales sin considerar la capacidad de los
vehículos.
A partir de las consideraciones anteriores, la formulación de la segunda restricción

del problema matemático, es la siguiente:
𝐶𝑏𝑢𝑠𝑚 ≤ 𝐶𝑚á𝑥 ∀ 𝑚 ∈ 𝑅
Donde:

m (pax/bus)
𝐶𝑚á𝑥 = Capacidad de pasajeros movilizados por unidad de transporte de la ruta m
(pax/bus)
4.4 Modelo matemático multiobjetivo
Las consideraciones plasmadas anteriormente permitieron orientar la formulación

de un modelo matemático multiobjetivo que responda adecuadamente a las
características de los sistemas de transporte urbano de las ciudades intermedias
de Colombia, con el fin de orientar diseño más adecuados que permitan un mejor
aprovechamiento de los recursos disponibles, a la vez que mejoren los niveles de
servicio prestados a los usuarios. Estas consideraciones llevaron a la formulación
formal del problema que es presentado a continuación:
Función objetivo:
𝑄
𝑀𝑎𝑥 𝑍1 = ∀ 𝑖 ∈𝑚
𝑞𝑚á𝑥𝑚
∑𝑗𝑚=1 {[∑𝑘−1
𝑖=1 (𝐷𝑜𝑖 𝑑𝑖 + 𝐷𝑑𝑖 𝑜𝑖+1 ) + 𝐷𝑜𝑘 𝑑𝑘 ] ∗ }
𝑗
𝑀𝑖𝑛 𝑍2 = ∑𝑚=1{∑𝑘−1
𝑖=1 (𝑞𝑜𝑖 𝑑𝑖 ∗ 𝑡𝑜𝑖 𝑑𝑖 + 𝑡𝑑𝑖 𝑜𝑖+1 ) + 𝑞𝑜𝑘 𝑑𝑘 ∗ 𝑡𝑜𝑘 𝑑𝑘 } ∀ 𝑖 ∈ 𝑚
Sujeto a:
𝑞𝑚á𝑥𝑚
≥ 𝑓𝑚𝑖𝑛 ∀ 𝑚 ∈ 𝑅 (𝑅𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑚í𝑛𝑖𝑚𝑎)
𝐶𝑏𝑢𝑠𝑚 ≤ 𝐶𝑚á𝑥 ∀ 𝑚 ∈ 𝑅 (𝑅𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑚á𝑥𝑖𝑚𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑏𝑢𝑠𝑒𝑠)
Donde:
𝑍1 = Índice total de pasajeros por kilómetro del sistema de rutas R (pax/km)

𝑍2 = Tiempo total de viaje de los usuarios del sistema de rutas R (min)
𝑄 = Número total de pasajeros por hora que moviliza el sistema de rutas R
(pax)

𝐷𝑜𝑖 𝑑𝑖 = Distancia asociada a la ruta de tiempo mínimo de viaje entre el origen y
el destino del segmento i (km)
𝐷𝑑𝑖 𝑜𝑖+1 = Distancia asociada a la ruta de mínimo tiempo entre el destino del
segmento i y el origen del segmento i+1 (km)
𝐷𝑜𝑘 𝑑𝑘 = Distancia asociada a la ruta de tiempo mínimo de viaje entre el origen y
el destino del segmento k (km)
𝑞𝑚á𝑥𝑚 = Número de pasajeros movilizados en el par origen – destino más
cargado de la ruta m (pax/hora)
𝐶𝑏𝑢𝑠𝑚 = Capacidad de pasajeros movilizados por unidad de transporte de la
ruta m (pax/bus)
𝑞𝑚á𝑥𝑚

𝑞𝑜𝑖 𝑑𝑖 = Cantidad de pasajeros movilizados entre el origen y el destino del
segmento i (pax)
𝑡𝑜𝑖 𝑑𝑖 = Tiempo de viaje entre el origen y el destino del segmento i (min/pax)
𝑡𝑑𝑖 𝑜𝑖+1 = Tiempo de viaje entre el destino del segmento i y el origen del
segmento i+1 (min/pax)
𝑞𝑜𝑘𝑑𝑘 = Cantidad de pasajeros movilizados entre el origen y el destino del
segmento k (pax)
𝑡𝑜𝑘𝑑𝑘 = Tiempo de viaje entre el origen y el destino del segmento k (min/pax)
𝑓𝑚𝑖𝑛 = Frecuencia mínima permitida para todas las rutas del sistema R
(buses/hora)
𝐶𝑚á𝑥 = Capacidad máxima permitida para todos los buses del sistema R
(pax/bus)
El modelo matemático multiobjetivo formulado, busca la optimización del sistema

desde dos componentes principales: el servicio al usuario, a través de la
minimización del tiempo de viaje entre cada par origen – destino de la matriz,
mientras que, de otro lado, busca la maximización del valor del índice de pasajeros
por kilómetro cuadrado, en favor del prestador del servicio.
El primer componente, se consigue por medio de la unión de todo par origen –

destino a través del camino que resulte más corto en términos de tiempos de viajes,
pero al modelo se ingresa la longitud que corresponda a este camino, lo cual
garantiza que los trazados de las rutas sean los más directos posibles para la
satisfacción de los viajes de los usuarios. Así mismo, la restricción de frecuencia
mínima (cantidad de vehículos por unidad de tiempo de una misma ruta),
garantizan que los tiempos de viaje sean inferiores o al menos los mismos del
sistema de rutas actual, ya que de lo contrario, esto significaría un desmedro a la
condición de prestación del servicio actual.
El segundo componente, busca que el servicio sea prestado a través de la

configuración de rutas que presenten la longitud recorrida más corta posible en
función tanto del intervalo máximo de paso como de la capacidad permitida de los
buses. Lo anterior, se logra evaluando tantas soluciones posibles de sistemas de
rutas como sea posible (trazados y cantidad), hasta encontrar aquella que
represente el valor más alto de IPK. Las diferentes configuraciones de rutas se van
construyendo de manera aleatoria, uniendo cada par origen – destino de la matriz
en términos del camino más corto y luego buscando la conexión del siguiente par
origen – destino a través de la conexión que represente el traslado en vacío más
cercano. La infinitud de posibles combinaciones que esto representa, hace que el
modelo matemático no pueda ser resuelto por medio de metodologías
tradicionales, sino que requiera de métodos más avanzados como metaheurísticas
de poblaciones, que vayan probando diferentes soluciones hasta encontrar cada
vez una mejor.
Una vez este modelo matemático multiobjetivo sea solucionado, deberá aportar la
configuración del sistema de rutas que mejor relación de IPK y tiempos de viaje
represente, reflejado en el número de rutas y la orientación de su trazado sugerido
en función del orden consecutivo en que debe enlazar todos los pares origen –
destino para conseguir la mejor relación de longitud recorrida del sistema,
atendiendo toda la demanda existente durante el periodo de diseño, generalmente
la hora de mayor demanda del mismo (hora “pico”).
4.5 Limitaciones y restricciones del modelo matemático

multiobjetivo
Finalmente, resulta importante para una mejor comprensión del alcance y

funcionamiento del modelo matemático multiobjetivo formulado anteriormente, las
siguientes limitaciones que el mismo supone:
 Su resultado no es la configuración automática del recorrido nodo a nodo

que deben seguir cada una de las rutas, si no que por el contrario, lo que
persigue es convertirse en una herramienta de apoyo que busca orientar al
estructurador y tomador de decisiones hacia la obtención de diseños más
óptimos en términos físicos y operacionales, para lo cual se sugiere que los
resultados obtenidos sean contrastados vía modelo de asignación frente a
otras opciones como el sistema actual o el obtenido mediante los métodos,
para validar su efectividad.
 Pueden plantearse diferentes formas alternativas de configurar los sistemas

de rutas con el fin de encontrar los diseños que mejor relación de IPK
representen. Estas configuraciones podrán variar en función del intervalo
máximo permitido (5, 10, 15 o más minutos), la capacidad límite de los buses
establecida (20, 30, 40 o más pasajeros), la cantidad de rutas evaluadas (10,
15, 20, 30, 40, etc.), el número de opciones de sistemas evaluados (que
podrán superar los millones de eventos), un valor mínimo permitido de IPK

para cada ruta (> 1,0, por ejemplo), etc. Así mismo, podrán establecerse
soluciones particionadas del problema, prefiriendo por ejemplo, solucionar
el diseño de las rutas subdividiendo el problema en partes menores (3, 4,
10, etc.), en función en el porcentaje que concentra la demanda (partes
iguales del 20%, por ejemplo). Otra opción, puede llegar a ser la evaluación
individual de cada par origen – destino y el camino más corto para conectar
el siguiente sin caer por debajo de un valor mínimo establecido de IPK. Todo
lo anterior puede conducir a obtener escenarios más favorables que
permitan obtener diseños más óptimos y podrán ser evaluados.
 Otro elemento que puede llegar a ser objeto de discusión, tiene que ver con
las variables a evaluar para determinar si el sistema diseñado mediante el
modelo matemático propuesto es más eficiente comparado con otro
existente o diseñado por los métodos convencionales. Este trabajo de
investigación propone que elementos como el tiempo promedio de viaje y de
espera, el valor global del IPK de todo el sistema, el intervalo promedio de
despacho, el porcentaje de cobertura espacial, el tamaño de la flota de
buses, el porcentaje de transferencias, porcentaje de superposición del
sistema, entre otros, sirvan de referente de comparación y sea mediante su
contraste que se pueda concluir si el diseño obtenido efectivamente conduce
a potenciales beneficios o por el contrario no lo consigue.
 Así mismo, se destaca que el método propuesto no erradica la participación

subjetiva del experto, ya que en todo caso, deberá ser éste quién defina a
detalle el recorrido calle a calle de cada una de las rutas, solucionando
factores como su disposición espacial, la pertinencia de sus recorridos
(sentidos de circulación de las calles), zonas de retorno, extensión de los
trazados, entre otros elementos a considerar para la operación y prestación
del servicio exitosa del sistema finalmente diseñado.
 Un elemento considerado como una deficiencia del método propuesto, es

que no considera aquellas zonas que dentro de la matriz origen – destino no
tengan viajes ni producidos ni atraídos, por tanto no genera rutas que den
cobertura a dichas zonas. Esto puede ser solventado por el experto al
momento de trazar los recorridos.
 De igual manera, el modelo matemático propuesto no tiene la capacidad de

considerar recorridos que se concentran en las mismas calles, por tanto no
brinda una solución desde el punto integral al problema, ya que lo hace
únicamente considerando los casos individuales para para par origen -
destino. Esto se convierte en una alternativa de optimización que puede
llegar a ser considerada por el experto al momento del diseño final del
sistema.
 Con el fin de reducir la cantidad de operaciones matemáticas a realizar para

la solución del problema, se sugiere la simplificación de la zonificación
empleada (trabajando un valor entre 30 a 50 zonas de acuerdo al tamaño
de la ciudad), así como emplear una red vial igualmente simplificada que
permita darle al problema un tratamiento más manejable. Entre más tamaño
tenga la zonificación y la red vial, el problema tiene mayores dificultadas para
su solución en términos de software.
En el siguiente capítulo se presenta el desarrollo y aplicación del algoritmo genético

por medio del cual es posible solucionar el problema matemático multiobjetivo
formulado, permitiendo encontrar la mejor solución al mismo en los términos
establecidos.
5. Desarrollo y aplicación del algoritmo
genético
De acuerdo con la revisión del estado del arte, presentada en capítulos anteriores,
el investigador de este trabajo concluyó que el método más adecuado para resolver
el problema de optimización multiobjetivo planteado en el numeral anterior, deberá
ser una metaheurística de tipo evolutivo, dados los casos de éxito que se han
presentado en investigaciones de este mismo tipo. En particular, se eligió el
algoritmo de tipo genético, el cual permite hacer una exploración del campo de
soluciones por medio del principio de generación, mutación y cruzamiento,
evaluando millones de soluciones posibles, lo que conduce a resolver el problema
encontrando soluciones muy cercanas al óptimo por medio de un proceso iterativo
que es descrito a continuación.
A partir de lo anterior, el presente capítulo expone el procedimiento llevado a cabo

en esta investigación para el desarrollo y la aplicación del algoritmo genético por
medio del cual se solucionó el problema matemático multiobjetivo formulado.
El algoritmo genético desarrollado y aplicado para resolver el problema, consta de

seis (6) partes fundamentales, las cuales se desarrollan de manera sistemática y
secuencial, tantas veces como sea posible, acercándose cada vez más a la
solución óptima del problema, presentadas en la Ilustración 5-1.
Potenciales beneficios del diseño de un sistema de rutas de TPCU
80 formulado a partir de un modelo matemático multiobjetivo aplicando
Ilustración 5-1: Desarrollo del algoritmo genético
1.
Generación
2.
6. Elección
Evaluación
5. 3.
Mutación Selección
4.
Crossover
A continuación, se explica a detalle cada una de las fases desarrolladas por medio
de las cuales se va realizando la aproximación a soluciones cada vez mejores,
explorando de manera aleatoria todo el campo posible de soluciones. Al finalizar,
se presenta el código de programación que se realizó para la automatización del
proceso, dada la alta complejidad matemática del mismo, empleando el lenguaje
de programación Visual Basic (VB) de Microsoft, lo que permitió poner en
funcionamiento el algoritmo para dar tratamiento a una mayor cantidad de
alternativas de solución.
Desarrollo y aplicación del algoritmo genético 81
5.1 Generación de soluciones de diseños de

sistemas de rutas de TPCU
En primer lugar, el desarrollo del algoritmo genético, parte de la generación de

diferentes soluciones de diseños de rutas de TPCU para ser evaluadas en el
modelo matemático formulado. Es decir, un sistema de rutas consta de un arreglo
de X cantidad de rutas, cada una con un trazado o recorrido definido y por tanto
con una longitud de cada ruta conocida.
La generación de soluciones consiste en establecer sistemas de oferta de rutas

que atiendan la demanda de usuarios de transporte público colectivo urbano para
un periodo de tiempo determinado, en este caso, la hora pico del sistema.
Un sistema de oferta de rutas consiste en determinar el número de servicios

prestados así como la secuencia espacial que debe recorrer cada uno para atender
adecuadamente la demanda de los usuarios, en el lugar y en el instante que es
requerida.
De acuerdo con los principios del algoritmo genético, la generación de soluciones

debe obedecer a un proceso aleatorio, en el cual las mismas se generan a partir
de parámetros que vayan siendo resueltos al azar.
En este caso, los parámetros que determinan un sistema de rutas (R) consisten en
el número (j) de rutas (m) y en la cantidad (k) y orden de los segmentos (i) de la
matriz origen – destino, que atiende cada una. Dichos parámetros son generados
de manera aleatoria, permitiendo obtener tantas soluciones como se desee, las
cuales llegan a superar los miles de millones.
En otras palabras, la cantidad de rutas de un sistema R se genera de manera

aleatoria, siendo por ejemplo 25 rutas, y a su vez el número de segmentos O-D que
atiende cada una, así como su secuencia, es generada también de manera
aleatoria, estableciendo por ejemplo que la ruta 1 será conformada por 12

segmentos O-D y el orden de los mismos será la secuencia 5-33-2-67-101-99-20-
205-1-68-175-14, mientras que la ruta 2 será conformada por 45 segmentos los
cuales serán…..,etc, etc. Es importante considerar que los segmentos no podrán
repetirse en ninguna de las rutas establecidas y que también debe considerarse la
distancia que debe recorrer el bus para alcanzar el próximo segmento que
conforma la ruta. El camino que recorre el bus siempre deberá ser el mínimo
existente de acuerdo a la matriz de tiempos mínimos entre pares OD. Así mismo,
se resalta que entre más segmentos existan en la matriz de demanda origen –
destino, la generación de soluciones será un proceso de programación
computacional más complejo, por lo cual se recomienda trabajar con zonificaciones
simplificadas que oscilen entre las 30 y 50 ZATs.
Para el caso de estudio de este trabajo de investigación, se simplificó la zonificación

de la ciudad de Neiva, Huila, a un número total de 33 ZAT (ver Ilustración 5-2),
resaltando que el modelo utilizado para el diseño del SETP empleó 190 zonas.
La anterior zonificación, permitió obtener un total de 1089 segmentos OD (33 X 33),

los cuales hubiesen sido de 36.100 segmentos utilizando la zonificación anterior, y
el problema hubiese presentado una complejidad casi inmanejable para la
programación del algoritmo genético.
En la primera iteración el sistema de rutas parte de cualquier configuración posible,

construida de manera aleatoria; mientras que en las sucesivas se genera siempre
y cuando el sistema predecesor no logre encontrar otra opción más eficiente luego
de su evaluación en la función objetivo del modelo matemático, una vez surtido el
proceso de selección/crossover/mutación, como se explica más adelante.
Cada sistema de rutas generado es denominado un cromosoma dentro de una

población compuesta por una cantidad predefinida, en este caso 100.
Ilustración 5-2: Zonas de análisis de transporte para la generación de soluciones
Dado que el proceso de generación de sistemas de rutas posibles, es totalmente

aleatorio, el investigador de este trabajo logró plantear diferentes alternativas para
su generación, variando parámetros como la cantidad de parámetros o segmentos
origen-destino máximos que componen cada una de las rutas generadas. Cada
alternativa de generación de sistemas fue proporcionando cada vez más soluciones
con mayores grados de eficiencia, producto del proceso de aprendizaje incremental
del propio investigador y su entendimiento del problema y funcionamiento de la
herramienta.
En total, se plantearon cuatro (4) formas diferentes de generar aleatoriamente

sistemas de rutas a partir de la matriz origen-destino del transporte público para
una unidad de tiempo determinada, en este caso la hora de mayor demanda del
sistema para la ciudad de Neiva, Huila; las cuales son descritas a continuación.
5.1.1 Alternativa de generación de sistemas de rutas # 1:
Consiste en generar “j” cantidad de rutas “m” (la cantidad es un número aleatorio
entre 1 y un número máximo permitido, dependiendo del tamaño de la matriz OD,
para este caso se usó 30) y para cada ruta se configura de manera aleatoria la
secuencia “k” de los diferentes pares OD “i” que debe atender. El número de
opciones de sistemas evaluados podrán superar los millones de eventos,
dependiendo de la cantidad que se desee.
Esta alternativa tiene como dificultad especial que termina generando rutas que
unen segmentos OD separados por grandes distancias y de magnitudes de viajes
muy disímiles, lo que repercute en bajos valores de IPK y elevados tiempos de viaje
lo que conduce, por tanto, a resultados indeseados en la función objetivo, como se
observa en los resultados presentados más adelante.
Surge como una oportunidad de mejorar la alternativa anterior, buscando generar

sistemas de rutas que tengan un número prefijo de rutas. Es así como de antemano
se establece que cada uno de los sistemas de rutas de TPCU deberá tener X rutas.
De tal forma, se generan soluciones para diferentes cantidades de rutas “m”

prestablecidas (j = 10, 15, 20, 30, 40, etc.) y para cada uno de estos escenarios se
configura de manera aleatoria la secuencia “k” de los diferentes pares OD “i” que
debe atender cada una de las rutas. El número de opciones de sistemas evaluados
podrán superar los millones de eventos para cada escenario de cantidad de rutas
predefinidas.
Esta alternativa permite hacer un barrido más amplio del espacio de soluciones
posibles, identificando el tamaño del sistema que conduce a resultados más
óptimos, para hacer un énfasis más exhaustivo cerca de esta cantidad de rutas.
Sin embargo, esta alternativa mantiene el problema de la anterior, puesto que
conduce a la estructuración de servicios que relaciona aleatoriamente segmentos
disímiles en ubicación espacial y cantidad de viajes, lo que repercute en largas
rutas con baja ocupación, totalmente contrario a lo buscado en este trabajo de
investigación, ya que el IPK de estas rutas es bajo y el tiempo de viaje es alto.
La alternativa de generación de sistemas de rutas 3, surge como otro intento por

mejorar el proceso de producción aleatorio de sistemas de rutas. En este caso se
generan soluciones particionadas del problema, prefiriendo por ejemplo, solucionar
el diseño de las rutas subdividiendo el problema en partes menores (3, 4, 10, etc.),
en función del porcentaje que concentra la demanda (partes iguales del 20%, por
ejemplo). Estos porcentajes podrán ser propuestos por medio del análisis de la
concentración de demanda organizando los pares OD de mayor a menor y
particionando el problema en función de rangos definidos.
En otras palabras, el problema se resuelve en partes independientes, pero

asegurando una mayor homogeneidad entre la magnitud de los viajes de cada
segmento. Esto se consigue organizando los segmentos en grupos de similares
cantidades de viajes y generando entre ellos sistemas de rutas de manera
aleatoria. Esta alternativa asegura que se relacionen segmentos del mismo orden
de magnitud de los viajes, lo que conduce a obtener mejores valores de IPK. Sin
embargo el problema de las grandes distancias de conexión entre segmentos
persiste al igual que en las alternativas anteriores lo que provoca altos tiempos de
viaje en desmedro de los usuarios del sistema.
Posteriormente, cada parte el problema puede ser solucionado por medio de la

alternativa 1 o 2.
Finalmente, la mejor alternativa que pudo ser desarrollada para la generación de

sistemas de rutas a ser evaluadas en la función objetivo del problema de
optimización, fue el producto de buscar una opción que pudiera suplir la necesidad
de homogenización de los segmentos a enlazar, tanto en magnitud como en
ubicación espacial.
De tal forma, esta alternativa consiste en generar cualquiera de las alternativas

anteriores, pero realizando la evaluación individual de segmentos jerarquizados de
pares origen – destino y la secuencia del siguiente par origen – destino, es decir,
ya no se configura de manera aleatoria la secuencia de los diferentes pares OD
que debe atender, sino que se realiza de manera individual y secuencial buscando
la menor distancia entre los mismos, siendo preferible aquellos cuyo destino del
primero sea igual al origen del siguiente, puesto que su distancia de conexión es
cero (0).
Esta alternativa permite obtener sistemas de mayor eficiencia, como se presenta

en el capítulo de elección del mejor sistema de rutas a ser comparado con los
obtenidos por medio de métodos convencionales.
Para este trabajo de investigación se generaron cerca de 110 millones de

soluciones de sistemas posibles, por medio de las 4 alternativas descritas
anteriormente, como se presenta en la siguiente tabla.
Tabla 5-1: Ejemplo del desarrollo del algoritmo genético
Alternativa de generación de Cantidad de

sistemas de rutas de TPCU soluciones evaluadas
1 10+E6
2 50+E6
3 30+E6
4 20+E6
5.2 Evaluación de los sistemas de rutas de TPCU

generados aleatoriamente
En segundo lugar, una vez generado de manera aleatoria el sistema de oferta de

rutas de transporte público colectivo urbano, éste es evaluado en la función
multiobjetivo presentada en el capítulo anterior.
Como se presenta en la siguiente ilustración, cada uno de los sistemas de rutas de

TPCU generados de manera aleatoria por cualquiera de las alternativas descritas
anteriormente, es evaluado en la función objetivo y su conjunto de restricciones
para lo cual requiere de los insumos de longitud y tiempo total de recorrido en la
hora de análisis del sistema en estudio, así como que se establezca un intervalo
de paso y una capacidad de los buses máxima.
Ilustración 5-3: Proceso de evaluación de sistemas de rutas de TPCU
Longitud y tiempo total

de recorrido del
sistema generado IPK del
sistema
Modelo
Intervalo de paso
máximo permitido
matemático
multiobjetivo
CGT del
sistema
Capacidad máxima
de los buses

Para la evaluación de la solución respectiva en el modelo, es necesario contar con

los siguientes insumos:
 Matriz de tiempos mínimos entre cada par origen – destino.

 Matriz de distancias asociadas al camino de tiempo mínimo entre cada par
origen – destino.
 Matriz de viajes entre cada par origen - destino
Así mismo, la evaluación de la función objetivo puede realizarse para diferentes

valores de la frecuencia mínima permitida (2, 4, 6 o más buses/hora) y una
capacidad límite de los buses establecida (20, 30, 40 o más pasajeros).
Con los insumos anteriores, la evaluación de la función multiobjetivo para cada

sistema de rutas de transporte público colectivo urbano generado, permite
establecer el valor de la longitud real recorrida por el sistema, y mediante la relación
entre la cantidad de pasajeros total de la matriz y lo anterior, permite obtener el
valor del IPK global del sistema; así mismo, permite determinar el valor del tiempo
total de viaje de todos los usuarios de las rutas del sistema, en función de los
diferentes segmentos origen – destino que componen cada una, incluyendo la
conexión entre los mismos.
5.3 Selección de los mejores sistemas de rutas de

TPCU evaluados
En tercer lugar, luego de la evaluación de cada solución generada, denominada

“cromosoma” de una determinada población, el algoritmo genético requiere
desarrollar la etapa de selección de los individuos que deben permanecer hacia la
siguiente generación. Algunos de estos métodos son mutuamente exclusivos,
mientras que otros pueden utilizarse en combinación, un proceso que se lleva a
menudo.
Para este caso, el método de selección empleado fue la “selección por rango”, en
el cual a cada individuo de la población se le asigna un rango numérico basado en
su aptitud, y la selección se basa en este ranking, en lugar de las diferencias
absolutas en aptitud. Como ya fue mencionado, la ventaja de este método es que
puede evitar que individuos muy aptos ganen dominancia al principio a expensas
de los menos aptos, lo que reduciría la diversidad genética de la población y podría
obstaculizar la búsqueda de una solución aceptable.
Esta fase del desarrollo del algoritmo genético, permite identificar los sistemas de
rutas de TPCU que tienen un mejor resultado hasta el momento, para proseguir
con éstas a las subsiguientes etapas. Es decir, se realiza una selección de los
sistemas de rutas que, una vez evaluados en la función objetivo de la manera
descrita en la sección anterior, presentan hasta ese instante un mejor resultado,
descartando a los que, por el contrario, tienen los valores más alejados dentro de
la población de sistemas que se está analizando.
En este caso cada población de sistemas de rutas de TPCU evaluado estuvo

conformada por 100 “cromosomas”, es decir, 100 diferentes sistemas generados
aleatoriamente por cualquiera de las 4 alternativas presentadas con anterioridad.
De esos 100 cromosomas, este paso permitió elegir, mediante la evaluación de
cada sistema de rutas de TPCU generado aleatoriamente en la función
multiobjetivo, los 50 que mejores resultados arrojaron (individuos aptos) dentro del
total, para proseguir únicamente con éstos en la siguiente fase del proceso del
desarrollo del algoritmo genético.
5.4 Proceso de crossover o cruzamiento para

generar nuevas soluciones de rutas de TPCU
En cuarto lugar, una vez que la selección ha elegido a los individuos más aptos,
éstos deben ser alterados aleatoriamente con la esperanza de mejorar su aptitud
para la siguiente generación.
Esta fase del algoritmo genético implica elegir a dos individuos para que
intercambien segmentos de su código, produciendo una “descendencia” artificial
cuyos individuos son combinaciones de sus padres.
Para este caso se ha empleado el método de cruzamiento que incluyen al

cruzamiento de un punto, en el que se establece un punto de intercambio en un
lugar aleatorio del genoma de los dos individuos, y uno de los individuos contribuye
todo su código anterior a ese punto y el otro individuo contribuye todo su código a
partir de ese punto para producir una descendencia.
En otras palabras, en esta parte del código, de los 50 sistemas de rutas de TPCU
generados aleatoriamente, que fueron seleccionados mediante su evaluación en la
función objetivo en el paso anterior por ser los individuos más aptos de su
respectiva generación, se toman de a dos sistemas y se realiza el cruzamiento de
su respectivo código, estableciendo un punto aleatorio dentro de su genoma, lo que
hace posible que de estas dos opciones de sistemas, se produzca una tercera que
deriva de los dos anteriores (padres). Este hijo es el que continúa en el siguiente
paso de ejecución del proceso, como se sigue describiendo en los siguientes
numerales.
Este proceso permite guardar, en cada iteración, los códigos genéticos de los
mejores sistemas de rutas de transporte público colectivo urbano a través de las
generaciones subsecuentes.
5.5 Mutación de los sistemas de rutas de TPCU

generados del proceso de cruzamiento
En quinto lugar, al igual que en una mutación en los seres vivos se cambia un gen
por otro, en un algoritmo genético también se emula este proceso con el fin de
causa pequeñas alteraciones en puntos concretos del código de una solución en

particular.
Es así como, para cada uno de los “hijos” de los sistemas de rutas generados en
el paso anterior, mediante el proceso de cruzamiento o crossover, se realiza la
mutación o alteración de un punto específico de su código o genoma, mediante una
alteración aleatoria, lo que conduce a que se genere un sistema de rutas de TPCU
diferente al anterior.
En este caso, el proceso de mutación permite obtener aleatoriamente una nueva

solución del sistema de rutas para que sea evaluada y se identifique si presenta
un mejor resultado que el sistema actual.
5.6 Elección del mejor sistema de rutas de TPCU en

cada población de individuos
Finalmente, el desarrollo y aplicación del algoritmo genético, culmina con la

elección de los mejores padres que son identificados luego de los procesos de
cruzamiento y mutación para ser evaluados posteriormente en la siguiente
población.
En este sentido, nuevamente se evalúan en la función multiobjetivo, cada uno de

los nuevos sistemas de rutas de TPCU que se han producido aleatoriamente luego
de surtido el proceso de cruzamiento de dos sistemas y la mutación del hijo que se
produjo de dicha unión. La evaluación de cada sistema se realiza como ya fue
descrito en el paso 2 de este algoritmo, es decir, que a partir de la longitud y el
tiempo total de recorrido de todas las rutas que componen el respectivo sistema
(generadas aleatoriamente), se determina por medio de la ecuación matemática
multiobjetivo, los valores del IPK total y del Costo Generalizado de Transporte,
sujetos a los valores de restricciones del intervalo de paso y la capacidad de los
buses determinado.
En este punto el algoritmo realiza la comparación de los resultados de la evaluación

de cada uno de los sistemas de TPCU iniciales versus los resultados de los
sistemas que se produjeron luego de la selección, cruzamiento y mutación de sus
genes, con el fin de determinar cuál presentó los mejores resultados en cada uno
de los casos. Cuando el algoritmo encuentra que el “hijo” reportó un mejor resultado
en la función objetivo, conserva este sistema para que vuelva a surtir todo el
proceso descrito en la siguiente población o, en caso contrario, lo descarta y
continúa con el sistema inicial en la siguiente población.
Este es un proceso iterativo que se repite tantas veces como sea requerido hasta
encontrar convergencia hacia una solución específica, la cual presente los valores
más altos de IPK y los menores de tiempos de viaje para los usuarios.
Se reitera que en este caso, cada población estuvo conformada por un total de 100
cromosomas o sistemas de rutas de TPCU generadas aleatoriamente. En total se
procesaron en el algoritmo más de un millón de poblaciones hasta encontrar la que
reportó mejores resultados en la función objetivo, como se presenta en el siguiente
capítulo.
En la siguiente tabla, se presenta un ejemplo del proceso descrito anteriormente

para la evaluación y selección de una población de sistemas de rutas de TPCU en
particular (solamente se muestran los primero 20 cromosomas de un total de 100
por población).
Allí se observa cómo al final se logran identificar los sistemas que mejores
resultados aportan luego de surtir el proceso descrito del algoritmo, los cuales
conforman la solución inicial de la siguiente población a analizar.
Tabla 5-2: Ejemplo del desarrollo del algoritmo genético para una población X
Población Población f(x)=Z1 f(x)=Z2 Selección Mejores Mejores Punto Posición

Crossover Mutación Mejores
Cromosoma Inicial Generada en ¡¡META!! ¡¡META!! Por del Padres en de del Bit
(Aleatoria) (Aleatoria) Padres
Generada Bits MAXIMIZAR MINIMIZAR Ranking Ranking Binario Cruce Mutado
1 365 101101101 1,19 267120 462 462 111001110 111001111 1 111101111 6 435
2 495 111101111 0,58 294668 487 487 111100111 111100110 111110110 5 502
3 6 000000110 1,33 228831 459 459 111001011 111000110 5 111100110 6 6
4 462 111001110 1,50 224624 6 6 00000110 000001011 000001011 462
5 483 111100011 1,31 241956 483 483 111100011 111010001 6 111010001 465
6 193 011000001 0,59 265005 465 465 111010001 111100011 111100011 193
7 171 010101011 0,77 306667 365 365 101101101 101101011 4 101111011 5 379
8 324 101000100 0,88 266540 475 475 111011011 111011011 111011011 475
9 25 000011001 0,38 238798 52 52 000110100 001001001 7 001001001 73
10 472 111011000 0,74 316874 457 457 111001001 110110100 111110100 7 472
11 73 001001001 0,50 243613 324 462 111001110 111001111 2 111001101 2 461
12 261 100000101 0,03 233370 111 487 111100111 111100110 111100110 486
13 475 111011011 1,14 262394 171 459 111001011 111001010 1 111001010 458
14 111 001101111 0,85 279938 472 6 000000110 000000111 000000011 3 3
15 459 111001011 1,37 269706 193 483 111100011 111100001 4 111100011 2 459
16 398 110001110 0,30 281473 495 465 111010001 111010011 111010011 467
17 52 000110100 1,09 261101 73 365 101101101 101101101 1 101101101 365
18 465 111010001 1,21 298016 25 475 111011011 111011011 111011011 465
19 487 111100111 1,41 280137 398 52 000110100 000101001 5 000101001 41
20 457 111001001 1,08 314163 261 457 111001001 111010100 111010100 468

5.7 Código de programación del algoritmo genético
Dada la complejidad matemática que conlleva la ejecución del algoritmo genético

descrito en los numerales anterior, fue necesario realizar su programación en
lenguaje Visual Basic (VB) con el fin de automatizar el proceso. Con este fin se
programó la ejecución de cada una de los pasos de generación, evaluación,
selección, cruzamiento, mutación y elección, para el análisis de sucesivas
poblaciones.
Es importante resaltar que el investigador de este trabajo, adecuó un código de

programación prexistente a las necesidades particulares de este problema con el
fin de agilizar la búsqueda de las mejores soluciones. En ningún momento el
objetivo del trabajo fue como tal producción de un código de programación de alta
complejidad. Éste simplemente se utilizó como una herramienta o recurso para
alcanzar el verdadero fin del trabajo que es el diseño de un sistema de rutas de
transporte público colectivo urbano que demuestre eficiencia en comparación con
los sistemas que son diseñado a partir de los métodos convencionales que se
emplean en el medio a través de heurísticas de “ensayo y error” a visión de experto.
Así mismo, no todo el proceso matemático es adelantado en el código del

algoritmo, dada la complejidad de su programación que esto conllevaría, por tanto
alguna información que requiere el código es suministrada desde fuentes externas
de resultados generados previamente.
Finalmente, en la siguiente tabla, se presenta el código de programación del

algoritmo genético empleado para desarrollar el proceso descrito en el numeral
anterior.
Tabla 5-3: Código de programación del algoritmo genético
PASO 1: GENERACIÓN
Public Sub Genera_Aleatorio()
CantHijoGene = Val(frmControl.txtCantHijoGene.Text) 'generando cantidad de hijos

deseada entre 1 a 100
'Generando Población inicial con valores aleatorios y su conversión a números

binarios
Randomize
With Worksheets("Genetica")
For i = 2 To CantHijoGene + 1
.Cells(i, 1).Value = i - 1
.Cells(i, 2).Value = Int(Rnd() * (10E6 - 0) + 1) 'generando numeros entre 1 al
10E6
.Cells(i, 3).Value = DecToBin(.Cells(i, 2).Value) 'numeros anteriores convertidos a
binario
Next i
End With
PASO 2: EVALUACIÓN
'Copiando la primera generación (osea, los peores padres)
Worksheets("Resultados").Cells(i, 1).Value = Worksheets("Genetica").Cells(i,
2).Value
Next i
'Etiquetando la Hoja "Resultados"

Worksheets("Resultados").Cells(1, 1).Value = "Inicial"
For i = 2 To Val(frmControl.txtNumeGene.Text) + 1
Worksheets("Resultados").Cells(1, i).Value = i - 1
Next i
End Sub
PASO 3: SELECCIÓN
Public Sub Ejecuta_Funciones()
SumaFunc = 0
.Cells(i, 4).Value = BinToDec(.Cells(i, 3).Value)
.Cells(i, 5).Value = (.Cells(i, 4).Value) 'Evalúa la función objetivo Z1
SumaFunc = SumaFunc + .Cells(i, 4).Value
Next i
'Selección Ranking - ordenando de mayor a menor (método sort)

Dim tFin, Limite, Switch
Dim tPermt As Variant
ReDim Preserve Nombre(CantHijoGene)
For i = 1 To CantHijoGene
Nombre(i) = Cells(i + 1, 4)
Next i
tFin = CantHijoGene \ 2
Do While tFin > 0
Limite = CantHijoGene - tFin
Do
Switch = False
For i = 1 To Limite
If Nombre(i) < Nombre(i + tFin) Then
tPermt = Nombre(i)
Nombre(i) = Nombre(i + tFin)
Nombre(i + tFin) = tPermt
Switch = i
End If
Next i
Limite = Switch
Loop While Switch
tFin = tFin \ 2
Loop
For i = 1 To CantHijoGene
Cells(i + 1, 6) = Nombre(i)
Next i
'Rotulando los mejores valores

For i = 1 To CantHijoGene / 2
.Cells(i + 1, 9).Value = .Cells(i + 1, 6).Value
.Cells(i + (CantHijoGene / 2) + 1, 9).Value = .Cells(i + 1, 6).Value
Next i
End With
End Sub
PASO 4: CROSSOVER O CRUZAMIENTO
Public Sub Crossover()
Dim i, corte As Integer

Dim Temp1, Temp2, Padre1, Padre2, PrePadre1, PrePadre2 As String
Dim Cadena1, Cadena2 As String
'Convirtiendo a Binario
.Cells(i, 10) = DecToBin(.Cells(i, 9))
Next i
Randomize
For i = 2 To CantHijoGene Step 2
'Punto de Cruce creado aleatoriamente

corte = Int(Rnd() * (8 - 1) + 1) 'Para 8 bits
.Cells(i, 12) = corte

'Completamos los valores de la cadena con ceros
Cadena1 = "00000000" 'Total de Bits con los que se trabajaran
Cadena2 = "00000000" 'para cruzar los dos padres a recombinar
'Cadenas que se cruzarán y formarán los dos padres

Temp1 = .Cells(i, 10)
Temp2 = .Cells(i + 1, 10)
'Padres convertidos en Bits, para ejecutar el Crossover

Mid(Cadena1, 9 - Len(Temp1)) = Temp1 'Padre1
Mid(Cadena2, 9 - Len(Temp2)) = Temp2 'Padre2
Padre1 = Cadena1 'Asignar padre Nº 1

Padre2 = Cadena2 'Asignar padre Nº 2
PrePadre1 = Cadena1 'Padre Temporal 1

PrePadre2 = Cadena2 'Padre Temporal 2
'Ejecutar la Recombinación o Crossover

Mid(Padre1, 9 - corte) = Mid(PrePadre2, 9 - corte, corte)
Mid(Padre2, 9 - corte) = Mid(PrePadre1, 9 - corte, corte)
.Cells(i, 11) = Padre1

.Cells(i + 1, 11) = Padre2
Next i
End With
End Sub
PASO 5: MUTACIÓN
Public Sub Mutacion()
Dim i, TotalAlelos, TotalMutac As Integer

Dim mutar, bit As Integer
Dim Cadena, Temp, num As String
'Copiar los cromosomas, para sobreponer los bits mutados
.Cells(i, 13) = .Cells(i, 11)
Next i
'Porcentaje total de alelos (Bits x CantHijoGene)

TotalAlelos = 8 * CantHijoGene '8 es el número de bits con los que se trabajará en
toda la aplicación
TotalMutac = Int(TotalAlelos * Val(frmControl.txtPorcMuta.Text) / 100)
For i = 1 To TotalMutac
'Seleccionar aleatoriamente un cromosoma para mutar
mutar = Int(Rnd() * (CantHijoGene) + 2)
'Iniciar los valores de la cadena con ceros

Cadena = "00000000"
'Valor del vector a mutar

Temp = .Cells(mutar, 11)
'Cadena completa para mutar

Mid(Cadena, 9 - Len(Temp)) = Temp 'Cadena para mutar
'Seleccionar al azar "1" de los "8" bits

bit = Int(Rnd() * (8 - 1) + 1)
num = Mid(Cadena, 9 - bit, 1)
'Mutar el gen (bit) seleccionado

If num = "1" Then
num = "0"
Else
num = "1"
End If
Mid(Cadena, 9 - bit, 1) = num 'Cadena mutada
.Cells(mutar, 13) = Cadena 'Cromosoma mutado
'mostrar el punto mutado

.Cells(mutar, 14) = bit
Next i
PASO 6: ELECCIÓN
'Convertir los datos obtenidos a decimales
.Cells(i, 15) = BinToDec(.Cells(i, 13))
'Penalizar
Temp = .Cells(i, 15)
While Temp > 10E6
Temp = Temp – 10E6
Wend
.Cells(i, 16) = Temp
'Mejores Padres
If .Cells(i, 16) >= .Cells(i, 4) Then
Else

End If
Next i
End With
End Sub

6. Elección del mejor sistema de rutas de

TPCU obtenido
Como fue presentado en el capítulo anterior, el algoritmo genético permite,
mediante un proceso iterativo de análisis de poblaciones de sistemas de rutas de
TPCU generadas aleatoriamente y su correspondiente evaluación en la función
multiobjetivo formulada, ir encontrando soluciones cada vez más óptimas, que
presentan mejores resultados en comparación con la población anterior, hasta
identificar la más cercana a la mejor solución, luego de un barrido exhaustivo del
espacio casi infinito de soluciones posibles.
Para este trabajo de investigación llegaron a evaluarse más de 1 millón de

poblaciones, cada una compuesta por 100 cromosomas o sistemas de rutas de
TPCU generados, en la primera iteración de manera aleatoria, y en las
subsiguientes como producto de los procesos de selección, cruzamiento y
mutación que permite desarrollar el algoritmo genético mediante la alteración de
sus códigos o genes.
La cantidad máxima de iteraciones es establecida por el investigador, luego de

encontrar un punto de convergencia, donde los resultados no logren alcanzar
mayor optimización más respecto de los ya obtenidos en iteraciones anteriores.
La siguiente tabla presenta un resumen de la cantidad de sistemas evaluados

mediante el desarrollo y aplicación del algoritmo genético descrito anteriormente
para alcanzar convergencia.
Elección del mejor sistema de rutas 103
Tabla 6-1: Cantidad de sistemas de TPCU analizados en el algoritmo genético
Alternativa
Número Intervalo Capacidad Secuencia Esc Longitud
generación IPK
de rutas máximo máxima OD Evalua total km
soluciones
1 Aleatoria Variable Variable Aleatoria 10+E6 7.776 1,04
2 Fija Variable Variable Aleatoria 50+E6 6.854 1,17
3 Mixta Variable Variable Aleatoria 30+E6 4.336 1,86
4 Variable Variable Variable Secuencial 20+E6 3.209 2,51
De esta manera, y como fue mencionado párrafos antes, las diferentes alternativas
de generación aleatoria de sistemas, fue conduciendo a soluciones cada vez más
optimizadas. Esto debido, a que a medida que avanzaba el trabajo, el investigador
iba identificando oportunidades de realizar mejoras y ajustes al algoritmo genético,
hasta llegar a la alternativa 4, en la cual se superaron los problemas de la
separación de los segmentos y la homogenización de sus magnitudes. La tabla
anterior evidencia el progreso obtenido.
Finalmente, el sistema de rutas de TPCU que mejores resultados obtuvo fue

encontrado en una de las poblaciones de la alternativa 4 de generación, el cual
tiene una longitud total recorrida por las rutas durante el periodo de análisis (hora
pico) de 3.209 kilómetros, lo que conduce a un IPK total del sistema de 2,51 pax/km
y a un tiempo de viaje de todos los usuarios del sistema de cerca de 210.000
minutos.
Este sistema se elige luego de que se identifica que la aplicación del algoritmo
genético no conduce a mejores soluciones, siendo marginal la optimización de los
sistemas luego de la población 200.000.
El sistema obtenido orienta el diseño de un total de 13 rutas de TPCU, las cuales

se presentan en la siguiente tabla.
Tabla 6-2: Sistema de rutas seleccionado
No Ruta Sentido Longitud (Km)
1 101 E-N 11,7

2 101 N-E 11,3
3 102 E-S 10,5
4 102 S-E 9,8
5 103 N-S 15,4
6 103 S-N 17,0
7 104 E-N 10,0
8 104 N-E 11,5
9 105 E-S 14,8
10 105 S-E 15,1
11 106 E-N 11,2
12 106 N-E 10,1
13 107 N-S 24,4
14 107 S-N 23,4
15 108 E-N 10,5
16 108 N-E 12,2
17 109 E-N 9,9
18 109 N-E 9,9
19 110 E-S 12,1
20 110 S-E 10,7
21 111 N-S 10,9
22 111 S-N 10,0
23 112 N-S 11,9
24 112 S-N 10,9
25 113 N-S 12,0
26 113 S-N 11,7

Elección del mejor sistema de rutas 105
Una vez seleccionado el mejor sistema de rutas de TPCU obtenido a través del
proceso iterativo del algoritmo genético, se procede a realizar su comparación con
otros sistemas que hayan sido diseñados a través de los métodos heurísticos
convencionales, con el fin de poder validar la hipótesis de este trabajo investigativo,
sustentando la tesis de que un sistema obtenido mediante herramientas y modelos
matemáticos conduce a unos potenciales beneficios en cuanto a la cantidad de
recursos necesarios y en relación con el nivel de servicio que se le presta al usuario
del mismo.
Lo anterior redundará en sistemas más óptimos que contribuyan al mejoramiento

de estos sistemas en las ciudades intermedias de Colombia, pues permitirá superar
fallas estructurales asociadas a la sobreoferta, el paralelismo, la baja ocupación,
el exceso de parque automotor, los altos tiempos de espera y de viaje, entre otros.
7. Validación del modelo diseñado

La validación del sistema seleccionado, obtenido mediante la aplicación y uso del
algoritmo genético para solucionar el problema de optimización multiobjetivo
formulado, como fue descrito en los capítulos anteriores, se realiza mediante el
contraste de indicadores operativos y de servicio del mismo en comparación con
otras dos opciones de diseño determinadas, obtenidas mediante métodos
convencionales.
Como ya fue mencionado, Neiva, Huila, fue seleccionada como la ciudad que sirve
como caso de prueba de la validación, puesto que, no solo reúne las principales
problemáticas de TPCU que son comunes a las ciudades intermedias en Colombia,
sino que además en el año 2017 su sistema de rutas de transporte público colectivo
urbano fue rediseñado en el marco de la estructuración del Sistema Estratégico de
Transporte Público (SETP) de la ciudad. Dicho rediseño fue elaborado por el
CONSORCIO CAL Y MAYOR - IKON en el marco del Contrato de Consultoría No.
109 de 2017 que tuvo por objeto la “Elaboración de la Estructuración Técnica, Legal
y Financiera de Detalle del Sistema Estratégico de Transporte (SETP) de la ciudad
de Neiva”; el cual empleó métodos tradicionales en el medio, a visión de experto,
para realizar este rediseño del sistema actual.
Es así como el presente capítulo constituye el análisis de resultados para el

desarrollo del trabajo de investigación, a partir de los resultados obtenidos para el
diseño del sistema de rutas de TPCU obtenido por medio del modelo matemático
multiobjetivo formulado en este trabajo y su comparación con dos escenarios clave
mediante un modelo de transporte desarrollado en PTV Visum, a fin de determinar
Validación del modelo diseñado 107
si éste cumple con las características y requerimientos para la formulación de un

sistema de rutas de TPCU y cuáles son sus potenciales beneficios al poderse
aplicar.
Se muestra entonces la definición de variables o indicadores de comparación, los

cuales se han seleccionado a partir de la información primaria y secundaria de la
investigación, se definen además los tres escenarios a comparar haciendo una
breve descripción de cada uno, posteriormente se cuantifican las variables y,
finalmente, se realiza la comparación de resultados y la validación del modelo por
medio de la construcción de una matriz multicriterio.
7.1 Determinación de variables de comparación

Con el fin de realizar la comparación entre los tres escenarios propuestos, se hace
necesario definir las variables de comparación mediante la información con la que
se cuenta de cada sistema de rutas, en este caso se considera información
geográfica, temporal y operacional de los sistemas, la cual pueda ser objeto de
validación y comparación como parámetros que representen las características de
los sistemas de la manera más adecuada.
Luego de una revisión exhaustiva de información relacionada, el desarrollador de

este trabajo de investigación definió que las variables de comparación a tener en
cuenta dentro de la validación del modelo obtenido en este trabajo, dado que
representan de manera acertada tanto los intereses de los usuarios como los de
los operadores de los sistema, son las mostradas en la Tabla 7-1.
Estas variables representan los aspectos más comunes que son utilizados en la
práctica para evaluar las bondades de un sistema de rutas de TPCU, puesto que
permiten cubrir los elementos más importantes que toma en consideración un
usuario al momento de realizar su elección modal, a la vez que también permiten
medir el grado de eficiencia del sistema, en relación a recursos utilizados y la
adherencia entre la oferta y la demanda del servicio.
Tabla 7-1: Determinación de variables
VARIABLE DE
NOTACIÓN DESCRIPCIÓN FÓRMULA
COMPARACIÓN
Siendo una de las bases

principales del modelo, el
IPK es una de las
variables que más
INDICE DE
información puede revelar
PASAJEROS
IPK en cuanto a la eficiencia y
POR
efectividad operacional
KILÓMETRO
del sistema. Índica
cuántos pasajeros se
transportan por kilómetro
recorrido en el sistema.
La cobertura espacial se
establece como el alcance
geográfico que tienen las
rutas del sistema de
COBERTURA transporte que se utiliza,
CE
ESPACIAL refiriéndose a la
disponibilidad de
transporte entre todos los
orígenes y destinos de la
ciudad.
Se refiere a la capacidad
que tiene la ruta del
COBERTURA sistema de alcanzar la
CT
TEMPORAL mayor longitud posible
mediante el recorrido del
cual se debe disponer.
Variable con la cual se

establece el tiempo que
se tardará el vehículo en
TIEMPO DE
TV recorrer la totalidad de la
VIAJE
ruta propuesta por el
sistema, desde su origen
a su destino.
Se establece como la
duración de un usuario en
TIEMPO DE el paradero del sistema,
TE
ESPERA hasta que el vehículo está
disponible en el
transcurso de la ruta.
Se refiere al número de
TAMAÑO DE LA vehículos que hacen parte
TF
FLOTA del parque automotor del
sistema.
Variable que representa la

LONGITUD
LT distancia total de las rutas
TOTAL
que utiliza el sistema.
NÚMERO
Representa la cantidad de
TOTAL DE NR
rutas del sistema
RUTAS
7.2 Escenarios de comparación

Posterior a la identificación y determinación de las ocho (8) variables que van a ser
empleadas para el proceso de validación de los potenciales beneficios del diseño
del sistema de TPCU de Neiva, Huila, mediante un modelo matemático
multiobjetivo solucionado a través de un algoritmo genético, se establecieron
cuáles iban a ser los tres (3) escenarios contrastados.
A partir de lo anterior, el presente numeral, comprende la selección y descripción

de los diferentes escenarios a evaluar para la validación del modelo, teniendo como
estudio de caso la ciudad de Neiva en el departamento del Huila.
En este caso se han considerado tres (3) escenarios los cuales describen de
manera precisa el comportamiento del TPCU de la ciudad bajo diferentes enfoques:
el primero un sistema de transporte de la manera tradicional, el segundo un sistema
diseñado para la implementación de un Sistema Estratégico de Transporte Público
que busca la mejora en las condiciones de movilidad de la ciudad pero que de igual
manera ha sido formulado bajo el método tradicional y, el tercero, el obtenido por
medio del desarrollo de este trabajo de investigación que busca obtener un sistema
de rutas más óptimo bajo la formulación de un modelo matemático multiobjetivo
aplicando algoritmos genéticos.
El investigador considera que la comparación de estos (3) enfoques, permitirá

satisfacer el objetivo de este trabajo, el cual busca establecer si existe oportunidad
de obtener beneficios al diseñar sistemas de rutas de TPCU mediante un modelo
matemático en contravía con los heurísticas tradicionales de “prueba y error”, a
visión de experto.
A continuación se describe, de manera general, cada uno de los tres escenarios a

evaluar.
7.2.1 Escenario 1: situación actual
El escenario uno (1) representa el diagnóstico de la situación actual del sistema de

transporte público colectivo urbano (TPCU) para la ciudad de Neiva, éste
diagnóstico se ha obtenido a partir de un exhaustivo análisis de la información
secundaria recolectada a lo largo del desarrollo del trabajo de investigación.
Allí se encontró que el diseño de rutas se realizó de manera empírica, sin ningún
sustento técnico y sin la realización de estudios, razón por la cual la operación del
TPCU de Neiva presenta sobreoferta de rutas, paralelismo, falta de cobertura,
exceso de paradas, entre otros aspectos que derivan en una mala prestación del
servicio, ya que las rutas establecidas obedecen a diseños tradicionales
acompañados de malas estructuras empresariales. La Ilustración 7-1 muestra la
oferta de rutas en la situación actual.
Ilustración 7-1. Oferta de rutas TPCU actual

7.2.2 Escenario 2: Sistema Estratégico de Transporte Público

SETP
El segundo escenario representa el SETP de la ciudad de Neiva. El diseño de éste

fue realizado por la firma Cal y Mayor en el año 2017, por medio de procesos
iterativos, a visión de experto, a partir de la identificación de las respectivas líneas
de deseo de los usuarios actuales y potenciales con base en la matriz origen-
destino de transporte público, probando diferentes esquemas de rutas (circulares,
radiales, etc.) hasta obtener un sistema equilibrado entre la eficiencia y la calidad
del servicio prestado al usuario, sin utilizar algún método que permitiera garantizar
que el resultado obtenido llegara a ser lo más cercano posible al óptimo,
simplemente empleando un proceso heurístico subjetivo de prueba y error a visión
de experto que no garantizan diseños más óptimos en el uso de recursos como lo
exige el contexto social y económico actual del país. La Ilustración 7-2 muestra la
oferta de rutas del SETP.
7.2.3 Escenario 3: Modelo Matemático Multiobjetivo

El tercer escenario representa el resultado del desarrollo del trabajo de
investigación, por medio de la aplicación de un modelo matemático multiobjetivo y
un algoritmo genético en donde se buscó optimizar el IPK y el tiempo de viaje de
los usuarios, obteniendo finalmente 13 rutas diametrales de acuerdo a los patrones
de viaje de la ciudad de Neiva. El modelo matemático permite entonces tener una
herramienta para la toma de decisiones en cuanto al sistema de transporte público
colectivo urbano de las ciudades intermedias del país, siendo en este caso Neiva
el caso de estudio. La Ilustración 7-3 muestra la oferta de rutas para el escenario del
MMM.
Ilustración 7-2. Oferta de rutas SETP

Ilustración 7-3 Oferta de rutas escenario modelo matemático multiobjetivo

7.3 Cuantificación de variables
El presente aparte comprende la cuantificación de las variables determinadas para

llevar a cabo la validación del modelo matemático. A continuación se enumerará
cada una de las variables mostrando el valor obtenido para cada una para los tres
escenarios a evaluar, en los casos de los escenarios 1 y 2 los valores se han
obtenido por medio del procesamiento de información secundaria, para el
escenario 3 se han utilizado los valores arrojados por el modelo matemático y/o su
modelación en la herramienta PTV Visum.
7.3.1 Índice de pasajero por kilómetro (IPK):

El primer parámetro a calcular entre los sistemas de comparación, es el valor del
índice de pasajeros por kilómetro recorrido de cada uno.
Este parámetro se obtiene sencillamente mediante la determinación de la longitud

total recorrida por todas las rutas que componen el sistema durante la hora pico.
Para ello debe considerarse la frecuencia de los despachos y la longitud de cada
ruta.
Por medio del cálculo de la demanda OD total para cada sistema y la longitud total
de cada uno, se obtuvo el valor de IPK para cada escenario con el fin de evaluar el
desempeño de cada sistema, el cual se muestra en la Tabla 7-2.
Tabla 7-2: Comparativo IPK
ESCENARIO Actual SETP MODELO

IPK (pax/km) 1,39 2,12 2,51
Al realizar un análisis al valor del IPK, es importante tener en cuenta que siendo
una medida de la eficiencia del sistema, se espera que su valor sea alto ya que
representará la eficiencia del sistema a evaluar.
En este caso en la Tabla 7-2 se puede observar que el escenario actual tiene el
valor más bajo de IPK, seguido del escenario del SETP y del obtenido por el modelo
matemático de la tesis, lo que muestra que el sistema más eficiente es el del
escenario 3 ya que su valor de IPK es el más alto y está mostrando al sistema más
eficiente ya que éste mueve más cantidad de personas por cada kilómetro
recorrido.
Por su parte el valor tan bajo para el escenario 1 puede deberse principalmente a
que en el transporte convencional no se ha realizado ningún tipo de optimización
en el uso de los vehículos del sistema la cual podría mejorarse con una
programación de servicios realizada técnicamente, entre otros.
Este parámetro es el principal insumo para la evaluación financiera de los sistemas,

por tanto su valor es primordial para establecer la eficiencia y aprovechamiento de
recursos de un determinado sistema, lo que conducirá a obtener tarifas más bajas
y a reducir notablemente los costos de operación de los servicios.
7.3.2 Cobertura espacial

La cobertura espacial de un sistema es una medida que tiene relación con la
capacidad que tiene un sistema de TPCU de brindar servicio a todo un territorio,
incluyendo sus zonas más apartadas.
La determinación de este valor es relativamente fácil, pues consiste en una

comparación entre el área urbana de la ciudad y el área de servicio de cualquier
sistema, medido este último como una franja a lado y lado de los servicios, con
distancia menor a 300 metros, la cual es considerada como la cuenca de cobertura
de una ruta.
La Ilustración 7-4:, la Ilustración 7-5: y la Ilustración 6-6 muestran la distribución de

rutas de TPCU en la ciudad de Neiva, para los escenarios 1, 2 y 3 respectivamente.
A estas rutas se les realizó un análisis espacial de cobertura por medio de un buffer
o zona de influencia de 300 metros, el cual arrojó la cobertura de cada sistema de

rutas para el área urbana de la ciudad de Neiva.
Ilustración 7-4: Cobertura TPCU actual

Ilustración 7-5: Cobertura SETP

Ilustración 7-6: Cobertura modelo

A partir del buffer trazado, se obtuvo el área de éste y teniendo el área urbana total
de Neiva, Huila, se calculó la cobertura espacial para los tres escenarios
analizados, por medio de la comparación entre estas áreas. La Tabla 7-3 muestra
los resultados obtenidos para cada caso.
Tabla 7-3: Comparativo cobertura espacial
Cobertura espacial (%) 85% 99% 96%

Como se puede observar, la mayor cobertura espacial se presenta en el escenario

perteneciente al SETP, mientras que el sistema de transporte actual presenta
únicamente una cobertura del 85%.
En este punto es importante destacar, que el diseño de rutas obtenido mediante el

modelo matemático multiobjetivo formulado, no considera el trazado de rutas por
zonas espaciales que no contengan viajes dentro de la matriz OD que se utilice
como base para la evaluación del modelo. Por tanto, es importante que el tomador
de decisiones, consiente de esta falencia, supla el trazado hacia esas zonas, con
el fin de brindar una cobertura más acorde a la ciudad.
En este caso, fue necesario prolongar dos rutas, con el objeto de alcanzar lugares
apartados del territorio que no reportaron viajes en la matriz OD, lo que permitió
alcanzar una cobertura del 96% de la ciudad.
Lo anterior constituye una oportunidad importante de mejora para mejorar la

formulación del problema en investigaciones posteriores.
7.3.3 Cobertura temporal
Debido a que el indicador anterior desconoce la temporalidad con la que se atiende

la demanda, se hace necesario evaluar el problema también desde esta dimensión.
Con este fin se analiza el parámetro de la cobertura temporal de la demanda,

entendido como el tiempo promedio que debe esperar un usuario para que pase
un servicio determinado.
En este caso, este indicador se determinó como el promedio aritmético de la

frecuencia de todas las rutas de cada sistema, lo que condujo a un valor
representativo de cada uno.
La cobertura temporal para cada escenario se muestra en la Tabla 7-4 .
Tabla 7-4: Comparativo cobertura temporal

Cobertura temporal (min) 12,0 7,1 7,0
Como se puede observar en la Tabla 7-4, para el escenario actual el valor de la

cobertura temporal se encuentra en 12 minutos, el escenario del SETP tiene un
valor de 7,1 minutos y en el escenario del modelo es de 7 minutos, en este caso la
eficiencia se muestra con el valor más bajo por lo que el mejor valor es el del
escenario 3, ya que al relacionar directamente el intervalo del sistema con el total
de rutas, se obtiene una medida de eficiencia del sistema ya que entre más bajo
sea el intervalo de las rutas de transporte público mejor será su cobertura temporal
pues tardará menor tiempo en satisfacer las necesidades de la demanda del
sistema. En cuanto al escenario del SETP su valor es similar al del escenario del
modelo por lo que se considera que es bueno, mientras que el escenario actual
muestra un valor que casi duplica a los dos escenarios en comparación, mostrando
que los intervalos de las rutas de este sistema son bastante altos y por ende su
cobertura temporal es ineficiente.
Al revisar a detalle se encontró que cerca del 80% de los servicios del sistema
obtenido mediante el modelo matemático multiobjetivo presentaron intervalos de
paso menores o iguales a 5 minutos, y el 30% menores o iguales a 3 min, lo cual
significa que el diseño condujo a un sistema con altos estándares de atención al
usuario, pues un intervalo de esta magnitud corresponde a un nivel A.
7.3.4 Costo generalizado del transporte

La determinación del costo generalizado de transporte de los usuarios es, junto al
indicador de IPK, la medida más importante de la evaluación de la eficiencia de un
sistema de transporte público colectivo urbano, pues permite realizar la evaluación
desde la óptica de los usuarios del sistema.
Conseguir diseños de sistemas que proporcionen a los usuarios bajos costos en

comparación con otros modos de transporte, lo hará altamente atractivo como
solución de viaje, favoreciendo la partición modal hacia éste.
En este sentido, el costo generalizado de transporte, se ha definido acá como la

suma de los tiempos medios de acceso, espera y viaje a bordo de los usuarios de
las rutas del sistema evaluado.
Este aspecto, dada la complejidad de su análisis, debió ser simulado por medio de
una modelación del sistema en un software especializado. En este caso se ha
utilizado PTV Visum.
Con este fin se utilizó el mismo modelo de transporte que se empleó en la

estructuración del SETP de la ciudad de Neiva, Huila, el cual, en ese entonces, fue
calibrado utilizando los datos de demanda del sistema convencional. Lo anterior
permitió garantizar que la herramienta de simulación con la que se contaba era
totalmente estándar para la evaluación de los tres (3) sistemas de análisis de este
trabajo de investigación, por tanto, los valores obtenidos son comparables entre sí.
En ese sentido, se evaluó el nuevo diseño de rutas de TPCU, producto de este

trabajo de investigación, en la herramienta de modelación, utilizando las mismas
matrices de viajes y parametrización de las funciones de utilidad de los usuarios,
que en los casos anteriores.
Luego de surtido este proceso, la Tabla 7-5 muestra, para este caso, que el menor
valor promedio de costos generalizado de transporte es de 25,2 min para el diseño
del escenario del SETP, siendo el más favorable ya que representa que los
usuarios tienen acceso más rápido al transporte y el tiempo de viaje es menor; en

el caso del escenario del modelo el valor obtenido es de igual forma favorable ya
que no dista del valor del SETP, mientras que el escenario actual presenta un valor
elevado que muestra que una persona permanece en promedio más de 30 minutos
en el sistema.
Tabla 7-5: Comparativo costo generalizado del transporte

Costo generalizado del transporte (min) 31,4 25,2 26,0
Fuente: elaboración propia
7.3.5 Tamaño de la flota

El tamaño de la flota de cada sistema se determinó mediante la cuantificación del
número de buses necesarios por cada ruta para atender la hora de mayor demanda
del sistema, en función del intervalo máximo permitido y el segmento de mayor
carga de cada servicio.
El tamaño de la flota para cada escenario se muestra en la tabla Tabla 7-6.
Tabla 7-6: Comparativa tamaño de la flota

Tamaño de la flota (buses) 400 271 219
De la Tabla 7-6 se puede concluir que el sistema que presenta mayor favorabilidad
en cuanto al tamaño de la flota es del modelo con 219 vehículos de transporte
público, seguido del escenario del SETP con 271 y finalmente el escenario actual
con 400. Se tiene en cuenta la mayor favorabilidad con menor número de vehículos
en la flota ya que se requiere de menos parque automotor para satisfacer las
necesidades del sistema de transporte y cubrir la demanda del mismo, generando
así, beneficios al sistema como menores costos al operar y mantener la flota de
vehículos.
7.3.6 Longitud total

La cuantificación de la variable relacionada con la longitud total del sistema se
muestra en la Tabla 7-7 , donde se da un valor para cada escenario analizado.
Tabla 7-7: Comparativo longitud total

Longitud total (Km) 5.793 3.810 3.209
En este caso, el mejor indicador para el sistema es el que tiene el menor valor de
longitud, es decir, el escenario del modelo ya que tiene una longitud total de 3.209
metros, mientras que el escenario del SETP tiene 3.810 metros y el escenario
actual 5.793. La razón por la cual es escenario del modelo es mejor en este análisis
es porque recorre una menor longitud a lo largo de la ciudad y cubre las
necesidades del sistema, derivándose de allí de igual manera menores tiempos de
viaje y demostrando un trazado óptimo en las rutas de transporte. Mientras que el
escenario actual es el más crítico ya que tiene menor cubrimiento espacial y
temporal y recorre una longitud mucho más elevada demostrando la deficiencia en
el trazado de sus rutas.
7.3.7 Número de rutas

En cuanto al número de rutas para cada sistema, la Tabla 7-8 muestra los valores
obtenidos en cada caso, considerando el doble sentido de los servicios.
Tabla 7-8: Comparativo número de rutas

Longitud total (Km) 74 32 26
En cuanto al número de rutas y al igual que en el caso anterior, el escenario más

favorable es el del modelo con menor número de rutas, 26 considerando ambos
sentidos o 13 en total, seguido del SETP con 32 y el actual con 74. De estos valores
se puede concluir que el mejor escenario es el del modelo ya que con un bajo
número de rutas logra satisfacer todo el sistema de transporte, cubriendo no

únicamente la demanda de usuarios sino que también el área geográfica de la
ciudad; mientras que para el sistema actual se nota de nuevo una deficiencia ya
que cuenta con casi el triple de rutas que el escenario modelo y sin embargo no
logra cubrir las necesidades en la demanda de la población de la ciudad, mostrando
así que no se necesita de un gran número de rutas de TPCU para ser un sistema
eficiente que satisfaga las necesidades del sistema y a un bajo costo.
7.3.8 Transferencias
Este indicador también fue obtenido mediante el modelo de transporte en PTV
Visum, de acuerdo a las condiciones descritas con anterioridad, lo que permitió
estimar el porcentaje de transferencias de cada sistema. Este valor es obtenido
como la relación porcentual entre la cantidad de los viajes que presentaron al
menos 1 trasbordo y la cantidad total de viajes del sistema.
Esta variable se encuentra relacionada con las transferencias o los transbordos en

el sistema de transporte que debe realizar el usuario con el fin de llegar a su
destino, la Tabla 7-9 muestra el porcentaje de transferencias para cada escenario
evaluado.
Tabla 7-9: Comparativo transferencias

Transferencias (%) 1,5 15,2 8,2
Fuente: Elaboración propia
En este caso, el escenario más favorable resulta siendo el actual con un 1,5% de
transferencias, mientras que el escenario más desfavorable es el del SETP ya que
el porcentaje de transferencia supera 15 veces al actual con un valor de 15,2%, en
donde se establece que a menores transferencias el usuario del sistema se sentirá
más cómodo ya que necesitará de un único servicio de transporte para realizar su
recorrido.
El modelo generado con el algoritmo genético logra una importante eficiencia en

este aspecto, en comparación con el rediseño del SETP, con apenas el 8,2% del
total de los viajes.
8. Comparación de resultados obtenidos
Finalmente, el presente aparte comprende la comparación de resultados de los tres
(3) escenarios evaluados, presentados en el capítulo anterior, con el fin de
establecer cuál es el mejor escenario el cual satisfaga las necesidades de los
usuarios y de los operadores, y que brinde los mejores indicadores en cuanto a
eficiencia del sistema.
Mediante esta comparación podrá establecerse si la hipótesis de este trabajo de

investigación es válida o si, por el contrario, se rechaza por no encontrarse los
argumentos suficientes que permitan concluir si realmente existen beneficios
ostensibles al diseñar un sistema de rutas de TPCU mediante la utilización de un
modelo matemático multiobjetivo de optimización, solucionado mediante un
algoritmo genético, en contraste con los resultados obtenidos mediante los
métodos convencionales que se usan en el medio.
Ésta comparación se realizará por medio de una matriz multicriterio la cual se

describe a continuación.
8.1 Escala de valoración

Con el fin de realizar la comparación de resultados se ha establecido el utilizar una
matriz multicriterio que permita el análisis de los diferentes escenarios y de los
valores obtenidos para cada indicador, por medio de un análisis que establezca un
estándar de comparación y permita evaluarlos a todos por igual sin tener en cuenta
aspectos tales como las diferentes unidades de medida de cada indicador.
En este caso con el fin de facilitar el proceso y estandarizarlo, se estableció una

escala de evaluación la cual se muestra en la Tabla 8-1, donde 1 resulta siendo el
valor más desfavorable, 2 es medianamente favorable y 3 será el más favorable.
Tabla 8-1: Escala de valoración
ESCALA DESCRIPCIÓN
1 Desfavorable
2 Medianamente favorable
3 Más favorable
Fuente: Elaboración propia
8.2 Evaluación de los indicadores
Posterior a la definición de la escala de valoración de los indicadores obtenidos, se

procede con la evaluación de los resultados de cada sistema.
A partir de lo anterior, la Tabla 8-2 muestra el resumen de los resultados obtenidos

para indicador los cuales fueron analizados en el aparte anterior.
Tabla 8-2: Resumen resultados obtenidos

Costo Número
Tamaño
IPK generaliza Cobertura Cobertura total de
de la Longitud Transferenc
Escenario (pax/ do de espacial temporal rutas
flota total (Km) ias (%)
km) transporte (%) (min) (Unidade
(buses)
(min) s)
ACTUAL 1,39 31,4 85% 12,0 400 5.793 74 1,5
SETP 2,12 25,2 99% 7,1 271 3.810 32 15,2
MODELO 2,51 26,0 96% 7,0 219 3.209 26 8,2

Comparación de resultados obtenidos 129
Los resultados anteriores, son valorados de acuerdo a la escala determinada donde

1 es el resultado más desfavorable y 3 el más favorable.
La Tabla 8-3 muestra la aplicación de la escala para estandarizar los resultados a

partir de la cual se realizará la matriz multicriterio.
Tabla 8-3: Evaluación de indicadores

Escenario IPK Costo Cobertura Cobertura Tamaño Longitud Número Transferencias
generalizado espacial temporal de la total total de
de flota rutas
transporte
ACTUAL 1 1 1 1 1 1 1 3
SETP 2 3 3 2 2 2 2 1
MODELO 3 2 2 3 3 3 3 2
8.3 Ponderación de los indicadores

Teniendo la escala de valoración que permite estandarizar, se hace necesario de
igual manera establecer porcentajes de ponderación para cada uno de los
indicadores, el cual dependerá directamente de la importancia de cada uno, la cual
viene dada en cuanto a la importancia de cada indicador en el desempeño del
sistema.
Para establecer el peso de cada indicador en la evaluación final de los escenarios,

el investigador analizó su importancia en función de los objetivos propios de este
trabajo, los cuales buscaban conducir a la obtención de diseños de rutas de TPCU
que permitieran tener un balance entre los intereses tanto de los usuarios como de
los operadores, representado principalmente en el valor del IPK y al costo
generalizado del transporte por ser las variables clave en el desarrollo del modelo
matemático.
Lo anterior condujo a la escala de ponderación que se presenta en la Tabla 8-4

dada para cada indicador.
Tabla 8-4: Ponderadores de los indicadores evaluados
Costo
Tamaño Número
generalizado Cobertura Cobertura Longitud
Indicador IPK de la total de Transferencias
de espacial temporal total
flota rutas
transporte
Ponderación 25% 25% 10% 10% 5% 5% 10% 10%
De la tabla anterior se aprecia que los indicadores con un mayor peso dentro de la
evaluación final (50% entre ambos) son los del IPK y el CGT, por las razones
expuestas anteriormente. En un segundo nivel se encuentran: la cobertura
espacial, la cobertura temporal, el número de rutas y el porcentaje de
transferencias; con un peso del 10% cada uno dentro de la evaluación, dado que
representan una medida, aunque menos directa, del nivel de servicio así como del
uso de recursos para la atención de la demanda, por tanto también son importante
en la evaluación, pero con una menor ponderación. Finalmente, en tercer nivel, se
encuentran los indicadores de tamaño total de la flota y la longitud total, los cuales
tienen un menor peso, ya que de una u otra manera son evaluados de manera más
integral en los indicadores anteriores.
8.4 Resultados de la evaluación multicriterio

A partir de lo anterior se construyó la matriz multicriterio multiplicando el valor de
cada indicador por su respectiva ponderación, obteniendo como resultado la Tabla
8-5.
Comparación de resultados obtenidos 131
Tabla 8-5: Matriz multicriterio
Costo
Tamaño Número
generalizado Cobertura Cobertura Longitud
Escenario IPK de la total de Transferencias TOTAL
de espacial temporal total
flota rutas
transporte
ACTUAL 0,25 0,25 0,10 0,10 0,05 0,05 0,10 0,30 1,25
SETP 0,50 0,75 0,30 0,20 0,10 0,10 0,20 0,10 2,20
MODELO 0,75 0,50 0,20 0,30 0,15 0,15 0,30 0,20 2,55
A partir de los resultados de la Tabla 8-5, se puede establecer que a partir de la

escala dada y los valores de ponderación, el escenario más favorable y el mejor en
este caso es del modelo con un valor de 2,55 que es el más cercano a 3, seguido
del escenario del SETP con 2,2 siendo este el medianamente favorable y
finalmente el escenario actual es el más desfavorable con un valor de 1,25.
De los resultados anteriores se concluye que son lógicos teniendo en cuenta las
características de cada uno de los escenarios y como se ha construido cada
sistema de rutas, en el caso del escenario actual, es tan desfavorable ya que su
diseño no tiene ningún tipo de sustento técnico y cada una de las modificaciones
que se le realizan, como inclusión de rutas, de flota, cambios de trazado se realizan
sin ningún tipo de estudio sino que se hacen desde el punto de vista de la persona
encargada del sistema de transporte en ese momento.
En cuanto al resultado obtenido para el escenario del SETP, es un valor

representativo, que ofrece un sistema de transporte medianamente favorable y que
ha mejorado significativamente respecto al escenario actual, pues sus condiciones
operativas son mejores, además de contar con estudios técnicos que lo sustentan
como la solución al sistema de transporte de la ciudad de Neiva. Sin embargo a
pesar de tener sustento técnico, no deja de ser un sistema diseñado a partir de
métodos tradicionales de iteraciones de prueba y error, soportados en “visión de
experto”, en donde no se busca optimizar el resultado y garantizar que éste sea el
que brinde las mejores condiciones al sistema con las variables que éste necesita.
Finalmente, el resultado obtenido para el modelo matemático producto del

desarrollo del proyecto de investigación es satisfactorio ya que es el escenario más
favorable para el sistema de transporte y es una herramienta de toma de decisiones
que se encuentra fundamentada técnica y teóricamente con el desarrollo del trabajo
de investigación, en este caso el sistema de transporte que se ha obtenido como
resultado es producto de un análisis exhaustivo del sistema de transporte de la
ciudad de Neiva, en donde se ha logrado optimizar variables como el IPK y el
tiempo de viaje del usuario las cuales son indicadores de gran importancia en el
momento de establecer la eficiencia de un sistema de transporte público, al haber
realizado este proceso, otras variables como longitud, número de rutas, cobertura,
se vieron beneficiadas y optimizadas de igual manera, obteniendo finalmente un
resultado que deriva en un sistema de transporte con mayor IPK, tiempo de viaje
corto, menor número de rutas, menor longitud recorrida, etc, mostrando que se
puede diseñar un sistema de transporte útil que satisfaga necesidades de
operadores, usuarios y sea amable de igual manera con la ciudad.
Conclusiones y recomendaciones
La realización de este trabajo de investigación logró sustentar suficientemente la
hipótesis de que es posible obtener diseños de rutas de transporte público colectivo
urbano (TPCU) más óptimos en términos de indicadores operacionales y de
prestación del servicio, por medio de la formulación de un modelo matemático
multiobjetivo, cuya función objetivo consideró tanto los intereses de los prestadores
del servicio como de los usuarios, solucionado a partir de una metaheurística
evolutiva como los algoritmos genéticos.
El presente caso de estudio, Neiva Huila, cuenta en la actualidad con un sistema

de rutas de TPCU compuesto por 37 rutas (74 si se cuentan por separado ambos
sentidos de circulación), que operan por medio de una flota que alcanza los 400
buses, cubriendo el 85% de la huella urbana de la ciudad, que moviliza cerca de
8.050 usuarios durante la hora de mayor demanda del sistema, es decir entre las
12:00 y 1:00 pm del día hábil, lo que conduce a un valor de pasajeros por kilómetro
del sistema de apenas 1,39. Si sumado a lo anterior, se considera que la ciudad en
general viene presentando en la última década un fuerte deterioro en la prestación
del servicio de este sistema que ha causado la proliferación de modos alternativos
no sustentables como el vehículo particular, las motocicletas y el mototaxismo (que
en la actualidad alcanzan cerca del 50% de la partición modal de la ciudad), se
puede asegurar que en general existe una crisis de prestación del servicio producto
de fallas estructurales en el diseño y la operación del sistema, tal como sucede en
la gran mayoría de ciudades intermedias y principales del país.
En el marco de la estructuración técnica, tecnológica, legal y financiera del Sistema

Estratégico de Transporte Público Colectivo (SETP), en el año 2018, la Unión
temporal Cal y Mayor – Ikon, desarrolló el rediseño de las rutas de Neiva, por medio
de heurísticas tradicionales de iteraciones sucesivas de asignaciones de diferentes

propuestas de sistemas hasta encontrar valores que resultaran adecuados a la
visión y propósito del experto encargado del diseño. Como resultado de este
proceso, se logró establecer un sistema de oferta de rutas de TPCU compuesto por
16 rutas (32 en ambos sentidos), requiriéndose una flota de 271 buses, con una
cobertura espacial del 99% del territorio y un valor de IPK de 2,12 pasajeros por
kilómetro. Lo anterior supuso una importante optimización del sistema actual,
puesto que redujo en cerca del 57% la cantidad de rutas actuales, aumentó la
cobertura espacial a casi el 100% y maximizó el IPK en un 152% respecto del
sistema actual. Todo lo anterior, condujo a un mejor aprovechamiento de los
recursos disponibles, a la vez que mejoró temas operativos y de prestación del
servicio, en pro de los usuarios y la comunidad, contribuyendo a un mejor
funcionamiento financiero del sistema.
A partir de lo anterior, el presente trabajo de investigación, buscó superar la

importante optimización conseguida del sistema actual en el marco del diseño del
SETP de la ciudad, empleando para ello una herramienta matemática formulada
con dos objetivos principales: minimizar el servicio al usuario (a través del tiempo
de viaje) y maximizar el aprovechamiento del sistema (por medio del valor del
índice de pasajeros por kilómetro), solucionada por medio de un algoritmo genético.
Es así como los resultados obtenidos mediante este proceso investigativo,
permitieron generar el diseño de un sistema de oferta de rutas de transporte público
colectivo urbano de mayor eficiencia, puesto que lograron mantenerse e incluso
superarse muchos de los indicadores operacionales y de prestación del servicio
establecidos para su comparación. En el caso de la cantidad de servicios, el diseño
obtenido vía modelo matemático permitió establecer 13 rutas (26 en ambos
sentidos), que se prestan con una flota total de 219 buses, en una cobertura
espacial del 96% de la huella urbana, un promedio de paso de los buses de 7
minutos, un valor de costo generalizado de transporte (medido en términos de
Conclusiones y recomendaciones 135
tiempo de viaje, tiempo de espera y tiempo de caminata) de 26 minutos en

promedio y un valor de pasajeros por kilómetro de 2,51.
Los resultados anteriores permitieron validar la eficiencia lograda a través del

modelo matemático multiobjetivo formulado, solucionado mediante un algoritmo
genético, puesto que representa una maximización del valor del IPK de cerca del
120% respecto del SETP y del 180% respecto del sistema actual, resultado que se
convierte en una medida fundamental que representa la optimización del sistema
alcanzada vía modelo matemático. Así mismo, en términos de flota, se consiguió
una reducción del 45% respecto del sistema actual y del 20% del SETP. Respecto
de la cantidad de servicios, se redujo en 65% del actual y 20% del SETP. Así
mismo, parámetros de servicio como el intervalo promedio de paso de los buses y
el costo generalizado de transporte (tiempo de viaje, tiempo de espera y tiempo de
caminata) lograron mantenerse similares respecto del diseño del SETP y se
morigeraron en un 40% para el primero y un 25% para el segundo, en comparación
con los valores actuales.
Como oportunidades de mejora del modelo, logró establecerse la necesidad de dar

un mejor tratamiento al tema de la cobertura espacial, puesto que fue necesario
modificar algunos servicios para que dieran cobertura a zonas apartadas de la
ciudad, que no registraron viajes dentro de la matriz OD empleada en la modelación
y por tanto no fueron consideradas por el modelo. Aún así, la cobertura fue menor
respecto del diseño del SETP alcanzando el 96% de territorio, comparado con el
99% de este último. Así mismo, se recomienda realizar una simplificación adecuada
de las zonas de análisis de transporte, así como de la red de infraestructura vial
empleada, puesto que zonas demasiado agrupadas conducirán a valores altos de
transferencias. En este caso, la tasa de transferencias fue del 8%, que comparada
con la del 15% del SETP, significa una reducción de casi el 50%, sin embargo, este
valor sigue siendo elevado para una ciudad como Neiva, dadas sus condiciones
topográficas y climatológicas, lo que hace menos atractivo el uso del sistema.
Para finalizar, se destaca que el modelo matemático y el algoritmo genético,

presentados en este trabajo de investigación, no se constituyen en un método
automático de diseño de rutas, sino que es una verdadera herramienta de apoyo a

la toma de decisiones que orienta a los estructurados y tomadores de decisiones
de estos sistemas hacia el diseño más optimizado de los mismos, como fue
argumentado y demostrado a lo largo de este trabajo de investigación. Por lo
anterior, el papel del experto no desaparece, sino que por el contrario basa sus
decisiones en los resultados del modelo, conduciendo a un mejor aprovechamiento
de los recursos, en pro de la sostenibilidad y competitividad de las ciudades
colombianas.
Para posteriores trabajos de investigación, se recomienda usar el modelo en

ciudades de mayor tamaño y complejidad, que permitan validar sus resultados en
diferentes entornos y mejorar la programación del modelo matemático y el
algoritmo genético para hacerlo cada vez más eficiente.
Bibliografía
Aguado, A., & Jiménez, J. (2013). Optimización de rutas de transporte. Madrid.
Axhausen, K. W., & Smith Jr, R. L. (1984). Evaluation of Heuristic Transit Network
Optimization Algorithms. Transportation Research Record, 7-20.
Baaj, M., & Magmassani, H. (1995). Hybrid route generation heuristic algorithm for the
design of transit networks. Transportation Research Record, 31-50.
Baaj, M., & Mahmassani, H. (1990). A LISP program for the analysis of transit route
configurations. Transportation Research Record, 125-135.
Baaj, M., & Mahmassani, H. (1991). An AI-Based Approach for Transit Route System
Planning and Design. Journal of Advanced Transportation, 187-210.
Barra, A., & Kawamoto, E. (2000). Roteirização de ônibus urbano: escolha de um

método. Engenharia de Tráfego e Transportes 2000: Avanços para, 729-742.
Bayas Meza, P. G. (2011). Estudio y propuesta de nuevas rutas y líneas de transporte

público urbano del Distrito Metropolitano de Quito, caso de aplicación corredor
Sur Occidental del sistema Metro Bus. Quito: Quito,2011.
Cal y Mayor. (2018). Estudio de Estructuración de detalle del SETP de Neiva. Bogotá
D.C.
Caramia, M., Carorenuto, P., & Confessore, G. (2001). Metaheuristics techniques in bus
network optimization. European Strategies in the Globalising Markets, (págs. 16-
18). Helsinki.
Collete, Y., & Siarry, P. (2004). Multiobjetive Optimization Principles and Case Studies.
Berlín: Springer-Verlag Berlin y Heidelberg GmbH & Co. KG.
Durán Micco, J. V. (2016). Optimización en el Diseño de Redes de Transporte Público

con Objetivos Mediambientales mediante Algoritmos Evolutivos. Concepción.
Ehrgott, M., & Gandibleux, X. (2004). Approximative Solution Methods for Multiobjective.
Revista de la Asociación Española de Estadística e, 1-89.
Goldberg, D. (1989). Genetic Algorithms in Search, Optimization and Machine Learning.

Boston: Addison-Wesley Longman Publishing Co., Inc.
Gruttner, E., & Pinninghoff, M. (2002). Recorridos Óptimos de Líneas de Transporte
Público Usando Algorítmos Genéticos. Jornadas Chilenas de Computación.
Instituto SER, d. i. (2003). Bases de una política integral de transporte urbano en

Colombia. Bogotá D.C.
Israel, Y., & Ceder, A. (1995). Transit Route Design Using Scheduling and Multiobjective
Programming Techniques. En J. Daduna, I. Branco, & J. Paixão, Computer-Aided
Transit Scheduling (págs. 56-75). Lisboa: Springer, Berlin, Heidelberg.
Kepaptsoglou, K., & Karlaftis, M. (2009). Transit Route Network Design Problem: Review.
Journal od Transportation Engineering, 491-505.
Mandl, C. (1979). Evaluation and optimization of urban public transportation networks.

European Journal of Operational Research, 396-404.
Mao-Chang, S., Hani S, M., & M. Hadi, B. (1998). Planning and Design Model for Transit
Route Networks with Coordinated Operations. Transportation Research Record,
16-23.
Mauttone Vidales, A. D., Cancela, H., & Urquhart, M. E. (2003). Diseño y optimización de
rutas y frecuencias en el transporte colectivo urbano :modelos y algoritmos.
Montevideo: UR. FI – INCO.
Mauttone, A., & Urquart, M. (2009). A multi-objective metaheuristic approach for the
transit network design problem. Public Transport, 253-273.
Ngamchai, S., & Lovell, D. (2000). Optimal Time Transfer in Bus Transit Route Network
Design Using a Genetic Algotithm. Computer-Aided Scheduling of Public
Transport, 21-23.
Osman, I., & Laporte, G. (1996). Metaheurística: una bibliografía. Annals of Operations
Research, 511-623.
Pattnaik, S., & Mohan, S. (1998). Urban Bus Transit Route Network Design Using Genetic
Algorithm. Journal of Transportation Engineering, 368-375.
Petch, R., & Salhi, S. (2007). A GA Based Heuristic for the Vehicle Routing Problem with
Multiple Trips. Journal of Mathematical Modelling and Algorithms, 591-613.
Rao, K., Krishna, M., & Dhingra, S. (2000). Public Transport Routing And Scheduling
Using Genetic Algorithms. Computer-Aided Scheduling of Public Transport, 21-23.
Shih, M., Mahmassani, H., & M, B. (1998). Planning and Desing Model for Transit Route
Networks with Coordinated Operations. Transportation Research Record, 16-23.
Talbi, E. (2009). Metaheuristics From Desing To Implementation. New Jersey: John

Wiley.
Transporte, M. d., & DNP. (2002). Conpes 3167: Política para mejorar el servicio de
transporte público urbano de pasajeros. Bogotá D.C.
TTC-SYSTRA-GGT, U. T. (2001). Estudio del diseño conceptual del sistema integrado de

transporte masivo para el área metropolitana de Pereira, Dosquebradas, La
Virginia. Pereira.
Ahmet Sen y Kerem Bulbul, “A survey on multi trip vehicle routing problem”. VI international
logistics and supply chain congress, Turklye, 2008.
Arbex, R.O., da Cunha, C.B., 2015. Efficient transit network design and frequencies setting
multi-objective optimization by alternating objective genetic algorithm. Transp. Res. Part B
Methodol. doi:10.1016/j.trb.2015.06.014
Asadi Bagloee, S., Ceder, A. (Avi), 2011. Transit-network design methodology for actual-
size road networks. Transp. Res. Part B Methodol. 45, 1787–1804.
doi:10.1016/j.trb.2011.07.005
Axhausen, K. W. y Smith, R. L. (1984) Evaluation of Heuristic Transit Network Optimization

Algorithms. Transportation Research Record, Vol 976, 7-20.
Ayala Rodriguez Alexander y Gonzalez Butrón Edgar, “Asignación de rutas de vehículos

para un sistema de recolección de residuos sólidos en la acera”, Revista de ingeniería –
Universidad de Los Andes, No. 13, 2001, pp 5-11.
Baaj, M.H., Mahmassani, H.S., 1991. AI-based approach for transit route system planning
and design. J. Adv. Transp. 25, 187–210.
Bagloee, S., Ceder, A. (Avi), 2011. Transit-network design methodology for actual-size road
networks. Transp. Res. Part B Methodol. 45, 1787–1804. doi:10.1016/j.trb.2011.07.005
Borndörfer, R., Grötschel, M., Pfetsch, M.E., 2007. A Column-Generation Approach to Line
Planning in Public Transport. Transp. Sci. 41, 123–132. doi:10.1287/trsc.1060.0161
Baaj, M. H. y Mahmassani, H. S. (1991) An AI-Based Approach for Transit Route System

Planning and Design. Journal of Advanced Transportation, Vol 25(2), 187-210.
Baaj, M. H. y Mahmassani, H. S. (1990) TRUST: A LISP program for the analysis of transit
route configurations. Transportation Research Record, Vol 1283, 125-135.
Baaj, M. H. y Mahmassani, H. S. (1995) Hybrid route generation heuristic algorithm for the
design of transit networks. Transportation Research , Vol 3C(1), 31-50.
Baaj and Mahmassani, Hybrid Route Generation Heuris-tic Algorithm for The Design of
Transit Networks, (1995)
Baldacce Roberto, Mingozzi Aristide y Roberti Roberto, “Recent exact algoritms for solving
the vehicle routing problem under capacity and time windows constraints”, European
journal of operational research, vol. 218, 2011, pp 1-6.
Barra, A. y Kawamoto, E. (2000) Roteirização de ônibus urbano: escolha de um método

apropiado às cidades brasileiras. Engenharia de Tráfego e Transportes 2000: Avanços
para uma era de mudanças. Río de Janeiro: ANPET, 729-742.
Bayas Meza Patricio G., “Estudio y propuesta de nuevas rutas y líneas de transporte
público urbano del distrito metropolitano de Quito, caso de aplicación corredor sur
occidental del sistema metro bus”, tesis grado, magister en ingeniería industrial y
productividad, 2011, escuela politécnica nacional, facultad de ingeniería química y
agroindustrial.
Braysy Oll y Wout Dullaert, “A fast evolutionary metaheuristic for the VRP with time
windows”, International journal on artificial intelligence tools, vol. 12, 2003, pp 153-172.
Bruce Golden, Raghavan S. y Wasil Edward, “The vehicle routing problem: latest advances
and new challenges”. Springer, New York, 2008, pp 3-122.
Caramia, M., Carotenuto, P. y Confessore, G. (2001) Metaheuristics techniques in bus

network optimization. NECTAR Conference no 6 EUROPEAN STRATEGIES IN THE
GLOBALISING MARKETS; Transport Innovations, Competitiveness and Sustainability in
the Information Age, 16-18 Mayo de 2001, Helsinki, Finlandia.
Ceder, A. e Israeli, Y. (1998) User and Operator Perspectives in Transit Network Design.
Transportation Research Record, Vol 1623, 3-7.
Ceder, A. y Wilson, N. H. M. (1986) Bus Network Design. Transportation Research, Vol

20B(4), 331-344.
Cal y Mayor y Asociados, Estudio de estructuración de detalle del SETP de Neiva, 2018
Cal y Mayor - Ikon. Estructuración técnica, legal y financiera de detalle del Sistema
Estratégico de Transporte (SETP) de la ciudad de Neiva. Producto 3: Análisis y diagnóstico
de información secundaria e información de campo. TRANSFEDERAL, 2017.
Cancela, H., Mauttone, A., Urquhart, M.E., 2015. Mathematical programming formulations
for transit network design. Transp. Res. Part B Methodol. 77, 17–37.
doi:10.1016/j.trb.2015.03.006
Cascetta, Ennio, 2009. Transportation Systems Analysis, Models and Applications. Second
Edition, Springer.
Collette, Y., Siarry, P., 2004. Multiobjective Optimization: Principles and Case Studies.
Springer Science & Business Media.
Contardo Vera Claudio Andrés, “Formulación y solución de un problema de ruteo de

vehículos con demanda variable en tiempo real, trasbordos y ventanas de tiempo”,
memoria para optar al título de ingeniero civil matemático, departamento de ingeniería
matemática, Universidad de Chile, Santiago de Chile, Chile, 2005.
Cordeau Jean-Francois, Gendreau Michel, Laporte Gilbert, Potvin Jean-Yves y Semet

Frederic, “A guide to vehicle routing heuristics”, The journal of operational research society,
vol. 53, No. 5, 2002, pp 512 – 522.
Crespo Hernan, Marti Rafael y Pacheco Joaquin, “Procedimientos metaheurísticos en

economía y empresa”, revista electrónica de comunicaciones y trabajos de ASEPUMA, 1ª
edición, Tirant lo Blanch, Valencia, España, 2007.
Curtin, K.M., Biba, S., 2011. The Transit Route Arc-Node Service Maximization problem.
Eur. J. Oper. Res. 208, 46–56. doi:10.1016/j.ejor.2010.07.026
Daganzo, C.F., 2010. Structure of competitive transit networks. Transp. Res. Part B
Methodol. 44, 434–446. doi:10.1016/j.trb.2009.11.001
Daneshzand, F., 2011. 8 - The Vehicle-Routing Problem, in: Kardar, R.Z.F.R. (Ed.),
Logistics Operations and Management. Elsevier, London, pp. 127–153.
Departamento Nacional de Planeación, Dirección de estudios económicos, CONPES 3167,
año 2002

año 2003

año 2013

año 2015

año 2017
Dorronsoro Diaz Bernabé, The VRP Web, collaboration between AUREN and the
Languages and Computation Sciences department of the University of Malaga, última
actualización: marzo de 2007, disponible en http://neo.lcc.uma.es/radiaeb/WebVRP/.
Durán Micco Javier Vicente, “Optimización en el Diseño de Redes de Transporte Público

con Objetivos Medioambientales Mediante Algoritmos Evolutivos”, Facultad de Ingeniería,
Departamento de Ingeniería Industrial, Universidad de Concepción, Chile, 2016.
Ehrgott, M., Gandibleux, X., 2004. Approximative solution methods for multiobjective
combinatorial optimization. Top 12, 1–63. doi:10.1007/BF02578918
Eric D. Tallard, Laporte Gilbert y Gendreau Michel, “Vehicle routeing with multiple use of
vehicles”, The journal of the operational research society, Vol. 47, No. 8, 1996, pp 1065 –
1070.
Estrada, M., Roca-Riu, M., Badia, H., Robusté, F., Daganzo, C.F., 2011. Design and
implementation of efficient transit networks: Procedure, case study and validity test. Transp.
Res. Part Policy Pract., Select Papers from the 19th International Symposium on
Transportation and Traffic Theory (ISTTT) 45, 935–950. doi:10.1016/j.tra.2011.04.006
Farahani, R.Z., Miandoabchi, E., Szeto, W.Y., Rashidi, H., 2013. A review of urban
transportation network design problems. Eur. J. Oper. Res. 229, 281–302.
doi:10.1016/j.ejor.2013.01.001
Fu, Q., Liu, R., Hess, S., 2012. A Review on Transit Assignment Modelling Approaches to
Congested Networks: A New Perspective. Procedia - Soc. Behav. Sci., Proceedings of
EWGT2012 - 15th Meeting of the EURO Working Group on Transportation, September
2012, Paris 54, 1145–1155. doi:10.1016/j.sbspro.2012.09.829
Gendreau, Michel y Potvin, Jean-Yves, “Metaheuristics in combinatorial optimization”, en:

Annais of operations research, 2005, vol. 140, pp 189 – 213.
Gobierno Nacional de Colombia, Plan nacional de desarrollo 2006 – 2010 “Estado
comunitario: Desarrollo para todos”
Gobierno Nacional de Colombia, Decreto 3422 de 2009
Gobierno Nacional de Colombia, Plan nacional de desarrollo 2010 – 2014 “Prosperidad

para todos”
Gobierno Nacional de Colombia, Plan nacional de desarrollo 2014 – 2018 “Todos por un
nuevo país”
Goldberg, D. (1989) Genetic Algorithms in Search, Optimization, and Machine Learning.

Addison-Wesley.
Goksal, F.P., Karaoglan, I., Altiparmak, F. A., Hybrid discrete particle swarm optimization
for vehicle routing problem with simultaneous pickup and delivery. Jan 2012, Computers &
Industrial Engineering, 2012.
Gonzalez Vargas Guillermo y Gonzalez Aristizabal Felipe, “Metaheurísticas aplicadas al

ruteo de vehículos, parte 1: formulación del problema”, revista de ingeniería e investigación
– Universidad Nacional de Colombia, vol. 26, No. 3, 2006, pp 149 – 156.

ruteo de vehículos, parte 2: algoritmo genético, comparación con una solución heurística”,
revista de ingeniería e investigación – Universidad Nacional de Colombia, vol. 27, No. 1,
2007, pp 149 – 157.

ruteo de vehículos, parte 3: Genetic clustering and tabu routing”, revista de ingeniería e
investigación – Universidad Nacional de Colombia, vol. 27, No. 2, 2007, pp 106 – 113.
Gruttner, E., Pinninghoff, M. A., Tudela, A. y Díaz, H. (2002) Recorridos Optimos de Líneas
de Transporte Público Usando Algoritmos Genéticos. Jornadas Chilenas de Computación.
Noviembre de 2002, Copiapó, Chile.
Hernan Restrepo Jorge, Medina Petro Daniel y Cruz Eduardo Arturo, “Un problema
logístico de programación de vehículos con ventanas de tiempo”, Scientia et technica –
Universidad Tecnológica de Pereira, Vol. 14, No 39, 2008.
Hutter, F., Stuetzle, T., Leyton-Brown, K., Hoos, H.H., 2009. ParamILS: An Automatic
Algorithm Configuration Framework. J. Artif. Intell. Res. 36, 267–306. doi:10.1613/jair.2861
Interconsult (1997) Estudio sobre utilización del Transporte Colectivo Urbano de Pasajeros
en la ciudad de Montevideo.
Instituto SER de Investigación, (2003), “Bases de una política integral de transporte urbano
en Colombia”, Asesoría contratada por el DNP, Bogotá.
Israeli, Y. Y Ceder, A. (1993) Transit Route Design Using Scheduling and Multiobjective
Programming Techniques. Computer-Aided Transit Scheduling, Julio de 1993, Lisboa,
Portugal, 56-75.
Izquierdo, Samir. Optimización de rutas de transporte público con Algoritmos Genéticos,

Máster en Ingeniería Informática, Universidad de Cataluña, 2016.
Kepaptsoglou, K., Karlaftis, M., 2009. Transit route network design problem: Review. J.
Transp. Eng. 135, 491–505. doi:10.1061/(ASCE)0733-947X(2009)135:8(491)
K-Shortest Path- Yen‘s algorithm - File Exchange - MATLAB Central [WWW Document],
n.d. URL http://www.mathworks.com/matlabcentral/fileexchange/32513-k-shortest-path-
yen-s-algorithm (accessed 12.18.15).
Lawler, Eugene. Combinatiorial Optimization: Networks and Matroids. Courier Dover, 1976,
disponible en http://www.plouffe.fr/simon/math/combinatorialoptimization.pdf
Litman, T., 2010. Evaluating public transit benefits and costs: Best Practices Guidebook.
World Transit Res.
Magnanti, T.L., Wong, R.T., 1984. Network Design and Transportation Planning: Models
and Algorithms. Transp. Sci. 18, 1–55. doi:10.1287/trsc.18.1.1
Mandl, C.E., 1980. Evaluation and optimization of urban public transportation networks.
Eur. J. Oper. Res. 5, 396–404. doi:10.1016/0377-2217(80)90126-5
Mauttone, A., Urquhart, M.E., 2009. A multi-objective metaheuristic approach for the transit
network design problem. Public Transp. 1, 253–273. doi:10.1007/s12469-010-0016-7
Mandl, C. E. (1979) Evaluation and optimization of urban public transportation networks.

European Journal of Operational Research, Vol 5, 396-404.
Mandl, Applied Network Optimization, Academic Press, London, 1979
Marín Leidy et al. “Un modelo de optimización de rutas de transporte urbano en el área
metropolitana de Bucaramanga con VRPTW mediante un algoritmo de optimización por
enjambre de partículas evolutivo”, Facultad de Ingenierías Fisicomecánicas, Escuela de
estudios industriales y empresariales, Universidad Industrial de Santander, Bucaramanga,
2017.
Mauttone Antonio, Cancela Héctor, Urquhart María, “Diseño y optimización de rutas y

frecuencias en el transporte colectivo urbano, Modelos y algoritmos”. Departamento de
Investigación Operativa Instituto de Computación, Facultad de Ingeniería, Universidad de
la República, 2016
Ngamchai, S., y Lovell, D. J. (2000) Optimal Time Transfer in Bus Transit Route Network
Design Using a Genetic Algorithm. Computer-Aided Scheduling of Public Transport. 21-23
Junio 2000, Berlin, Alemania.
Nayeem, M.A., Rahman, M.K., Rahman, M.S., 2014. Transit network design by genetic
algorithm with elitism. Transp. Res. Part C Emerg. Technol. 46, 30–45.
doi:10.1016/j.trc.2014.05.002
Nikolić, M., Teodorović, D., 2014. A simultaneous transit network design and frequency
setting: Computing with bees. Expert Syst. Appl. 41, 7200–7209.
doi:10.1016/j.eswa.2014.05.034
Ortúzar, J. de D. y Willumnsen, L. (1996) Modelling transport. John Wiley and Sons, Inc.
Olivera Alfredo, “Heurísticas para problemas de ruteo de vehículos”, reporte de

investigación, Instituto de computación – Facultad de Ingeniería, Universidad de la
República, Montevideo, Uruguay, 2004, disponible en:
http://www.fing.edu.uy/inco/pedeciba/bibliote/reptec/TR0408.pdf.
Osman, I.H., Laporte, G., 1996. Metaheuristics: A bibliography. Ann. Oper. Res. 63, 511–
623. doi:10.1007/BF02125421
Patriksson, M., 1994. The Traffic Assignment Problem---Models and Methods.

Perederieieva, O., Ehrgott, M., Raith, A., Wang, J.Y.T., 2015. A framework for and empirical
study of algorithms for traffic assignment. Comput. Oper. Res. 54, 90–107.
doi:10.1016/j.cor.2014.08.024
Pattnaik, S. B., Mohan, S. y Tom, V. M. (1998) Urban Bus Transit Route Network Design
Using Genetic Algorithm. Journal of Transportation Engineering, Vol 124(4), 368-375.
Prasad Chalasani and Rajeev Motwani. Aproximating capacitated routing and delivery
problems. SIAM journal on computing, 28 (6): 2133 – 2149, 1999.
Rao, K. V. Krishna, Muralidhar, S. y Dhingra, S. L. (2000) Public Transport Routing And

Scheduling Using Genetic Algorithms. Computer-Aided Scheduling of Public Transport. 21-
23 de Junio de 2000, Berlin, Alemania.
Rodríguez, Daniel, “Planeación de transporte y uso de suelo: ¿automovilidad o
accesibilidad? (Presente y Futuro de la Movilidad Urbana en Bogotá)”, Bogotá, 2000.
Shih, M. C., Mahmassani, H. S., & Baaj, M. H. (1998) Planning and Design Model for Transit
Route Netwoks with Coordinated Operations. Transp. Research Record, Vol 1623, 16-23.
Szeto, W.Y., Jiang, Y., 2014. Transit route and frequency design: Bi-level modeling and
hybrid artificial bee colony algorithm approach. Transp. Res. Part B Methodol. 67, 235–
263. doi:10.1016/j.trb.2014.05.008
Taha, Hamdy. Investigación de Operaciones. 7ma. Edición. Pearson Educación. México,

2004.
Talbi, E.-G., 2009. Metaheuristics: From Design to Implementation. Wiley Publishing.
Toth, P., Vigo, D., 2014. Vehicle Routing, MOS-SIAM Series on Optimization. Society for
Industrial and Applied Mathematics.
Toth Paolo y Vigo Daniele, “The vehicle routing problema”. Society of industrial and applied
mathematics (SIAM) monographs on discrete mathematics and applications, Philadelphia,
USA, 2002, pp 1-23, 109-149.
Unidad Coordinadora de Proyectos – Secretaría de Hacienda de Bogotá, (2010), “Proyecto
de transporte urbano II (Borrador Preliminar)”, Bogotá.
Unión Temporal Steer Davies Gleave - AKIRIS, Estudio de diseño conceptual del SETP de
Neiva, 2008
Unión Temporal TTC-SYSTRA-GGT, (2001), “Estudio del diseño conceptual del sistema
integrado de transporte masivo para el área metropolitana de Pereira, Dosquebradas, La
Virginia”, Asesoría contratada por el DNP, Pereira.
Wan, Q.K., Lo, H.K., 2009. Congested multimodal transit network design. Public Transp. 1,
233–251. doi:10.1007/s12469-009-0015-8
Wan, Q.K., Lo, H.K., 2003. A Mixed Integer Formulation for Multiple-Route Transit Network
Design. J. Math. Model. Algorithms 2, 299–308.
doi:10.1023/B:JMMA.0000020425.99217.cd
Wee-Kit Ho, Juay Chin Ang y Andrew Lim, “A hybrid search algorithm for the vehicle routing
problem with time windows”, Internacional journal on artificial intelligenc tools, vol. 10, No.
3, 2011, pp 431 – 449.
Wren, A. (1999) Heuristics Ancient and Modern; Transport scheduling through the ages.
Leeds Artificial Intelligence Seminar Series, University of Leeds.
(http://www.scs.leeds.ac.uk/seth/seminars/nov-17-99b.DOC, Mayo 2003)
Yen, J.Y., 1971. Finding the K Shortest Loopless Paths in a Network. Manag. Sci. 17, 712–
716.
Zhai, H., Frey, H.C., Rouphail, N.M., 2008. A Vehicle-Specific Power Approach to Speed-
and Facility-Specific Emissions Estimates for Diesel Transit Buses. Environ. Sci. Technol.
42, 7985–7991. doi:10.1021/es800208d
Zhang, L., Yang, H., Wu, D., Wang, D., 2014. Solving a discrete multimodal transportation
network design problem. Transp. Res. Part C Emerg. Technol. 49, 73–86.
doi:10.1016/j.trc.2014.10.008

Optimización Del TPCU Con Un Modelo Matemático

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Optimización Del TPCU Con Un Modelo Matemático

Cargado por

Copyright:

Formatos disponibles

Potenciales beneficios del diseño de

un sistema de rutas de transporte

Juan Guillermo Ruiz Fonseca

Universidad Nacional de Colombia

Juan Guillermo Ruíz Fonseca

Universidad Nacional de Colombia

A la directora de este trabajo de investigación, la Ingeniera Sonia Mangones, por su apoyo

A la firma Cal y Mayor y Asociados por brindarme el acceso a la información requerida

Los sistemas de transporte público colectivo urbano de las ciudades intermedias de

Palabras clave: Transporte público colectivo urbano, modelo matemático

Keywords: Urban collective public transport, multiobjective mathematical model,

Lista de figuras .............................................................................................................. IX

Lista de tablas ................................................................................................................ X

Lista de Símbolos y abreviaturas ................................................................................. XI

2. Antecedentes del problema de investigación ...................................................... 19

3. Fundamentación teórica ........................................................................................ 45

4. Formulación matemática del problema ................................................................ 60

5. Desarrollo y aplicación del algoritmo genético.................................................... 79

5.1.4 Alternativa de generación de sistemas de rutas # 4: ........................... 86

6. Elección del mejor sistema de rutas de TPCU obtenido ................................... 102

7. Validación del modelo diseñado ......................................................................... 106

8. Comparación de resultados obtenidos .............................................................. 127

Conclusiones y recomendaciones ............................................................................ 133

Bibliografía .................................................................................................................. 137

Ilustración 2-1: Problemática del transporte público urbano de pasajeros ...................... 21

Tabla 2-1: Comparación de modelos existentes.............................................................. 39

Lista de Símbolos y abreviaturas

TPCU Transporte Público Colectivo Urbano

SETP Sistema Estratégico de Transporte Público

IPK Índice de Pasajeros por Kilómetro

MMMO Modelos matemáticos multiobjetivos

CGT Costo generalizado de transporte

A pesar de su gran importancia, el problema del diseño óptimo de la arquitectura

mediante análisis clásicos de evaluación y comparación de alternativas o

La situación descrita anteriormente, permitió identificar la potencial oportunidad que

Con el fin de lograr validar la oportunidad identificada en esta materia, se procedió,

A partir de las consideraciones anteriores, el objetivo del presenta trabajo de

matemático multiobjetivo formulado y, a partir de la cuantificación de los aspectos

1.1 Objetivo General:

1.2 Objetivos Específicos:

• Formular un modelo matemático multiobjetivo para la optimización del

• Desarrollar y aplicar un algoritmo genético que permita obtener una

• Establecer los aspectos o factores a evaluar y los indicadores

• Cuantificar los indicadores operacionales definidos para el sistema de

• Comparar los resultados obtenidos entre el diseño actual de rutas del

Estas deficiencias en sus diseños provocan que la constante, en la gran mayoría

Entre los problemas que más se destacan se presenta la sobreoferta de servicios

El presente capítulo se encuentra enmarcado en los antecedentes a nivel nacional

2.1 Situación actual del transporte público colectivo

En primera instancia se presenta una caracterización de las condiciones de

2.1.1 Problemática del TPCU a nivel nacional

Los procesos de urbanización que el país ha observado durante su historia reciente

urbanizada, el número de viajes aumenta requiriendo sistemas de transporte

A pesar de la preponderancia del uso del transporte público urbano de pasajeros,

Ilustración 2-1: Problemática del transporte público urbano de pasajeros

Fuente: Departamento Nacional de Planeación, 2012.

Las ciudades colombianas sufren también externalidades negativas resultantes de

La tendencia al deterioro de los servicios de transporte público urbano se

Sobreoferta: el mayor número de vehículos ofrecido en comparación con lo

La Ilustración 2-2 presenta como ejemplo el comportamiento diario de la oferta y la

Ilustración 2-2: Sobreoferta en el transporte público – Caso Pereira

Fuente: Unión temporal TTC-Systra-GGT, 2010.

Tan marcada tendencia a la baja se confirma con el incremento observado en el