Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
A mi madre y hermano, quienes son las personas que me han acompañado en el camino.
A todas las personas que, de una u otra manera, contribuyeron en este logro de mi vida.
Resumen y Abstract V
Resumen
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.
Contenido
Pág.
Resumen ......................................................................................................................... V
Introducción .................................................................................................................. 12
1. Objetivos ................................................................................................................. 17
1.1 Objetivo General: ........................................................................................... 17
1.2 Objetivos Específicos:.................................................................................... 17
Lista de figuras
Pág.
Lista de tablas
Pág.
Abreviaturas
Abreviatura Término
AL Algoritmos genéticos
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).
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.
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.
20 Potenciales beneficios del diseño de un sistema de rutas de TPCU
formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
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.
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.
cada vez más altas, lo que a su vez genera nuevamente pérdida de la demanda,
creando un círculo vicioso difícil de corregir.
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.
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.
Antecedentes del problema de investigación 27
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
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
Antecedentes del problema de investigación 29
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.
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.
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
32 Potenciales beneficios del diseño de un sistema de rutas de TPCU
formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
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.
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.
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.
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.
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
36 Potenciales beneficios del diseño de un sistema de rutas de TPCU
formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
& 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
Antecedentes del problema de investigación 37
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).
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
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.
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.
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.
46 Potenciales beneficios del diseño de un sistema de rutas de TPCU
formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
𝑆𝑢𝑗𝑒𝑡𝑜 𝑎: 𝑔(𝑥) ≤ 0
𝑥≥0
Donde:
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):
48 Potenciales beneficios del diseño de un sistema de rutas de TPCU
formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
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.
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.
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
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 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.
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
Fundamentación teórica 55
Los componentes del algoritmo genético son los mostrados en la Ilustración 3-4.
Evaluación de
un individuo
Decodificación
del cromosoma
Representación
para la solución
Problema a del problema
optimizar
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.
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.
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.
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.
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.
𝑄
𝑀𝑎𝑥 𝑍1 = ∀𝑖 ∈𝑚 ∈𝑅
𝑞𝑚á𝑥𝑚
∑𝑗𝑚=1 {[∑𝑘−1
𝑖=1 (𝐷𝑜𝑖 𝑑𝑖 + 𝐷𝑑𝑖 𝑜𝑖+1 ) + 𝐷𝑜𝑘𝑑𝑘 ] ∗ }
𝐶𝑏𝑢𝑠𝑚
Donde:
𝑄 = Número total de pasajeros por hora que moviliza el sistema de rutas R (pax)
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
𝐶𝑏𝑢𝑠𝑚
𝑗
𝑀𝑖𝑛 𝑍2 = ∑𝑚=1{∑𝑘−1
𝑖=1 𝑞𝑜𝑖 𝑑𝑖 ∗ (𝑡𝑜𝑖 𝑑𝑖 + 𝑡𝑑𝑖 𝑜𝑖+1 ) + 𝑞𝑜𝑘 𝑑𝑘 ∗ 𝑡𝑜𝑘 𝑑𝑘 } ∀𝑖 ∈𝑚 ∈𝑅
Donde:
𝑖 = Segmento de la ruta m
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)
𝑅 = Sistema de rutas evaluado
Formulación matemática del problema 71
𝑞𝑚á𝑥𝑚
≥ 𝑓𝑚𝑖𝑛 ∀ 𝑚 ∈ 𝑅
𝐶𝑏𝑢𝑠𝑚
Donde:
𝑞𝑚á𝑥𝑚
= Número de buses necesarios para atender la cantidad de pasajeros del
𝐶𝑏𝑢𝑠𝑚
𝐶𝑏𝑢𝑠𝑚 ≤ 𝐶𝑚á𝑥 ∀ 𝑚 ∈ 𝑅
Donde:
Función objetivo:
𝑄
𝑀𝑎𝑥 𝑍1 = ∀ 𝑖 ∈𝑚
𝑞𝑚á𝑥𝑚
∑𝑗𝑚=1 {[∑𝑘−1
𝑖=1 (𝐷𝑜𝑖 𝑑𝑖 + 𝐷𝑑𝑖 𝑜𝑖+1 ) + 𝐷𝑜𝑘 𝑑𝑘 ] ∗ }
𝐶𝑏𝑢𝑠𝑚
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
Donde:
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”).
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.
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
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.
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.
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.
persiste al igual que en las alternativas anteriores lo que provoca altos tiempos de
viaje en desmedro de los usuarios del sistema.
Modelo
Intervalo de paso
máximo permitido
matemático
multiobjetivo
CGT del
sistema
Capacidad máxima
de los buses
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 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.
Potenciales beneficios del diseño de un sistema de rutas de TPCU
90 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
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.
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.
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
Desarrollo y aplicación del algoritmo genético 91
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.
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.
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
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
PASO 1: GENERACIÓN
Public Sub Genera_Aleatorio()
End Sub
Potenciales beneficios del diseño de un sistema de rutas de TPCU
96 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
PASO 3: SELECCIÓN
Public Sub Ejecuta_Funciones()
With Worksheets("Genetica")
SumaFunc = 0
For i = 2 To CantHijoGene + 1
.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
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
Desarrollo y aplicación del algoritmo genético 97
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
With Worksheets("Genetica")
'Convirtiendo a Binario
For i = 2 To CantHijoGene + 1
.Cells(i, 10) = DecToBin(.Cells(i, 9))
Next i
Randomize
For i = 2 To CantHijoGene Step 2
Potenciales beneficios del diseño de un sistema de rutas de TPCU
98 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
Next i
End With
Desarrollo y aplicación del algoritmo genético 99
End Sub
PASO 5: MUTACIÓN
Public Sub Mutacion()
With Worksheets("Genetica")
'Copiar los cromosomas, para sobreponer los bits mutados
For i = 2 To CantHijoGene + 1
.Cells(i, 13) = .Cells(i, 11)
Next i
For i = 1 To TotalMutac
'Seleccionar aleatoriamente un cromosoma para mutar
mutar = Int(Rnd() * (CantHijoGene) + 2)
bit = Int(Rnd() * (8 - 1) + 1)
num = Mid(Cadena, 9 - bit, 1)
'Mejores Padres
If .Cells(i, 16) >= .Cells(i, 4) Then
.Cells(i, 17) = .Cells(i, 16)
Else
Desarrollo y aplicación del algoritmo genético 101
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.
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.
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.
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.
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.
Potenciales beneficios del diseño de un sistema de rutas de TPCU
108 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
VARIABLE DE
NOTACIÓN DESCRIPCIÓN FÓRMULA
COMPARACIÓN
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.
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.
Validación del modelo diseñado 109
Se refiere al número de
TAMAÑO DE LA vehículos que hacen parte
TF
FLOTA del parque automotor del
sistema.
NÚMERO
Representa la cantidad de
TOTAL DE NR
rutas del sistema
RUTAS
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
Potenciales beneficios del diseño de un sistema de rutas de TPCU
110 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
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.
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.
Validación del modelo diseñado 111
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.
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.
Potenciales beneficios del diseño de un sistema de rutas de TPCU
116 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
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.
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.
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.
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.
Potenciales beneficios del diseño de un sistema de rutas de TPCU
122 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
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.
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
Validación del modelo diseñado 123
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.
Potenciales beneficios del diseño de un sistema de rutas de TPCU
124 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
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.
7.3.8 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.
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.
Potenciales beneficios del diseño de un sistema de rutas de TPCU
126 formulado a partir de un modelo matemático multiobjetivo aplicando
algoritmos genéticos
ESCALA DESCRIPCIÓN
1 Desfavorable
2 Medianamente favorable
3 Más favorable
Fuente: Elaboración propia
Costo
Tamaño Número
generalizado Cobertura Cobertura Longitud
Indicador IPK de la total de Transferencias
de espacial temporal total
flota rutas
transporte
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.
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
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.
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.
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.
Ehrgott, M., & Gandibleux, X. (2004). Approximative Solution Methods for Multiobjective.
Revista de la Asociación Española de Estadística e, 1-89.
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.
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.
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
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. (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.
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.
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.
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
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/.
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
Gobierno Nacional de Colombia, Plan nacional de desarrollo 2014 – 2018 “Todos por un
nuevo país”
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.
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
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.
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.
Osman, I.H., Laporte, G., 1996. Metaheuristics: A bibliography. Ann. Oper. Res. 63, 511–
623. doi:10.1007/BF02125421
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.
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
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