CD 8465

ESCUELA POLITÉCNICA NACIONAL
FACULTAD DE CIENCIAS
A LGORITMOS MATHEURÍSTICOS PARA UN PROBLEMA DE

PLANIFICACIÓN DE RUTAS VEHICULARES Y PEDESTRES
T RABAJO DE TITULACIÓN PREVIO A LA OBTENCIÓN DEL TÍTULO DE M ATEMÁTICO

E I NGENIERO M ATEMÁTICO
E STUDIOS DE C ASOS
A NDRÉS R ICARDO M INIGUANO T RUJILLO

andres.miniguano@epn.edu.ec
PABLO A NDRÉS Z ULETA S ARANGO
pablo_zuletamz@yahoo.com
D IRECTOR : D IEGO F ERNANDO R ECALDE C ALAHORRANO

diego.recalde@epn.edu.ec
Q UITO , E NERO DE 2018

I
Declaración
Nosotros, Andrés Ricardo Miniguano Trujillo y Pablo Andrés Zuleta Sarango de-
claramos bajo juramento que el trabajo aquí descrito es de nuestra autoría; que no ha
sido previamente presentado para ningún grado o calificación profesional; y, que he-
mos consultado las referencias bibliográficas que se incluyen en este documento.
La Escuela Politécnica Nacional puede hacer uso de los derechos correspondien-
tes a este trabajo, según lo establecido por la Ley de la Propiedad Intelectual, por su
Reglamento y por la normatividad institucional vigente.
.................................................
Andrés Ricardo Miniguano Trujillo
.................................................
Pablo Andrés Zuleta Sarango
II
Certificación
Certifico que el presente trabajo fue desarrollado por Andrés Ricardo Miniguano
Trujillo y Pablo Andrés Zuleta Sarango, bajo mi supervisión.
.................................................
Diego Fernando Recalde Calahorrano
Director
III
Agradecimientos
Agradecemos primeramente al equipo de investigación del proyecto PIJ-1512; es

decir, a Sandra Gutiérrez, Luis Miguel Torres, Ramiro Torres y Diego Recalde, por su
esfuerzo, dedicación y paciencia. Ustedes, con sus conocimientos, experiencia y moti-
vación, nos ayudaron a culminar nuestros estudios con éxito y a reunir la experiencia
indispensable para este trabajo de tesis y para la vida profesional.
También agradecemos a quienes fueron nuestros profesores, pues su aporte se re-
fleja ahora en este trabajo. Gracias por incitar a la curiosidad, a buscar soluciones y
propuestas alternativas; y sobre todo a hacer matemática.
Finalmente, agradecemos a todos aquellos que nos han acompañado durante el pro-
ceso de composición de este trabajo. Su amistad, consejo y apoyo son y serán siempre
muy importantes.
Los autores
En esta investigación se usaron recursos del Laboratorio de Cálculo Científico del

Centro de Modelización Matemática (www.modemat.epn.edu.ec).
IV
Dedicatoria
A mis padres, Víctor y Enma, por su apoyo, amor y consejos en momentos difíciles;
a mis hermanas por la paciencia; a Augusto por ser un ejemplo de superación en mi
vida. A Carla por darme su apoyo incondicional y por aquellos momentos que me
animó a continuar sin rendirme. A Rubi, David, Miguel y Hugo por su amistad durante
todos estos años.
Pablo
ye c
st e pro to. A
e a r it a , J u K
a rg an
de
or rea y JcTo, r
,
,M , a Milton,
ai m
e
ejo
An
ia
E
fueron part
ns
, a mi famil
ciones,
d
du
ra aD
it e
o
a por estar
perpetuo c
a rd
e
ie g
del contrae
espacios y r
za
o por la con
o y Ana
r la esperan
sp
tu vieron en
ionaje, a Al
es
los
elen que
m e se s n
io .
,w
wio, wio
A la p
wio,
o
io,
viv
idos. Wio, w
yB
eja
nd r o , J o s e
po
fia
n za lo
le s
po
, a Pab
su
r
a
b
or revisar los do
p
e rn
y
e
s
p
las
madrugada
qu
es
et
cie
e
nc nte en la noche lo
s
ia l
de todos aque
Andrés
V
Índice General
Índice de figuras VI
Índice de tablas VIII
Índice de algoritmos VIII
Símbolos IX
Resumen XIII
Abstract XIV
El problema de planificación de ruteo vehicular y pedestre 1

Problema de enrutamiento de vehículos . . . . . . . . . . . . . . . . . . . . . . 3
El grafo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Los vehículos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
El tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Demanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Aplicaciones del VRP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Problema general de recogida y entrega (Pickup & Delivery) . . . . . . . . . . 12
Transporte entre depósitos . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Transporte entre clientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Modelamiento del problema 17

El grafo y parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Restricciones de movimiento pedestre y vehicular . . . . . . . . . . . . . . . . 18
Restricciones de atención a locales con ventanas de tiempo . . . . . . . . . . . 20
Restricciones de demanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Problemas en la búsqueda de soluciones . . . . . . . . . . . . . . . . . . . . . . 23
Descripción de la instancia real y propuestas de solución . . . . . . . . . . . . 25
VI
Algoritmos 27
Técnicas de solución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Matheurísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Particionamiento del conjunto de locales . . . . . . . . . . . . . . . . . . . 30
Algoritmos tabú . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Aleatorización de algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . 34
Difuminación de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Construcción de caminos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Algoritmos de construcción por búsqueda local en arcos . . . . . . . . . 39
Algoritmos de construcción por búsqueda local en nodos . . . . . . . . . 44
Reducción del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Reducción de tamaño de grafo y agrupación de parámetros . . . . . . . 48
Reducción de movimiento pedestre y vehicular . . . . . . . . . . . . . . . 49
Recolección de tiempo para atención locales . . . . . . . . . . . . . . . . . 50
Ajustes de demanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Búsqueda tabú . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Resultados y conclusiones 56
Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Bibliografía 65
Apéndice A 86
Apéndice B 89
Índice de figuras
1 Componentes de un VRP. . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Número de artículos relacionados al GPDP por año desde 2000 hasta 2016. 12
3 Problemas de recogida y entrega. . . . . . . . . . . . . . . . . . . . . . . . 13
4 Solución de una instancia de prueba. . . . . . . . . . . . . . . . . . . . . . 24
VII
5 Diagrama de caja y bigotes para la duración media, en minutos, de la

encuesta para los locales de la ciudad de Guayaquil. . . . . . . . . . . . . 26
6 Ejemplo de funciones de pertenencia. . . . . . . . . . . . . . . . . . . . . 27
7 Ejemplo de funciones de pertenencia. . . . . . . . . . . . . . . . . . . . . 37
8 Ejemplos de números difusos. . . . . . . . . . . . . . . . . . . . . . . . . . 37
9 Caminos pedestres mediante variación del algoritmo de Kruskal. . . . . 40
10 Caminos pedestres con algoritmo de Kruskal aleatorizado. . . . . . . . . 42
11 Caminos pedestres tras difuminación del algoritmo de Kruskal. . . . . . 44
12 Caminos pedestres mediante variación del algoritmo de Prim. . . . . . . 46
13 Caminos pedestres con algoritmo de Prim aleatorizado. . . . . . . . . . . 47
14 Caminos pedestres tras difuminación del algoritmo de Prim. . . . . . . . 48
15 Datos iniciales para la inserción. . . . . . . . . . . . . . . . . . . . . . . . 54
16 Resultados de la inserción. . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
17 Esquema de búsqueda de soluciones factibles. . . . . . . . . . . . . . . . 56
18 Particionamiento de locales en la ciudad de Guayaquil . . . . . . . . . . 57
19 Resultados del ruteo en la ciudad de Guayaquil. . . . . . . . . . . . . . . 61
B1 Solución para la instancia 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 89
VIII
Índice de tablas
1 Tiempos de traslado entre locales y ventanas de tiempo . . . . . . . . . . 24

2 Resultados del particionamiento balanceado en Guayaquil . . . . . . . . 56
3 Resultados del modelo reducido usando la construcción de Kruskal y
sus variantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4 Resultados del modelo reducido usando la construcción de Prim y sus
variantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
5 Comparación del costo objetivo entre las heurísticas y los resultados tabú. 60
B1 Resultados del ruteo para la partición 1 . . . . . . . . . . . . . . . . . . . 89
Índice de algoritmos
1 Búsqueda local de rutas pedestres por arcos . . . . . . . . . . . . . . . . . 39

2 Simulación de matriz de parámetros difusos t . . . . . . . . . . . . . . . . 43
3 Búsqueda local de rutas pedestres por nodos . . . . . . . . . . . . . . . . 44
4 Búsqueda tabú para el PRVPh . . . . . . . . . . . . . . . . . . . . . . . . . 52
5 IC-IIR: Inserción de local de inicio a inicio de ruta . . . . . . . . . . . . . 53
6 IC-FFR: Inserción de local de fin a fin de ruta . . . . . . . . . . . . . . . . 86
7 IC-IFR: Inserción de local de inicio a fin de ruta . . . . . . . . . . . . . . . 86
IX
8 IC-IMR: Intercambio de locales de inicio y mitad de ruta . . . . . . . . . 87

9 IC-FMR: Intercambio de locales de fin y mitad de ruta . . . . . . . . . . . 87
10 IC-MMR: Intercambio de locales en mitad de ruta . . . . . . . . . . . . . 88
Símbolos
Conjuntos
[ a, b] intervalo cerrado de números reales entre a y b
Ja, bK intervalo cerrado de números enteros entre a y b
AB conjunto de funciones de B en A
diag( A, B) diagonal entre los conjuntos pre-ordenados A y B
Modelo
n número de locales
C conjunto de locales
V conjunto de locales y depósitos
E conjunto de encuestadores
K conjunto de vehículos
S conjunto de días de trabajo
AC arcos entre locales
A arcos entre elementos de V
G = (V, A) grafo de trabajo
GC = (C, AC ) grafo de locales
di duración de encuesta al local i
ti,j tiempo aproximado de caminata entre i y j
τi,j tiempo aproximado de tránsito vehicular entre i y j
[ T0,i , T1,i ] ventana de tiempo para el local i
P duración de la pausa
[ p0 , p1 ] ventana de tiempo para tomar la pausa
Q capacidad de un vehículo
κ1 costo de un vehículo
κ2 costo de un encuestador
X
Dmáx tiempo máximo de jornada vehicular

Bmáx tiempo máximo de jornada laboral
e,s
xi,j atención del encuestador e al arco (i, i ) ∈ AC en el
día s
bie,s inicio de ruta pedestre para el encuestador e en el
local i para el día s
f ie,s fin de ruta pedestre para el encuestador e en el local
i para el día s
hi marca de lazo para el local i
k,s
yi,j atención del vehículo k al arco (i, i ) ∈ A en el día s
e,s
zi,j el encuestador e se transporta por (i, i ) ∈ A en el día
s
wie,s el encuestador e toma una pausa en el local i en el
día s
Bie llegada del encuestador e al local i
Dik salida del vehículo k del local i
Le,s duración de jornada del encuestador e en el día s
cλ función objetivo del problema (9)
Partición de locales
G = (C, E) grafo para partición de locales
m número de particiones a determinar sobre G
V partición de locales
Vi elemento de la partición de locales V
dˆ tiempo promedio de atención de locales
σd desviación estándar de atención de locales
di peso de la partición i
C costo objetivo para partición de locales
s tiempo de permanencia tabú
M, M1 , M2 , M3 parámetros de penalización
Λ candidato a solución del problema tabú
Σ conjunto de soluciones admisibles
Ξ lista tabú
XI
NΛ vecindad del candidato Λ

Im cambio de peso de ruta
Qk número de pasajeros adicionales respecto a la capa-
cidad del vehículo k
Lk indicador del cumplimiento de jornada de trabajo
para el vehículo k
TWk indicador de cumplimiento de ventanas de tiempo
en la ruta de k
Algoritmos de caminos
G = (C, A) grafo de locales para algoritmos
` tiempo máximo de caminata por camino pedestre
J tiempo máximo de traslado a través de un arco pe-
destre
π vector de pesos de ruta
Θ marcas de arcos pertenecientes a una ruta
θ marcas de locales pertenecientes a una ruta
o marcas de inicio, fin de ruta o local intermedio
δ grado de un local
W conjunto de locales aislados
Ta número difuso asociado al arco a
Modelo reducido
ext conjunto de locales en extremos de ruta
Wh segundo identificador de locales aislados
Vh conjunto de locales y depósitos dado por la unión
disjunta entre ext, W, Wh y {0, n + 1}.
Gh = (Vh , Ah ) grafo reducido
GC,h = (Ch , ACh ) grafo de locales inducido por ext, W y Wh
Cb locales de inicio de ruta y locales aislados en W
Cf locales de fin de ruta y locales aislados en Wh
Ta peso de ruta subyacente en el arco a ∈ ACh
τh restricción de tiempos de transporte a Ah
e
xi,j la ruta (i, j) es atendida por el encuestador e
XII
bie el encuestador e inicia una ruta pedestre en i

fie el encuestador e finaliza una ruta pedestre en i
k
yi,j asignación del vehículo k al arco (i, j)
e
zi,j el encuestador e se transporta por (i, j)
Bie tiempo de llegada del encuestador e al local i
Dik tiempo de llegada del vehículo k al local i
cλh función objetivo del problema (20)
Búsqueda tabú
Λ∗ solución actual en proceso tabú
Υ cota esperada de la función objetivo
υ número de iteraciones para el algoritmo tabú
α, β, γ, δ, u, v locales en la vecindad de rutas de i y j
e, p encuestadores que atienden a i y j, respectivamente
k, l encuestadores que atienden a i y j, respectivamente
XIII
Resumen
En el presente trabajo buscamos soluciones factibles para un problema que surge al

planificar la logística mensual de una de las encuestas del Instituto Nacional de Esta-
dística y Censos (INEC), donde se necesita diseñar rutas pedestres y vehiculares. Este
estudio es una rama de investigación del proyecto Junior PIJ-1512, financiado por la
Escuela Politécnica Nacional, dedicado al estudio teórico – aplicado del problema de
planificación de rutas vehiculares y pedestres, considerando restricciones de capaci-
dad, ventanas de tiempo y uso múltiple de vehículos.
Empezamos con una revisión de la literatura relacionada al enrutamiento vehicu-
lar y al transporte de personas. Luego presentamos un modelo de programación entera
mixta y multi objetivo para el problema de planificación de rutas vehiculares y pedes-
tres, el cual fue propuesto en el proyecto PIJ-1512. El problema es de la clase N P –hard
y, por ello, requerimos diseñar técnicas de aproximación de soluciones. Así, incluimos
además una revisión bibliográfica con técnicas de solución para problemas de ruteo.
Posteriormente, adaptamos un algoritmo de particionamiento balanceado de grafos al
contexto del enrutamiento y diseñamos técnicas deterministas, aleatorizadas y difu-
sas para la construcción de caminos factibles. Presentamos un modelo reducido que
adapte los resultados de las técnicas de construcción y lo utilizamos, en conjunto con
algoritmos de búsqueda tabú, para la obtención y mejoramiento de las soluciones. Fi-
nalmente, incluimos resultados computacionales con base a instancias reales provistas
por el INEC en la ciudad de Guayaquil.
Palabras clave: planificación de encuestas, enrutamiento vehicular, matheurísticas,

búsqueda tabú.
XIV
Abstract
In this study we are concerned on finding solutions for a problem proposed by

the National Institute of Statistics and Census (INEC), in order to improve its monthly
planning of pedestrian and vehicular routes. This study surged as a research branch of
the junior project PIJ-1512, sponsored by Escuela Politécnica Nacional, which is cu-
rrently working on a theoretical and applied study of the vehicle and pedestrian rou-
ting problem, considering constraints of capacity, time windows, and multiple vehicle
usage.
We begin with a literature review of the vehicle routing problem related to the trans-
port of people. Then we introduce a multi-objective mixed integer linear program mo-
del (MO-MILP) for the vehicular and pedestrian routing problem, which was first for-
mulated by the project PIJ-1512. The resulting problem belongs to the N P –hard class,
so we need to design approximation techniques in order to get a feasible solution.
Therefore, we include a literature review on solution methods for routing problems.
Then we modify a balanced partitioning algorithm in order to get the input for routing
heuristics, and we design two algorithms for pedestrian routing, these are then rando-
mized and fuzzified. Furthermore, we present a reduced MO-MILP for the integrated
vehicle routing, and we use it to obtain and improve feasible solutions with help of
tabu search. Finally, we apply these methods for a case study in the city of Guayaquil
with instances provided by INEC.
Key words: survey planning, vehicle routing, matheuristics, tabu search.

1
El problema de planificación de ruteo vehicular y pedestre
El proyecto PIJ-15-12 es un proyecto de investigación financiado por la Escuela

Politécnica Nacional en colaboración con el Instituto Nacional de Estadísticas y Cen-
sos (INEC). El objetivo principal del proyecto es modelar matemáticamente un proble-
ma de planificación de rutas vehiculares y pedestres que surge durante la recolección
de información para el cálculo del índice de precios al consumidor (IPC) del INEC. El
IPC se calcula a partir de una investigación de campo mensual, tarea realizada por en-
cuestadores que ingresan a un conjunto determinado de establecimientos comerciales
en zonas urbanas y registran el precio de ciertos productos de la canasta básica. Los
encuestadores utilizan cierto número de vehículos para movilizarse entre diferentes
sectores de la ciudad, aunque también pueden movilizarse a pie.
Actualmente la toma de datos para el cálculo de este índice toma un tiempo de
quince a diecisiete días, siendo dos semanas el tiempo esperado. Los siguientes factores
afectan al tiempo esperado de recolección de información:
• Cada encuestador planifica sus rutas tras ser asignado un conjunto de estableci-
mientos,
• los encuestadores registran los precios en una máquina especial, la cual llevan
consigo y esto representa un riesgo en zonas inseguras,
• una vez que un encuestador termina una ruta pedestre, llama a un chofer y si
este está disponible, procede a trasladar al encuestador hacia una nueva ruta o hacia el
INEC,
• existe un tiempo muerto entre la toma de datos y el traslado entre rutas,
• algunos locales, como es el caso de farmacias, atienden primero a los clientes
para posteriormente atender a los encuestadores, y en otros casos el local se encuentra
cerrado para el momento de arribo del encuestador,
• ciertos días, el número de encuestadores se reduce, puesto que realizan otras
encuestas, y por ello se cuenta con menos personal para la recolección de datos.
El INEC está interesado en «amortiguar» estos factores, lo cual implicaría una re-
ducción de costos operativos, y una mejora en la planificación de encuestas. Para ello,
se busca modelar matemáticamente el problema de planificación de rutas vehiculares
y pedestres contemplando la siguiente información:
• tiempo de traslado de un encuestador desde un establecimiento hacia otro, a pie
2
o en vehículo,
• horarios de apertura y cierre de un local, acompañado del tiempo de encuesta
estimado basado en información histórica del último año,
• tiempo y duración de una pausa para el descanso de cada encuestador y además
el tiempo máximo de jornada laboral de encuestadores y choferes,
• zonas seguras respecto a la posición geográfica de los establecimientos, y
• costos operacionales asociados a la contratación de choferes.
Existen diversos métodos para la planificación de encuestas, que se centran en sa-
tisfacer restricciones de desempeño o satisfacción, duración de encuesta y capital de
trabajo (National Research Council, 2003; Swanson y Walashek, 2011). Si bien el es-
tudio de la incorporación de vehículos como facilitadores de encuesta, frente a otros
métodos de recopilación de datos, es ampliamente estudiado (Zmud, Lee-Gosselin,
Munizaga y Carrasco, 2013), estos métodos suelen omitir el ruteo de encuestadores
dentro del proceso de planificación. Usualmente, esta tarea es asignada a un analista
de transporte (Franklin y Walker, 2010) o a un gerente de operaciones (Instituto Nacio-
nal de Estadística, 2017). De este modo, es común encontrar planificaciones empíricas
en el ruteo de encuestadores, como es el caso del INEC que plantea una atención bajo
criterio del encuestador por sectores previamente definidos. Sin embargo, es rescatable
el aporte de Daskin (2010), quien propone una aplicación del problema de cubrimiento
de conjuntos y, posteriormente, de formación de distritos para el problema de encues-
tas y censos; para ver más sobre este último problema ver (Kalcsics, 2015). Por parte
del proyecto, hemos optado por una nueva estrategia de planificación de rutas entre
encuestadores y vehículos al plantear un modelo de programación entera mixta.
El problema abordado en este trabajo es una generalización de varios problemas
de ruteo de vehículos y personal, tal como se explicará en secciones posteriores. Se
diseñaron un conjunto de algoritmos matheurísticos que buscan soluciones aproxima-
das para el modelo planteado. Las instancias de prueba usan datos recolectados en la
ciudad de Guayaquil y sobre estas se realizarán pruebas computacionales.
3
Problema de enrutamiento de vehículos
El movimiento de uno o varios vehículos a lo largo de una red, que satisface cier-
tos requerimientos del transporte de carga, personal o información, se lo conoce bajo
el nombre de problema de enrutamiento vehicular. La familia de problemas de enruta-
miento, también conocidos como VRP (Vehicle Routing Problem en inglés), viene a ser
una rama activa e importante de la combinatoria e investigación de operaciones (e.g.,
Crainic y Laporte, 1998; Caric y Gold, 2008; B. Golden, Raghavan y Wasil, 2008; Ferruc-
ci, 2013; Simchi-Levi, Chen y Bramel, 2014; Toth y Vigo, 2014) que busca determinar
rutas óptimas para modelar, mejorar y planificar este movimiento.
Los VRP son una clase que generaliza el problema del agente viajero o TSP (Travelling
Salesman Problem en inglés), por lo que pertenecen a la clase N P –hard (Toth y Vigo,
1998); surgen a finales de los cincuenta con el problema de despacho de camiones pro-
puesto por Dantzig y Ramser (1959), que consiste en la distribución óptima de gasolina
que reduzca el millaje total de los camiones de distribución, sin considerar el tamaño
de flota o las características del producto. Para modelarlo, se propuso la búsqueda de
caminos hamiltonianos de costo mínimo dentro de un grafo, donde el conjunto de no-
dos representa las estaciones de servicio, cada una por atenderse en una ruta de viaje,
y el conjunto de arcos representa todas las posibles formas de comunicar un par de
estaciones (Dantzig y Ramser, 1959, p. 80–81, 90–91).
Actualmente, los VRP han incorporado varios elementos no considerados en la for-
mulación original de Dantzig y Ramser (1959) y también se los ha particularizado para
adaptarse a las necesidades específicas de la industria. Resumimos estos cambios en la
Figura 1 y los describimos a continuación:
El grafo El enrutamiento vehicular puede considerarse como un conjunto de ci-
clos o circuitos (dependiendo de si el grafo es o no dirigido) disjuntos sobre un grafo,

es decir, un conjunto de caminos Ci = vi,0 vi,1 . . . vi,k , donde vi,j representa un
nodo del grafo perteneciente al camino i (se sobrentiende que existe una arista o un
arco entre cada par de nodos). Aquí los Ci son disjuntos dos a dos; en otros términos,
Ci ∩ Cj = ∅, para todo i y j distintos, y la unión de los caminos es igual al conjunto de
nodos del grafo. En cada camino Ci transita un vehículo que satisface una demanda de
un requerimiento en cada nodo.
Es conveniente definir un conjunto especial de nodos dentro del grafo, conocido co-
4
Problema
Problema del Problema

agente viajero Grafo de flujos
Carga /
Vehículos Energía
Ventanas
Tiempo
de tiempo
Hetero-
geniedad Demanda Interacciones
Función
objetivo
Figura 1. Componentes de un VRP.
mo el conjunto de depósitos, cuyo fin es delimitar la entrada y salida de vehículos desde

lugares de carga o abastecimiento. De este modo, relajamos la definición de los cami-
nos hamiltonianos tal que 1 ≤ |Ci ∩ Cj | ≤ 2, para algunos i y j distintos. Este cambio
permite estudiar al problema como una modificación del TSP que restringe al conjun-
to de rutas con elementos del enrutamiento (e.g., Dantzig y Ramser, 1959; Baldacci,
Battarra y Vigo, 2008; Bertazzi, Savelsbergh y Speranza, 2008) o como la búsqueda de
flujos dentro del grafo que incluyan interacciones entre sus nodos y arcos (e.g., Garvin,
Crandall, John y Spellman, 1957; Wøhlk, 2008; Francis, Smilowitz y Tzur, 2008).
Así mismo, la dirección del grafo es importante. Un grafo no dirigido permite sim-
plificar el problema, al considerar que ir desde el nodo vi,j al nodo vi,j+1 es lo mismo
que ir de vi,j+1 a vi,j . Esto último evita almacenar la dirección del vehículo y aprovecha
las propiedades de que Ci sea un ciclo, reduciendo así la búsqueda de una aristas como
parte de un camino. Por otro lado, un grafo dirigido permite adaptar información de
tráfico sobre los arcos e información de los destinatarios sobre los nodos al diferenciar
los arcos (vi,j , vi,j+1 ) y (vi,j+1 , vi,j ). De este modo, también se puede controlar la entra-
da y salida de vehículos al conjunto de depósitos (Archetti y Speranza, 2008; Ferrucci,
2013).
5
Los vehículos Los problemas que consideran que un vehículo puede transportar
únicamente cierta cantidad de objetos o personas son denominados VRP capacitados o
CVRP (Capacitated Vehicle Routing Problem en inglés) (e.g. Toth y Vigo, 2014; C. Lin,
Choy, Ho, Chung y Lam, 2014). Esta rama de problemas considera
• los tipos de vehículos, donde se tiene en cuenta el costo energético de cada tipo
o la carga máxima y/o mínima (e.g. Clarke y Wright, 1964; B. Golden, Assad, Levy y
Gheysens, 1984; Barman, 2014; Baldacci y cols., 2008; Irnich, Schenider y Vigo, 2014);
• el tipo de carga sobre los vehículos, donde se analiza la combinación de mercan-
cía a transportarse (e.g. Iori y Martello, 2010; Hasani-Goodarzi y Tavakkoli-Moghaddam,
2012; Y. Zhang y Chen, 2014; Kabcome y Mouktonglang, 2015);
• los compartimientos de los vehículos, donde la mercancía representa diferentes
cargas diferenciadas que pueden ser móviles (e.g. Derigs y cols., 2011; Henke, Speranza
y Wäscher, 2015); y
• el número de vehículos, donde se adapta el servicio al tamaño de flota (e.g.
B. Golden, Assad, Levy y Gheysens, 1984; F. Liu y Shen, 1999).
La ventaja de esta generalización de problemas es que posibilita modelar caracte-

rísticas especiales de la flota. Esto permite pronosticar los efectos que tiene un cambio
en los vehículos sobre el servicio que reciben los clientes y el costo-beneficio de estos
efectos.
El tiempo Para estudiar la evolución del gasto energético o del nivel de inven-
tario tras atender un conjunto de clientes, es necesario agregar al VRP variables tem-
porales y de demanda (e.g. Christofides, 1991; Malandraki y Daskin, 1992). Los VRP
con estas características son conocidos como VRP dependientes del tiempo o TDVRP
(Time Dependent Vehicle Routing Problem en inglés). Cuando los tiempos de servicio
se reducen y condicionamos el ruteo al designar horarios de visita a un cliente, estos
horarios son conocidos como ventanas de tiempo (time windows en inglés). Las venta-
nas de tiempo indican que un vehículo no puede acceder a un nodo o cliente hasta
cierta hora y, en caso de permanecer en él, debe terminar sus actividades antes de la
hora de salida. Aquí encontramos una variable adicional, que es el tiempo de servicio, la
cual indica cuánto tiempo permanecerá un vehículo en un nodo. Esto limita el acceso
a las ventanas de tiempo, puesto que el vehículo consume tiempo tanto en acceder a
un cliente como en atenderlo, pero permite modelar la actividad real que se realiza en
6
un nodo.
Sin embargo, se puede generalizar la programación de rutas vehiculares a un perio-

do de varios días laborales. Esto permite (a) disponer de una flota limitada con activi-
dades estratificadas por días, (b) permitir el retorno de vehículos para terminar tareas,
y (c) estudiar la evolución por días del nivel de inventario. Para más información ver
Desrosiers, Soumis, Desrochers y Sauve, 1983; B. L. Golden y Assad, 1986; Malandraki
y Daskin, 1992; Archetti y Speranza, 2008; Bertazzi y cols., 2008; Francis y cols., 2008;
C. Lin y cols., 2014.
Seguidamente, está la influencia del tráfico sobre el tiempo de ruta. Si bien el grafo
refleja la forma y comportamiento de un territorio, la velocidad de un vehículo depen-
de tanto de la distancia como de la hora del día; esto influye en el tiempo esperado de
ruta. Así se puede (a) analizar la flexibilidad de rutas, (b) reducir el gasto energético
y la generación de gases invernadero, y (c) mejorar la movilidad en núcleos urbanos
frente a la evolución del tráfico. Aquí interviene cómo se mide la distancia entre dos
nodos. Esta última característica recae sobre una función de tiempos de ruta sobre los
arcos, que depende del tiempo o de intervalos de tiempo. Como los tiempos sobre
los arcos van cambiando, entonces las propiedades de (a) simetría sobre los tiempos,
(b) desigualdad triangular y (c) convexidad sobre el grafo irán cambiando durante el
transcurso de una jornada. Finalmente, es posible considerar la evolución del tráfico
como un proceso estocástico, lo cual generaliza lo anterior.
Para más información ver Malandraki y Daskin, 1992; Okhrin y Richter, 2009; H. Wang
y Lee, 2011; Yanfeng, Ziyou y Jun, 2011; Kritzinger y cols., 2012; C. Lin y cols., 2014;
Demir, Bektaş y Laporte, 2014; Gendreau, Ghiani y Guerriero, 2015; Mańdziuk y Świe-
chowski, 2017; Huang, Zhao, Woensel y Gross, 2017.
Demanda Un elemento básico de los VRP es la función de demanda que corres-

ponde a las necesidades o requerimientos de los clientes. En este marco, han surgido
diversas generalizaciones que incluyen:
• la posibilidad de que un cliente solicite un tipo de vehículo específico (e.g. Chao

y Liou, 2005; Chao, Golden y Wasil, 1999; Baldacci y cols., 2008);
• la distribución de trabajo entre vehículos cuando la demanda de un cliente ex-
cede la capacidad de un vehículo (e.g. Dror y Trudeau, 1989; Archetti, Savelsbergh y
Speranza, 2006; Archetti y Speranza, 2008);
7
• la devolución o entrega de productos desde el cliente, donde se distingue la en-

trega de productos desde el depósito, conocido como linehauling, de la recolección de
productos desde el cliente, conocido como backhauling (Ferrucci, 2013) (e.g. Parragh,
Doerner y Hartl, 2008b; Irnich, Schenider y Vigo, 2014); y
• la variabilidad de demanda y clientes, que asocia procesos estocásticos a la evolu-
ción de la demanda y de los clientes (e.g. Teodorovic, Krcmar-Nozic y Pavkovic, 1995;
Gendreau, Laporte y Séguin, 1996; Ferrucci, 2013; Gendreau, Jabali y Rei, 2014; C. Lin
y cols., 2014).
Estas variaciones del VRP, permite modelar el transporte de pasajeros. Esto último
suele tratarse dentro de los problemas de Pickup and Delivery o Dial-a-Ride (Parragh,
Doerner y Hartl, 2008a), los cuales se extienden al problema general de recogida y
entrega o GPDP (General Pickup and Delivery Problem en inglés) (Ferrucci, 2013). Un
tratamiento más profundo de estos problemas se lo realizará en la siguiente sección de
este capítulo.
Finalmente, cabe destacar dos variantes adicionales que interactúan de manera im-
plícita con la demanda: (a) la apertura de rutas y (b) la cantidad de empleados. La
primera consiste en el ruteo de vehículos que no deben regresar necesariamente al
conjunto de depósitos (e.g C. Lin y cols., 2014; Atefi, Salari, Coelho y Renaud, 2017),
mientras que la segunda determina el número óptimo de empleados que debe enviarse
para satisfacer la demanda en cada nodo pero en el menor tiempo posible (e.g Pureza,
Morabito y Reimann, 2012; Alvarez y Munari, 2017).
Función objetivo Los puntos desarrollados hasta este momento permiten la op-
timización de varios elementos de cada problema. Generalmente, la función objetivo
suele considerar únicamente el tamaño de ruta, con base a la función de distancia entre
clientes (e.g. Wøhlk, 2008; Francis y cols., 2008; Archetti y Speranza, 2008), y el núme-
ro de vehículos (e.g. Baldacci y cols., 2008; Toth y Vigo, 2014). Generalizaciones como
el problema de inventarios considera los costos de transportación e inventario (e.g.
Bertazzi y cols., 2008; Irnich, Toth y Vigo, 2014) o combinaciones con carga (Cordeau,
Laporte, Savelsbergh y Vigo, 2007; Kabcome y Mouktonglang, 2015); mientras que el
problema periódico busca reducir el tiempo requerido para el desarrollo de activida-
des (C. Lin y cols., 2014), donde están el tiempo de ruta y el de espera (Malandraki y
Daskin, 1992) o el consumo energético (Gendreau y cols., 2015).
8
En resumen, y siguiendo las líneas de Ferrucci (2013) y de C. Lin y cols. (2014), la

función objetivo de un VRP busca optimizar (a) los parámetros temporales (distancia
o tiempo de viaje), (b) el número de vehículos de la flota, (c) la duración de la jornada
vehicular, (d) el gasto energético del ruteo, (e) los costos de retraso (penalización por
ventana de tiempo), (f) el número de clientes desatendidos, (g) la agilidad del servicio,
o (h) combinaciones de estos.
Aplicaciones del VRP El problema de enrutamiento vehicular ha sido amplia-

mente estudiado al enfocarse en atender las necesidades de la industria. Así, diversas
variantes han surgido de condiciones y necesidades particulares de cada instancia y
problema, como vienen a ser las características de los vehículos, el manejo de oferta y
demanda, la dinámica de los parámetros a lo largo del día o las políticas de conduc-
ción y de emisión de gases; todo esto ha dado paso a generalizaciones del problema. A
continuación describimos algunos estudios de caso con aplicaciones reales:
• La distribución de combustibles es tratado por primera vez por Garvin y cols.

(1957) quienes propusieron una de las primeras formulaciones del VRP mediante flu-
jos (Baldacci y cols., 2008). Luego, Fisher (1985) optimiza la forma de distribuir gases
industriales usando la idea de ruteo periódico. Recientemente, Mardaneh, Lin, Loxton
y Wilson (2017) propusieron un modelo con ventanas de tiempo, horarios de trabajo y
transporte marítimo para abastecimiento de bases petroleras.
• El tráfico y daño en las unidades de transporte es estudiado por X. Zhang y Tang
(2007), quienes suponen que el vehículo se daña en el transcurso de la ruta y repro-
graman las visitas a los clientes. Más tarde, Polimeni, Russo y Vitetta (2010) simulan
el movimiento de mercancías en áreas urbanas, Lecluyse, Sörensen y Peremans (2013)
toman en cuenta la hora del día para medir el tiempo de viaje entre nodos y Kok, Hans
y Schutten (2012) analizan el impacto en la función objetivo al incluir una medida del
tráfico. Estos avances permiten que Khakbaz, Nookabadi y Boushehri (2017) estudien
posteriormente la configuración de una red de transporte masivo. Últimamente, Ng,
Lee, Zhang, Wu y Ho (2017) propusieron reducir el riesgo de entregas tardías de pro-
ductos, lo cual incurre reducción de gastos y satisfacción al cliente.
• La recolección y distribución de materiales puede verse con Rochat y Semet
(1994), quienes modelan la distribución de comida de mascotas y harina para la mayor
compañía Suiza de este ámbito. Más tarde, Chajakis, D. y Guignard (2003) incluyen
9
el modelo el inventario previo a la repartición de mercancía en vehículos con multi

compartimientos, modelo aplicado en una compañía de distribución insumos a «tien-
das de conveniencia» (convenience stores en inglés). En base a las necesidades de una
empresa cerca de la ciudad de Genoa, Italia, (Carrabs, Cerulli y Sciomachen, 2016) mo-
delaron la repartición de víveres mediante comercio electrónico y vehículos de carga
heterogénea sujetos a regulaciones de gases y de trabajo. Recientemente, J. Wang y
Zhang (2017) propusieron un modelo que considera el proceso de producción y mer-
cadeo para el reparto de productos agrícolas y lo resolvieron para el caso particular del
parque agricultor de la provincia de Henan en China.
• Para la administración de inventarios, B. Golden, Assad y Dahl (1984) pronosti-
can la demanda y seleccionan un subconjunto de clientes para generar las rutas vehicu-
lares. Más adelante Dror y Ball (1987) consideran que, para la distribución de propano,
cada cliente debe mantener una cierta cantidad de producto en el inventario; mientras
que Campbell y Savelsbergh (2004) permiten al proveedor, Praxair, tomar decisiones
sobre el momento y el tamaño de las entregas y más tarde Archetti, Bertazzi, Laporte y
Speranza (2007) limitan el tiempo de envío de un proveedor a un horizonte temporal
para un problema de distribución entre centros de producción y tiendas.
• La recolección de basura es un tema de interés en las ciudades modernas. Beltrami
y Bodin (1974) usaron una variante del VRP para programar la recolección de basura
municipal en base a información de Nueva York y Washington D.C. Años después
Angelelli y Speranza (2002) sugirieron un modelo único para estimar el costo operati-
vo de tres sistemas de recolección de basura en un valle italiano y una ciudad belga.
Posteriormente, Apaydin y Gonullu (2008) optimizaron las rutas de los camiones de
recolección de basura para aliviar la emisión de gases de efecto invernadero al aten-
der una ciudad de India. En concordancia con los resultados del enrutamiento dividi-
do, Fanti, Mangini, Abbatecola y Ukovich (2016) modelan la recolección en una ciu-
dad italiana con descargas intermedias antes de alcanzar nuevos clientes. Finalmente,
Gilardino, Rojas, Mattos, Larrea-Gallegos y Vázquez-Rowe (2017) estudian la reduc-
ción de vehículos de recolección para la atención en la ciudad de Lima.
• Debido al impacto ambiental que genera el uso de vehículos, se ha dado especial
atención al desarrollo de modelos verdes en la última década (Salimifard, Shahban-
darzadeh y Raeesi, 2012). (Bauer, Bektaş y Crainic, 2010) construyen un modelo de
10
enrutamiento para reducir las emisiones de gas en el transporte intermodal de carga

en Austria. Sin embargo, no siempre es necesaria la construcción de nuevos modelos,
como es el caso de Faulin, Juan, Lera y Grasman (2011) quienes proponen algoritmos
verdes de construcción de rutas para el problema de enrutamiento capacitado para una
compañía de enlatados en Navarra, España. El manejo de políticas de reciclaje es dis-
cutido por Kim, Yang y Lee (2011), donde manejan un problema multi depósito para la
recolección de basura y material de reciclaje. Finalmente, Schneider, Stenger y Goeke
(2014) modelaron el uso de vehículos eléctricos para el transporte de pasajeros y mer-
cancías. Para un estudio más profundo sobre la evolución de esta rama, referimos al
lector a C. Lin y cols. (2014) y Toro O., Escobar Z. y Granada E. (2016).
• Un problema al transportar carga es cómo acomodarla o producirla para reducir
los tiempos de despacho y recarga. Tarantilis, Zachariadis y Kiranoudis (2009) conside-
ran la distribución de objetos tridimensionales en los vehículos y Muyldermans y Pang
(2010) manejaron una variante con multi compartimientos para separar y diferenciar
productos dentro de los vehículos. Más tarde J. Liu, Smith y Qian (2016) consideran las
diferencias entre las características geométricas de una flota para la decisión de abas-
tecimiento de flota previo al inicio de actividades. Por otro lado, Lee, Kim, Johnson
y Lee (2014) planifican el tamaño de la producción de un radio isótopo que influye
en el diseño del tamaño de flota y de rutas para satisfacer la demanda de un medica-
mento radioactivo; y hace poco Nowakowski (2017) modela la recolección de basura
electrónica y el diseño de los vehículos de transporte en Polonia.
• El problema de traslado de personal, clientes y de mercancía entre clientes es la
base, como mencionamos previamente, de los problemas de recogida y entrega. Este
problema surge en los años cincuenta (C. Lin y cols., 2014) y, como trataremos en la si-
guiente sección, es sujeto de una activa y amplia investigación. Describiremos algunas
aplicaciones recientes que pertenecen a cada una de las tres ramas de aplicación que
forman esta clase:
1. Carga de retorno: Hace poco Van Anholt, Coelho, Laporte y Vis (2016) desarrollaron
un modelo de inventario periódico para una red de cajeros automáticos de tres bancos,
lo cual permite la posibilidad de envíos y recargas entre cajeros y con cambios diná-
micos sobre la interacción cliente-banco-vehículo. Por otro lado, Madankumar y Ra-
jendran (2016) propusieron un modelo verde para la cadena de suministro de un semi
11
conductor que determina tanto producción como programación de envío entre puntos
de partida y llegada. Para este año, un artículo de Dotoli y Epicoco (2017) estudia el
manejo óptimo de rutas cortas entre terminales intermodales para transporte puerta a
puerta; todo esto con posibilidades de viajes múltiples para acomodar los servicios de
una empresa italiana de transporte de carga.
2. Transporte de carga entre clientes: Bard y Jarrah (2013) analizan las políticas de en-
vío y diseño de rutas que para una empresa de transporte de mercancía, con rutas
de atención a empresas y otras a personas naturales, dentro de la ciudad de Albany,
Estados Unidos. Luego Liedtke, Matteis y Wisetjindawat (2015) analizan las relacio-
nes comerciales entre proveedores y transportistas para la ciudad de Tokio, constru-
yendo y evaluando rutas vehiculares entre varios depósitos y clientes. Recientemente,
Baklagis, Dikas y Minis (2016) propusieron un modelo de maximización sobre utili-
dades de rutas conocidas al tener una flota limitada que exige una decisión sobre qué
clientes atender. El transporte de bicicletas en redes de transporte público relaciona
tanto el movimiento de bicicletas por parte de los usuarios del sistema como realiza-
do por vehículos de abastecimiento. Por ejemplo, Ehrgott, Wang, Raith y van Houtte
(2012) consideran un problema bi-objetivo para la expectativa de planificación de rutas
por parte de los usuarios en Auckland, New Zealand; y Brinkmann, Ulmer y Mattfeld
(2015) manejan un modelo de inventario estocástico para la planificación de extracción
de bicicletas en Vienna, Austria.
3. Transporte de personas entre clientes: Schilde, Doerner y Hartl (2014) estudian la
relación entre tomar la velocidad media y la velocidad real de un vehículo para esti-
mar el tiempo de transporte de pacientes, por lo que proponen metaheurísticas para
estimar rutas estocásticas de pacientes hacia hospitales con base a información de la
ciudad de Vienna. Más tarde, Detti, Papalini y de Lara (2017) ponen atención al proble-
ma de transporte de pacientes que no están en situación de emergencia para el sistema
de salud de Toscana, Italia. Por otro lado, B. Li, Krushinsky, Reijers y Woensel (2014)
estudian el mejoramiento de rutas con viajes compartidos de taxi para personas y pa-
quetes en la ciudad de San Francisco, Estados Unidos. Para más sobre el problema de
taxis ver (Y. Lin, Li, Qiu y Xu, 2012; O.Santos y Xavier, 2015; Sayarshad y Chow, 2015)
y para el de vehículos compartidos ver (Agatz, Erera, Savelsbergh y Wang, 2012). En
seguridad industrial se pueden encontrar modelos de despacho de agentes de emer-
12
gencia (J. Li, Li, Ling y Zhu, 2013), los cuales se fundamentan en modelos previos como
el de Vargas-Villamil (2006).
Problema general de recogida y entrega (Pickup & Delivery)
El problema general de recogida y entrega es una generalización del VRP capacita-

do, donde el conjunto de depósitos se divide en dos conjuntos (a) nodos de origen y
(b) nodos de destino (Savelsbergh y Sol, 1995); y adicionalmente un grupo de clientes
se convierte en intermediarios (Parragh y cols., 2008b).
La importancia de este problema viene acompañada de una amplia y activa in-
vestigación, con cientos de artículos y material académico complementario que son
publicados cada año (ver Figura 2). Entre las diversas fuentes de revisión de la litera-
tura están los trabajos de Berbeglia, Cordeau, Gribkovskaia y Laporte (2007); Parragh
y cols. (2008b, 2008a); Battarra, Cordeau y Iori (2014); Wassan y Nagy (2014).
6000
5000
4000
3000
2000
1000
0
20 0
01
20 2
20 3
20 4
20 5
20 6
20 7
08
20 9
20 0
20 1
20 2
20 3
20 4
20 5
16
0
0
0
0
0
0
0
0
1
1
1
1
1
1
20
20
20
Figura 2. Número de artículos relacionados al GPDP

por año desde 2000 hasta 2016.
Fuente. Scholar PlotR .
Como consta en la Figura 3, esta especialización permite modelar dos tipos de re-
querimientos especiales impuestos por la demanda, que son el transporte de insumos
entre depósitos y el transporte entre clientes. A continuación, describiremos estas dos
ramas con base en las fuentes de revisión bibliográfica previamente citadas.
Transporte entre depósitos Esta clase de problemas es conocida como VRP con
carga de retorno o VRPB (Vehicle Routing Problem with Backhauls en inglés). Aquí toda
13
Carga agrupada
Carga de envío y retorno mixta

Transporte entre depósitos
Entrega y recogida divisible
Entrega y recogida simultánea

GPDP
Libertad de origen-destino Recogida y entrega
Transporte entre clientes

Recogida y entrega
Pareja de origen-destino
Dial-a-Ride
Figura 3. Problemas de recogida y entrega.

Adaptado de Parragh y cols. (2008a).
la carga es recogida desde los nodos de origen y luego transportada hacia los nodos
de destino. Existen dos clasificaciones de esta clase con diferente nombre, la más es-
pecífica es aquella de Parragh y cols. (2008b) que la dividen en cuatro subclases, de
las cuales las primeras dos no permiten que un cliente reciba y envíe carga a la vez; la
otra clasificación de Battarra y cols. (2014), agrupa algunas subclases propuestas por
Parragh y cols. (2008b):
VRP con carga de retorno agrupada: Diferenciamos a los clientes entre aquellos a
los que se envía carga de los que envían carga de retorno. Los primeros son conocidos
como clientes de carga de envío, o linehauls en inglés, y los segundos como clientes de
carga de retorno, o backhauls en inglés. Aquí los clientes con carga de envío son atendi-
dos primero y posteriormente se atienden a los de carga de retorno. Esta subclase, y la
que sigue, es también conocida como Envío de Uno a Varios a Uno (One-to-Many-to-One
en inglés).
VRP con carga de envío y retorno mixta: En este caso se elimina la restricción
de atención a los clientes de carga de envío y así se atiende la demanda de forma
heterogénea.
VRP entrega y recogida divisible: Con una nueva clase de clientes, donde los par-
ticipantes pueden enviar y recibir carga a la vez, se permite que un cliente pueda actuar
14
de intermediario entre otros al darse varias visitas de carga y descarga. Para este fin se
utilizan las llamadas soluciones de lazo (Gribkovskaia, Halskau y Myklebost, 2001; Hoff,
Gribkovskaia, Laporte y Løkketangen, 2009; Wassan y Nagy, 2014), permitiendo el re-
torno de vehículos hacia un cliente o grupos de clientes; esta subclase, y la que sigue,
también es conocida como Envío de Varios a Varios (Many-to-Many en inglés).
VRP entrega y recogida simultánea Aquí cada cliente tiene una cantidad de carga
y descarga, pero a diferencia de la clase anterior, se impiden soluciones de lazo.
El caso particular de envío desde un cliente con carga de envío hacia un único desti-
natario es conocido como Envío Uno a Uno (One to One en inglés) y usa el mismo prin-
cipio de los problemas de transporte hacia clientes como el Dial-a-Ride (e.g. Ferrucci,
2013; Battarra y cols., 2014).
Transporte entre clientes Esta rama es conocida como VRP con recogidas y entregas
VRPPD (Vehicle Routing Problem with Pickups and Deliveries en inglés). A diferencia
del VRPB, aquí la carga corresponde a personas que son transportadas entre nodos de
recogida y llegada. Siguiendo las líneas de Parragh y cols. (2008a), existen dos ramas
de problemas que conforman esta clase:
Puntos de recogida y entrega desenlazados: Esta subclase contiene al problema
de recogida y entrega vehicular PDVRP (Pickup and Delivery Vehicle Routing Pro-
blem en inglés). El producto enviado entre clientes es homogéneo, de tal forma que
cualquier unidad recogida desde un cliente puede ser usada para abastecer la deman-
da de otro. Este problema también es considerado como un Envío de Varios a Varios,
según Battarra y cols. (2014).
Puntos de recogida y entrega enlazados: Esta subclase se divide en dos más que
abarcan la recogida y entrega de producto heterogéneo entre clientes de origen y des-
tino.
Problema de recogida y entrega: Este se encarga de la distribución de carga; la única
diferencia entre este problema y el VRP de entrega y recogida simultánea es que los
vehículos no transportan carga desde el depósito. Es por ello que también pertenece a
la clase de Envío Uno a Uno, según Battarra y cols. (2014).
Problema Dial-a-Ride: Un grupo de usuarios está interesado en ser transportado
entre varios puntos de recogida y entrega; es decir, en este problema lidiamos con el
transporte de personas buscando un balance entre calidad de servicio y costos opera-
tivos. Aplicaciones del Dial-a-Ride han surgido en el transporte de adultos mayores
15
y personas con discapacidades (Doerner y Salazar-González, 2014; Molenbruch, Brae-

kers y Caris, 2017). Dentro de este problema las ventanas de tiempo son más complejas,
teniendo (a) intervalos de tiempo para recogida, (b) de tiempo para entrega, (c) de tiem-
po para acceder al destino, (d) tiempo de atención en un cliente y (e) tiempos de viaje
esperados por el cliente. Nótese que una violación de estas ventanas de tiempo genera
problemas de satisfacción al cliente; es por ello que la función objetivo suele presentar
combinaciones entre costos de viaje y la conveniencia (o satisfacción del servicio) del
cliente (Parragh y cols., 2008a; Doerner y Salazar-González, 2014), siendo esta última
una característica de todos los Dial-a-Ride (Molenbruch y cols., 2017).
El Dial-a-Ride, también conocido como DARP, puede clasificarse en base al com-

portamiento de sus parámetros como en sus especializaciones (Molenbruch y cols.,
2017). La primera clasificación considera la evolución de los parámetros a lo largo del
día, donde un parámetro puede ser estático si se lo conoce con anterioridad (Berbeglia
y cols., 2007) o dinámico si va cambiando en relación a un intervalo de tiempo, idea res-
catada del problema de enrutamiento vehicular periódico. Los problemas dinámicos
pueden incluir tanto variaciones estocásticas en el transporte como información en el
momento de ruteo por parte del cliente (Larsen y Madsen, 2000).
En lo que respecta a la clasificación del servicio, seguimos las líneas de un estudio

bibliográfico reciente por Molenbruch y cols. (2017):
1. Diseño avanzado de servicio: Esta rama se dedica a la especialización de tres

aspectos (a) la heterogeneidad de la demanda, (b) las propiedades de ruta y (c) las es-
pecificaciones de calidad. El primero engloba las necesidades físicas de los usuarios,
acompañantes y material médico, (Z. Zhang, Liu y Lim, 2015), la configuración de un
vehículo, tipos de capacidad sobre los vehículos, (Qu y Bard, 2013) y condiciones mé-
dicas de los usuarios, diferenciando entre condición crítica y de consulta, (Beaudry,
Laporte, Melo y Nickel, 2010). El segundo aspecto permite la existencia de nodos de
transferencia de pasajeros, para mejorar la productividad del sistema (Cortés, Mata-
mala y Contardo, 2010), la integración entre rutas bajo demanda con rutas públicas
(Posada, Andersson y Häll, 2016; Ghilas, Demir y Woensel, 2016), el transporte y la di-
visión de varios pasajeros hacia un mismo lugar (X. Li y Quadrifoglio, 2011; Parragh,
de Sousa y Almada-Lobo, 2015), viajes múltiples con horas y depósitos de descanso
(Masmoudi, Hosny, Braekers y Dammak, 2016) o múltiples depósitos para la llegada
16
de vehículos (Braekers, Caris y Janssens, 2014). El tercer aspecto considera lo ya men-

cionado respecto a la relación entre las diversas ventanas de tiempo y la satisfacción
del servicio.
2. Funciones objetivo alternativas: Si bien el costo de longitud de ruta es la función
más usada en la literatura (Molenbruch y cols., 2017), existen variantes que conside-
ran el mínimo tamaño de flota, la eficiencia máxima de un vehículo, el número de
ocupantes por vehículo, la ganancia por atención y el número de pedidos solicitados.
Sin embargo, estas propuestas dejan de lado un criterio mínimo para la satisfacción al
cliente, por lo que existen propuestas multi objetivo que pueden incluir (a) el tiempo
de viaje por usuario, (b) el tiempo de espera tanto por vehículo como por usuario y (c)
tarifas de choferes o de contratación de taxis para cubrir falta de flota. Estas combina-
ciones se las puede representar con funciones objetivo ponderadas (Lehuédé, Masson,
Parragh, Péton y Tricoire, 2014).
3. Servicio estocástico o dinámico: Existen diferentes formas en las cuales pueden
evolucionar los parámetros de un DARP. Distribuciones estadísticas respecto al tráfico
y a la varianza de la distancia influyen en el tiempo de acceso a un cliente (Fu, 2002;
Schilde y cols., 2014). Pedidos adicionales a lo largo del día requieren ser ajustados en
una etapa de re-optimización (Attanasio, Cordeau, Ghiani y Laporte, 2004). Finalmen-
te, la hora de llegada de un usuario al sitio de recogida incide en el tiempo de espera y
llegada de un vehículo (Heilporn, Cordeau y Laporte, 2011).
17
Modelamiento del problema
A continuación describimos los componentes del modelo que proponemos para

resolver el problema de asignación de rutas vehiculares y pedestres; para ello, se gene-
ralizan elementos del problema general de recogida y entrega con ventanas de tiempo.
El grafo y parámetros
Trabajaremos sobre G = (V, A) un grafo dirigido, donde V es un conjunto de car-

dinalidad n + 2 que representa los puntos geográficos donde un encuestador realiza la
toma de datos y a las oficinas del INEC, y A consiste en las posibles conexiones existen-
tes entre cada nodo, las cuales describiremos más adelante. Las oficinas del INEC, que
en adelante llamaremos «el depósito», están representadas por los vértices 0 y n + 1; a
los demás nodos los llamaremos «locales».
Optamos por una búsqueda de flujos dentro de G, puesto que queremos que un en-
cuestador salga del depósito en un vehículo, recorra cierto número de rutas pedestres
conectadas por viajes en vehículo y retorne al depósito en cualquier vehículo. Para este
fin, definimos GC = (C, AC ) como el subgrafo inducido por los locales. De este modo,
a los encuestadores se les asignará caminos en GC y a los vehículos se les asignará ca-
minos en G. Aquí cabe mencionar que existen dos tipos de arcos que componen estos
caminos: (a) arcos entre cada par de locales y (b) arcos entre el depósito y cada local; es
decir, AC está compuesto por los pares (i, j) tales que i y j están en C, pero i 6= j, y A es
la unión entre AC y los arcos de la forma (0, i ) y (i, n + 1), para todo i en C.
Cada camino de los encuestadores tiene un peso, que definimos como el tiempo
efectivo utilizado en la ejecución de la encuesta. Aquí intervienen la función d ∈ RC ,
que asigna el tiempo estimado de permanencia de cualquier encuestador en un local,
y la función t ∈ R AC , que aproxima el tiempo de caminata pedestre entre dos locales.
Los caminos vehiculares también tienen un peso medido por la función τ ∈ R A , que
estima los tiempos de tránsito vehicular entre cada par de vértices.
El modelo de programación entera mixta para el problema de planificación de ruteo
vehicular y pedestre (PRVP) considera los siguientes lineamientos para la construcción
de caminos:
• existen | E| encuestadores, donde E es el conjunto de encuestadores,
• se cuenta con |K | vehículos, representados por el conjunto K,
18
• la planificación no supera los |S| días, con S el conjunto de días de trabajo,

• cada vértice forma parte de algún camino,
• los encuestadores pueden compartir caminos vehiculares pero no pedestres,
• ningún vértice es adyacente a dos caminos pedestres diferentes,
• un encuestador sale y regresa al depósito si y solo si se transporta en un vehículo,
• cada local tiene una ventana de tiempo que corresponde a su horario de atención
dado por la función T ∈ (R × R)C que a cada local i le asigna el intervalo [ T0,i , T1,i ],
• cada día un encuestador activo debe tomar una pausa de longitud P ∈ R dentro
de un intervalo [ p0 , p1 ] en la jornada de trabajo,
• las conexiones entre caminos vehiculares y pedestres emplean el menor número
de vehículos posibles, donde cada vehículo tiene un costo κ1 ∈ R, capacidad Q ∈ R y
tiempo máximo de jornada Dmáx ∈ R,
• se emplea el menor número de encuestadores posibles, cada uno con costo κ2 ∈ R
y tiempo máximo de jornada Bmáx ∈ R; y
• se minimiza el peso de todos los caminos.
Restricciones de movimiento pedestre y vehicular
Tendremos dos planificaciones de ruteo sobre A y AC que son (a) el enrutamiento

de encuestadores y (b) el enrutamiento de vehículos. Cada planificación interactúa con
la otra, respetando los tiempos de atención en cada nodo, los tiempos de traslado y la
carga sobre los vehículos. Teniendo esto en mente, podemos considerar a los encuesta-
dores como un vehículo adicional que se desprende del vehículo que lo traslada y/o
recoge, vehículo que se encarga de la conexión entre rutas pedestres; de esta forma,
consideraremos tres variables para el movimiento sobre G, donde constarán la plani-
ficación de cada encuestador, de cada vehículo y en qué vehículo se encuentra cada
encuestador.
Las restricciones, usando un modelo de flujos, que regulan el movimiento de los
encuestadores son
∑ xi,je,s − ∑ xe,s
j,i = f je,s − be,s
j , ∀ j ∈ C, e ∈ E, s ∈ S, (1a)
i i
∑ xi,je,s + ∑ xe,s
j,i = 2 − ∑ bie,s + f ie,s ,

∀i ∈ C; (1b)
s,e,j s,e,j s,e
19
e,s
donde las variables de decisión xi,j son 1 si el arco (i, j) ∈ AC es asignado al encuesta-
dor e en el día s y 0 en caso contrario, las variables de decisión bie,s toman el valor 1 si
el nodo i ∈ C marca el inicio de un camino para el encuestador e en el día s y 0 si no,
y las variables de decisión f ie,s valen 1 si el local i ∈ C marca el fin de un camino para
el encuestador e en el día s y 0 en caso contrario. La restricción (1a) garantiza que un
local es visitado únicamente por un encuestador y la restricción (1b) cuenta el número
de caminos incidentes a un local.
El movimiento vehicular es controlado mediante dos grupos de restricciones. Ini-

ciamos generando el flujo de vehículos con
∑ yi,jk,s = ∑( fie,s + bie,s ) − hi , ∀i ∈ C, ∀s ∈ S, (2a)

j,k e
∑ yi,jk,s − ∑ yk,s
j,i = 0, ∀ j ∈ C, k ∈ K, s ∈ S, (2b)
i i
∑ y0,j
k,s
− ∑ yk,s
j,n+1 = 0, ∀k ∈ K, s ∈ S; (2c)
j j
k,s
las variables de decisión yi,j toman el valor 1 si el vehículo k es asignado al arco (i, j) ∈
G en el día s y 0 en caso contrario, y las variables de decisión hi son 1 si el encuestador
encargado de atender al nodo i ∈ C realiza un lazo en dicho nodo y 0 en caso omiso
(esto permite que un encuestador atienda un local comunicado por un vehículo y salga
en otro vehículo desde el mismo local mediante soluciones de lazo). La restricción (2a)
garantiza que los nodos de inicio y fin de camino de un encuestador sean visitados
por un vehículo, mientras que las restricciones (2b) y (2c) aseguran que un vehículo
transite un arco una sola vez.
El segundo grupo de restricciones se centra en los ocupantes de cada vehículo con
∑ ze,s
j,i − ∑ zi,j = bi − f i ,
e,s e,s e,s
∀i ∈ C, e ∈ E, s ∈ S, (3a)
j j
∑ zi,je,s ≤ ∑ be,s e,s

j + fj , ∀ j ∈ C, e ∈ E, s ∈ S, (3b)
i e
∑ zi,je,s ≤ ∑ fie,s + bie,s , ∀i ∈ C, e ∈ E, s ∈ S; (3c)

j e
e,s
donde empleamos las variables de decisión zi,j que toman el valor 1 si un vehículo
20
transporta al encuestador e por el arco (i, j) ∈ G en el día s y 0 en caso contrario. La

restricción (3a) garantiza la compatibilidad entre la ruta de un vehículo y el camino de
un encuestador y las restricciones (3b) y (3c) permiten que los encuestadores compar-
tan vehículos entre rutas vehiculares.
Restricciones de atención a locales con ventanas de tiempo
Como se mencionó previamente, el trazo de cada ruta vehicular y pedestre tiene un

peso que se calcula entre el tiempo de ejecución de encuesta y el tiempo de transporte
entre locales (el cual varía entre locales y vehículos). Lo cual nos lleva a considerar tres
familias de restricciones.
La primera familia de restricciones de tiempo acopla los tiempos entre vehículos y
encuestadores:
!
Bej ≥ Bie + di + ∑ wie,s P + ti,j −M 1−∑ e,s
xi,j , ∀(i, j) ∈ AC , e ∈ E, (4a)
s s
!
Bie + di + ∑ wie,s P − M 1−∑ f ie,s + hi ≤ Dik , ∀i ∈ C, e ∈ E, k ∈ K, (4b)
s s
!
D kj ≥ Dik + τi,j − M 1 − ∑ yi,j
k,s
, ∀(i, j) ∈ A, k ∈ K, (4c)
s
!
Bie ≤ Dik + M 1 − ∑ bie,s + hi , ∀i ∈ C, e ∈ E, k ∈ K, (4d)
s
!
Bie ≥ Dik + M 1 − hi + ∑(bie,s + f ie,s ) − ∑ zi,j
e,s
, ∀i ∈ C, e ∈ E, k ∈ K, (4e)
s s,j
Bej ≥ Dik + τi,j − M (1 − hi ), ∀(i, j) ∈ A, e ∈ E, k ∈ K, (4f)
Bej ≥ Dik + τi,j − M (1 − h j ), ∀(i, j) ∈ A, e ∈ E, k ∈ K, (4g)

!
Bie + di + P ∑ wie,s − Dil ≤ M 5 − hi − ∑ yk,s e,s l,s e,s
a,i + z a,i + yi,d + zi,d ,
s s
∀( a, i ), (b, i ), (i, d) ∈ A, e ∈ E, k, l ∈ K, (4h)

!
Bie + di + P ∑ wie,s − Dik ≤ M 5 − hi − ∑ yk,s e,s k,s e,s
a,i + z a,i + yi,d + zi,d ,
s s
∀( a, i ), (b, i ), (i, d) ∈ A, e ∈ E, k ∈ K; (4i)

21
donde Bie ≥ 0 marca el tiempo de inicio de un recorrido pedestre del encuestador e

desde el local i ∈ C, la variable Dik ≥ 0 es el tiempo de salida del vehículo k desde
el vértice i ∈ V y las variables de decisión wie,s , valen 1 si el encuestador e toma una
pausa en el local i en el día s y 0 en caso contrario. La restricción (4a) empareja el
tiempo del encuestador e al llegar al nodo j después de atender al nodo i, (4b) asegura
que en el nodo i un vehículo recoja al encuestador e después de terminarse una ruta
pedestre, (4c) garantiza que el vehículo k llega al nodo j después del tiempo que le toma
recorrer el arco (i, j), (4d) sincroniza los tiempos de llegada y salida entre el vehículo k
y el encuestador e en el vértice i, (4e) sincroniza el tiempo para los encuestadores que
acompañan en una ruta vehicular, (4f) y (4g) empatan los tiempos de transporte entre
clientes aislados, y finalmente (4h) y (4i) controlan los tiempos de duración de encuesta
en clientes aislados respecto a vehículos compartidos y de recogida.
La segunda familia de restricciones temporales se encarga de las ventanas de tiem-
po, la existencia de las pausas y la generación de las variables temporales respecto al
movimiento:
!
e,s
Bie ≥ τ0,i z0,i −M 1 − ∑ bie,s , ∀i ∈ C, e ∈ E, (5a)
s
T0,i ≤ Bie ≤ T1,i , ∀i ∈ C, e ∈ E, (5b)
wie,s ≤ ∑ xi,je,s + ∑ zi,je,s , ∀i ∈ C, e ∈ E, s ∈ S, (5c)

j j
∑ wie,s = ∑ z0,j
e,s
, ∀e ∈ E, s ∈ S, (5d)
i j
!
p0 − Bie ≥ M 1 − ∑ wie,s , ∀i ∈ C, e ∈ E, (5e)
s
!
Bie − p1 ≤ M 1 − ∑ wie,s , ∀i ∈ C, e ∈ E; (5f)
s
donde (5a) marca la salida del depósito como cota inferior a la actividad de un en-
cuestador, (5b) indica que un encuestador puede acceder a un local sólo dentro de la
ventana de tiempo, (5c) y (5d) aseguran que un encuestador tenga una pausa siempre
y cuando tenga una ruta asignada, y (5e) y (5f) garantizan que una pausa se de durante
la jornada laboral y dentro del intervalo [ p0 , p1 ].
Cabe mencionar que la constante M 0 surge al linealizar restricciones modela-
22
das a partir de implicaciones lógicas y su valor depende directamente de todos los

parámetros del modelo; por tanto su valor se determina experimentalmente.
La tercera familia de restricciones se encarga de controlar la jornada laboral y de
calcular el peso total de una ruta:
e,s
0 ≤ Bie ≤ Le,s − (τi,n+1 + di )zi,n +1 ≤ Bmáx , ∀i ∈ C, e ∈ E, s ∈ S, (6a)
0 ≤ Dik ≤ Dmáx , ∀i ∈ C, k ∈ K; (6b)
introducimos las variables continuas Le,s ≥ 0 que marcan el tiempo total de la actividad
del encuestador e para el día s. Aquí (6a) acota el tiempo la actividad de un encuestador
por el tiempo máximo de jornada Bmáx y (6b) acota el peso de las rutas vehiculares por
el tiempo de jornada máximo por vehículo Dmáx .
Restricciones de demanda
Finalmente, relacionamos la demanda de cada local, que consiste en una visita en el

horizonte de planificación, con la carga máxima por vehículo; siempre asegurándonos
de que un local no sea atendido por más de un encuestador y que la encuesta se lleve
a cabo en una visita:
∑ f ie,s + bie,s − hi ≤ 1,

∀i ∈ C, (7a)
s,e
∑ zi,je,s ≤ Q, ∀(i, j) ∈ A, s ∈ S, (7b)

e
e,s
zi,j ≤ ∑ yi,jk,s , ∀(i, j) ∈ A, e ∈ E, s ∈ S, (7c)
k
∑ y0,i
k,s
≤ 1, ∀k ∈ K, s ∈ S, (7d)
i
∑ z0,i
e,s
≤ 1, ∀e ∈ E, s ∈ S; (7e)
i
donde la restricción (7a) indica que un local puede ser inicio o fin de ruta sólo una vez,
salvo que sea un nodo aislado; (7b) indica que un vehículo no pueden trasladar a más
de Q encuestadores, (7c) exige que un vehículo transporte un encuestador solo para
dirigirlo a una ruta, y (7d) y (7e) limitan que un vehículo y un encuestador salgan del
depósito solo una vez al día.
23
Función objetivo
Para agilitar el proceso de encuesta, buscamos optimizar tanto la duración de los

caminos pedestres como el número de vehículos y encuestadores involucrados. Lo que
requiere equilibrar el peso de estos elementos, y lo haremos mediante la combinación
convexa entre dos funciones:
" #
cλ ( L, y, z) := λ ∑ Le,s + (1 − λ) ∑ κ1 y0,i
k,s
+ ∑ κ2 z0,j
e,s
, (8)
s,e s,k,i s,e,j
donde λ ∈ [0, 1].

Finalmente, la formulación entera mixta para el PRVP viene dada por la minimiza-
ción de (8) acompañada de las restricciones para el movimiento vehicular que fueron
expuestas con anterioridad:
mı́n cλ ( L, y, z)
(9)
sujeta a (1a) . . . (7e).
Problemas en la búsqueda de soluciones
Al ser una generalización del problema de enrutamiento vehicular, el problema

(9) es difícil de resolver, ya que incluye elementos de un Dial-a-Ride compartido con
entregas divididas controladas, ventanas de tiempo y flota homogénea, por lo que per-
tenece a la clase N P –hard (Crainic y Laporte, 1998; B. Golden y cols., 2008; Ferrucci,
2013; C. Lin y cols., 2014; Toth y Vigo, 2014).
En la Figura 4 se encuentra la solución de una instancia de cuatro locales con los
datos incluidos en la Tabla 1. En este caso, se cuenta con 2 encuestadores y 2 vehículos
de capacidad 2, con iguales características. La duración de la pausa es de una unidad
de tiempo dentro del intervalo [20, 30] y la duración del día se considera de 30 unidades
de tiempo. Usamos λ = 0.9, costo de vehículo 100 y costo de encuestador 80.
La solución considera dos vehículos (arcos azules y arcos naranja), donde el pri-
mero toma la ruta 0 → 1 → 2 → 3 → 4 → 5 y el segundo la ruta 0 → 2 → 5. Los
encuestadores comparten el primer vehículo hasta el local 1, seguidamente uno se baja
y encuesta entre 1 y 3, mientras el otro es trasladado a 2. El vehículo regresa a recoger
al encuestador de 3 y lo lleva a 4 donde lo espera y juntos retornan al depósito. Para el
24
Figura 4. Solución de una instancia de prueba.
Tabla 1
Tiempos de traslado entre locales y ventanas de tiempo
Vehículo Encuestador Ventana temporal
0 1 2 3 4 1 2 3 4
Locales 0 – 1 4 6 2 – – – – [0, 30]
1 2 – 1 2 10 1 2 3 14 [1, 2]
2 1 1 – 4 15 2 17 8 20 [2, 25]
3 7 2 5 – 9 3 8 1 15 [5, 8]
4 1 15 11 9 – 15 20 15 1 [15, 30]
Nota: La columna de vehículos incluye los parámetros τi,j , la columna de encuestadores a los parámetros ti,j
con los tiempos de encuesta di en la diagonal y la columna de ventana temporal a los parámetros [ T0,i , T1,i ].
encuestador que se quedó en 2, sale un nuevo vehículo que lo devuelve al depósito. El

valor objetivo es de 71.1 unidades.
Existen otras soluciones factibles, como es el caso de 0 → 1 → 2 → 5 y 0 → 3 →

4 → 5 para dos vehículos y también 0 → 1 → 3 → 4 → 2 → 5 para un vehículo, con
valor objetivo de 72.9 y 81.8 unidades, respectivamente.
En esta instancia tenemos la ventaja de que los locales están cerca y el límite de jor-
nada laboral es mayor que la jornada planificada. Esto influye en el tiempo de cómputo
y en la existencia de soluciones, puesto que no se obtuvo solución para una instancia
similar de cinco locales aleatorios sin cercanía, lo cual incide en una región factible al
ampliar las formas de ruteo. Notemos que al aumentar tanto el número de vehículos
como el de encuestadores, es posible encontrar soluciones con menor costo.
25
Lo que nos lleva a determinar condiciones necesarias para la existencia de solucio-

nes:
• El valor de M debe ser mayor que el máximo entre los tiempos de encuesta y los
tiempos de traslado, tanto vehicular como pedestre, M > máx{t, τ } ;
• ningún tiempo de servicio en un nodo puede exceder la longitud de la ventana
de tiempo de dicho nodo o el tiempo máximo de jornada laboral di < máx{ T1,i −
T0,i , Bmáx };
• la jornada de trabajo vehicular y pedestre no deben ser menores al tiempo de
traslado hacia un local Dmáx ≥ Bmáx > máx{t, τ }; y
• la duración de una pausa no debe exceder al tiempo de jornada de trabajo vehi-
cular y pedestre P > máx{ Bmáx , Dmáx }.
Descripción de la instancia real y propuestas de solución
La información anterior es de mucha utilidad para el desarrollo de esta investiga-

ción, puesto que estamos interesados en planificar la encuesta de 820 establecimientos
comerciales ubicados en la ciudad de Guayaquil y sus alrededores. Localizamos a los
locales usando la herramienta Q-GIS, con la que determinamos la distancia y el tiempo
entre locales mediante acceso vehicular y pedestre.
Contamos con cinco encuestadores fijos que se trasladan por la ciudad y tres vehícu-
los para apoyarlos con el transporte, cada uno a un costo de 100 dólares sin importar
la distancia recorrida y con capacidad de transportar hasta tres encuestadores. Adi-
cionalmente, si el horizonte de tiempo está próximo a llegar, el INEC puede contra-
tar ocasionalmente más encuestadores o vehículos, por lo que en el caso de obtener
una instancia infactible, es posible aumentar el valor de E o de K convenientemente
(Archetti, Speranza y Hertz, 2006).
Por un lado, hemos estimado un tiempo de pausa de 45 minutos por encuestador
para su descanso y alimentación, mientras que los choferes no tienen pausa progra-
mada debido a tiempos sobrantes de espera. Por otro lado, las ventanas de tiempo
proporcionadas por los encuestadores corresponden netamente a la percepción de ca-
da uno, es decir, la información correspondiente a las ventanas de tiempo no es fiable.
Por esta razón hemos decidido liberar estas restricciones a toda la jornada de trabajo de
un encuestador. El horizonte de tiempo actual es de 17 días, en los cuales se trabaja seis
26
horas seguidas y dos adicionales se destinan a procesar los datos recopilados durante
el día. El INEC está interesado en reducir el horizonte temporal a 15 días, por lo que
tomaremos dicho valor en las pruebas computacionales.
La encuesta se realiza a cada local, donde se revisan determinados artículos que va-
rían dependiendo del tipo de establecimiento. En otras palabras, el tiempo de encuesta
en cada establecimiento no es uniforme, como se puede observar en el diagrama de
caja y bigotes de la Figura 5. De acuerdo a esta información, el tiempo de encuesta, en
19 establecimientos, supera la hora de trabajo, 120 superan al bigote superior (datos
atípicos) y de los 700 restantes hay 416 que están entre el primer y tercer cuartil; es
decir, la distribución de los tiempos medios de encuesta es asimétrica positiva.
Figura 5. Diagrama de caja y bigotes para la duración media, en minutos, de la

encuesta para los locales de la ciudad de Guayaquil. El primer (Q1 ) y tercer (Q2 )
cuartil agrupan al 51 % de observaciones entre 1.32 y 4.05 minutos, y los bigotes
agrupan al 80 % entre 1.03 y 8.10 minutos. La mediana es de 2.42 minutos, mientras
que la media corresponde a 8.12 minutos.
Fuente. Instituto Nacional de Estadísticas y Censos.
Al pertenecer el PVRP a la clase N P –hard, resolver esta instancia es muy costoso

en términos computacionales, por lo que estamos interesados en soluciones heurísti-
cas. Basándonos en recomendaciones de la literatura asociada al ruteo de vehículos
y construcción de rutas (e.g. Martí, 2003; B. Golden y cols., 2008; C. Lin y cols., 2014;
Molenbruch y cols., 2017), optaremos por el diseño de heurísticas de búsqueda local y
métodos tabú para la construcción y mejoramiento de soluciones factibles.
27
Algoritmos
A continuación, proponemos tres grupos de algoritmos para resolver (9) con los
datos de la instancia previamente descrita. Dos son para la generación de rutas iniciales
y el tercero es para mejorar las soluciones encontradas:
• algoritmos de construcción de caminos por búsqueda local en nodos,
• algoritmos de construcción de caminos por búsqueda local en arcos,
• algoritmos de búsqueda tabú.
Estos algoritmos usan como entrada una partición sobre el conjunto de locales y
técnicas de aleatorización y difuminación. Por lo tanto, este capítulo se divide en cuatro
secciones: (a) revisión literaria de heurísticas, (b) algoritmos para la construcción de
caminos pedestres, (c) reducción heurística del PRVP como un Dial-a-Ride y (d) diseño
de metaheurísticas tabú.
Técnicas de solución
Se han desarrollado diferentes enfoques para proveer de soluciones al problema de

enrutamiento vehicular. A continuación presentamos un breve resumen, siguiendo las
líneas de C. Lin y cols. (2014), de los métodos usados para resolver este problema de
forma exacta y aproximada (ver Figura 6).
Métodos de búsqueda directa en árboles

Exactos Programación dinámica
Programación lineal entera
Ahorros
Algoritmos Mejora secuencial
Heurísticas clásicas Barrido
Pétalos
Doble fase de Fisher y Jaikumar
Aproximados Tabú
Recocido simulado
Búsqueda local Búsqueda glotona adaptada
Vecindad variable
Vecindad grande
Matheurísticas
Genéticos
Búsqueda poblacional
Colonia de hormigas
Figura 6. Ejemplo de funciones de pertenencia.

Adaptado de C. Lin y cols. (2014).
28
Los métodos exactos son algoritmos con garantías para la obtención de soluciones
factibles que sean cercanas o lleguen al óptimo. Entre ellos constan los métodos de bús-
queda en árboles de decisión, donde cada rama de un árbol contiene un subconjunto
de soluciones con características específicas. La programación dinámica, la cual se cen-
tra en la construcción de una solución a través de soluciones a problemas de menor
tamaño, y la programación lineal entera con métodos como el de Branch & Bound o
Branch & Cut.
Las heurísticas clásicas están diseñadas a la medida para resolver un problema es-
pecífico y bajo supuestos intuitivos. Así, construyen exactamente una solución facti-
ble, pero sin garantías de optimalidad y limitando el espacio de búsqueda. Por ejem-
plo, el algoritmo de ahorro de Clarke y Wright (1964) es quizás una de las heurísticas
más citadas para resolver la versión capacitada del enrutamiento (A. A. Juan, Faulin,
Pérez-Bernabeu y Domínguez, 2013). Este método contrasta con el algoritmo de péta-
los, donde se divide el conjunto de locales, mediante la idea de «divide y vencerás»,
y se aplican técnicas del agente viajero para el ruteo (Renaud, Boctor y Laporte, 1996).
Posteriormente, estos resultados se pueden mejorar al combinarse con otros algorit-
mos, como es el caso del algoritmo de Fisher y Jaikumar (1981), donde se utiliza una
construcción por conos, intercambios de ahorro y mejora secuencial.
Matheurísticas Las matheurísticas son algoritmos híbridos que combinan metaheu-

rísticas y técnicas de programación matemática. Lo cual se consigue explotando la es-
tructura específica del problema, diseñando heurísticas derivadas de la formulación
del problema y del manejo de programas de resolución, también conocidos como sol-
vers, de alto desempeño (Archetti y Speranza, 2014; Molenbruch y cols., 2017).
Según Archetti y Speranza (2014), en el contexto del enrutamiento vehicular, estos

algoritmos pueden clasificarse en tres clases:
1. Enfoques de descomposición: se divide el problema en otros pequeños y de fácil

resolución. Estas soluciones pueden ser suboptimales y se usan para construir una
solución factible del problema principal.
2. Heurísticas de mejoramiento: se mejora una solución suboptimal usando mode-
los de programación matemática o de evaluación de costos. Son muy comunes al ser
adaptables en cualquier heurística de aproximación (e.g. C. Lin y cols., 2014; Archetti
y Speranza, 2014; Molenbruch y cols., 2017).
29
3. Enfoques de ramificación y costo con generación de columnas: se usa una formu-

lación adaptada del problema de particionamiento de conjuntos, donde una variable
entera o binaria es asociada a cada opción de ruta. Debido al número exponencial de
variables, la solución de la relajación lineal se obtiene mediante generación de colum-
nas.
Aquí es importante explicar el rol de las metaheurísticas, las cuales consisten en pro-
cedimientos diseñados para encontrar, generar o elegir una heurística que pueda pro-
veer de una solución aceptable para un problema de optimización. Estos procedimien-
tos toman en cuenta pocas suposiciones sobre el problema en cuestión, lo cual facilita
su adaptación a otros esquemas. Así, las metaheurísticas suelen encontrar soluciones
factibles para problemas de combinatoria con poco esfuerzo computacional; sin em-
bargo, al compararlas con los algoritmos de optimización y métodos iterativos exactos,
las metaheurísticas no garantizan encontrar la solución óptima global (Cáceres Cruz,
2013).
Las metaheurísticas pueden ser de búsqueda local o poblacional. Por un lado, los
métodos locales exploran el espacio de soluciones factibles mediante la definición de
una vecindad al trabajar con métodos iterativos sobre una solución inicial. Aquí cons-
tan los métodos de búsqueda tabú, recocido simulado, búsqueda glotón adaptada y
aleatorizada, búsqueda de vecindad variable y búsqueda en una gran vecindad. Por
otro lado, los métodos poblacionales definen una piscina de soluciones aceptables, co-
nocidas como soluciones padre, de las que se elige una para producir descendientes
prometedores y se actualiza la piscina. Aquí constan los algoritmos genéticos y de
colonización de hormigas, los cuales son inspirados en procesos biológicos. Por ejem-
plo, la colonización de hormigas está inspirada en los mecanismos de comunicación y
cooperación de las hormigas que les permiten encontrar caminos cortos desde su nido
a las fuentes de comida.
A continuación nos centraremos en dos métodos de búsqueda local en el contexto

del enrutamiento vehicular, los cuales nos servirán más adelante:
Juan y cols. (2011) propusieron un algoritmo que se basa en el manejo de memoria

caché para almacenar el mejor orden conocido para viajar a través de los nodos que
constituyen una ruta. Esta caché es constantemente actualizada cuando un mejor or-
den con un menor costo es encontrado. Al mismo tiempo, las rutas almacenadas en
30
esta caché son reutilizadas para mejorar las rutas recientemente combinadas, e incluso
propusieron un algoritmo de búsqueda en dos fases, que divide la solución propuesta
en subconjuntos disjuntos de rutas, a posteriori se aplica el procedimiento del primer
algoritmo sobre cada conjunto. Lo cual intenta aplicar un enfoque de «divide y vence-
rás», debido a la complejidad reducida de pequeñas instancias y así un nuevo conjunto
de rutas puede ser creado en cada partición con los vehículos previamente asignados.
Usaremos ideas de este algoritmo al desarrollar métodos tabú para (9).
Las heurísticas de dos fases consisten en dividir las dos tareas principales que ca-
racterizan al problema de ruteo: agrupar los locales y la secuencia de las rutas vehicu-
lares (e.g. Foster y Ryan, 1976; Ryan, Hjorring y Glover, 1993; Renaud y cols., 1996). El
manejo de estos problemas por separado, se conoce como metodología agrupa y luego
enruta o CF - RS (Cluster First - Route Second en inglés). La primera fase utiliza técni-
cas y modelos de programación entera, mientras que la segunda adapata técnicas de
aproximación para el problema del agente viajero (e.g. Nigro, Mannini y Flamini, 2013;
Archetti y Speranza, 2014; Miranda-Bront y cols., 2017).
Existen diferentes técnicas para agrupar los locales. Los algoritmos de barrido to-
man un local arbitrario como punto de partida, desde el cual comienza el ruteo asig-
nándose otros locales mediante el orden del ángulo polar entre el depósito y el local
inicial. Este proceso se realiza mientras la ruta sea factible, posteriormente se elige otro
local inicial y comienza una nueva ruta. Una vez que todos los locales hayan sido asig-
nados a un vehículo, cada ruta se separa y se reduce a un problema del agente viajero.
El algoritmo de Fisher y Jaikumar (1981) representa una variación del algoritmo de
barrido. Este algoritmo elige heurísticamente k locales semilla, más tarde resuelve un
problema de asignación para asignar los locales restantes a los locales semilla, donde
cada local semilla identifica un grupo de locales, y luego se construyen rutas vehicula-
res al resolver un problema del agente viajero por grupo (Cordeau y cols., 2007).
Con este trasfondo, usaremos variantes de los algoritmos anteriores para primero
agrupar los locales, posteriormente diseñar rutas pedestres y ulteriormente pasar por
una fase de optimización y mejoramiento mediante intercambios.
Particionamiento del conjunto de locales Recordemos que el grafo de locales

GC = (C, AC ) tiene asociados tiempos de atención a locales d ∈ RC , tiempos de reco-
rrido vehicular entre locales τ ∈ R AC y tiempos de recorrido pedestre t ∈ R AC , vamos
31
a suponer que los dos últimos son proporcionales entre sí. Vamos a buscar una agru-
pación de locales que considere tanto el peso de d como el de t de forma balanceada,
por lo que usaremos ideas de Recalde, Severín, Torres y Vaca (2016, 2017).
Como el problema de asignación de rutas vehiculares y pedestres maneja matrices
simétricas, usaremos la versión no dirigida de (9) y en adelante notaremos al subgrafo
de locales como G = (C, E). Dentro de este grafo, para un natural m, buscaremos una
partición V = {Vi }i∈J1,mK en C, tal que la suma de los pesos de cada local en Vi sea
balanceada; es decir, el tiempo de encuesta total sea equitativo dentro del conjunto de
días.
Definimos dˆ como la media de los tiempos de atención a locales y σd como su des-
viación estándar. Cada partición tendrá un peso di el cual estará acotado respecto a la
media y la desviación estándar mediante d L = dˆ − 3/2σ ≤ di ≤ dˆ + 3/2σ = dU , donde
d ∈ Rk es el el peso de cada partición di = ∑ dv . Además, las particiones satisfacen la
v∈Vi
condición |Vi | − |Vj | ≤ 1, para i < j.

La propuesta de Recalde y cols. (2016), para obtener soluciones factibles del pro-
blema de particionamiento balanceado, consiste en un algoritmo de búsqueda tabú
para construir y mejorar una solución para la partición de locales. Este algoritmo bus-
ca optimizar la función objetivo C, que consiste en la suma de los tiempos sobre los

arcos de cada subgrafo inducido Vi , AC (Vi ) y una penalización sobre el número de
grupos de locales que violen la restricción de balance, la penalización viene dada por
M veces cada grupo. El algoritmo actualiza una solución candidata V sobre una solu-
ción anterior V∗ si y sólo si C(V) < C(V∗ ). Aquí la primera solución viene dada por
Vi = {v j : ( j − 1) mód m ≡ i − 1}. El resto de soluciones se buscan dentro de una
vecindad alrededor de la solución inicial, con dos criterios de elección para la iteración
ξ + 1:
• 1–move, válido para n mód m 6≡ 0, donde movemos un local v ∈ Viξ hacia Vjξ ;
ξ +1
es decir, Vi = Viξ \ {v} y Vjξ +1 = Vjξ ] {v}, lo que implica que diξ +1 = diξ − dv y
ξ +1
dj = dξj + dv .
• 2–exchange que consiste en el intercambio de dos locales v ∈ Viξ y u ∈ Vjξ entre
ξ +1
= Viξ ] {u} \ {v} y Vjξ +1 = Vjξ ]

los grupos a los cuales pertenecen; es decir, Vi
{v} \ {u}, resultando en diξ +1 = diξ + du − dv y dξj +1 = dξj + dv − du .

Después de cada cambio, el cambio entre dos grupos ingresa a una lista tabú, la cual
32
restringe que este movimiento se repita por al menos s unidades de tiempo, donde s
sigue una distribución uniforme. Finalmente, el algoritmo se detendrá tras un número
máximo de iteraciones.
Notemos que si C(Vξ ) ≥ M, entonces requerimos ampliar el proceso de diversifica-

ción de búsqueda. Esto lo podemos modificar basándonos en el tiempo de permanen-
cia tabú, donde en primera instancia tomaremos s ∼ U (5, 40), para reemplazarlo por
s ∼ U (5, 20) si C(Vξ ) < M.
Como pretendemos que el algoritmo sea tan rápido como sea posible, reducimos
el cómputo de C(Vξ +1 ) al modificar C(Vξ ) con operaciones aritméticas. Así mismo, M
debe ser ajustada para evitar errores de redondeo, por lo tanto usaremos M = 10 000.
A continuación explicaremos el objetivo de la búsqueda tabú, mencionada anterior-

mente en el presente algoritmo. Lo que nos permitirá diseñar un algoritmo adicional
para modificar y evaluar soluciones de (9).
Algoritmos tabú Son procedimientos metaheurísticos usados para construir y

mejorar soluciones de un problema. Descrito inicialmente por Glover (1986) para pro-
blemas de programación entera y ampliamente extendido por Glover y Laguna (1997),
ha resultado en un procedimiento eficiente y popular entre varios problemas de combi-
natoria (e.g. Rochat y Semet, 1994; Angelelli y Speranza, 2002; Attanasio y cols., 2004;
Beaudry y cols., 2010; Bard y Jarrah, 2013; Schneider y cols., 2014), entre ellos varias
variantes del enrutamiento vehicular (e.g. Cordeau y cols., 2007; Caric y Gold, 2008;
Wassan y Nagy, 2014).
El método tabú se basa en la búsqueda local glotona. Durante la fase inicial del al-
goritmo se construyen uno o varios candidatos a soluciones iniciales, ya sea de forma
aleatoria o usando características del problema. Para cada candidato se definen mo-
vimientos que lo transformen en otro candidato; estos movimientos definen lo que se
denomina una vecindad de nuevos candidatos. Seguidamente, se busca el candidato con
menor costo objetivo dentro de la vecindad, al cual llamaremos solución actual. Los mo-
vimientos o la solución actual entran en una lista, conocida como lista tabú y se repite
el proceso de construcción y elección hasta satisfacerse algún criterio de parada. La
lista tabú restringe el período en el cual un movimiento o una solución encontrada
pueden volver a seleccionarse, lo que sirve para prevenir búsquedas cíclicas que retor-
nen la misma solución (Hoff y Løkketangen, 2006). La búsqueda tabú se caracteriza por
33
continuar el proceso de búsqueda tras hallar un óptimo local y permitir la elección de

soluciones infactibles si no existen mejores soluciones en la vecindad. Lo cual permite
diversificar la búsqueda explorando regiones prometedoras y mejorar la calidad de los
resultados (Hvattum, L’kketangena y Gloverb, 2003). Aquí es importante mencionar
la sensibilidad de las soluciones obtenidas respecto a cambios en la implementación
y estructuración del algoritmo, puesto que diferencias en la implementación (Crainic
y Laporte, 1998) y la introducción de movimientos (Chao y Liou, 2005) determinan
diferentes vecindades.
A continuación presentamos a detalle el procedimiento tabú para la búsqueda de
soluciones del problema de optimización
mı́n c(Λ), (10)

Λ∈Σ
donde Σ es un conjunto candidatos con ciertas características en común respecto a una

solución factible. Para aproximar una solución de (10), empezamos con un candidato
inicial Λ0 ∈ Σ, el cual es obtenido mediante un procedimiento heurístico o aleatorio. A
continuación, aplicamos movimientos sobre Λ0 , obtenemos una vecindad de candida-
tos NΛ0 y añadimos Λ0 a la lista tabú Ξ. Seleccionamos Λ1 como el candidato con mejor
valor objetivo de NΛ0 \ Ξ y procedemos a buscar Λ2 , donde procedemos a ingresar a
Λ1 y al movimiento que produjo Λ2 a la lista tabú.
Cuando un movimiento tabú lleva la búsqueda a una región prometedora, enton-
ces el estado tabú tiene que ser revocado. Aquí se eliminan ciertos elementos de Ξ,
permitiendo que la elección sobre la vecindad NΛξ se diversifique. Para determinar si
una región es prometedora, se usan condiciones de aspiración; por ejemplo, diferencias
en la función objetivo (este es el caso del particionamiento balanceado), avances en el
tiempo de cómputo o cambios tras determinado número de iteraciones. Para mejorar
la eficiencia se puede añadir una estrategia de intensificación, la cual consiste en explo-
rar completamente una vecindad en Σ con una determinada característica. Finalmente,
para obtener soluciones factibles, se añade una etapa de optimización respecto a cier-
tos elementos de un candidato. Notemos que tras el criterio de parada obtendremos
una solución factible de (10).
Si adaptamos esta metodología al contexto del enrutamiento vehicular, entonces
manejaremos las siguientes estructuras:
34
El espacio de soluciones: definido como el conjunto de rutas admisibles para la

atención de locales. Decimos que una ruta es admisible mientras satisfaga las condi-
ciones de flujo y las restricciones de capacidad, mientras que la duración de ruta y
ventanas de tiempo pueden ignorarse. De este modo, aprovechamos la elección de
soluciones infactibles para alcanzar otras que sean factibles pero en diferentes vecin-
dades.
Los movimientos: que actúan sobre dos rutas Λi y Λ j , mediante transferencia de
locales. Esta transferencia puede ser de inserción y eliminación de locales, como de
intercambio mutuo, y es aceptada si los locales a transferirse pueden ser atendidos por
los vehículos participantes.
El costo objetivo: que considera los cambios entre las rutas Λi y Λ j y su penaliza-
ción respecto a las condiciones relajadas; así podemos calcular c de la siguiente forma:
c(Λ) = c(Λξ ) + Imξ + ∑ M1 Qk + M2 Lk + M3 TWk ,

ξ ξ ξ
(11)
k
donde Imξ consiste en la reducción o crecimiento de los costos de transporte que genera
ξ
la transferencia, Qk indica el número de pasajeros adicionales que requiere el vehículo
ξ
k respecto a la iteración ξ, Lk indica si la longitud de la ruta de k excede el límite de
ξ
atención respecto a la iteración ξ y TWk marca el número de veces que k no satisfi-
zo las ventanas de tiempo respecto a ξ. Los valores M1 , M2 y M3 son parámetros de
penalización.
Notemos que (11) caracteriza la calidad de una solución, donde un candidato es
admitido si c(Λ) ≤ c(Λ)ξ para todo Λ ∈ NΛξ y que una solución es admisible si no
existen términos a penalizarse.
La lista tabú: que retiene los últimos ζ ∈ N movimientos efectuados y sus corres-
pondientes resultados. De este modo, si un local es transferido en la iteración ξ, tendrá
que esperar a la iteración ξ + ζ + 1 para ser seleccionado nuevamente.
Finalmente, la estrategia de intensificación se reduce a la construcción tabú de so-
luciones cada ζ iteraciones. A partir de este punto, se inicia de nuevo la búsqueda sin
lista tabú, permitiendo nuevos movimientos.
Aleatorización de algoritmos Un algoritmo se dice aleatorizado si es capaz de to-
mar decisiones aleatorias al momento de procesar la información con la que trabaja
(Kleinberg y Éva Tardos, 2006). Esta característica es importante en el ámbito de la
35
combinatoria, lo cual se debe a la utilidad del componente aleatorio en la búsqueda de

soluciones heurísticas para problemas N P –hard. En palabras de Maffioli (1986), esto
se debe a que un algoritmo aleatorizado abre la posibilidad de explorar globalmente
la región factible de un problema y evita que una aproximación permanezca dentro
de una vecindad con soluciones locales lejanas al óptimo. Sin embargo, estas ventajas
suelen incurrir en el costo computacional del algoritmo.
Existen dos clases de algoritmos aleatorizados, que se estudian dentro del modelo
de Touring probabilista, y son conocidos como Monte Carlo y Las Vegas. Los primeros
buscan soluciones aproximadas con posibilidad de error, mientras que los segundos
llegan a una solución exacta (Motwani y Raghavan, 1995). El el contexto del ruteo vehi-
cular, al desconocer la solución óptima de un problema, es común el uso de algoritmos
Monte Carlo, que incluyen a los algoritmos aleatorizados de aproximación, los cuales per-
miten construir soluciones factibles dentro de la clase P y se adaptan para técnicas de
búsqueda local de los problemas N P (Maffioli, Speranza y Vercellis, 1984).
Es sencillo construir heurísticas aleatorizadas a partir de algoritmos determinis-

tas. Por ejemplo, la heurística de Christofides para el problema del agente viajero
(Schrijver, 2004), donde se usa un árbol generador de peso mínimo, se basa en la idea
de construir caminos entre vecinos cercanos, restricción modificada por S. Lin (1965) al
unir vecinos aleatorios; el resultado fue un algoritmo sin comparaciones y con menor
tiempo de cómputo. Cabe mencionar que este algoritmo, no es la única adaptación de
la búsqueda de árboles generadores para el ruteo de vehículos (ver Kheirkhahzadeh y
Barforoush, 2009; Ezzatneshan, 2010). Por otro lado, la heurística de Clarke y Wright
(1964), que mejora el algoritmo de Dantzig y Ramser (1959) y que consiste en la adi-
ción de rutas ordenadas en base a la carga de trabajo sobre los locales, ha sido alea-
toriazada tanto bajo técnicas de decisión uniformes y sesgadas al eliminar el orden y
pasar por etapas de agregación (A. A. Juan, Faulin, Ruiz, Barrios y Caballé, 2010; Cá-
ceres Cruz, 2013). Un ejemplo adicional es la heurística de Kohli y Krishnamurti (1992)
para el problema de la mochila que fue adaptada y aleatorizada por Abdesslem Layeb
y Chikhi (2013) mediante una selección aleatoria sobre valores de densidad entre loca-
les, los cuales consideran el aporte a la función objetivo entre la demanda y distancia.
Para otras adaptaciones, ver A. A. Juan y cols. (2013). En los ejemplos anteriores, la
selección aleatoria reemplaza al proceso determinista de ordenar la prioridad de tra-
36
bajo. Esto implica una reducción en el tiempo de cálculo y la necesidad de establecer

una lista de candidatos admisibles, en base a las condiciones del problema, antes de
la elección aleatoria. Así, siguiendo las recomendaciones de Cáceres Cruz (2013), los
algoritmos que diseñaremos deberán ser (a) ágiles en sus versiones deterministas, (b)
adaptables para incluir etapas de decisión aleatoria y (c) sesgados sobre la elección de
candidatos a una ruta.
Difuminación de modelos La lógica difusa, introducida por Zadeh (1965), es una

rama de la lógica plurivalente que asocia el valor de verdad de un conjunto de fór-
mulas bien formadas con el intervalo [0, 1] mediante una función llamada función de
pertenencia. Esta lógica ha dado paso a varias aplicaciones al medir la discrepancia en-
tre valores de verdad para un mismo objeto (e.g. Celikyilmaz y Türksen, 2009).
Posteriormente, la teoría de conjuntos difusos surge como una aplicación de la ló-

gica difusa (Zadeh, 1975b), la cual se usa para definir variable difusa (Zadeh, 1975c) y
su extensión a variables lingüísticas y probabilidad difusa (Zadeh, 1975a; B. Liu, 2004).
Un conjunto difuso sobre un conjunto X , consiste en un subconjunto A acompañado de
una función de pertenencia A A ∈ [0, 1]X que mide el grado de pertenencia de un objeto
x ∈ X al conjunto A. Llamaremos núcleo al conjunto de valores donde una función de
pertenencia alcanza la unidad, { x ∈ X : A A ( x ) = 1}, y soporte al subconjunto del do-
minio que tiene imagen positiva, { x ∈ X : A A ( x ) > 0}. Adicionalmente, una función
de pertenencia se dice normal si su altura es la unidad, sup A A = 1, sino se la conoce
como subnormal.
Ejemplo: Usaremos X = N para representar a la edad de una persona y nos in-

teresa asignar valores a la categoría «joven». La Organización Mundial de la Salud con-
sidera que una persona es joven entre los 10 y 28 años de edad (Organización Mundial
de la Salud, 2000), por lo que nombraremos A = J10, 28K. Sin embargo, esta categoría
también entra en juego con «niño» y «adulto», y estadísticamente el rango B = J14, 21K
se usa enteramente para alguien «joven» (Altschuler, Stangler, Berkley y Burton, 2009).
De este modo, una posible función de pertenencia para A es aquella que representa-
mos en la Figura 7; donde el núcleo de A A es B y su soporte es A. Notemos que A A
considera que aquellas personas cerca a los 10 o 28 años de edad casi no pertenecen a
la categoría «joven», acentuándose esta incertidumbre desde los 25.
Así como los conjuntos difusos generalizan a los conjuntos, los números difusos son
37
b b b b b b b b b
1 b
b
niño joven b adulto

b
b
b
b b
b b
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Figura 7. Ejemplo de funciones de pertenencia.
una generalización de la recta real (Dijkman, van Haeringen y de Lange, 1983). Un nú-
mero difuso es una función de pertenencia Aa , cuyo núcleo es { a}, lı́m Aa ( x ) = 0
| x |→∞
y a es un número real. Un ejemplo claro es la función indicatriz de a, número al cual
llamaremos nítido. Otros números difusos sobre a pueden definirse mediante combina-
ciones de funciones elementales, como son exponenciales, restricciones de racionales,
parábolas, funciones a trozos, etc. (ver Figura 8).
Figura 8. Ejemplos de números difusos.
Las propiedades de esta clase de números son exploradas ampliamente por Dijkman
y cols. (1983) y se han propuesto varios sistemas de orden (Zadeh, 1965; Nasseri, Taghi-
Nezhad y Ebrahimnejad, 2017). Los números difusos triangulares y trapezoidales, los
cuales son definidos por dos funciones lineales a trozos, han recibido especial atención
en el ámbito de la optimización combinatoria, en especial para problemas de ruteo
vehicular. Aquí, resaltamos que la difuminación de un modelo presenta ventajas sobre
la aleatorización cuando los parámetros o variables del modelo no siguen distribucio-
nes de probabilidad conocidas o cuando la información del investigador es limitada.
Por ejemplo, Teodorović y Pavković (1996) usan una técnica de decisión difusa para
determinar la inclusión de un local en un Dial-a-Ride. Más tarde, Xu, He y Gen (2009)
proponen un algoritmo genético para un ruteo con variables aleatorias difusas, consi-
derando tiempo de viaje probabilístico y demanda difusa. Xu, Yan y Li (2011) aplican
un VRP con ventanas de tiempo difusas a un proyecto de conservación y producción
de energía hidroeléctrica. Mehrjerdi y Nadizadeh (2013) manejan demanda difusa para
38
un problema de ruteo con aperturas y cierres de depósitos. Más adelante, Bahri, Amor
y El-Ghazali (2014) tratan una generalización multiobjetivo mediante comparación de
Pareto difusa, y en el mismo año, Allahviranloo, Chow y Recker (2014) difuminan un
VRP con selección de locales para la atención en situaciones de emergencia. Reciente-
mente, Y. Wang, Ma, Xu, Wang y Liu (2015) utilizaron técnicas difusas de agrupación,
programación dinámica y ruteo para un centro de distribución en Anshun, China.
En todos los artículos citados previamente, es importante notar que la introducción
de elementos difusos (e.g. parámetros difusos o variables difusas), en un modelo de
ruteo, incide directamente sobre la difusión de variables. Por ejemplo, si introducimos
demanda difusa sobre un local, entonces la capacidad de un vehículo, la distancia re-
corrida, el tiempo de viaje y la función objetivo se convierten en objetos difusos. Así,
es común que un algoritmo heurístico siga tres pasos para la solución de un proble-
ma difuminado: (a) difuminación, (b) cálculo difuso y (c) nitidez. Empezamos con un
modelo determinista que es difuminado con la introducción de objetos difusos, luego
aplicamos operaciones difusas sobre el modelo y finalmente recuperamos un modelo
nítido de programación mixta sin elementos difusos.
Construcción de caminos
A continuación presentamos las dos familias de algoritmos para la construcción de

rutas pedestres. Estas se diferencian en la forma de selección de arcos para su adición
a una o varias rutas existentes.
En lo que resta de esta sección, notaremos al subgrafo de rutas de encuesta como
G = (C, A), el cual es un grafo completo. Además, fijamos dos cotas para la duración
de un trayecto pedestre: (a) ` > 0 que indica el tiempo máximo de caminata que puede
tener un camino pedestre y (b) J > 0 que indica el tiempo máximo de traslado a través
de un arco. Diremos que un arco a = (i, j) es admisible si su tiempo de traslado t a es
menor que J y si al ser añadido a un camino, el tamaño de este es menor a `.
El peso de una ruta lo almacenaremos en el vector π, etiquetaremos a los arcos de
una ruta en la lista Θ, a los nodos de una ruta en θ, almacenaremos los arcos usados o
descartados dentro de una lista tabú Ξ y almacenaremos si un nodo es inicio de ruta
o no en o. Cabe resaltar que el tamaño de estos objetos es dinámico, pero no puede
exceder al número de conexiones de G. Adicionalmente, manejaremos las variables α
39
que determina el flujo a añadir a una ruta y r el número de ruta. Finalmente, la función
δ ∈ AC determina el número de arcos que se comunican con un local.
Algoritmos de construcción por búsqueda local en arcos Adaptamos ideas del

algoritmo de Kruskal, el cual es usado en la búsqueda de árboles generadores de peso
mínimo para grafos no dirigidos (Cook, Cunningham, Pulleyblank y Schrijver, 1997;
Schrijver, 2004). Comenzamos eligiendo el arco de menor peso y lo asignamos a la ruta
1. Seleccionamos el siguiente arco de peso mínimo, el cual puede conectarse a la ruta
1 o no. En el primer escenario, verificamos si es admisible y lo añadimos en la ruta
1. Si es admisible pero no se conecta con la ruta 1, entonces creamos una nueva ruta
para este arco. Continuando con este proceso tendremos casos donde dos rutas puedan
concatenarse por un arco, en dicho caso unificamos la ruta. Resumimos este proceso
en el Algoritmo 1.
Algoritmo 1 Búsqueda local de rutas pedestres por arcos
1: Inicializar (W, Ξ, α, r ) = (C, ∅, 0, 1).

2: Inicializar π ∈ RC , θ ∈ NC , Θ ∈ N A y o ∈ {0, 1}C en cero.
3: Mientras W sea diferente de vacío, repetir:
4: Buscar mı́n{t a : a = (i, j)} tal que a ∈/ Ξ, |δi | ≤ 1, |δj | ≤ 1 y t a ≤ J; sino parar.
5: Si existe k ∈ {i, j} tal que θk = 0, entonces:
6: Asignar θk ← r.
7: Actualizar r ← r + 1.
8: Si |δi | y |δj | son nulos, entonces:
9: Asignar α ← t a + di + d j .
10: Caso contrario:
11: Si existe un único k ∈ {i, j} con |δk | = 1, entonces:
12: Asignar α ← t a + dk .
13: Calcular u = mı́n{θi , θ j } y v = máx{θi , θ j }.
14: Si u 6= v, entonces:
15: Si πu + πv + α ≤ ` entonces:
16: Si o a ∈ {(0, 0), (1, 0)}, entonces:
17: Para todo k ∈ C tal que θk = v, asignar θk ← u.
18: Para todo c ∈ A tal que Θc = v, asignar Θc ← u.
19: Actualizar πu ← πu + πv + α y πv ← 0.
20: Asignar Θ a ← u.
21: Asignar o j ← 1.
22: Caso contrario:
23: Si πu + α ≤ `, entonces:
40
24: Actualizar πu += α.
25: Asignar Θ a ← u.
26: Asignar oi ← 0 y o j ← 1.
27: Si existe k ∈ {i, j} tal que |δk | = 2, entonces:
28: Retirar k de W.
29: Añadir a a Ξ.
30: Si W 6= ∅, entonces:
31: Asignar hi ← 1 para todo i ∈ W.
Las marcas θ y Θ determinan la familia de r 0 ≤ r subgrafos de peso mínimo,

{ Gi }i∈J1,r0 K , con conjunto de nodos {n ∈ C : θn = i }, conjunto de arcos { a ∈ A :
Θ a = i } y peso total kπ k1,Ci = πu θ =u . Además, tenemos el subgrafo GW , compuesto

i
únicamente por aquellos nodos que quedaron aislados.

Al buscar árboles dirigidos de peso mínimo podemos estar seguros de que en cada
árbol el trabajo de un encuestador se reduce. Sin embargo, puede que el trabajo total en
el bosque que generan dichos árboles sea mayor a la asignación óptima o que hayan
más rutas de las necesarias para realizar la encuesta.
Ejemplo: Observemos el caso del grafo no dirigido en la Figura 9, donde tomamos
un tiempo máximo por ruta de ` = 13 minutos, tiempo máximo de caminata de J = 11
minutos y la encuesta en cada local dura un minuto. Los arcos en gris tienen tiempo
mayor al máximo por ruta, por lo que son descartados.
1
E D
5
8
11
5
F C
11 11
10 4
A B
3
Figura 9. Caminos pedestres mediante variación del algoritmo de Kruskal.
Aplicando el algoritmo de construcción de rutas mediante el criterio de Kruskal,

obtenemos los caminos A → B → C y D → E. El tiempo total de ruta corresponde a
diez y tres minutos, respectivamente; e incluyendo el tiempo del nodo aislado, la carga
total es de catorce minutos. Notemos que si, por otro lado, de haber tomado la ruta
A → B → D → E, entonces se hubiesen visitado cuatro locales en un tiempo de trece
41
minutos y en una sola ruta pedestre. Así, hubiésemos ampliamos el alcance del trabajo
de un encuestador, ya que existe la posibilidad de que las dos rutas anteriores sean
asignadas a encuestadores diferentes.
Algoritmo aleatorizado El ejemplo anterior propone considerar rutas más largas
sin resaltar los arcos de costo mínimo. Para ello modificaremos el paso 4 del Algoritmo
1 al realizar una búsqueda aleatoria sobre los arcos admisibles. El componente aleatorio
se desarrolla en tres pasos:
1. Definimos una función de masa g ∈ R A . Esta se anula en un arco a = (i, j) cuando
a pertenece a la lista tabú o si su tiempo de caminata supera la cota de búsqueda; es
decir, ga = 0 si a ∈ Ξ o t a ≥ mı́n{ J, ` − d j }.
2. Supongamos que m arcos tienen masa positiva y los ordenamos bajo algún cri-
terio: a1 - · · · - am . Así, la función de masa describe una función de distribución
mediante la relación G ( a) = ∑ g ( c ).
c- a
3. Simulamos la elección de un arco mediante un algoritmo de inversión. Lo cual

consiste en simular u ∼ U (0, 1) y si u ∈ G ( ak−1 ), G ( ak ) , entonces tomamos el arco
ak .
Para el caso del algoritmo de Kruskal adaptado al PRVP, usaremos una distribución
uniforme discreta sobre los arcos; es decir, g ∼ U {1, m} con ga = 1/m. De este modo,
no es necesario imponer un orden específico sobre los arcos y entonces el paso 4 del
algoritmo queda
/ Ξ, |δi | ≤ 1, |δj | ≤ 1 y t a ≤
Seleccionar a = (i, j) ∼ U {1, m} tal que a ∈
mı́n{ J, ` − d j }.
Notemos que a cada paso del algoritmo el valor de m disminuye en una unidad
al seleccionarse un arco para un camino o al ser descartado en la lista tabú. Lo que
también nos da una forma de estimar el valor inicial de m mediante el uso de la lista
tabú: si empezamos con m = | A|, entonces cualquier arco aleatorio no admisible es
enviado a Ξ y actualizamos m.
Ejemplo: Para la misma instancia de la Figura 9, ordenamos a los arcos en forma
decreciente y ejecutamos el algoritmo. El resultado se presenta en la Figura 10, donde
obtuvimos tres rutas pedestres de dos nodos. Sin embargo, el costo total ruta es de 21
minutos.
42
1
E D
5
8
11
5
F C
11 11
10 4
A B
3
Figura 10. Caminos pedestres con algoritmo de Kruskal aleatorizado.
Algoritmo difuso Dentro del proceso de encuesta que realiza el INEC, se guardan
actualizaciones periódicas sobre el tiempo de encuesta de un local; es decir, el tiempo
que dura la encuesta en un local no es determinístico. Lo cual, en conjunto con la falta
de información exacta sobre las ventanas de tiempo, nos lleva a percibir que los paráme-
tros del modelo son muy idealistas. Así, para estimar los efectos de eventos externos
sobre la duración de la encuesta podemos (a) extender el PRVP a un modelo entero
mixto y estocástico o (b) ingresar una medida de discrepancia sobre los arcos. Toma-
remos la segunda opción, puesto que un modelo estocástico de programación entera
es de la clase #P –hard (Dyer y Stougie, 2006; de Campos, Stamoulis y Weyland, 2014),
lo cual aumentaría la complejidad del problema; para más sobre la complejidad de
modelos estocásticos ver (Gomes, Sabharwal y Selman, 2009). Por otro lado, ingresar
una medida de discrepancia sobre las conexiones pedestres, y no sobre los locales o las
ventanas de tiempo, permite estimar el comportamiento de la red bajo condiciones fa-
vorables y adversas. Puesto que al difundir los arcos estamos ingresando incertidumbre
en el tiempo de caminata y en el tiempo de atención en un local, este tiempo difuminado
se sobrecarga de forma implícita en el ruteo al incidir si un encuestador llega más tar-
de o más temprano a un local. Cabe aclarar que no estimamos las ventanas de tiempo,
puesto que los datos proporcionados no son congruentes; pero en caso de disponer-
las, al difundir los arcos también ingresaría incertidumbre sobre las horas de entrada
y salida de un nodo, aunque también se podría difuminar a la función de ventanas de
tiempo, restringiéndola a dos números no interactivos.
Para manejar la incertidumbre, a cada arco a le asociamos un número difuso Ta ,

el cual es normalizado y bajo soporte compacto. Describimos la construcción de dicho
43
número en (12), donde se requiere de dos parámetros a1 , a2 ∈ R.
u − a1


 si u ∈ [ a1 , t a ),
 t a − a1



Ta (u) = 1 si u ∈ {t a }, (12)

 a2 − u


si u ∈ (t a , a2 ];


a2 − t a
Aquí es necesaria la condición a2 − a1 = 2; y si queremos un intervalo simétrico al-

rededor de t a , entonces tomamos a2 = t a + 1 y a1 = t a − 1, pero si t a < 1, entonces
tomamos a1 = 0 y a2 = 2. Este escenario es favorable para añadir o retirar minutos al
tiempo estimado caminata, aunque retiraremos a lo más dos.
Así, hemos asignado una variable difusa sobre los arcos de G y como cada núme-
ro difuso representa una situación aislada entre dos locales, supondremos que estos
números difusos son no interactivos. Adicionalmente, notemos que la función de per-
tenencia de cada número difuso coincide con la función de densidad de una variable
triangular, Ta ∼ Tr( a1 , a1 + 2, t a ). De este modo, podemos elegir un nuevo valor para
cada t a en la iteración del Algoritmo 1 mediante la simulación de su función de distri-
bución (ver Algoritmo 2). Obtenemos una nueva matriz de pesos sobre los arcos de G,
la cual llamaremos t, sobre la cual realizaremos la construcción de caminos.
Algoritmo 2 Simulación de matriz de parámetros difusos t
1: Para todo arco a = (i, j) ∈ A \ Ξ, repetir:

2: Si t a < 1, entonces:
3: [ a1 , a2 ] ← [0, 2].
4: Caso contrario:
5: [ a1 , a2 ] ← [t a − 1, t a + 1].
6: Simular u ∼ U (0, 1).
7: Si u ∈ [0, ta/2 − a1/2), entonces:
p
8: t a ← a1 + 2u(t a − a1 ).
9: Caso contrario:
p
10: t a ← a2 − 2(1 − u)( a2 − t a ).
Ejemplo: Usando la versión determinista del algoritmo de construcción de cami-

nos para el ejemplo de la Figura 9, pero con iteración difusa, obtenemos dos rutas
pedestres y un nodo aislado. Las rutas se encuentran trazadas en la Figura 11 y el costo
de actividad pedestre es de 12 minutos con 54 segundos. Si añadimos el minuto de
44
encuesta al local F, tenemos un tiempo de encuesta, sin vehículos, un poco menor al

resultado original.
Figura 11. Caminos pedestres tras difuminación del algoritmo de Kruskal.
Estos resultados pueden sugerir el uso de funciones de pertenencia subnormales

sin perder la característica triangular. De hecho, el Algoritmo 2 es modificable para
funciones de pertenencia subnormales con diferente soporte, pero en el sexto paso debe
adecuarse la generación de u a una variable uniforme no estándar. No adaptaremos
esta última propuesta, ya que no contamos con información adicional sobre el tiempo
límite esperado para el movimiento pedestre sobre cada arco pesado.
Finalmente, fijémonos que el Algoritmo 2 difumina el PRVP al crear el soporte e
implícitamente la función de pertenencia y, posteriormente, refresca los parámetros
del modelo sobre los arcos al recoger la difusión de t a en un punto. Al hacerlo, nos
mantenemos con un modelo determinista y evitamos la optimización y ordenamiento
de números difusos.
Algoritmos de construcción por búsqueda local en nodos Siguiendo las ideas del
algoritmo de Prim (Cook y cols., 1997; Schrijver, 2004), elegimos un local al azar y un
arco incidente de menor peso. Almacenamos los extremos del camino, los etiquetamos
bajo el mismo identificador y elegimos el siguiente local más cercano a cualquiera de
los extremos. Repetimos este proceso mientras existan arcos admisibles; es decir, la
longitud de la ruta sea menor que ` o el tiempo en alcanzar al nodo más cercano sea
menor a J. Posteriormente, elegimos un nodo que no pertenezca a la ruta anterior y se
se construye una nueva ruta alrededor de este, en caso de existir una. Resumimos este
proceso en el Algoritmo 3.
Algoritmo 3 Búsqueda local de rutas pedestres por nodos

45
1: Inicializar (W, Ξ, o, α, r ) = (C, ∅, ∅, 0, 1).

2: Inicializar π ∈ RC , θ ∈ NC y Θ ∈ N A en cero.
3: Mientras W sea diferente de vacío o no existan arcos admisibles incidentes a W,
repetir:
4: Seleccionar i ∈ W tal que θi = 0.
5: Buscar mı́n{t a : a = (i, j)} tal que θ j = 0, a ∈/ Ξ y t a ≤ J; sino parar.
6: Asignar α ← t a + di + d j .
7: Si α ≤ `, entonces:
8: Asignar Θ a ← r, θi ← r y θ j ← r.
9: Asignar πr ← α.
10: Asignar o ← (i, j).
11: Retirar {i, j} de W.
12: Añadir a a Ξ.
13: Mientras πr ≤ ` o W 6= ∅, repetir:
14: / Ξ y tc ≤ J; sino
Buscar mı́n{tc : c = (k, o1 ) ∨ c = (o2 , k )} tal que θk = 0, c ∈
parar.
15: Asignar α ← tc + dk .
16: Si πr + α ≤ `, entonces:
17: Actualizar πu ← πu + α.
18: Si c = (k, o1 ), entonces:
19: Asignar o1 ← k.
20: Caso contrario:
21: Asignar o2 ← k.
22: Asignar Θc ← r y θk ← r.
23: Retirar k de W.
24: Añadir c a Ξ.
25: Actualizar r ← r + 1.
26: Si W 6= ∅, entonces:
27: Asignar hi ← 1 para todo i ∈ W.
Nuevamente, las marcas θ y Θ determinan la familia de r subgrafos de peso míni-

mo, { Gi }i∈J1,rK , con conjunto de nodos {n ∈ C : θn = i }, conjunto de arcos { a ∈ A :
Θ a = i } y peso total kπ k1,C = πu

i
. Además, tenemos el subgrafo GW , compuesto
θi = u
únicamente por aquellos nodos que quedaron aislados.
Ejemplo: Aplicando este algoritmo al ejemplo de la Figura 9, y tomando como pun-

to de partida al nodo E, obtenemos dos soluciones que se muestran en la Figura 12. La
primera solución 12(a), presenta dos rutas y un nodo aislado con costo total de quin-
ce minutos; la segunda solución 12(b), contiene una sola ruta pedestre y dos nodos
46
aislados con el mismo costo.
1 1
E D E D
5 5
8 8
11 11
5 5
F C F C
11 11 11 11
10 4 10 4
A B A B
3 3
(a) (b)
Figura 12. Caminos pedestres mediante variación del algoritmo de Prim.
Algoritmo aleatorizado En el ejemplo anterior encontramos dos rutas diferentes

para un mismo punto de partida. Adicionalmente, si cambiamos al local inicial, po-
demos encontrar nuevas rutas con diferente costo. Por ejemplo, si iniciamos con los
locales A, B o C, entonces obtendremos la misma ruta que en el caso de construcción
por arcos, o podríamos obtener una ruta que no hemos visualizado hasta el momento
en caso de elegir a F. Así, la influencia de las condiciones iniciales sobre el resultado
final genera problemas al decidir con qué nodo iniciar la construcción.
Adicionalmente, notemos que es necesario realizar una elección para arcos del mis-
mo costo; lo cual nos sugiere el uso de variables aleatorias para dicha elección. Gene-
ralizaremos esta idea, al igual que hicimos con el algoritmo de Kruskal, sobre el resto
de conexiones en la red para obtener caminos más largos. Para este fin, modificamos
los pasos 5 y 14 del Algoritmo 3 al realizar una búsqueda aleatoria sobre los arcos
admisibles:
1. Enumeramos las m1 y m2 conexiones admisibles para los locales o1 y o2 , respecti-
vamente; dando un total de m = m1 + m2 conexiones posibles.
2. Simulamos la elección de un arco mediante un algoritmo de inversión para una
variable aleatoria discreta U {1, m}.
Adaptamos este esquema de búsqueda para el paso 14:
/ Ξ y tc ≤
Seleccionar c ∈ {(k, o1 ), (o2 , k )} ∼ U {1, m} tal que θk = 0, c ∈
mı́n{ J, ` − dk }.
47
Y para el paso 5, que consiste en la elección del primer arco de un camino, usamos
el mismo criterio de aleatorización para la construcción por arcos:
/ Ξ y t a ≤ mı́n{ J, ` − d j }.
Seleccionar a = (i, j) ∼ U {1, m} tal que θ j = 0, a ∈
Al igual que en la construcción de rutas por arcos, podemos empezar con el estima-
do m = | A|; pero, a diferencia de la construcción por arcos, la elección en 14 reduce el
valor de m en dos unidades. Lo cual sucede al descartarse la opción de conectar el otro
extremo de la ruta con nuevo local que ingresa a la ruta.
Ejemplo: Tomamos un ordenamiento lexicográfico sobre los arcos, para el ejemplo
de la Figura 9, empezamos con C y el siguiente local será aquel que le siga a C en
sentido antihorario. El resultado está en la Figura 13, donde obtenemos dos rutas y un
nodo aislado, sumando un peso total de 18 minutos.
1
E D
11 8
5
F C
11 11
10 4
A B
3
Figura 13. Caminos pedestres con algoritmo de Prim aleatorizado.
Algoritmo difuso Aplicamos el Algoritmo 2 para la simulación de la matriz de

parámetros difusos t en cada iteración del Algoritmo 3. Tenemos tres opciones para
esta adición: (a) simular dentro del lazo 3, (b) hacerlo dentro del lazo 13 o (c) simular
en ambos lazos. Tomaremos la última opción para añadir dinamismo a la evolución de
los parámetros.
Ejemplo: Aplicamos el algoritmo difuminado sobre la instancia de la Figura 9, co-
menzando con C. El resultado se muestra en la Figura 14, donde obtenemos dos rutas
y un nodo aislado, el peso total de ruta fue de 24 minutos con 16 segundos.
Cabe recalcar que la versión no dirigida de los seis algoritmos anteriores, la cual
hemos usado implícitamente, es útil cuando la matriz de tiempos de traslado pedestre
es simétrica. Esta situación sucede con los datos que disponemos de la encuesta del
48
[0, 2]
E D
[4, 6]
[7, 9]
[10, 12]
[4, 6]
F C
[10, 12]
[10, 12]
[9, 11] [3, 5]
A B
[2, 4]
Figura 14. Caminos pedestres tras difuminación del algoritmo de Prim.
INEC y, por ello, la emplearemos para la región de búsqueda en la construcción de

caminos. Aclaramos que el único cambio, al implementar cada algoritmo, consiste en
omitir el manejo de la lista o.
Reducción del modelo
Todos los esquemas anteriores determinan qué arcos podrían recorrerse a pie por
un encuestador, mas no especifican qué encuestador los recorre y, en caso de tomar la
versión no dirigida de los algoritmos, tampoco los puntos de inicio y fin de ruta. Ob-
tendremos esta información mediante un nuevo modelo de programación entera mixta
que reduce cada camino a sus nodos extremos, los cuales tendrán que ser asignados
a un encuestador y conectados con el resto mediante vehículos. Esta propuesta redu-
ce al PRVP hacia un problema Dial-a-Ride integrado y con pausas (Häll, Andersson,
Lundgren y Värbrand, 2009).
Reducción de tamaño de grafo y agrupación de parámetros Trabajaremos so-
bre el subgrafo Gh = (Vh , Ah ). Vh incluye a los locales que son extremos de ruta
o aislados y al depósito, aquí un nodo aislado tendrá doble identificador; es decir,
Vh = ext ]W ] Wh ] {0, n + 1} con ext el conjunto de nodos extremos y Wh el segundo
identificador de los nodos aislados. De este modo, Ah consiste en las conexiones entre
locales hacia el depósito, locales que no pertenezcan a una misma ruta pedestre y lazos
entre locales aislados. Dentro de Gh usaremos el subgrafo inducido por ext, W y Wh , al
cual notaremos GC,h = (Ch , ACh ). Aquí notaremos Cb ⊂ ext ]W y C f ⊂ ext ]Wh a los
locales de inicio y fin de ruta, respectivamente, e incluyendo a los locales aislados.
Adicionalmente, la función T ∈ R ACh asigna el tiempo de caminata, tal que a cada

arco a ∈ ACh le corresponda el peso de la ruta subyacente T a = πu Θ =u , y el tiempo
a
49
sobre cada lazo sea el tiempo de duración de encuesta d. También incorporamos la

restricción τh = τ | Ah , estimando los tiempos de tránsito vehicular entre los locales de
nuestro interés.
El modelo reducido de programación entera mixta, para el problema de planifica-
ción de ruteo vehicular y pedestre heurístico (PRVPh ), considera los siguientes linea-
mientos para la construcción de rutas vehiculares:
• existen | E| encuestadores, donde E es el conjunto de encuestadores,
• se cuenta con |K | vehículos, donde K es el conjunto de estos,
• cada vértice forma parte de algún camino,
• los encuestadores pueden compartir caminos vehiculares pero no pedestres,
• un encuestador sale y regresa al depósito si y solo si se transporta en un vehículo,
• las conexiones entre caminos vehiculares y pedestres emplean el menor número
de vehículos posibles, donde cada vehículo tiene un costo κ1 ∈ R, capacidad Q ∈ R y
tiempo máximo de jornada Dmáx ∈ R,
• se emplea el menor número de encuestadores posibles, cada uno con costo κ2 ∈ R
y tiempo máximo de jornada Bmáx ∈ R; y
• se minimiza el peso de todos los caminos.
Notemos que en esta formulación evitamos el manejo de ventanas de tiempo y de
la asignación de pausas, lo cual corresponde al análisis sobre los datos proporcionados
para la ciudad de Guayaquil. Además, puesto que los locales están divididos en 15
particiones balanceadas, la planificación se la realizará para cada partición por separa-
do. Esto último nos permite anticipar que la planificación del INEC puede reducirse a
un horizonte de trabajo de 15 días.
Reducción de movimiento pedestre y vehicular Al igual que en el modelo del

PRVP, dividimos el ruteo sobre Gh en las rutas atendidas por encuestadores y en aque-
llas conectadas mediante vehículos.
Usaremos un modelo de flujos para regular el movimiento de los encuestadores
sobre Gh
∑ xi,je − ∑ xej,i = fej − bej , ∀ j ∈ Ch , e ∈ E, (13a)

i i
∑ xi,je + ∑ xej,i = 1, ∀ i ∈ Ch ; (13b)

e,j e,j
50
e son 1 si el arco (i, j ) ∈ C × C o el lazo (i, j ) ∈

donde las variables de decisión xi,j b f
diag(W, Wh ) es asignado al encuestador e y 0 en caso contrario, las variables de deci-

sión bie toman el valor 1 si el local i ∈ Cb marca el inicio de un camino pedestre para el
encuestador e y 0 si no, y las variables de decisión fie valen 1 si el nodo i ∈ C f marca
el fin de un camino pedestre para el encuestador e y 0 en caso contrario. Las restric-
ciones (13a) y (13b) tienen el mismo significado que las restricciones (1a) y (1b) del
modelo original. Notemos que la restricción (13b) no requiere del uso de las variables
de extremo de ruta, puesto que sólo buscamos el sentido de la ruta subyacente.
El flujo de vehículos es controlado mediante
∑ yi,jk = 1, ∀ i ∈ Ch , (14a)
j,k
∑ yi,jk − ∑ ykj,i = 0, ∀ j ∈ Ch , k ∈ K, (14b)

i i
∑ y0,j
k
− ∑ ykj,n+1 = 0, ∀k ∈ K; (14c)
j j
k toman el valor 1 si el vehículo k es asignado al arco (i, j ) ∈

las variables de decisión yi,j
Ah y 0 en caso contrario. Las restricciones (14a), (14b) y (14c) tienen la misma función
que (2a), (2b) y (2c); donde (14a) simplifica el proceso de elección de un arco al obligar
que todos los locales extremos y aislados sean visitados una vez por un vehículo.
El manejo de ocupantes dentro de los vehículos se simplifica y viene dado por
∑ zej,i − ∑ zi,je = bie − fie , ∀i ∈ Ch , e ∈ E, (15a)

j j
e que toman el valor 1 si un vehículo

donde utilizamos las variables de decisión zi,j
transporta al encuestador e por el arco (i, j) ∈ Ah y 0 en caso contrario. La restricción
(15a) es la versión para un día de (3a). Notemos que las restricciones (3b) y (3c) se
satisfacen automáticamente.
Recolección de tiempo para atención locales Como el trazo de cada ruta vehicu-
lar y pedestre tiene un peso dado únicamente por el tiempo de transporte entre nodos,
procedemos a simplificar las familias de restricciones que establecimos para su control
en el PRVP. Obtenemos así dos familias de restricciones para el manejo del tiempo.
La familia más importante de restricciones de tiempo acopla los tiempos entre los
51
vehículos y los encuestadores:
e
Bej ≥ Bie + Ti,j − M 1 − xi,j

, ∀(i, j) ∈ ACh , e ∈ E, (16a)
Bie − M 1 − fie ≤ Dik ,

∀i ∈ Ch , e ∈ E, k ∈ K, (16b)
k
Dkj ≥ Dik + τh: i,j − M 1 − yi,j

, ∀(i, j) ∈ Ah , k ∈ K, (16c)
Bie ≤ Dik + M 1 − bie ,

∀i ∈ Ch , e ∈ E, k ∈ K, (16d)
!
Bie ≤ Dik + M 1 − ∑ zi,j
e
, ∀i ∈ Ch , e ∈ E, k ∈ K; (16e)
j
donde Bie ≥ 0 marca el tiempo de inicio de un recorrido pedestre del encuestador e

desde el local i ∈ Ch y Dik ≥ 0 es el tiempo de llegada del vehículo k al nodo i ∈ Vh .
La restricción (16a) simplifica (4a) al empatar el tiempo del encuestador e al cruzar la
ruta i → j, (16b) no considera el tiempo de pausa de (4b), (16d) adapta los cambios
en la definición de Dik y viene a ser una modificación de (4d), luego (16c) y (16e) son
versiones de un día para (4c) y (4e), respectivamente.
Controlamos la duración de la jornada laboral de cada encuestador al acotar la du-

ración de las rutas integradas mediante
0 ≤ Bie ≤ Bmáx , ∀i ∈ Ch , e ∈ E, (17a)
0 ≤ Dik ≤ Dmáx , ∀i ∈ Ch , k ∈ K; (17b)
donde (17a) se diferencia de (6a) al prescindir de la variable Le,s y (17b) es igual a (6b).
Ajustes de demanda Finalmente, relacionamos la demanda de cada nodo con la

carga máxima por vehículo:
∑ fie + bie = 1, ∀ i ∈ Ch , (18a)

e
∑ zi,je ≤ Q, ∀(i, j) ∈ Ah , (18b)

e
e
zi,j ≤ ∑ yi,jk , ∀(i, j) ∈ Ah , e ∈ E, (18c)
k
∑ y0,i
k
≤ 1, ∀k ∈ K, (18d)
i
52
∑ z0,i
e
≤ 1, ∀e ∈ E; (18e)
i
donde ajustamos la restricción (7a) en (18a) y adaptamos (7b), (7c), (7d) y (7e) a un día
laboral en (18b), (18c), (18d) y (18e), respectivamente.
Función objetivo Reducimos el cálculo de la función objetivo presentada en (8) a
" #
cλh (D, y, z) := λ ∑ Dkn+1 + (1 − λ) ∑ κ1 y0,i
k
+ ∑ κ2 z0,j
e
, (19)
k k,i e,j
donde λ ∈ [0, 1]. Notemos que la diferencia entre (19) y (8) consiste en el reemplazo
de la variable Le,s por el término Dkn+1 , lo cual indica que minimizaremos la jornada
vehicular sobre la jornada de los encuestadores, las cuales están concatenadas por el
grupo de restricciones (16), y ello evita sumar reiteradamente los tiempos compartidos
de encuestadores que usan un mismo vehículo.
Finalmente, la formulación entera mixta para el PRVPh viene dada por la minimiza-
ción de (19) acompañada de las restricciones para el movimiento vehicular y pedestre:
mı́n cλh (D, y, z)

(20)
sujeta a (13a) . . . (18e).
Búsqueda tabú
Finalmente, modificaremos los caminos de los encuestadores prefijados en (20) me-

diante búsqueda tabú. Realizaremos pequeños cambios en una solución conocida (facti-
ble o no), determinando así una vecindad de donde se elige la mejor opción disponible
respecto a la función objetivo y prohibiendo aquellas que consten dentro de la lista
tabú. Resumimos este procedimiento en el Algoritmo 4.
Algoritmo 4 Búsqueda tabú para el PRVPh
1: Construir una solución inicial Λ0 = (x, y, z, B, D).

2: Definir Λ ← Λ0 como solución actual y Λ∗ ← Λ como la mejor solución conocida.
3: Calcular cΛ∗ := cλh (D, y, z).
4: Inicializar (Ξ, σ ) ← (∅, 1).
5: Fijar una cota de iteraciones υ < ∞.
6: Mientras el valor objetivo de Λ∗ sea mayor a una cota Υ o σ ≤ υ, repetir:
7: Definir una vecindad NΛ∗ .
8: Elegir Λ ∈ NΛ∗ \ Ξ.
53
9: Calcular cΛ .
10: Si cΛ < cΛ∗ , entonces:
11: Asignar cΛ∗ ← cΛ .
12: Asignar Λ∗ ← Λ.
13: Añadir Λ a Ξ.
14: Actualizar σ ← σ + 1.
El Algoritmo 4 aprovecha las rutas construidas por las variaciones de los Algorit-
mos 1 y 3 para acelerar el proceso de búsqueda de candidatos. La vecindad NΛ∗ con-
siste en un conjunto de rutas cercanas a la mejor solución encontrada Λ∗ , las cuales son
construidas al intercambiar la atención de locales entre encuestadores. Esta vecindad
de rutas no es factible, por lo que cada ruta será corregida mediante un método exacto.
A continuación mostramos el proceso de intercambio de servicio para el local i con

el local j, el cual puede verse como la inserción de locales dentro de una ruta o el
intercambio de locales entre rutas. Presentaremos, sin pérdida de generalidad, un al-
goritmo de inserción donde asumiremos que i y j son inicio de dos rutas atendidas
por el encuestador e y p, respectivamente. En adelante, notaremos a α, β, γ, δ, u, v como
otros locales de la red, e es otro encuestador dentro de la vecindad de rutas, k, l son
vehículos dentro de la red, be indica el conjunto de locales de inicio de ruta para el
encuestador e, fe el conjunto de locales de fin de ruta, xe el conjunto de arcos donde
e toma una ruta pedestre, ze el conjunto de arcos donde e es trasladado en vehículo,
yk las conexiones atendidas por el vehículo k y Ψα almacenará los encuestadores que
lleguen juntos al local α.
Algoritmo 5 IC-IIR: Inserción de local de inicio a inicio de ruta
1: Seleccionar a los locales i ∈ C y j ∈ C.

2: Identificar a los encuestadores e y p tales que ∑ xi,α = 1 y ∑ x j,α = 1.
e p
α α
3: Verificar si los nodos son inicio de ruta; es decir, i ∈ be y j ∈ b p .
4: Encontrar α, β y k tales que ∑ ykα,i = 1 y ∑ yi,β
k
= 1.
k k
5: Encontrar γ, δ y l tales que ∑ ylγ,j = 1 y ∑ ylj,δ = 1.
k k
6: Almacenar en Ψi a todo encuestador ε que comparta vehículo con e hacia i; es decir,
que satisfaga ∑ zεα,i ≥ 2.
ε
7: Almacenar en Ψ j a todo encuestador ε que comparta vehículo con p hacia j; es
decir, que satisfaga ∑ zεα,j ≥ 2.
ε
e =1yx p
8: Identificar u y v tales que xi,u j,v = 1, respectivamente.
54
ε β
u
k
i γ
α
l
j
e
p
δ
v
Figura 15. Datos iniciales para la inserción. Los caminos azules corresponden a rutas
pedestres y los verdes a rutas vehiculares.
p
9: Asignar xi,j ← 1. / Nueva ruta pedestre
10: e ← 0.
Asignar xi,u
p p
11: Asignar b j ← 0, bi ← 1, bie ← 0 y beu ← 1.
12: Para cada encuestador ε ∈ Ψi , repetir:
13: Asignar zεα,i ← 0 y zεα,u ← 1. / Desvío de encuestadores
14: ε ← 0 y zε ← 1.
Asignar zi,β u,β
15: Para cada encuestador ε ∈ Ψ j , repetir:
16: Asignar zεγ,j ← 0 y zεγ,i ← 1.
17: Asignar zεj,δ ← 0 y zi,δ
ε ← 1.
18: Asignar ykα,i ← 0, ykα,u ← 1, yi,β

k ← 0 y yk ← 1.
u,β / Desvío de vehículos
19: Asignar ylγ,j ← 0, ylγ,i ← 1, ylj,δ ← 0 y yi,δ
l ← 1.
20: Actualizar T .
ε β
k u l
γ
i
α
j
e
p
δ
v
Figura 16. Resultados de la inserción. El algoritmo insertó correctamente al local i

antes del local j y empató las rutas vehiculares de la solución anterior.
55
Al observar detenidamente al Algoritmo 5, podemos incorporar cambios para cuan-

do uno de los locales i o j (a) sean fin de ruta, (b) estén en medio de una ruta o (c) sean
aislados. Cada uno de estos casos, y sus combinaciones, se presentan en el Apéndice A
desde el Algoritmo 6 al 10.
56
Resultados y conclusiones
Nos interesan soluciones aproximadas del problema de planificación de rutas vehi-

culares y pedestres para la ciudad de Guayaquil. Previamente hemos descrito esta ins-
tancia y el esquema de búsqueda de soluciones factibles, el cual se encuentra resumido
en la Figura 17.
Ruteo pedestre
Particion balanceada en particiones Busqueda Seleccion
PRVP
de clientes (determinista, aleatorizado tabu (rutas de menor costo)
o difuminado)
Figura 17. Esquema de búsqueda de soluciones factibles.
En lo que respecta a la partición balanceada, el algoritmo tabú fue aplicado para

la construcción de quince grupos durante 5 000 iteraciones. Presentamos los grupos
descritos en la Tabla 2, donde cada uno define una instancia para los algoritmos de
construcción de caminos y del PRVPh . Cabe resaltar que la partición no es óptima,
pero sí distribuye a los locales en áreas de trabajo equitativo, como podemos apreciar
en la Figura 18.
Tabla 2
Resultados del particionamiento balanceado en Guayaquil
Duración de la
Instancia Locales
jornada [min]
1 53 451.43
2 34 555.15
3 73 417.00
4 60 441.52
5 43 425.10
6 43 415.93
7 44 454.82
8 16 416.73
9 89 431.50
10 44 458.28
11 70 416.23
12 34 470.08
13 66 430.92
14 66 432.78
15 85 442.85
57
Figura 18. Particionamiento de locales en la ciudad de Guayaquil.
En cada instancia buscamos soluciones heurísticas del cubrimiento de caminos pe-

destres. Usamos los Algoritmos 1 y 3, incluyendo sus variantes, y obtuvimos seis con-
juntos de rutas por instancia; es decir, entradas diferentes para el PRVPh . Estas rutas
surgen sin garantía de factibilidad para el modelo (9), sin embargo facilitan la búsque-
da de soluciones factibles, puesto que para el modelo reducido tenemos que
• los locales intermedios en un camino no deben ser visitados por un vehículo,

• la asignación de caminos pedestres se reduce a seleccionar una ruta del cubri-
miento de caminos para un encuestador, y
• las variables de empate vehicular se crean únicamente en los extremos de un
camino o en un lazo.
Los resultados de la optimización mediante el enfoque del algoritmo de Kruskal,

58
Tabla 3
Resultados del modelo reducido usando la construcción de Kruskal y sus variantes
Enfoque determinista Enfoque aleatorizado Enfoque difuso
Instancia Objetivo # Var. # Restr. Objetivo # Var. # Restr. Objetivo # Var. # Restr.
1 362.01 9 015 10 768 228.72 4 355 4 966 206.51 2 876 3 010
2 200.48 3 799 4 494 366.82 4 470 5 200 232.70 3 243 3 779
3 – 14 032 16 489 501.13 6 987 7 983 241.56 3 870 4 075
4 – 11 280 13 459 332.88 4 528 5 147 ∞ 3 514 3 735
5 276.23 4 655 5 533 201.02 4 035 4 746 204.82 2 559 2 817
6 266.58 4 655 5 533 229.50 4 672 5 506 204.90 2 559 2 817
7 466.85 6 946 8 321 414.49 6 134 7 318 ∞ 3 034 3 383
8 – 7 135 8 537 – 9 147 10 795 338.90 5 396 6 540
9 – 12 133 14 124 – – – 275.43 3 905 3 883
10 – 9 766 11 762 – 7 822 9 396 270.81 4 702 5 528
11 – 15 202 17 930 – 10 563 12 307 ∞ 3 369 3 411
12 233.03 4 419 5 281 232.75 3 226 3 806 ∞ 1 608 1 720
13 233.92 4 708 5 279 369.61 5 345 6 039 239.95∗ 2 868 2 851
14 – 15 031 17 923 – 8 465 9 907 239.49 3 215 3 377
15 ∞ 13 145 15 399 – – – 275.44 3 785 3 795
Nota: Si la aproximación pedestre es infactible se reporta «∞» y «–» de no encontrarse soluciones enteras. Las
soluciones óptimas del modelo reducido son marcadas con asterisco, caso contrario el umbral de dualidad
fue del 100 %.
con su variante aleatorizada y difusa, son presentados en la Tabla 3. A cada instancia,

por enfoque, se le destinó 10 000 segundos de búsqueda para soluciones enteras. Por
un lado, el enfoque difuso redujo el número de variables y restricciones, incidiendo en
la mejora del costo objetivo para cinco de quince instancias; sin embargo, cuatro instan-
cias son infactibles bajo este enfoque. Por otro lado, el enfoque aleatorizado se desem-
peñó mejor que el determinista en aquellas instancias en las que existe reducción de
variables, obteniendo la mejor solución en cuatro de las quince instancias. Finalmente,
la opción determinística se destacó solo en dos instancias respecto a su valor objetivo.
En contraste, el desempeño de la búsqueda de rutas mediante el algoritmo de Prim
y sus variantes consta en la Tabla 4. Si bien el umbral de dualidad es menor al 100 %
para varias instancias, a comparación de las pruebas anteriores obtuvimos un mayor
número de instancias infactibles. En este caso, el enfoque determinista encuentra me-
jores resultados respecto a las versiones aleatorizada y difusa, al reportarse mejores
59
soluciones en menor tiempo y con menor número de variables y restricciones. Por otro
lado, los otros enfoques de aproximación permitieron determinar soluciones en aque-
llas instancias donde el método determinista no permitió encontrar una solución.
Tabla 4
Resultados del modelo reducido usando la construcción de Prim y sus variantes
Enfoque determinjsta Enfoque aleatorizado Enfoque difuso
Instancia Objetivo # Var. # Restr. Objetivo # Var. # Restr. Objetivo # Var. # Restr.
1 ∞ 2 859 14 998 – 12 270 14 560 220.20∗ 2 478 2 565
2 180.21 2 734 3 163 500.56 10 619 12 698 ∞ 2 734 3 163
3 220.18 3 870 4 075 – 18 055 21 145 ∞ 4 379 4 691
4 220.23∗ 2 388 2 292 – 6 648 7 616 ∞ 2 388 2 292
5 ∞ 2 178 2 345 400.07 5 356 6 365 180.23∗ 2 161 2 372
6 180.19 2 542 2 844 – 9 804 11 632 180.26 2 542 2 844
7 220.16 3 543 3 999 – 18 773 22 014 220.17 3 492 4 080
8 – 7 135 8 537 – 8 109 9 630 – 6 225 7 516
9 220.21 3 905 3 883 ∞ 4 333 4 454 ∞ 3 905 3 883
10 – 6 946 8 321 – 46 093 53 264 – 8 813 10 462
11 220.23 4 289 4 625 – 17 999 21 025 260.10 4 272 4 652
12 ∞ 3 260 3 752 – 20 040 23 508 – – –
13 220.13 2 851 2 878 220.17 3 660 3 921 ∞ 3 232 3 350
14 ∞ 2 851 2 878 – 12 711 14 765 ∞ 3 232 3 350
15 ∞ 3 121 2 869 220.21∗ 3 121 2 869 ∞ 4 213 4 366
Nota: Si la aproximación pedestre es infactible se reporta «∞» y «–» de no encontrarse soluciones enteras. Las
soluciones óptimas del modelo reducido son marcadas con asterisco, caso contrario el umbral de dualidad
fue menor al 100 %.
En este punto podemos realizar un análisis preliminar sobre los resultados de las
técnicas de construcción de ruta, para lo cual compararemos el valor objetivo de cada
planificación por instancia. En base a este criterio, las variantes del algoritmo de Prim
obtienen mejores resultados en diez de quince instancias. Esto contrasta con las varian-
tes del algoritmo de Kruskal, puesto que con dicho enfoque hubo menos instancias
infactibles y encontramos soluciones en tiempo razonable. Sin embargo, esta informa-
ción no es conclusiva, debido a que cada solución marca una vecindad de exploración
diferente para la búsqueda tabú. En esta búsqueda generamos cinco soluciones nuevas,
con permanencia tabú de dos iteraciones y seleccionamos la de mejor costo objetivo.
Tabla 5
Comparación del costo objetivo entre las heurísticas y los resultados tabú.
Algoritmo de Kruskal Algoritmo de Prim

Determinista Aleatorizada Difusa Determinista Aleatorizada Difusa
Instancia Heurística Mejora Heurística Mejora Heurística Mejora Heurística Mejora Heurística Mejora Heurística Mejora
1 362.01 288.00∗ 228.72 ∞ 206.51 342.00 ∞ – – – 220.20 288.00
2 200.48 162.00∗ 366.82 324.00∗ 232.70 288.00 180.21 162.00∗ 500.56 ∞ ∞ –
3 – – 501.13 504.00 241.56∗ 198.00 220.18 198.00∗ – – ∞ –
4 – – 332.88 ∞ ∞ – 220.23 288.00 – – ∞ –
5 276.23 234.00∗ 201.02 162.00∗ 204.82 ∞ ∞ – 400.07 252.00∗ 180.23 252.00
6 266.58 234.00∗ 229.50 198.00∗ 204.90 252.00 180.19 252.00 – – 180.26 198.00
7 466.85 ∞ 414.49 360.00∗ ∞ – 220.16 288.00 – – 220.17 ∞
8 – – – – 338, 9 ∞ – – – – – –
9 – – – – 275.43 ∞ 220.21 ∞ ∞ – ∞ –
10 – – – – 270.81 324.00 – – – – – –
11 – – – – ∞ – 220.23 ∞ – – 260.10 ∞
12 233.03 288.00 232.76 ∞ ∞ – ∞ – – – – –
13 233.92 ∞ 369.61 378.00 239.95 198.00∗ 220.13 ∞ 220.17 198.00∗ ∞ –
14 – – – – 239.49 ∞ ∞ – – – ∞ –
15 ∞ – – – 275.44 234.00∗ ∞ – 220.25 288.00 ∞ –
Nota: Marcamos con un asterisco a los valores objetivo que reportaron una mejora respecto a los resultados preliminares.
60
61
Los resultados de la búsqueda tabú se muestran en la Tabla 5. Obtuvimos mejo-

ras significativas para los caminos construidos mediante variaciones del algoritmo de
Kruskal, los cuales permitieron definir vecindades prometedoras. Así, terminamos con
ocho instancias con mejor costo objetivo mediante este enfoque.
Análisis de resultados
El particionamiento balanceado de la Tabla 2 determina, a groso modo, quince días

de trabajo para los encuestadores del INEC. Sobre cada día fijamos caminos pedestres
y los conectamos con rutas vehiculares, pasando en conjunto por una fase de mejora-
miento tabú. Obtuvimos una planificación para quince días representada en la Figura
19 y detallada por grupos de encuestadores y vehículos en el Apéndice B.
Figura 19. Resultados del ruteo en la ciudad de Guayaquil.

62
Es importante recordar que originalmente el INEC necesita cinco encuestadores,

tres vehículos y diecisiete días para ejecutar su planificación de la encuesta en Guaya-
quil. Nuestros resultados indican que podemos disminuir el número de días de trabajo
al enviar dos grupos de trabajo a zonas diferentes. Por ejemplo, podemos aprovechar
que en las particiones 1, 2, 5 y 6 se requieren solo dos encuestadores y un vehícu-
lo. De tal modo, si emparejamos respecto a zonas geográficas, podemos añadir estas
particiones a la planificación de 7, 14, 15 y 9, respectivamente; obteniendo así una pla-
nificación reducida de once días de trabajo. Adicionalmente, como la partición 8 es la
única donde se requieren dos vehículos, el INEC puede prescindir del tercer vehícu-
lo. Adicionalmente, esta planificación necesita de cinco encuestadores solo para cuatro
instancias, cuatro encuestadores para una instancia y tres encuestadores para las cinco
restantes.
Finalmente, para la planificación de los grupos 9 y 15, cuyo ruteo fue construido
mediante las variaciones del algoritmo de Prim, se puede visualizar que los encues-
tadores deben trasladarse entre grupos de locales distantes para regresar a zonas pre-
viamente visitadas. Esto tiene un efecto negativo en la función objetivo, puesto que
un encuestador tendrá que gastar tiempo innecesario entre traslados pedestres. Co-
mo una propuesta para mejorar esta situación, se puede buscar la arborescencia de
caminos más cortos entre los locales extremos de inicio y fin de cada ruta. El tiempo
adicional se lo puede emplear para imprevistos y retornos a locales comerciales con
ventanas de tiempo imprecisas.
Conclusiones
En conclusión, hemos obtenido una planificación factible para el problema de pla-

nificación de rutas vehiculares y pedestres sin pausas y ventanas de tiempo. Para este
fin dividimos el problema principal en particiones balanceadas de locales, adaptamos
técnicas clásicas para la construcción de caminos pedestres, encontramos empates con
rutas combinadas mediante vehículos y mejoramos el ruteo general con técnicas de
búsqueda local. La solución obtenida reduce en seis días al horizonte de planificación
del trabajo de campo para la encuesta del índice de precios al consumidor, permitiendo
al INEC reducir sus costos vehiculares en un 30 % para cinco días y en un 60 % para
el resto de días de la planificación; algo similar sucede con los encuestadores, requi-
63
riéndose de toda la fuerza laboral solo en cinco días, mientras que el resto de días se
necesita el 60 % de esta. Como la solución no es óptima, esto nos lleva a suponer que
haya una planificación con menos días de trabajo.
Entre las aportaciones de este estudio de casos, cabe mencionar que se trata del
primer estudio de planificación de rutas vehiculares y pedestres combinadas en el con-
texto ecuatoriano de diseño de encuestas; además, tiene la ventaja de haber contado
con una instancia grande para validar la efectividad del diseño de rutas. Por otra par-
te, la generalidad de las técnicas y algoritmos utilizados en la búsqueda de soluciones
da apertura a que este estudio se replique en otras localidades del país o, en su lugar,
al diseño de heurísticas más complejas. Otro aporte importante de esta investigación
tiene que ver con la sensibilidad en la recolección de información, la cual se evidencia
en los resultados del algoritmo de Kruskal difuminado, que fue diseñado para mostrar
como pequeñas variaciones, en minutos, del manejo de encuestas inciden en el ruteo
general. Como aporte final, el modelo reducido presentado en (20) da apertura a mo-
dificaciones del modelo general (9) propuesto inicialmente por el proyecto PIJ-1512,
sobre todo en la reducción del número de restricciones para empates vehiculares en
nodos aislados.
La metodología empleada en este estudio presenta algunas limitaciones. Entre ellas

se encuentra la falta de garantías teóricas para la existencia de soluciones factibles a
partir de los resultados del ruteo pedestre. Esto limita la búsqueda de soluciones en
vecindades cercanas a las planificaciones de rutas las pedestres obtenidas, puesto que
los algoritmos de mejoramiento se utilizaron únicamente sobre soluciones factibles del
ruteo combinado. Además, como los algoritmos aleatorizados y difusos fueron cons-
truidos a partir de distribuciones de probabilidad, sus resultados dependen estocásti-
camente de las distribuciones propuestas y de los números pseudo aleatorios utiliza-
dos. Así, se podrían obtener mejores resultados mediante el uso de distribuciones dise-
ñadas para problemas de ruteo y de semillas diferentes para la simulación. Finalmente,
es importante destacar que la obtención de soluciones optimas para los subproblemas
de ruteo no garantiza la optimalidad local dentro de cada instancia (ver Tablas 3 y 4), ni
de la generación de una vecindad prometedora (ver Tabla 5), lo cual impide comparar
las técnicas de construcción en función del tiempo de búsqueda.
Futuras investigaciones deberían explorar varios frentes principales. Primero, la ca-

64
libración de la información proporcionada por el INEC para disponer de una base de

datos robusta. Seguidamente, mejorar la calidad del particionamiento balanceado de
locales. Posteriormente, adaptar los algoritmos para la incorporación de información
sobre ventanas temporales. En este punto, se podría simular un mayor número de ru-
tas aleatorizadas y difusas, mediante técnicas adaptadas al ruteo vehicular. Finalmente,
ampliar el tiempo de mejora tabú para intensificar la búsqueda dentro de las vecinda-
des propuestas. Esto, acompañado de un estudio teórico sobre la calidad de las rutas,
podrá brindar un panorama más claro para la planificación del INEC.
65
Bibliografía
Abdesslem Layeb, M. A. y Chikhi, S. (2013). A GRASP Algorithm Based on New

Randomized Heuristic for Vehicle Routing Problem. Journal of Computing and
Information Technology, 21(1), 35 – 46. doi: 10.2498/cit.1002085
Agatz, N., Erera, A., Savelsbergh, M. y Wang, X. (2012). Optimization for dynamic
ride-sharing: A review. European Journal of Operational Research, 223(2), 295 – 303.
doi: 10.1016/j.ejor.2012.05.028
Allahviranloo, M., Chow, J. Y. y Recker, W. W. (2014). Selective vehicle routing pro-

blems under uncertainty without recourse. Transportation Research Part E: Logis-
tics and Transportation Review, 62, 68 – 88. doi: 10.1016/j.tre.2013.12.004
Altschuler, D., Stangler, G., Berkley, K. y Burton, L. (2009). Supporting

youth in transition to adulthood: Lessons learned from child welfare and
juvenile justice. Center for Juvenile Justice Reform, 2009. Descargado
de https://web.archive.org/web/20120916235341/http://cjjr.georgetown
.edu/pdfs/TransitionPaperFinal.pdf
Alvarez, A. y Munari, P. (2017). An exact hybrid method for the vehicle routing
problem with time windows and multiple deliverymen. Computers & Operations
Research, 83, 1 – 12. doi: 10.1016/j.cor.2017.02.001
Angelelli, E. y Speranza, M. (2002, 01 de Sep). The application of a vehicle routing

model to a waste-collection problem: two case studies. Journal of the Operational
Research Society, 53(9), 944 – 952. doi: 10.1057/palgrave.jors.2601402
Apaydin, O. y Gonullu, M. T. (2008, 01 de Apr). Emission control with route optimi-

zation in solid waste collection process: A case study. Sadhana, 33(2), 71–82. doi:
10.1007/s12046-008-0007-4
Archetti, C., Bertazzi, L., Laporte, G. y Speranza, M. G. (2007, agosto). A Branch-and-

Cut Algorithm for a Vendor-Managed Inventory-Routing Problem. Transporta-
tion Science, 41(3), 382 – 391. doi: 10.1287/trsc.1060.0188
66
Archetti, C., Savelsbergh, M. W. P. y Speranza, M. G. (2006). Worst-Case Analysis for

Split Delivery Vehicle Routing Problems. Transportation Science, 40(2), 226 – 234.
doi: 10.1287/trsc.1050.0117
Archetti, C. y Speranza, M. (2008). The Split Delivery Vehicle Routing Problem: A

Survey. En B. Golden, S. Raghavan y E. Wasil (Eds.), The Vehicle Routing Problem:
Latest Advances and New Challenges (Vol. 43, pp. 103–122). Boston, MA: Springer
US. doi: 10.1007/978-0-387-77778-8_5
Archetti, C. y Speranza, M. G. (2014, 01 de noviembre). A survey on matheuristics for

routing problems. EURO Journal on Computational Optimization, 2(4), 223 – 246.
doi: 10.1007/s13675-014-0030-7
Archetti, C., Speranza, M. G. y Hertz, A. (2006, feb). A Tabu Search Algorithm for
the Split Delivery Vehicle Routing Problem. Transportation Science, 40(1), 64 – 73.
doi: 10.1287/trsc.1040.0103
Atefi, R., Salari, M., Coelho, L. C. y Renaud, J. (2017). The Open Vehicle Routing Pro-
blem with Decoupling Points. European Journal of Operational Research, -. (Ma-
nuscrito aceptado) doi: 10.1016/j.ejor.2017.07.033
Attanasio, A., Cordeau, J.-F., Ghiani, G. y Laporte, G. (2004). Parallel Tabu search
heuristics for the dynamic multi-vehicle dial-a-ride problem. Parallel Computing,
30(3), 377 – 387. doi: 10.1016/j.parco.2003.12.001
Bahri, O., Amor, N. B. y El-Ghazali, T. (2014, Dec). Optimization algorithms for multi-
objective problems with fuzzy data. En 2014 ieee symposium on computational
intelligence in multi-criteria decision-making (mcdm) (pp. 194 – 201). doi: 10.1109/
MCDM.2014.7007207
Baklagis, D., Dikas, G. y Minis, I. (2016). The team orienteering pick-up and deli-
very problem with time windows and its applications in fleet sizing. RAIRO -
Operations Research, 50(3), 503 – 517. doi: 10.1051/ro/2015030
Baldacci, R., Battarra, M. y Vigo, D. (2008). Routing a Heterogeneous Fleet of Vehicles.

En B. Golden, S. Raghavan y E. Wasil (Eds.), The Vehicle Routing Problem: Latest
67
Advances and New Challenges (Vol. 43, pp. 3–27). Boston, MA: Springer US. doi:
10.1007/978-0-387-77778-8_1
Bard, J. F. y Jarrah, A. I. (2013). Integrating commercial and residential pickup and

delivery networks: A case study. Omega (United Kingdom), 41(4), 706 – 720. doi:
10.1016/j.omega.2012.09.001
Barman, S. E. (2014). Modeling and solving vehicle routing problems with

many available vehicle types (mathesis, Chalmers University of Techno-
logy and University of Gothenburg, SE – 412 96 Gothenburg, Swe-
den). Descargado de https://www.chalmers.se/en/departments/math/
research/research-groups/optimization/OptimizationMasterTheses/
MScThesis-SandraBarman-final.pdf
Battarra, M., Cordeau, J.-F. y Iori, M. (2014). Pickup-and-Delivery Problems for Goods
Transportation. En P. Toth y D. Vigo (Eds.), Vehicle routing: problems, methods, and
applications (2.a ed., pp. 161 – 191). Philadelphia, PA: Society for Industrial and
Applied Mathematics. doi: 10.1137/1.9781611973594
Bauer, J., Bektaş, T. y Crainic, T. (2010). Minimizing greenhouse gas emissions in

intermodal freight transport: an application to rail service design. Journal of the
Operational Research Society, 61(3), 530 – 542. doi: 10.1057/jors.2009.102
Beaudry, A., Laporte, G., Melo, T. y Nickel, S. (2010, 01 de Jan). Dynamic trans-
portation of patients in hospitals. OR Spectrum, 32(1), 77 – 107. doi: 10.1007/
s00291-008-0135-6
Beltrami, E. y Bodin, L. (1974). Networks and vehicle routing for municipal waste
collection. Networks, 4(1), 65 – 94. doi: 10.1002/net.3230040106
Berbeglia, G., Cordeau, J.-F., Gribkovskaia, I. y Laporte, G. (2007, 01 de julio). Static

pickup and delivery problems: a classification scheme and survey. TOP, 15(1),
1 – 31. doi: 10.1007/s11750-007-0009-0
Bertazzi, L., Savelsbergh, M. y Speranza, M. G. (2008). Inventory Routing. En B. Gol-

den, S. Raghavan y E. Wasil (Eds.), The Vehicle Routing Problem: Latest Advan-
68
ces and New Challenges (Vol. 43, pp. 49–72). Boston, MA: Springer US. doi:
10.1007/978-0-387-77778-8_3
Braekers, K., Caris, A. y Janssens, G. K. (2014). Exact and meta-heuristic approach for
a general heterogeneous dial-a-ride problem with multiple depots. Transporta-
tion Research Part B: Methodological, 67, 166 – 186. doi: 10.1016/j.trb.2014.05.007
Brinkmann, J., Ulmer, M. y Mattfeld, D. (2015, julio). Short-term strategies for sto-
chastic inventory routing in bike sharing systems. En 18th euro working group on
transportation (Vol. 10, pp. 364 – 373). doi: 10.1016/j.trpro.2015.09.086
Campbell, A. M. y Savelsbergh, M. W. P. (2004). A Decomposition Approach for

the Inventory-Routing Problem. Transportation Science, 38(4), 488 – 502. doi:
10.1287/trsc.1030.0054
Caric, T. y Gold, H. (Eds.). (2008). Vehicle Routing Problem. Vukelićeva 4, HR-10000

Zagreb, Croatia: In-Teh. doi: 10.5772/64
Carrabs, F., Cerulli, R. y Sciomachen, A. (2016, mayo). An exact approach for the
grocery delivery problem in urban areas. Soft Comput., 21(9), 2439 – 2450. doi:
10.1007/s00500-016-2406-5
Celikyilmaz, A. y Türksen, I. B. (2009). Modeling Uncertainty with Fuzzy Logic: With

Recent Theory and Applications (n.o 240). Springer Berlin Heidelberg. doi: 10
.1007/978-3-540-89924-2
Chajakis, D., E. y Guignard, M. (2003, 01 de May). Scheduling deliveries in vehicles

with multiple compartments. Journal of Global Optimization, 26(1), 43–78. doi:
10.1023/A:1023067016014
Chao, I.-M., Golden, B. y Wasil, E. (1999). A computational study of a new heuristic

for the site-dependent vehicle routing problem. INFOR: Information Systems and
Operational Research, 37(3), 957 – 991. doi: 10.1080/03155986.1999.11732387
Chao, I.-M. y Liou, T.-S. (2005). A New Tabu Search Heuristic for the Site-Dependent
Vehicle Routing Problem. En B. Golden, S. Raghavan y E. Wasil (Eds.), The next
wave in computing, optimization, and decision technologies (pp. 107–119). Boston,
MA: Springer US. doi: 10.1007/0-387-23529-9_8
69
Christofides, N. (1991). Vehicle routing. En E. L. Lawler, J. K. Lenstra, A. H. G. R. Kan

y D. B. Shmoys (Eds.), The Traveling Salesman Problem: A Guided Tour of Combina-
torial Optimization (pp. 431–448). John Wiley & Sons Inc.
Clarke, G. y Wright, J. W. (1964). Scheduling of Vehicles from a Central Depot to a

Number of Delivery Points. Operations Research, 12(4), 568-581. doi: 10.1007/
978-3-642-27922-5_18
Cook, W. J., Cunningham, W. H., Pulleyblank, W. R. y Schrijver, A. (1997). Combina-

torial Optimization (J. Wiley y S. Inc., Eds.) (n.o 0-471-55894). John Wiley & Sons
Inc.
Cordeau, J.-F., Laporte, G., Savelsbergh, M. W. y Vigo, D. (2007). Chapter 6: Vehicle

Routing. Handbooks in Operations Research and Management Science, 14, 367 – 428.
(Transportation) doi: 10.1016/S0927-0507(06)14006-2
Cortés, C. E., Matamala, M. y Contardo, C. (2010). The pickup and delivery problem
with transfers: Formulation and a branch-and-cut solution method. European
Journal of Operational Research, 200(3), 711 – 724. doi: 10.1016/j.ejor.2009.01.022
Crainic, T. G. y Laporte, G. (Eds.). (1998). Fleet Management and Logistics (n.o 0-7923-
8161-0). Springer Science+Business Media New York. doi: 10.1007/978-1-4615
-5755-5
Cáceres Cruz, J. d. J. (2013). Randomized Algorithms for the Rich Vehicle Routing Pro-
blems: From a Specialized Approach to a Generic Methodology (phdthesis, Universitat
Oberta de Catalunya. Internet Interdisciplinary Institute (IN3)). Descargado de
http://openaccess.uoc.edu/webapps/o2/handle/10609/26021?mode=full
Dantzig, G. B. y Ramser, J. H. (1959, Octubre). The Truck Dispatching Problem.

Management science, 6(1), 80–91. doi: 10.1287/mnsc.6.1.80
Daskin, M. S. (2010). Service science. John Wiley & Sons. doi: 10.1002/9780470877876
de Campos, C. P., Stamoulis, G. y Weyland, D. (2014). The Computational Complexity

of Stochastic Optimization. En P. Fouilhoux, L. E. N. Gouveia, A. R. Mahjoub
y V. T. Paschos (Eds.), Combinatorial Optimization: Third International Symposium,
70
ISCO 2014, Lisbon, Portugal, March 5-7, 2014, Revised Selected Papers (pp. 173 –
185). Cham: Springer International Publishing. doi: 10.1007/978-3-319-09174-7
_15
Demir, E., Bektaş, T. y Laporte, G. (2014). A review of recent research on green road
freight transportation. European Journal of Operational Research, 237(3), 775 – 793.
doi: 10.1016/j.ejor.2013.12.033
Derigs, U., Gottlieb, J., Kalkoff, J., Piesche, M., Rothlauf, F. y Vogel, U. (2011, Octubre).
Vehicle routing with compartments: applications, modelling and heuristics. OR
Spectrum, 33(4), 885–914. doi: 10.1007/s00291-010-0194-3
Desrosiers, J., Soumis, F., Desrochers, M. y Sauve, M. (1983). Vehicle routing and
scheduling with time windows. Mathematical Programming Study, 26, 249–251.
Detti, P., Papalini, F. y de Lara, G. Z. M. (2017). A multi-depot dial-a-ride problem

with heterogeneous vehicles and compatibility constraints in healthcare. Omega,
70, 1 – 14. doi: 10.1016/j.omega.2016.08.008
Dijkman, J., van Haeringen, H. y de Lange, S. (1983). Fuzzy numbers. Jour-

nal of Mathematical Analysis and Applications, 92(2), 301 – 341. doi: 10.1016/
0022-247X(83)90253-6
Doerner, K. F. y Salazar-González, J.-J. (2014). Pickup-and-Delivery Problems for

People Transportation. En P. Toth y D. Vigo (Eds.), Vehicle routing: problems,
methods, and applications (2.a ed., pp. 193 – 212). Philadelphia, PA: Society for
Industrial and Applied Mathematics. doi: 10.1137/1.9781611973594
Dotoli, M. y Epicoco, N. (2017). A Technique for the Optimal Management of Contai-

ners’ Drayage at Intermodal Terminals. En 2016 IEEE International Conference on
Systems, Man, and Cybernetics, SMC 2016 - Conference Proceedings (pp. 566 – 571).
Dror, M. y Ball, M. (1987). Inventory/routing: Reduction from an Annual to a Short-

Period Problem. Naval Research Logistics, 34(6), 891 – 905. doi: 10.1002/1520
-6750(198712)34:6<891::AID-NAV3220340613>3.0.CO;2-J
Dror, M. y Trudeau, P. (1989). Savings by Split Delivery Routing. Transportation

Science, 23(2), 141 –145. doi: 10.1287/trsc.23.2.141
71
Dyer, M. y Stougie, L. (2006). Computational complexity of stochastic programming

problems. Mathematical Programming, 106(3), 423 – 432. doi: 10.1007/s10107-005
-0597-0
Ehrgott, M., Wang, J. Y., Raith, A. y van Houtte, C. (2012). A bi-objective cyclist route
choice model. Transportation Research Part A: Policy and Practice, 46(4), 652 – 663.
doi: 10.1016/j.tra.2011.11.015
Ezzatneshan, A. (2010). A Algorithm for the Vehicle Problem. International Journal of

Advanced Robotic Systems, 7(2), 125 – 132. doi: 10.5772/9698
Fanti, M. P., Mangini, A. M., Abbatecola, L. y Ukovich, W. (2016, julio). Decision

support for a waste collection service with time and shift constraints. American
Control Conference, 2599 – 2604. doi: 10.1109/ACC.2016.7525308
Faulin, J., Juan, A., Lera, F. y Grasman, S. (2011). Solving the Capacitated Vehicle Rou-
ting Problem with Environmental Criteria Based on Real Estimations in Road
Transportation: A Case Study. Procedia - Social and Behavioral Sciences, 20, 323 –
334. (The State of the Art in the European Quantitative Oriented Transportation
and Logistics Research – 14th Euro Working Group on Transportation & 26th
Mini Euro Conference & 1st European Scientific Conference on Air Transport)
doi: 10.1016/j.sbspro.2011.08.038
Ferrucci, F. (2013). Pro-active Dynamic Vehicle Routing. Springer Berlin Heidelberg.

doi: 10.1007/978-3-642-33472-6
Fisher, M. L. (1985). An applications oriented guide to lagrangian relaxation. Interfa-

ces, 15(2), 10-21.
Fisher, M. L. y Jaikumar, R. (1981). A generalized assignment heuristic for vehicle

routing. Networks, 11(2), 109 – 124. doi: 10.1002/net.3230110205
Foster y Ryan. (1976). An integer programming approach to the vehicle scheduling

problem. Operational Research Quarterly, 27(2), 367 - 384.
Francis, P. M., Smilowitz, K. R. y Tzur, M. (2008). The Period Vehicle Routing Problem
and its Extensions. En B. Golden, S. Raghavan y E. Wasil (Eds.), The Vehicle
72
Routing Problem: Latest Advances and New Challenges (Vol. 43, pp. 73–102). Boston,
MA: Springer US. doi: 10.1007/978-0-387-77778-8_4
Franklin, S. y Walker, C. (Eds.). (2010). Survey Methods and Practices. Ottawa: Statistics
Canada.
Fu, L. (2002). Scheduling dial-a-ride paratransit under time-varying, stochastic con-

gestion. Transportation Research Part B: Methodological, 36(6), 485 – 506. doi:
10.1016/S0191-2615(01)00014-5
Garvin, W. W., Crandall, H. W., John, J. B. y Spellman, R. A. (1957, Julio). Applications

of Linear Programming in the Oil Industry. Management Science, 3(4), 407 – 430.
doi: 10.1287/mnsc.3.4.407
Gendreau, M., Ghiani, G. y Guerriero, E. (2015). Time-dependent routing problems:

A review. Computers & Operations Research, 64, 189 – 197. doi: 10.1016/j.cor.2015
.06.001
Gendreau, M., Jabali, O. y Rei, W. (2014). Stochastic Vehicle Routing Problems. En

P. Toth y D. Vigo (Eds.), Vehicle routing: problems, methods, and applications (2.a ed.,
pp. 213–239). Philadelphia, PA: Society for Industrial and Applied Mathematics.
doi: 10.1137/1.9781611973594
Gendreau, M., Laporte, G. y Séguin, R. (1996). Stochastic vehicle routing. European

Journal of Operational Research, 88(1), 3 – 12. doi: 10.1016/0377-2217(95)00050-X
Ghilas, V., Demir, E. y Woensel, T. V. (2016, apr). The pickup and delivery problem
with time windows and scheduled lines. INFOR: Information Systems and Opera-
tional Research, 54(2), 147–167. doi: 10.1080/03155986.2016.1166793
Gilardino, A., Rojas, J., Mattos, H., Larrea-Gallegos, G. y Vázquez-Rowe, I. (2017).

Combining operational research and Life Cycle Assessment to optimize muni-
cipal solid waste collection in a district in Lima (Peru). Journal of Cleaner Produc-
tion, 156, 589 – 603. doi: 10.1016/j.jclepro.2017.04.005
Glover, F. (1986). Future paths for integer programming and links to artificial intelli-
gence. Computers & Operations Research, 13(5), 533 – 549. (Applications of Integer
Programming) doi: 10.1016/0305-0548(86)90048-1
73
Glover, F. y Laguna, M. (1997). Tabu Search. Springer Us. doi: 10.1007/978-1-4615

-6089-0
Golden, B., Assad, A. y Dahl, R. (1984). Analysis of a large scale vehicle routing
problem with an inventory component. Large Scale Systems, 7(2-3), 181 – 190.
(cited By 103)
Golden, B., Assad, A., Levy, L. y Gheysens, F. (1984). The fleet size and mix vehicle
routing problem. Computers & Operations Research, 11(1), 49 - 66. doi: 10.1016/
0305-0548(84)90007-8
Golden, B., Raghavan, S. y Wasil, E. (Eds.). (2008). The Vehicle Routing Problem: La-
test Advances and New Challenges (Vol. 43). Springer US. doi: 10.1007/978-0-387
-77778-8
Golden, B. L. y Assad, A. A. (1986). Vehicle routing with time-window constraints.

American Journal of Mathematical and Management Sciences, 6(3-4), 251–260. doi:
10.1080/01966324.1986.10737196
Gomes, C. P., Sabharwal, A. y Selman, B. (2009, febrero). Model Couting. En A. Biere,

M. Heule, H. v. Maaren y T. Walsh (Eds.), Handbook of satisfiability (Vol. 185, pp.
633 – 654). IOS Press.
Gribkovskaia, I., Halskau, O. y Myklebost, K. N. B. (2001). Models for Pick-up and

Deliveries from Depots with Lasso Solutions. En NOFOMA2001, Collaboration in
logistics: connecting islands using information technology (pp. 279 – 293). Descarga-
do de http://www.bernabe.dorronsoro.es/vrp/data/articles/VRPPD-LASSO
.pdf
Häll, C. H., Andersson, H., Lundgren, J. T. y Värbrand, P. (2009, 01 de May). The

Integrated Dial-a-Ride Problem. Public Transport, 1(1), 39 – 54. doi: 10.1007/
s12469-008-0006-1
Hasani-Goodarzi, A. y Tavakkoli-Moghaddam, R. (2012). Capacitated Vehicle Rou-

ting Problem for Multi-Product Cross-Docking with Split Deliveries and Pic-
kups. Procedia - Social and Behavioral Sciences, 62, 1360–1365. doi: 10.1016/
j.sbspro.2012.09.232
74
Heilporn, G., Cordeau, J.-F. y Laporte, G. (2011). An integer L-shaped algorithm

for the Dial-a-Ride Problem with stochastic customer delays. Discrete Applied
Mathematics, 159(9), 883 – 895. doi: 10.1016/j.dam.2011.01.021
Henke, T., Speranza, M. G. y Wäscher, G. (2015). The multi-compartment vehicle

routing problem with flexible compartment sizes. European Journal of Operational
Research, 246(3), 730–743. doi: 10.1016/j.ejor.2015.05.020
Hoff, A., Gribkovskaia, I., Laporte, G. y Løkketangen, A. (2009, febrero). Lasso

solution strategies for the vehicle routing problem with pickups and delive-
ries. European Journal of Operational Research, 192(3), 755 – 766. doi: 10.1016/
j.ejor.2007.10.021
Hoff, A. y Løkketangen, A. (2006, 01 de junio). Creating lasso-solutions for the

traveling salesman problem with pickup and delivery by Tabu search. Cen-
tral European Journal of Operations Research, 14(2), 125 – 140. doi: 10.1007/
s10100-006-0164-7
Huang, Y., Zhao, L., Woensel, T. V. y Gross, J.-P. (2017). Time-dependent vehicle rou-
ting problem with path flexibility. Transportation Research Part B: Methodological,
95, 169 – 195. doi: 10.1016/j.trb.2016.10.013
Hvattum, L. M., L’kketangena, A. y Gloverb, F. (2003). Adaptive memory search for

boolean optimization problems. Discrete Applied Mathematics, 142, 99 — 109. doi:
10.1016/j.dam.2003.06.006
Instituto Nacional de Estadística. (2017, abril). Índice de Precios de Consumo. Base 2016:
Metodología. Documento de publicación electrónica. Descargado de http://
www.ine.es/metodologia/t25/t2530138_16.pdf
Iori, M. y Martello, S. (2010). Routing problems with loading constraints. TOP, 18(1),
4 – 27. doi: 10.1007/s11750-010-0144-x
Irnich, S., Schenider, M. y Vigo, D. (2014). Four Variants of the Vehicle Routing Pro-
blem. En P. Toth y D. Vigo (Eds.), Vehicle routing: problems, methods, and applica-
tions (2.a ed., pp. 241–272). Philadelphia, PA: Society for Industrial and Applied
Mathematics. doi: 10.1137/1.9781611973594
75
Irnich, S., Toth, P. y Vigo, D. (2014). The Family of Vehicle Routing Problems. En
P. Toth y D. Vigo (Eds.), Vehicle routing: problems, methods, and applications (2.a ed.,
pp. 1 – 33). Philadelphia, PA: Society for Industrial and Applied Mathematics.
doi: 10.1137/1.9781611973594
Juan, Faulin, Jorba, Riera, Masip y Barrios. (2011, Mayo). On the use of monte car-
lo simulation, cache and splitting techniques to improve the clarke and wright
savings heuristics. Journal of the Operational Research Society(62), 1085-1097. doi:
10.1057/jors.2010.29
Juan, A. A., Faulin, J., Pérez-Bernabeu, E. y Domínguez, O. (2013). Simulation-

Optimization Methods in Vehicle Routing Problems: A Literature Review and
an Example. En M. Á. Fernández-Izquierdo, M. J. Muñoz-Torres y R. León
(Eds.), Modeling and Simulation in Engineering, Economics, and Management: In-
ternational Conference, MS 2013, Castellón de la Plana, Spain, June 6-7, 2013. Procee-
dings (Vol. 145, pp. 115 – 124). Berlin, Heidelberg: Springer Berlin Heidelberg.
doi: 10.1007/978-3-642-38279-6_13
Juan, A. A., Faulin, J., Ruiz, R., Barrios, B. y Caballé, S. (2010). The SR-GCWS hy-
brid algorithm for solving the capacitated vehicle routing problem. Applied Soft
Computing, 10(1), 215 – 224. doi: 10.1016/j.asoc.2009.07.003
Kabcome, P. y Mouktonglang, T. (2015). Vehicle Routing Problem for Multiple Pro-

duct Types, Compartments, and Trips with Soft Time Windows. International
Journal of Mathematics and Mathematical Sciences, 2015. (Article ID 126754) doi:
10.1155/2015/126754
Kalcsics, J. (2015). Districting Problems. En G. Laporte, S. Nickel y F. Saldanha da

Gama (Eds.), Location Science (pp. 595 – 622). Cham: Springer International Pu-
blishing. doi: 10.1007/978-3-319-13111-5
Khakbaz, A., Nookabadi, A. S. y Boushehri, S. N. S. (2017). Urban bus fleet routing

in transportation network equipped with park-and-ride: a case study of babol,
iran. Transport, 32(1), 55-65. doi: 10.3846/16484142.2017.1277551
76
Kheirkhahzadeh, M. y Barforoush, A. A. (2009, mayo). A hybrid algorithm for the

vehicle routing problem. En 2009 ieee congress on evolutionary computation (pp.
1791 – 1798). doi: 10.1109/CEC.2009.4983158
Kim, H., Yang, J. y Lee, K.-D. (2011). Reverse Logistics Using a Multi-depot VRP
Approach for Recycling End-of-Life Consumer Electronic Products in South
Korea. International Journal of Sustainable Transportation, 5(5), 289 – 318. doi:
10.1080/15568318.2010.516383
Kleinberg, J. y Éva Tardos. (2006). Randomized Algorithms. En Algorithm Design (pp.

707 – 794). Pearson Education, Inc.
Kohli, R. y Krishnamurti, R. (1992). A total-value greedy heuristic for the integer

knapsack problem. Operations Research Letters, 12(2), 65 – 71. doi: 10.1016/0167
-6377(92)90065-B
Kok, A., Hans, E. y Schutten, J. (2012, mayo). Vehicle routing under time-dependant
travel times: The impact of congestion avoidance. Computers & Operations Re-
search, 39(5), 910 – 918. doi: 10.1016/j.cor.2011.05.027
Kritzinger, S., Doerner, K. F., Hartl, R. F., Kiechle, G., Stadler, H. y Manohar, S. S.
(2012). Using Traffic Information for Time-Dependent Vehicle Routing. Procedia
- Social and Behavioral Sciences, 39, 217–229. (Seventh International Conference on
City Logistics which was held on June 7- 9,2011, Mallorca, Spain) doi: 10.1016/
j.sbspro.2012.03.103
Larsen, A. y Madsen, O. B. (2000). The Dynamic Vehicle Routing Problem

(phdthesis, Danmarks Tekniske Universitet, Department of TransportInstitut
for Transport, Logistics & ITSLogistik & ITS, Building 321, DTU, DK-2800
Kgs. Lyngby). Descargado de http://orbit.dtu.dk/fedora/objects/orbit:
83345/datastreams/file_5261816/content (ISSN: 0909-3192)
Lecluyse, C., Sörensen, K. y Peremans, H. (2013, mayo). A network-consistent time-

dependent travel time layer for routing optimization problems. European Journal
of Operational Research, 226(3), 395 — 413. doi: 10.1016/j.ejor.2012.11.043
77
Lee, J., Kim, B.-I., Johnson, A. y Lee, K. (2014). The nuclear medicine production and
delivery problem. European Journal of Operational Research, 236(2), 461-472. doi:
10.1016/j.ejor.2013.12.024
Lehuédé, F., Masson, R., Parragh, S. N., Péton, O. y Tricoire, F. (2014, 01 de Jul).
A multi-criteria large neighbourhood search for the transportation of disa-
bled people. Journal of the Operational Research Society, 65(7), 983 – 1000. doi:
10.1057/jors.2013.17
Li, B., Krushinsky, D., Reijers, H. A. y Woensel, T. V. (2014). The Share-a-Ride problem:
People and parcels sharing taxis. European Journal of Operational Research, 238(1),
31 – 40. doi: 10.1016/j.ejor.2014.03.003
Li, J., Li, J., Ling, H. y Zhu, Y. (2013). Rapid Vehicle Scheduling for Emergency Per-
sonnel Evacuation in Disaster Rescue. Advanced Materials Research, 748, 1235 –
1243. doi: 10.4028/www.scientific.net/AMR.748.1235
Li, X. y Quadrifoglio, L. (2011, feb). 2-vehicle zone optimal design for feeder transit
services. Public Transport, 3(1), 89 – 104. doi: 10.1007/s12469-011-0040-2
Liedtke, G., Matteis, T. y Wisetjindawat, W. (2015). Impacts of urban logistics mea-

sures on multiple actors and decision layers case study. Transportation Research
Record, 2478, 57 – 65. doi: 10.3141/2478-07
Lin, C., Choy, K., Ho, G., Chung, S. y Lam, H. (2014). Survey of Green Vehicle Routing
Problem: Past and future trends. Expert Systems with Applications, 41(4), 1118 –
1138. doi: 10.1016/j.eswa.2013.07.107
Lin, S. (1965, diciembre). Computer solutions of the traveling salesman problem. The
Bell System Technical Journal, 44(10), 2245 – 2269. doi: 10.1002/j.1538-7305.1965
.tb04146.x
Lin, Y., Li, W., Qiu, F. y Xu, H. (2012). Research on Optimization of Vehicle Routing
Problem for Ride-sharing Taxi. Procedia - Social and Behavioral Sciences, 43, 494 –
502. (8th International Conference on Traffic and Transportation Studies (ICTTS
2012)) doi: 10.1016/j.sbspro.2012.04.122
78
Liu, B. (2004). Uncertainty theory: An introduction to its axiomatic foundations (5.a ed.,
Vol. 154). Springer-Verlag Berlin Heidelberg. doi: 10.1007/978-3-540-39987-2
Liu, F. y Shen, S. (1999). The fleet size and mix vehicle routing problem with time
windows. Journal of the Operational Research Society, 50(7), 721-732. doi: 10.1057/
palgrave.jors.2600763
Liu, J., Smith, A. y Qian, D. (2016). The vehicle loading problem with a heterogeneous
transport fleet. Computers & Industrial Engineering, 97, 137 - 145. doi: 10.1016/
j.cie.2016.04.021
Madankumar, S. y Rajendran, C. (2016). Mathematical models for green vehicle rou-

ting problems with pickup and delivery: A case of semiconductor supply chain.
Computers & Operations Research. doi: 10.1016/j.cor.2016.03.013
Maffioli, F. (1986). Randomized algorithms in combinatorial optimization: A survey.

Discrete Applied Mathematics, 14, 157 – 170. doi: 10.1016/0166-218x(86)90058-2
Maffioli, F., Speranza, M. y Vercellis, C. (1984, 01 de Oct). Randomized algorithms:

An annotated bibliography. Annals of Operations Research, 1(3), 331 – 345. doi:
10.1007/BF01874396
Malandraki, C. y Daskin, M. S. (1992). Time Dependent Vehicle Routing Problems:

Formulations, Properties and Heuristic Algorithms. Transportation Science, 26(3),
185-200. (cited By 202)
Mardaneh, E., Lin, Q., Loxton, R. y Wilson, N. (2017, 01 de Feb). Cargo scheduling
decision support for offshore oil and gas production: a case study. Optimization
and Engineering, 1 – 18. doi: 10.1007/s11081-017-9348-3
Martí, R. (2003). Procedimientos Metaheurísticos en Optimización Combina-

toria. Universidad de Valencia, Facultad de Ciencias Matemáticas. Descar-
gado de http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.419
.3447&rank=1 doi: 10.1.1.419.3447
Masmoudi, M. A., Hosny, M., Braekers, K. y Dammak, A. (2016). Three effective me-
taheuristics to solve the multi-depot multi-trip heterogeneous dial-a-ride pro-
79
blem. Transportation Research Part E: Logistics and Transportation Review, 96, 60 –

80. doi: 10.1016/j.tre.2016.10.002
Mańdziuk, J. y Świechowski, M. (2017). UCT in Capacitated Vehicle Routing Problem

with traffic jams. Information Sciences, 406-407, 42-56. doi: 10.1016/j.ins.2017.04
.020
Mehrjerdi, Y. Z. y Nadizadeh, A. (2013). Using greedy clustering method to solve

capacitated location-routing problem with fuzzy demands. European Journal of
Operational Research, 229(1), 75 – 84. doi: 10.1016/j.ejor.2013.02.013
Miranda-Bront, J. J., Curcioy, B., Méndez-Díaz, I., Montero, A., Pousa, F. y Zabala, P.
(2017, 01 de junio). A cluster-first route-second approach for the Swap Body
Vehicle Routing Problem. Annals of Operations Research, 253(2), 935 – 956. doi:
10.1007/s10479-016-2233-1
Molenbruch, Y., Braekers, K. y Caris, A. (2017). Typology and literature review for
dial-a-ride problems. Annals of Operations Research, 1 – 31. doi: 10.1007/s10479
-017-2525-0
Motwani, R. y Raghavan, P. (1995). Randomized Algorithms (P. S. Cambridge, Ed.).

Melbourne: Cambridge University Press.
Muyldermans, L. y Pang, G. (2010). On the benefits of co-collection: Experiments with

a multi-compartment vehicle routing algorithm. European Journal of Operational
Research, 206(1), 93-103. doi: 10.1016/j.ejor.2010.02.020
Nasseri, S. H., Taghi-Nezhad, N. y Ebrahimnejad, A. (2017). A Note on Ranking

Fuzzy Numbers with an Area Method using Circumcenter of Centroids. Fuzzy
Information and Engineering, 9(2), 259 – 268. doi: 10.1016/j.fiae.2017.06.009
National Research Council. (2003). Planning the 2010 census: Second interim report
(D. L. Cork, M. L. Cohen y B. F. King, Eds.). Committee on National Statistics.
Washingon, DC.: The National Academies Press.
Ng, K., Lee, C., Zhang, S., Wu, K. y Ho, W. (2017, julio). A multiple colonies artificial
bee colony algorithm for a capacitated vehicle routing problem and re-routing
80
strategies under time-dependent traffic congestion. Computers and Industrial En-

gineering, 109, 151 – 168. (cited By) doi: 10.1016/j.cie.2017.05.004
Nigro, M., Mannini, L. y Flamini, M. (2013). A clustering first – route second met-
hod for the solution of many-to-many Dial a Ride problem. Recent Researches
in Applied Economics and Management, 1, 464 – 468. Descargado de http://
www.wseas.us/e-library/conferences/2013/Chania/AEBDa/AEBDa-76.pdf
Nowakowski, P. (2017). A proposal to improve e-waste collection efficiency in urban

mining: Container loading and vehicle routing problems – A case study of Po-
land. Waste Management, 60, 494 – 504. (Special Thematic Issue: Urban Mining
and Circular Economy) doi: 10.1016/j.wasman.2016.10.016
Okhrin, I. y Richter, K. (2009). The Vehicle Routing Problem with Real-Time Travel
Times. En Int. J. Vehicle Information and Communication Systems (Vol. 2, p. 59 —
77).
Organización Mundial de la Salud. (2000). La salud de los jóvenes: un desafío para

la sociedad. Informe de un Grupo de Estudio de la OMS acerca de los jóvenes y la
"Salud para Todos para el Año 2000". Descargado de http://apps.who.int/iris/
bitstream/10665/36922/1/WHO_TRS_731_spa.pdf (Serie de Informes Técnicos
No 731)
O.Santos, D. y Xavier, E. C. (2015). Taxi and Ride sharing: A Dynamic Dial-a-Ride

Problem with Money as an Incentive. Expert Systems with Applications, 42(19),
6728 – 6737. doi: 10.1016/j.eswa.2015.04.060
Parragh, S. N., de Sousa, J. P. y Almada-Lobo, B. (2015). The Dial-a-Ride Problem

with Split Requests and Profits. Transportation Science, 49(2), 311 – 334. doi:
10.1287/trsc.2014.0520
Parragh, S. N., Doerner, K. F. y Hartl, R. F. (2008a). A survey on pickup and delivery

problems. Part II: Transportation between pickup and delivery locations. Journal
für Betriebswirtschaft, 58(2), 81 – 117. doi: 10.1007/s11301-008-0036-4
81
Parragh, S. N., Doerner, K. F. y Hartl, R. F. (2008b). A survey on pickup and deli-

very problems. Part I: Transportation between customers and depot. Journal für
Betriebswirtschaft, 58(1), 21 – 51. doi: 10.1007/s11301-008-0033-7
Polimeni, A., Russo, F. y Vitetta, A. (2010). Demand and routing models for urban
goods movement simulation. European Transport - Trasporti Europei(46), 3-23.
(cited By 9)
Posada, M., Andersson, H. y Häll, C. H. (2016, nov). The integrated dial-a-ride pro-
blem with timetabled fixed route service. Public Transport, 9(1-2), 217 – 241. doi:
10.1007/s12469-016-0128-9
Pureza, V., Morabito, R. y Reimann, M. (2012). Vehicle routing with multiple deli-
verymen: Modeling and heuristic approaches for the VRPTW. European Journal
of Operational Research, 218(3), 636 – 647. doi: 10.1016/j.ejor.2011.12.005
Qu, Y. y Bard, J. F. (2013). The heterogeneous pickup and delivery problem with con-
figurable vehicle capacity. Transportation Research Part C: Emerging Technologies,
32, 1 – 20. doi: 10.1016/j.trc.2013.03.007
Recalde, D., Severín, D., Torres, R. y Vaca, P. (2016). Balanced Partition of a Graph for
Football Team Realignment in Ecuador. En R. Cerulli, S. Fujishige y A. R. Mah-
joub (Eds.), Combinatorial Optimization: 4th International Symposium, ISCO 2016,
Vietri sul Mare, Italy, May 16-18, 2016, Revised Selected Papers (pp. 357 – 368).
Cham: Springer International Publishing. doi: 10.1007/978-3-319-45587-7_31
Recalde, D., Severín, D., Torres, R. y Vaca, P. (2017). An Exact Approach for the Balan-
ced k-Way Partitioning Problem with Weight constraints and its Application to Sports
Team Realignment. (Manuscrito enviado para publicación en Journal of Combi-
natorial Optimization)
Renaud, J., Boctor, F. y Laporte, G. (1996). An improved petal heuristic for the vehicle
routing problem. Operational Research Society, 47(2), 329-336.
Rochat, Y. y Semet, F. (1994, 01 de noviembre). A tabu search approach for delivering

pet food and flour in switzerland. Journal of the Operational Research Society,
45(11), 1233 – 1246. doi: 10.1057/jors.1994.197
82
Ryan, D., Hjorring, C. y Glover, F. (1993). Extensions of the petal model for vehicle
routing. Operational Research Society, 44(3), 289 - 296.
Salimifard, K., Shahbandarzadeh, H. y Raeesi, R. (2012). Green Transportation and the

Role of Operation Research. International Conference on Traffic and Transportation
Engineering, 26. (2012-02-172012-02-18)
Savelsbergh, M. y Sol, M. (1995). The General Pickup and Delivery Problem. Trans-
portation Science, 29(1), 17 – 29. Descargado de http://www.jstor.org/stable/
25768666
Sayarshad, H. R. y Chow, J. Y. (2015). A scalable non-myopic dynamic dial-a-ride

and pricing problem. Transportation Research Part B: Methodological, 81, 539 –
554. (Optimization of Urban Transportation Service Networks) doi: 10.1016/
j.trb.2015.06.008
Schilde, M., Doerner, K. y Hartl, R. (2014). Integrating stochastic time-dependent

travel speed in solution methods for the dynamic dial-a-ride problem. European
Journal of Operational Research, 238(1), 18 – 30. doi: http://dx.doi.org/10.1016/
j.ejor.2014.03.005
Schneider, M., Stenger, A. y Goeke, D. (2014, noviembre). The Electric Vehicle-

Routing Problem with Time Windows and Recharging Stations. Transportation
Science, 48(4), 500 – 520. doi: 10.1287/trsc.2013.0490
Schrijver, A. (2004). Combinatorial Optimization: Polyhedra and Efficiency (Vol. 24).

Springer-Verlag Berlin Heidelberg.
Simchi-Levi, D., Chen, X. y Bramel, J. (2014). The Logic of Logistics: Theory, Algorithms,
and Applications for Logistics Management (3.a ed.; P. Glim y S. Robinson, Eds.).
Springer New York. doi: 10.1007/978-1-4614-9149-1
Swanson, D. A. y Walashek, P. J. (2011). Cemaf as a census method. Springer Nether-

lands. doi: 10.1007/978-94-007-1195-2
Tarantilis, C. D., Zachariadis, E. E. y Kiranoudis, C. T. (2009, Junio). A Hy-

brid Metaheuristic Algorithm for the Integrated Vehicle Routing and Three-
83
Dimensional Container-Loading Problem. IEEE Transactions on Intelligent Trans-

portation Systems, 10(2), 255 – 271. doi: 10.1109/TITS.2009.2020187
Teodorovic, D., Krcmar-Nozic, E. y Pavkovic, G. (1995). The mixed fleet stochastic

vehicle routing problem. Transportation Planning and Technology, 19(1), 31–43.
doi: 10.1080/03081069508717556
Teodorović, D. y Pavković, G. (1996). The fuzzy set theory approach to the vehicle
routing problem when demand at nodes is uncertain. Fuzzy Sets and Systems,
82(3), 307 – 317. doi: 10.1016/0165-0114(95)00276-6
Toro O., E. M., Escobar Z., A. H. y Granada E., M. (2016, 06). Literature review on
the vehicle routing problem in the green transportation context. Luna Azul, 362
– 387. doi: 10.17151/luaz.2016.42.21
Toth, P. y Vigo, D. (1998). Exact Solution of the Vehicle Routing Problem. En T. G. Crai-
nic y G. Laporte (Eds.), Fleet Management and Logistics (pp. 1–31). Springer Scien-
ce+Business Media New York. doi: 10.1007/978-1-4615-5755-5
Toth, P. y Vigo, D. (Eds.). (2014). Vehicle routing: problems, methods, and applications (2.a
ed.). Philadelphia, PA: Society for Industrial and Applied Mathematics. doi:
10.1137/1.9781611973594
Van Anholt, R., Coelho, L., Laporte, G. y Vis, I. (2016). An Inventory-Routing Problem
with Pickups and Deliveries Arising in the Replenishment of Automated Teller
Machines. Transportation Science, 50(3), 1077 – 1091. doi: 10.1287/trsc.2015.0637
Vargas-Villamil, F. (2006). Vehicle routing and dispatching for emergency per-

sonnel evacuation from off-shore oil platforms. En (Vol. 2006, pp. 4500 –
4505). Descargado de https://www.scopus.com/inward/record.uri?eid=2-s2
.0-34047223734&partnerID=40&md5=c9af6f569f5c128d6ed014c6bc5b9d3d
Wang, H. y Lee, Y. Y. (2011). Modeling of a Time Dependent Alternative Vehicle

Routing Problem with Time Windows. En 2011 international conference on ma-
nagement and service science (pp. 1 – 4). (cited By 1) doi: 10.1109/ICMSS.2011
.05998240
84
Wang, J. y Zhang, Y. (2017, March). Research on optimization of integrated delivery

for agricultural product production chain and marketing chain. 6th International
Conference on Industrial Technology and Management (ICITM), 118 – 122. doi: 10
.1109/ICITM.2017.7917907
Wang, Y., Ma, X., Xu, M., Wang, Y. y Liu, Y. (2015). Vehicle routing problem based on a
fuzzy customer clustering approach for logistics network optimization. Journal
of Intelligent and Fuzzy Systems, 29(4), 1427 – 1442. doi: 10.3233/IFS-151578
Wassan, N. A. y Nagy, G. (2014). Vehicle Routing Problem with Deliveries and Pic-
kups: Modelling Issues and Meta-heuristics Solution Approaches. International
Journal of Transportation, 2(1), 95 – 110. doi: 10.14257/ijt.2014.2.1.06
Wøhlk, S. (2008). A Decade of Capacitated Arc Routing. En B. Golden, S. Raghavan

y E. Wasil (Eds.), The Vehicle Routing Problem: Latest Advances and New Challenges
(Vol. 43, pp. 29–48). Boston, MA: Springer US. doi: 10.1007/978-0-387-77778-8
_2
Xu, J., He, Y. y Gen, M. (2009). A class of random fuzzy programming and its applica-
tion to supply chain design. Computers & Industrial Engineering, 56(3), 937 – 950.
(Intelligent Manufacturing and Logistics) doi: 10.1016/j.cie.2008.09.045
Xu, J., Yan, F. y Li, S. (2011). Vehicle routing optimization with soft time windows
in a fuzzy random environment. Transportation Research Part E: Logistics and
Transportation Review, 47(6), 1075 – 1091. doi: 10.1016/j.tre.2011.04.002
Yanfeng, L., Ziyou, G. y Jun, L. (2011, June). Vehicle Routing Problem in Dynamic
Urban Traffic Network. En ICSSSM11 (pp. 1 – 6). doi: 10.1109/ICSSSM.2011
.5959534
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338 – 353. doi: 10.1016/
S0019-9958(65)90241-X
Zadeh, L. A. (1975a). The concept of a linguistic variable and its application

to approximate reasoning-III. Information Sciences, 9(1), 43 - 80. Descargado
de http://www.sciencedirect.com/science/article/pii/0020025575900171
doi: http://dx.doi.org/10.1016/0020-0255(75)90017-1
85
Zadeh, L. A. (1975b). The concept of a linguistic variable and its application to

approximate reasoning—I. Information Sciences, 8(3), 199 – 249. doi: 10.1016/
0020-0255(75)90036-5
Zadeh, L. A. (1975c). The concept of a linguistic variable and its application to ap-
proximate reasoning—II. Information Sciences, 8(4), 301 – 357. doi: 10.1016/
0020-0255(75)90046-8
Zhang, X. y Tang, L. (2007). Disruption management for the vehicle routing pro-
blem with time windows. En D.-S. Huang, L. Heutte y M. Loog (Eds.), Ad-
vanced Intelligent Computing Theories and Applications. With Aspects of Contem-
porary Intelligent Computing Techniques: Third International Conference on Inte-
lligent Computing, ICIC 2007, Qingdao, China, August 21-24, 2007. Proceedings
(Vol. 2, pp. 225–234). Berlin, Heidelberg: Springer Berlin Heidelberg. doi:
10.1007/978-3-540-74282-1_26
Zhang, Y. y Chen, X. (2014). An Optimization Model for the Vehicle Routing Problem
in Multi-product Frozen Food Delivery. Journal of Applied Research and Techno-
logy, 12(2), 239 - 250. doi: 10.1016/S1665-6423(14)72340-5
Zhang, Z., Liu, M. y Lim, A. (2015). A memetic algorithm for the patient transporta-
tion problem. Omega, 54, 60 – 71. doi: 10.1016/j.omega.2015.01.011
Zmud, J., Lee-Gosselin, M., Munizaga, M. y Carrasco, J. A. (Eds.). (2013). Transport

Survey Methods: Best Practice for Decision Making. Emerald Group Publishing.
doi: 10.1108/9781781902882
86
Apéndice A
Variantes del Algoritmo 5
Previamente, para el Algoritmo 5, discutimos el caso de inserción de un local de ini-

cio de ruta en otra al anteponerlo sobre otro local de inicio de ruta. En este apéndice
se presentan variaciones de dicho procedimiento para cuando el local a intercambiarse
tiene otras características. Cada algoritmo considera que los locales a insertarse o inter-
cambiarse no constan dentro del conjunto de locales aislados. Una breve modificación
para dichos casos se presenta al final de este apéndice.
Nos centraremos en dos tipos de movimientos:
1. Insertaremos locales de inicio y de fin de ruta al inicio o al final de otras rutas,
las cuales pueden ser atendidas por cualquier encuestador o vehículo.
2. Intercambiaremos locales que estén en medio de una ruta con locales de inicio,
fin o en medio de otra ruta.
El Algoritmo 6 considera la inserción de locales entre dos locales que son fin
de ruta. Este intercambio es bastante similar al presentado en el Algoritmo 5 y sólo
requiere de un cambio de notación.
Algoritmo 6 IC-FFR: Inserción de local de fin a fin de ruta
1: Seleccionar a los locales i, j ∈ C \ W.

2: Identificar a los encuestadores e y p que atienden i y j, respectivamente.
3: Verificar si los nodos son fin de ruta.
4: Encontrar los parámetros (α, β, k ) y (γ, δ, l ) de conexión vehicular.
5: Almacenar en Ψi a todo encuestador ε que comparta vehículo con e desde i.
6: Almacenar en Ψ j a todo encuestador ε que comparta vehículo con p desde j.
p
7: Identificar u y v tales que xeu,i = 1 y xv,j = 1, respectivamente.
p
8: Asignar x j,i ← 1 y xeu,i ← 0.
p p
9: Asignar f j ← 0, fi ← 1, fie ← 0 y feu ← 1.
10: Para cada encuestador ε ∈ Ψi repetir:
11: Asignar zεα,i ← 0, zεα,u ← 1, zi,β
ε ← 0 y zε ← 1.
u,β
12: Para cada encuestador ε ∈ Ψ j repetir:
13: Asignar zεγ,j ← 0, zεγ,i ← 1, zεj,δ ← 0 y zi,δ
ε ← 1.
14: Asignar ykα,i ← 0, ykα,u ← 1, yi,β

k ← 0 y yk ← 1.
u,β
15: l l l l
Asignar yγ,j ← 0, yγ,i ← 1, y j,δ ← 0 y yi,δ ← 1.
16: Actualizar T .
El Algoritmo 7 inserta un local que era inicio de ruta al final de otra. Aquí es im-
portante resaltar que, bajo un adecuado cambio de etiquetas, esta inserción también es
útil para el caso en el que el local a insertarse sea fin de una ruta y queramos posicio-
narlo antes de un local de inicio de ruta.
Algoritmo 7 IC-IFR: Inserción de local de inicio a fin de ruta

87

3: Verificar si los nodos son extremos de ruta; es decir, i ∈ be y j ∈ f p .
4: Encontrar los parámetros (α, β, k ) y (γ, δ, l ) de conexión vehicular.
6: Almacenar en Ψ j a todo encuestador ε que comparta vehículo con p desde j.
7: e = 1 y x p = 1, respectivamente.
Identificar u y v tales que xi,u v,j
p e ← 0.
8: Asignar x j,i ← 1 y xi,u
p p
9: Asignar f j ← 0, fi ← 1, bie ← 0 y beu ← 1.
10: Para cada encuestador ε ∈ Ψi repetir:
11: ε ← 0 y zε ← 1.
Asignar zεα,i ← 0, zεα,u ← 1, zi,β u,β
12: Para cada encuestador ε ∈ Ψ j repetir:
13: Asignar zεγ,j ← 0, zεγ,i ← 1, zεj,δ ← 0 y zi,δ
ε ← 1.
14: k ← 0 y yk ← 1.
Asignar ykα,i ← 0, ykα,u ← 1, yi,β u,β
15: l ← 1.
Asignar ylγ,j ← 0, ylγ,i ← 1, ylj,δ = 0 y yi,δ
16: Actualizar T .
Los Algoritmos 8 y 9 son los primeros de intercambio entre locales. En este caso,
los dos locales seleccionados serán atendidos por diferentes encuestadores y en rutas
distintas. El primer algoritmo considera el intercambio de un local de inicio de ruta y
el segundo uno de fin de ruta, ambos con otro en mitad de ruta.
Algoritmo 8 IC-IMR: Intercambio de locales de inicio y mitad de ruta

3: Verificar si i es inicio de ruta.
4: Encontrar los parámetros (α, β, k ) de conexión vehicular.
6: e = 1, x p = 1 y x p = 1, respectivamente.
Identificar u, v, ν tales que xi,u v,j j,ν
7: e ← 0, x p ← 0 y x p ← 0, x p ← 1 y x p ← 1
Asignar xej,u ← 1, xi,u v,j j,ν v,i i,ν
8: Asignar bie ← 0 y bej ← 1.
10: Asignar zεα,i = 0 y zεα,j = 1.
11: Asignar zi,βε = 0 y zε = 1.
j,β
12: Asignar ykα,i = 0, ykα,j = 1, yi,β
k = 0 y yk = 1.
j,β
13: Actualizar T .
Algoritmo 9 IC-FMR: Intercambio de locales de fin y mitad de ruta

88
3: Verificar si i es fin de ruta.

4: Encontrar los parámetros (α, β, k ) de conexión vehicular.
p p
6: Identificar u, v, ν tales que xeu,i = 1, xv,j = 1 y x j,ν = 1, respectivamente.
p p p p
7: Asignar xeu,j ← 1, xeu,i ← 0, xv,j ← 0 y x j,ν ← 0, xv,i ← 1 y xi,ν ← 1
8: Asignar fie ← 0 y fej ← 1.
10: Asignar zεα,i = 0 y zεα,j = 1.
11: Asignar zi,βε = 0 y zε = 1.
j,β
12: k k k = 0 y yk = 1.
Asignar yα,i = 0, yα,j = 1, yi,β j,β
13: Actualizar T .
El Algoritmo 10 presenta el intercambio entre dos locales de mitad de ruta. No-

temos que en este caso las conexiones vehiculares no son necesarias, por lo que este
algoritmo se puede aplicar dentro de la construcción de rutas previa a la aplicación del
modelo reducido presentado en (20).
Algoritmo 10 IC-MMR: Intercambio de locales en mitad de ruta

3: e = 1, x p = 1 y x p = 1, respectivamente.
Identificar u, v, ν, ρ tales que xeu,i = 1, xi,v ν,j j,ρ
4: e ← 0, x p ← 1, x p ← 0, x p ← 1 y x p ← 0.
Asignar xeu,j ← 1, xeu,i ← 0, xej,v ← 1, xi,v ν,i ν,j i,ρ j,ρ
5: Actualizar T .
Para terminar este apéndice, dejaremos una breve nota sobre la elección de un
local aislado i ∈ W. Si queremos insertar i dentro de una ruta, notemos que i es un
nodo de inicio y fin de su propio lazo, tenemos que cumplir cada uno de los siguientes
criterios:
• El tiempo de recorrido pedestre de i a j no debe exceder ` − di , pues en caso
contrario el encuestador caminaría durante horas para alcanzar la posición del local,
lo cual incide en un alto costo objetivo de Dkn+1 .
• No podemos intercambiar al local i con su duplicado i0 , puesto que sólo acep-
tamos al arco (i, i0 ) ∈ diag(W, Wh ) en el conjunto AC,h .
En caso de que i sea un local admisible para el intercambio, tendremos que eliminar a
i de W y Wh e incluir el arco (i, j) o ( j, i ) a la ruta de j en AC,h con costo adicional de
ti,j + di minutos.
Cabe mencionar que, para los métodos de inserción, si el local u ya no tiene co-
nexiones, entonces se convierte en un nodo aislado, por lo tanto se ingresa u en W y
Wh , así como (u, u0 ) ∈ AC,h con tiempo de recorrido pedestre correspondiente a du
minutos.
89
Apéndice B
Detalle de la solución del PRVP en Guayaquil
A continuación incluimos el crono- 1 308 P 432.417

grama para dos encuestadores en la pri- 1 789 V 437.619
1 822 V 445.054
mera instancia. 2 708 V 7.534
2 685 P 12.902
Tabla B1 2 796 P 16.226
2 221 P 27.403
Resultados del ruteo para la partición 1 2 631 P 30.312
Instancia 1 2 651 P 32.084
Encuestador Local Traslado Tiempo 2 609 P 36.158
1 708 V 7.534 2 717 P 43.914
1 630 V 9.807 2 593 P 48.811
1 1452 P 18.334 2 293 P 51.443
1 539 V 21.852 2 219 P 72.169
1 1361 P 25.319 2 548 P 114.622
1 532 V 27.606 2 483 P 122.571
1 130 P 40.566 2 242 P 128.453
1 533 P 51.796 2 501 P 158.308
1 218 P 61.297 2 378 P 161.368
1 612 P 78.913 2 521 P 182.339
1 222 P 85.014 2 477 P 186.953
1 535 P 94.168 2 489 P 246.917
1 515 P 104.78 2 126 P 269.872
1 579 V 111.956 2 437 P 275.286
1 1401 P 115.738 2 596 P 313.357
1 738 V 121.73 2 476 P 317.208
1 797 P 127.759 2 619 P 405.647
1 798 P 134.362 2 582 P 410.261
1 531 P 140.608 2 750 P 412.383
1 807 P 152.548 2 639 P 429.576
1 741 P 161.564 2 789 P 432.219
1 664 P 167.471 2 822 V 445.054
1 444 P 174.648
1 143 P 187.574 Nota: P y V indican traslado pedestre
1 551 P 218.656 y vehicular, respectivamente.
1 307 P 225.673
1 125 P 418.931 Representamos esta planificación en
1 538 P 428.572 la figura B1.
Figura B1. Solución 1.

90
Proseguimos con la segunda instan- 1 1564 P 201.512

1 182 V 210.272
cia. 1 387 P 260.387
1 577 P 278.293
1 390 P 294.213
1 822 V 386.808
Tabla B2 2 36 V 4.433
Resultados del ruteo para la partición 2 2 382 V 6.757
Instancia 2 2 485 P 37.763
1 36 V 4.433 2 463 P 103.927
1 632 P 10.406 2 778 P 106.711
1 718 P 14.923 2 5 P 115.989
1 174 P 18.760 2 560 V 130.051
1 175 P 47.775 2 1382 P 138.051
1 698 P 64.449 2 588 V 147.304
1 239 P 66.38 2 332 P 155.571
1 325 P 69.802 2 723 P 178.449
1 319 P 95.223 2 360 P 182.948
1 377 P 107.3 2 769 P 378.963
1 469 P 110.703 2 390 V 381.306
1 482 P 129.803 2 822 V 386.808
1 719 P 133.261
1 97 P 141.062 Nota: P y V indican traslado pedestre
1 808 P 157.122 y vehicular, respectivamente.
1 380 P 162.115
1 557 V 190.426 Representamos esta planificación en
1 1379 P 191.643
1 742 V 200.046 la figura B2.

91
Tabla B3 1 412 P 374.481

Instancia 3 1 337 V 384.788
Encuestador Local Traslado Tiempo 1 822 V 396.992
1 626 V 12.802
2 626 V 12.802
1 238 V 16.575
2 238 V 16.575
1 38 V 21.099
2 340 P 65.220
1 648 P 28.354
2 323 P 79.027
1 710 P 42.288
2 810 P 274.873
1 318 P 49.630
2 725 P 279.476
1 322 P 74.350
2 391 P 287.862
1 799 P 94.682
2 490 P 289.500
1 468 P 97.163
2 602 P 292.375
1 735 P 100.403
2 458 P 295.436
1 801 P 105.921
2 745 P 296.938
1 693 P 112.307
2 416 P 306.809
1 440 P 116.132
2 352 P 309.449
1 486 P 119.932
2 541 P 369.374
1 627 P 123.499
2 369 P 372.092
1 633 P 126.215
2 337 P 382.921
1 385 P 127.774
2 822 V 396.992
1 500 P 131.170
3 626 V 12.802
1 338 P 133.241
3 138 P 71.019
1 598 P 152.580
3 424 P 86.747
1 737 P 155.266
3 420 P 89.188
1 768 P 162.091
3 643 P 90.935
1 600 P 164.691
3 645 P 98.995
1 701 P 167.418
3 415 V 106.855
1 817 P 174.969
3 681 P 114.265
1 700 P 186.408
3 249 V 248.464
1 706 P 191.022
3 484 P 255.379
1 595 P 197.806
3 455 P 261.340
1 373 P 203.114
3 348 P 262.829
1 169 P 224.931
3 739 P 348.682
1 313 V 257.211
3 216 P 352.993
1 1135 P 263.728
3 408 P 367.639
1 8 V 267.303
3 694 P 376.436
1 820 P 276.819
3 388 V 381.766
1 339 P 283.116
3 337 V 384.788
1 597 P 319.234
3 822 V 396.992
1 616 P 329.639
Nota: P y V indican traslado pedestre
1 460 P 343.082
y vehicular, respectivamente.
1 599 P 345.475
1 449 P 350.123
1 523 P 359.470
1 603 P 361.425 la figura B3.

92
Tabla B4 2 326 P 448.012

Instancia 4 3 85 V 1.297
1 85 V 1.297
3 752 P 6.060
1 624 V 2.678
3 640 P 7.348
1 72 V 60.226
3 145 P 9.993
1 671 V 60.307
3 72 P 33.009
1 766 V 64.097
3 671 V 60.307
1 1588 P 441.489
3 656 P 61.515
1 3 V 446.199
3 512 P 63.003
1 326 V 449.229
3 658 P 65.507
1 822 V 451.373
3 809 P 67.911
2 85 V 1.297
3 672 P 70.279
2 755 P 18.460
3 136 P 73.773
2 439 P 25.986
3 334 P 82.213
2 776 P 32.531
3 263 P 86.507
2 132 P 162.622
3 52 P 88.534
2 211 P 163.992
3 46 P 97.717
2 233 P 182.908
3 205 P 101.310
2 445 P 268.842
3 783 P 295.553
2 292 P 270.735
3 206 P 300.469
2 728 P 273.346
3 214 P 303.884
2 733 P 277.448
3 510 P 335.810
2 262 P 280.845
3 362 P 340.123
2 806 P 339.486
3 146 P 344.709
2 281 P 342.378
3 497 P 365.616
2 406 P 345.334
3 114 P 369.650
2 442 P 349.060
3 760 P 413.008
2 441 P 350.577
3 342 P 416.702
2 675 P 352.805
3 225 P 423.139
2 692 P 365.940
3 660 P 433.367
2 479 P 378.953
3 3 P 439.065
2 507 P 380.436
3 326 V 449.229
2 618 P 386.280
3 822 V 451.373
2 617 P 388.840
2 386 P 390.473
2 781 P 401.700
2 328 P 408.863
2 519 P 440.155
la figura B4.

93
Tabla B5 2 496 P 88.262

Instancia 5 2 119 P 93.192
1 765 V 3.322
2 646 V 115.223
1 652 V 4.191
2 1468 P 116.673
1 273 P 12.899
2 746 V 117.708
1 320 P 23.281
2 335 P 120.325
1 341 P 110.671
2 259 P 178.659
1 165 P 112.687
2 581 V 283.73
1 614 P 132.152
2 20 P 286.985
1 30 P 135.249
2 657 P 305.865
1 370 P 177.229
2 423 P 311.244
1 395 P 180.048
2 426 P 320.283
1 11 V 181.714
2 353 P 327.008
1 833 P 184.897
2 461 P 329.010
1 151 V 185.981
2 17 V 334.776
1 573 P 189.577
2 772 P 347.720
1 142 P 195.074
2 116 P 352.785
1 822 V 390.217
2 450 P 378.154
2 765 V 3.322
2 787 P 383.551
2 2 P 6.568
2 142 V 387.491
2 343 P 14.772
2 822 V 390.217
2 642 P 35.204
2 103 P 37.589
2 641 P 44.569
2 35 P 45.938
2 410 P 51.080
2 18 P 60.337 la figura B5.

94
Tabla B6 1 1 V 373.236
Instancia 6 2 272 V 1.709
1 272 V 1.709
2 744 P 8.760
1 350 P 7.160
2 275 P 12.237
1 178 P 10.951
2 270 P 16.669
1 179 P 12.178
2 141 P 20.848
1 176 P 36.401
2 494 P 23.242
1 274 P 121.997
2 79 P 29.548
1 304 P 125.920
2 210 P 39.181
1 4 P 130.583
2 252 P 52.886
1 6 V 135.042
2 650 P 56.723
1 149 P 144.59
2 649 P 58.9895
1 144 P 177.729
2 80 P 60.391
1 201 P 202.025
2 60 P 88.685
1 634 P 210.307
2 73 P 129.359
1 189 V 215.952
2 751 P 131.245
1 414 P 220.295
2 81 P 133.423
1 167 P 223.297
2 102 P 152.513
1 177 P 234.182
2 59 P 347.742
1 181 P 292.344
2 1 P 366.103
1 481 P 293.980
2 822 V 376.386
1 590 P 299.854
1 33 P 308.125
1 429 V 344.315
1 1251 P 345.765
1 659 P 369.098
la figura B6.

95
Tabla B7 2 589 P 255.672

Instancia 7 2 397 P 263.899
1 428 V 3.876
2 525 P 373.600
1 131 P 7.929
2 822 V 378.992
1 301 P 22.556
3 428 V 3.876
1 315 P 37.581
3 107 V 6.397
1 26 P 100.319
3 506 V 113.613
1 506 P 112.146
3 331 V 120.795
1 331 V 120.795
3 517 P 123.126
1 447 V 124.863
3 288 P 126.247
1 1269 P 127.096
3 246 V 149.439
1 422 V 130.792
3 254 P 175.891
1 1244 P 133.675
3 638 P 202.285
1 286 V 134.731
3 528 P 207.703
1 1108 P 136.598
3 473 P 221.742
1 288 V 145.080
3 465 P 223.825
1 246 V 149.439
3 358 P 227.625
1 39 V 154.610
3 289 P 230.601
1 861 P 157.794
3 347 P 264.737
1 110 V 372.281
3 232 P 283.987
1 525 V 375.05
3 749 P 290.684
1 822 V 378.992
3 734 P 294.680
2 428 V 3.876
3 427 P 298.849
2 107 V 6.397
3 135 P 303.449
2 371 P 17.771
3 110 P 345.065
2 355 P 20.114
3 525 V 375.050
2 140 P 22.051
3 822 P 378.992
2 529 P 26.240
2 520 P 33.893
2 762 P 39.992
2 782 P 47.129
2 255 P 59.834
2 800 P 252.315 la figura B7.

96
Tabla B8 2 1073 P 135.589

Instancia 8 2 1586 P 156.772
1 811 V 41.713
2 822 V 332.207
1 518 P 85.740
3 306 V 16.388
1 516 V 161.843
3 682 V 23.878
1 1338 P 189.818
3 1504 P 30.878
1 433 V 235.174
3 757 V 45.370
1 1255 P 244.987
3 1579 P 69.066
1 359 V 272.269
3 559 V 80.106
1 1181 P 279.896
3 1381 P 81.499
1 376 V 301.101
3 540 V 94.580
1 1198 P 304.385
3 1362 P 166.631
1 822 V 332.207
3 822 V 332.207
2 306 V 16.388
2 509 P 25.897
2 430 V 62.413
2 1252 P 104.759
2 1053 P 126.945
2 251 V 132.096 la figura B8.

97
Tabla B9 2 379 P 78.645

2 564 P 81.923
Instancia 9
2 629 P 85.757
Encuestador Local Traslado Tiempo
2 434 P 101.448
1 9 V 2.327
2 674 P 103.732
1 77 V 3.105
2 96 P 105.293
1 67 P 92.636
2 774 P 107.277
1 98 P 178.487
2 87 P 110.914
1 637 P 186.638
2 51 P 131.518
1 763 P 205.979
2 62 P 133.798
1 243 P 207.280
2 45 P 165.013
1 478 P 210.892
2 12 P 173.505
1 720 P 217.560
2 196 P 176.989
1 392 P 219.391
2 64 P 178.591
1 784 P 223.376
2 208 P 188.325
1 504 P 240.216
2 91 P 190.758
1 421 P 243.277
2 95 P 192.041
1 260 P 249.945
2 625 P 194.074
1 747 P 252.555
2 803 P 199.758
1 402 P 254.876
2 563 P 205.570
1 804 P 260.833
2 802 P 208.709
1 282 P 263.966
2 285 P 212.003
1 234 P 265.558
2 49 P 215.150
1 61 P 268.366
2 148 P 232.403
1 31 V 287.978
2 195 P 236.203
1 508 P 302.526
2 50 P 238.436
1 393 P 312.362
2 822 V 433.140
1 438 P 325.078
3 9 V 2.327
1 403 P 332.858
3 77 V 3.105
1 209 P 334.649
3 128 V 196.126
1 396 V 336.550
3 562 P 200.745
1 37 V 337.299
3 396 P 206.784
1 653 P 378.735
3 37 V 337.299
1 134 P 405.721
3 28 V 367.777
1 133 P 408.192
3 172 P 395.07
1 699 P 411.359
3 164 P 396.738
1 621 P 412.630
3 345 P 398.730
1 290 P 414.775
3 561 P 401.706
1 247 P 428.201
3 212 P 404.445
1 101 V 430.771
3 453 P 405.765
1 50 V 430.853
3 256 P 408.329
1 822 V 433.14
3 583 P 409.925
2 9 V 2.327
3 384 P 415.805
2 291 P 10.234
3 401 P 424.526
2 47 P 16.017
3 101 P 428.121
2 336 P 39.181
3 50 V 430.853
2 156 P 42.993
3 822 V 433.140
2 202 P 45.219
2 42 P 50.990
2 137 P 52.482
2 84 P 55.021
2 24 P 56.245
2 207 P 65.085
2 669 P 73.744
2 623 P 75.343 la figura B9.

98
Tabla B10 2 365 P 244.625

Instancia 10 2 1378 V 340.960
1 99 V 21.710
2 822 V 368.090
1 526 P 32.458
3 99 V 21.710
1 154 P 49.795
3 459 V 25.356
1 237 P 69.967
3 10 V 51.485
1 522 V 77.925
3 88 P 77.864
1 1344 P 94.694
3 294 P 84.248
1 568 V 98.739
3 311 P 282.783
1 566 P 118.123
3 556 V 309.210
1 405 P 131.677
3 773 V 314.696
1 194 P 170.284
3 1595 P 325.679
1 287 P 215.659
3 425 V 335.447
1 299 P 237.396
3 1378 V 340.960
1 550 P 241.746
3 344 V 346.580
1 261 P 262.365
3 822 V 368.090
1 399 P 286.892
4 99 V 21.710
1 454 P 288.690
4 459 V 25.356
1 448 P 308.658
4 10 V 51.485
1 109 P 311.637
4 761 V 64.399
1 244 P 340.063
4 555 P 73.076
1 822 V 368.090
4 553 P 78.293
2 99 V 21.710
4 558 P 88.504
2 459 V 25.356
4 569 V 135.544
2 549 P 35.351
4 383 V 147.200
2 356 P 38.221
4 311 V 301.616
2 567 P 70.323
4 556 V 309.210
2 689 P 78.174
4 1378 P 317.735
2 690 P 82.190
4 244 V 346.580
2 364 V 90.420
4 822 V 368.090
2 552 P 111.769
2 569 P 133.927
2 383 V 147.200
2 470 P 209.434
2 726 P 222.470
2 467 P 235.344 la figura B10.

99
Tabla B11 2 771 V 100.414

2 812 P 114.794
Instancia 11
2 127 P 117.955
2 668 P 126.338
1 363 V 7.534
2 790 P 140.507
1 537 V 9.718
2 435 P 144.332
1 524 V 28.437
2 471 P 164.474
1 677 V 32.361
2 487 P 167.737
1 264 V 37.355
2 491 P 170.656
1 565 P 60.645
2 171 V 172.492
1 771 V 100.414
2 696 V 176.452
1 1593 P 107.814
2 1518 P 306.219
1 491 V 172.006
2 321 V 435.461
1 171 V 172.492
2 527 V 438.190
1 168 P 173.804
2 822 V 447.028
1 511 P 188.283
3 363 V 7.534
1 170 P 190.602
3 604 P 42.819
1 400 P 231.534
3 139 P 45.582
1 791 P 233.350
3 466 P 73.171
1 592 P 240.277
3 716 P 76.564
1 667 P 245.344
3 662 P 80.029
1 663 P 250.733
3 684 P 84.592
1 462 P 252.473
3 394 P 94.081
1 456 P 260.829
3 727 P 181.698
1 361 P 262.722
3 317 P 186.355
1 697 P 283.603
3 607 P 380.286
1 436 P 286.964
3 722 P 384.325
1 695 P 291.182
3 721 P 389.725
1 707 P 306.767
3 680 P 391.808
1 375 P 311.602
3 679 P 399.241
1 398 P 321.896
3 678 P 400.391
1 622 P 380.880
3 676 P 403.108
1 591 P 392.136
3 647 P 408.508
1 594 P 397.993
3 620 P 410.375
1 527 P 401.020
3 585 P 412.741
1 822 V 447.028
3 605 P 414.191
2 363 V 7.534
3 94 P 419.06
2 537 V 9.718
3 220 P 423.697
2 524 P 24.637
3 321 P 433.594
2 677 V 32.361
3 527 V 438.190
2 584 P 35.495
3 822 V 447.028
2 443 P 36.978
2 245 P 40.428
2 792 P 66.384
2 793 P 69.217
2 794 P 78.734
2 611 P 85.590
2 565 V 92.756 la figura B11.

100
Tabla B12 2 822 V 347.546

Instancia 12 3 117 V 9.147
1 70 V 6.704
3 302 P 21.899
1 756 P 24.840
3 89 P 27.341
1 268 P 32.534
3 213 P 38.028
1 69 P 96.155
3 32 P 71.630
1 666 P 126.929
3 74 P 77.477
1 691 P 132.054
3 118 P 121.215
1 250 P 139.686
3 754 P 126.830
1 665 P 226.537
3 280 V 135.070
1 704 P 230.727
3 1102 P 136.353
1 115 P 235.147
3 215 V 146.187
1 554 P 263.003
3 1037 P 155.371
1 279 P 272.993
3 505 V 204.096
1 278 P 299.890
3 147 P 243.451
1 104 V 312.514
3 7 P 266.858
1 926 P 335.530
3 683 P 288.347
1 822 V 347.546
3 316 V 295.372
2 70 V 6.704
3 278 V 301.006
2 117 V 9.147
3 104 V 312.514
2 86 P 202.559
3 926 V 335.530
2 705 P 206.308
3 822 V 347.546
2 709 V 214.166
2 513 P 228.928
2 316 P 232.384
2 278 V 301.006
2 926 V 335.530
la figura B12.

101
Tabla B13 2 253 P 40.839

Instancia 13 2 571 P 174.395
1 150 V 3.668
2 805 P 182.772
1 655 V 4.255
2 76 P 198.619
1 90 P 7.522
2 108 V 217.628
1 157 P 94.231
2 158 P 339.330
1 155 P 97.179
2 193 P 344.793
1 654 P 101.245
2 419 V 347.642
1 54 P 103.340
2 822 V 350.237
1 152 P 110.018
3 150 V 3.668
1 13 V 113.990
3 230 P 12.939
1 199 P 150.729
3 160 P 18.510
1 57 P 152.474
3 493 P 23.614
1 785 P 169.607
3 111 P 28.983
1 200 P 172.687
3 452 P 32.210
1 357 P 174.380
3 464 P 37.425
1 546 P 177.523
3 788 P 41.842
1 66 P 190.858
3 367 P 43.644
1 628 P 193.839
3 271 P 60.567
1 530 P 198.542
3 349 P 63.135
1 204 P 207.028
3 545 P 65.097
1 257 P 210.733
3 203 P 68.568
1 122 P 214.065
3 670 P 74.519
1 298 P 217.028
3 295 P 80.689
1 310 P 219.437
3 112 P 82.391
1 29 P 223.906
3 22 P 104.839
1 27 P 264.876
3 25 P 113.376
1 236 P 279.757
3 43 P 141.285
1 159 P 281.630
3 65 P 142.686
1 120 P 286.179
3 166 P 336.287
1 153 P 288.013
3 248 P 337.748
1 786 P 292.139
3 21 P 338.969
1 82 P 300.976
3 419 P 342.248
1 123 P 312.129
3 822 P 350.237
1 78 P 314.336
1 193 V 345.960
1 419 V 347.642
1 822 V 350.237
2 655 V 4.255
2 56 V 7.971 la figura B13.

102
Tabla B14 2 183 P 213.870

Instancia 14 2 758 V 247.313
1 712 V 9.324
2 661 P 262.773
1 759 V 12.290
2 608 P 274.511
1 547 V 14.287
2 818 P 288.318
1 578 P 23.035
2 715 P 292.598
1 312 P 37.619
2 777 P 296.544
1 417 V 44.057
2 711 P 300.856
1 346 P 52.719
2 743 P 306.713
1 474 P 113.038
2 770 P 313.084
1 372 P 118.472
2 636 V 405.383
1 186 P 140.275
2 822 V 414.897
1 191 P 170.385
3 712 V 9.324
1 187 P 179.285
3 767 P 22.919
1 544 P 195.676
3 732 P 26.144
1 644 P 198.900
3 586 P 34.672
1 446 P 203.456
3 495 P 40.235
1 713 P 207.080
3 688 P 49.117
1 389 P 337.645
3 314 P 51.971
1 188 P 346.855
3 327 P 76.570
1 432 P 390.044
3 190 P 97.097
1 770 V 395.073
3 184 P 103.326
1 636 V 405.383
3 297 P 113.849
1 822 V 414.897
3 305 P 132.394
2 712 V 9.324
3 324 P 327.158
2 759 V 12.290
3 409 P 360.036
2 480 P 18.721
3 185 P 364.601
2 498 P 21.867
3 475 P 378.015
2 574 P 27.624
3 502 P 380.925
2 344 P 37.082
3 451 P 383.403
2 499 P 123.085
3 587 P 391.105
2 431 P 127.475
3 543 P 396.748
2 472 P 134.198
3 636 P 399.983
2 381 P 143.337
3 822 P 414.897
2 576 P 148.291
2 575 P 150.768
2 492 P 159.864
2 411 P 167.251
2 703 P 185.603
2 354 V 209.512 la figura B14.

103
Tabla B15 2 606 P 153.959

2 779 P 166.217
Instancia 15
2 224 P 170.770
2 714 P 176.137
1 106 V 3.389
2 296 P 178.737
1 100 P 7.643
2 407 P 193.004
1 351 P 31.010
2 673 P 199.272
1 53 P 35.289
2 731 P 203.621
1 92 P 58.649
2 258 P 224.533
1 198 P 119.207
2 68 P 227.020
1 121 P 123.930
2 284 P 246.583
1 173 P 133.579
2 819 P 250.810
1 113 P 138.509
2 241 P 256.467
1 63 P 141.166
2 265 P 260.497
1 83 P 144.988
2 14 P 262.511
1 227 P 231.939
2 19 V 270.075
1 226 P 235.361
2 129 P 297.490
1 572 P 246.813
2 730 P 302.529
1 229 P 254.746
2 266 P 320.071
1 329 P 260.496
2 228 P 324.427
1 503 P 269.934
2 180 P 327.999
1 368 P 277.565
2 217 P 330.744
1 161 P 409.671
2 736 P 333.889
1 16 P 413.240
2 514 P 364.868
1 822 V 424.742
2 105 P 373.180
2 160 V 3.389
2 223 P 376.515
2 124 V 3.962
2 162 P 380.338
2 300 P 6.828
2 268 P 414.423
2 333 P 13.780
2 15 P 418.081
2 303 P 21.674
2 16 V 421.624
2 163 P 29.036
2 822 P 424.742
2 457 P 35.147
3 106 V 3.389
2 374 P 39.259
3 124 V 3.962
2 813 P 45.680
3 23 V 4.149
2 93 P 49.314
3 55 P 101.120
2 283 P 51.116
3 75 P 121.861
2 330 P 58.346
3 71 P 133.805
2 687 P 62.753
3 41 P 167.025
2 534 P 68.632
3 58 P 170.601
2 610 P 74.034
3 235 P 364.797
2 536 P 80.814
3 34 P 368.264
2 748 P 89.341
3 44 P 414.257
2 197 P 93.751
3 15 P 421.265
2 366 P 95.383
3 16 P 421.624
2 724 P 109.886
3 822 V 424.742
2 615 P 113.429
2 729 P 116.576
2 702 P 123.458
2 753 P 133.437
2 613 P 137.925
2 635 P 151.422
la figura B15.

CD 8465

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

CD 8465

Cargado por

Copyright:

Formatos disponibles

ESCUELA POLITÉCNICA NACIONAL

A LGORITMOS MATHEURÍSTICOS PARA UN PROBLEMA DE

T RABAJO DE TITULACIÓN PREVIO A LA OBTENCIÓN DEL TÍTULO DE M ATEMÁTICO

A NDRÉS R ICARDO M INIGUANO T RUJILLO

D IRECTOR : D IEGO F ERNANDO R ECALDE C ALAHORRANO

Q UITO , E NERO DE 2018

Agradecemos primeramente al equipo de investigación del proyecto PIJ-1512; es

En esta investigación se usaron recursos del Laboratorio de Cálculo Científico del

Índice de tablas VIII

Índice de algoritmos VIII

El problema de planificación de ruteo vehicular y pedestre 1

Modelamiento del problema 17

5 Diagrama de caja y bigotes para la duración media, en minutos, de la

1 Tiempos de traslado entre locales y ventanas de tiempo . . . . . . . . . . 24

1 Búsqueda local de rutas pedestres por arcos . . . . . . . . . . . . . . . . . 39

8 IC-IMR: Intercambio de locales de inicio y mitad de ruta . . . . . . . . . 87

Dmáx tiempo máximo de jornada vehicular

NΛ vecindad del candidato Λ

bie el encuestador e inicia una ruta pedestre en i

En el presente trabajo buscamos soluciones factibles para un problema que surge al

Palabras clave: planificación de encuestas, enrutamiento vehicular, matheurísticas,

In this study we are concerned on finding solutions for a problem proposed by

Key words: survey planning, vehicle routing, matheuristics, tabu search.

El problema de planificación de ruteo vehicular y pedestre

El proyecto PIJ-15-12 es un proyecto de investigación financiado por la Escuela

Problema de enrutamiento de vehículos

Problema del Problema

Figura 1. Componentes de un VRP.

mo el conjunto de depósitos, cuyo fin es delimitar la entrada y salida de vehículos desde

La ventaja de esta generalización de problemas es que posibilita modelar caracte-

Sin embargo, se puede generalizar la programación de rutas vehiculares a un perio-

Demanda Un elemento básico de los VRP es la función de demanda que corres-

• la posibilidad de que un cliente solicite un tipo de vehículo específico (e.g. Chao

• la devolución o entrega de productos desde el cliente, donde se distingue la en-

En resumen, y siguiendo las líneas de Ferrucci (2013) y de C. Lin y cols. (2014), la

Aplicaciones del VRP El problema de enrutamiento vehicular ha sido amplia-

• La distribución de combustibles es tratado por primera vez por Garvin y cols.

el modelo el inventario previo a la repartición de mercancía en vehículos con multi

enrutamiento para reducir las emisiones de gas en el transporte intermodal de carga

Problema general de recogida y entrega (Pickup & Delivery)

El problema general de recogida y entrega es una generalización del VRP capacita-

Figura 2. Número de artículos relacionados al GPDP

Carga de envío y retorno mixta

Entrega y recogida simultánea

Libertad de origen-destino Recogida y entrega

Transporte entre clientes

Figura 3. Problemas de recogida y entrega.

y personas con discapacidades (Doerner y Salazar-González, 2014; Molenbruch, Brae-

El Dial-a-Ride, también conocido como DARP, puede clasificarse en base al com-

En lo que respecta a la clasificación del servicio, seguimos las líneas de un estudio

1. Diseño avanzado de servicio: Esta rama se dedica a la especialización de tres

de vehículos (Braekers, Caris y Janssens, 2014). El tercer aspecto considera lo ya men-

Modelamiento del problema

A continuación describimos los componentes del modelo que proponemos para

Trabajaremos sobre G = (V, A) un grafo dirigido, donde V es un conjunto de car-

• la planificación no supera los |S| días, con S el conjunto de días de trabajo,

Restricciones de movimiento pedestre y vehicular

Tendremos dos planificaciones de ruteo sobre A y AC que son (a) el enrutamiento

El movimiento vehicular es controlado mediante dos grupos de restricciones. Ini-

∑ yi,jk,s = ∑( fie,s + bie,s ) − hi , ∀i ∈ C, ∀s ∈ S, (2a)

El segundo grupo de restricciones se centra en los ocupantes de cada vehículo con

∑ zi,je,s ≤ ∑ be,s e,s

∑ zi,je,s ≤ ∑ fie,s + bie,s , ∀i ∈ C, e ∈ E, s ∈ S; (3c)