Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE CIENCIAS
E STUDIOS DE C ASOS
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
Los autores
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
Símbolos IX
Resumen XIII
Abstract XIV
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
Índice de tablas
Índice de algoritmos
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
Resumen
Abstract
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
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
Carga /
Vehículos Energía
Ventanas
Tiempo
de tiempo
Hetero-
geniedad Demanda Interacciones
Función
objetivo
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).
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.
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.
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
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).
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
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
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
El grafo y parámetros
∑ 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.
∑ 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.
∑ ze,s
j,i − ∑ zi,j = bi − f i ,
e,s e,s e,s
∀i ∈ C, e ∈ E, s ∈ S, (3a)
j j
e,s
donde empleamos las variables de decisión zi,j que toman el valor 1 si un vehículo
20
∑ 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
e,s
0 ≤ Bie ≤ Le,s − (τi,n+1 + di )zi,n +1 ≤ Bmáx , ∀i ∈ C, e ∈ E, s ∈ S, (6a)
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
∑ f ie,s + bie,s − hi ≤ 1,
∀i ∈ C, (7a)
s,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
mı́n cλ ( L, y, z)
(9)
sujeta a (1a) . . . (7e).
Tabla 1
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 ].
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
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.
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
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
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.
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.
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.
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.
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.
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
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
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).
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
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).
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
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.
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.
1
E D
5
8
11
5
F C
11 11
10 4
A B
3
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
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.
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
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 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)
/ 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
[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]
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
∑ yi,jk = 1, ∀ i ∈ Ch , (14a)
j,k
∑ y0,j
k
− ∑ ykj,n+1 = 0, ∀k ∈ K; (14c)
j j
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
e
Bej ≥ Bie + Ti,j − M 1 − xi,j
, ∀(i, j) ∈ ACh , e ∈ E, (16a)
donde (17a) se diferencia de (6a) al prescindir de la variable Le,s y (17b) es igual a (6b).
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:
Búsqueda tabú
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.
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.
20: Actualizar T .
ε β
k u l
γ
i
α
j
e
p
δ
v
Resultados y conclusiones
Ruteo pedestre
Particion balanceada en particiones Busqueda Seleccion
PRVP
de clientes (determinista, aleatorizado tabu (rutas de menor costo)
o difuminado)
Tabla 2
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
Tabla 3
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 %.
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
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.
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
Análisis de resultados
Conclusiones
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.
Bibliografía
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
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
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
Advances and New Challenges (Vol. 43, pp. 3–27). Boston, MA: Springer US. doi:
10.1007/978-0-387-77778-8_1
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
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
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
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
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
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
Daskin, M. S. (2010). Service science. John Wiley & Sons. doi: 10.1002/9780470877876
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.
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
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
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.
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
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
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
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
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., 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
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
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
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
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
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
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
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
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
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
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).
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.
Ryan, D., Hjorring, C. y Glover, F. (1993). Extensions of the petal model for vehicle
routing. Operational Research Society, 44(3), 289 - 296.
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
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
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
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
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. (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
Apéndice A
Variantes del Algoritmo 5
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
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.
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
Tabla B6 1 1 V 373.236
Resultados del ruteo para la partición 6 1 822 P 276.386
Instancia 6 2 272 V 1.709
Encuestador Local Traslado Tiempo 2 276 V 4.745
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
Nota: P y V indican traslado pedestre
1 33 P 308.125
y vehicular, respectivamente.
1 429 V 344.315
1 1251 P 345.765
1 240 V 351.478 Representamos esta planificación en
1 659 P 369.098
la figura B6.