UNIVERSIDAD CATÓLICA DE LA SANTÍSIMA CONCEPCIÓN

FACULTAD DE INGENIERÍA

INGENIERÍA CIVIL INDUSTRIAL

PROYECTO INTEGRADOR DE GESTIÓN DE OPERACIONES

Implementación de programación lineal y heurísticas para optimizar la

distribución de bicicletas en diferentes puntos de una cuidad para empresa
PIGOP-BICI

Estudiantes: Matías Carrasco Muñoz.

Cristofer González Parada.

Francisco Rivera Acuña.

Francisco Padilla Muñoz.

Profesor: Dr. Manuel Cepeda Junemann.

Dr. Héctor Valdés Morales.

Concepción, 12 de octubre de 2021.

RESUMEN
En el presente informe se abordó el problema de hallar la ruta más corta que comience
y termine deposito. Dentro de las restricciones se tuvo la obligación de visitar un conjunto de
nodos obligatorios, y la existencia de varios conjuntos de nodos de los cuales sólo se puede
visitar uno. Para dar solución a esta problemática se formuló un modelo de ruteo
generalizado, buscando minimizar la distancia total recorrida por el vehículo considerando a
la vez nodos fijos y excluyentes conectados. Primero, se identificaron y estructuraron los
elementos que conforman el modelo de ruteo. A continuación, se determinó la ruta a seguir
que minimice la distancia total (en kilómetros) del recorrido. Seguidamente, se aplicó el
modelo matemático mediante el software Lingo, el cual permitió resolver con el modelo
propuesto dos instancias. A través de estas instancias se pudo apreciar que el modelo es capaz
de entregar la ruta que minimiza la distancia total del recorrido; es decir la ruta más corta.
INDICE
INTRODUCCIÓN
Las nuevas tecnologías han abierto una gran cantidad de posibilidades para negocios
orientados a sistemas de movilización, desde los más tradicionales a los más sofisticados.
Estos han hecho un aprovechamiento de las nuevas plataformas virtuales para su beneficio,
este es el caso de las empresas que se dedican al arriendo de medios de transporte en distintos
puntos de una ciudad. Este negocio se ha vuelto más común alrededor del mundo, por ello es
un desafío poder encontrar sistemas que mejoren la calidad de este servicio mediante la
optimización de la gestión de vehículos. El factor principal que genera gastos en estos
servicios es el combustible, sin embargo, la mantención y reubicación de los vehículos
también genera un gasto significativo. El informe que se presenta a continuación consiste en
la aplicación de técnicas de optimización para conseguir una mejora en la distancia recorrida
de un Vehículo que debe relocalizar bicicletas entre diferentes nodos a fin de disponer una
cantidad exacta de bicicletas en cada nodo al día siguiente.
Para conseguir soluciones al problema se realiza una revisión bibliográfica en la cual se
descubre que el modelo se asemeja a un VRPPD (Pickup and Delivery ) el cual puede ser
resuelto tanto de una forma exacta para un problema de tamaño pequeño y con métodos
heurísticos para problemas más grandes.
Aún más interesante se vuelve el estudio puesto que se realizan implementaciones para
distintas instancias, las cuales se evalúan en cada método con el objetivo de encontrar los
mejores resultados posibles, así entregar una ruta optima que disminuya las distancias y
facilite la toma de decisiones del gerente.
OBJETIVOS
A continuación, se describe el objetivo general y los objetivos específicos de esta
investigación.

OBJETIVO GENERAL
Implementar métodos de optimización para un problema de Pickup and Delivery en una
empresa de bicicletas compartidas.

OBJETIVOS ESPECIFICOS
 Comprender los distintos tipos de problemáticas orientadas al ruteo de vehículos a
través de una exhaustiva investigación.
 Identificar los principales factores que estructuran el problema de distribución de
bicicletas y encontrar los métodos más efectivos para su resolución.
 Utilizar las distintas herramientas tecnológicas que estén capacitadas para resolver el
problema para diferentes instancias.
 Conseguir resultados que estén acorde con los parámetros del problema y así
discutirlos para evaluar y comparar la calidad de los resultados en cada método
utilizado.
MARCO TEORICO
Debido a que el problema abordado en este informe consiste en la minimización de la
distancia total recorrida se inició la revisión bibliográfica desde todos aquellos métodos de la
investigación operativa que buscan la optimización de distancias dentro de la creación de una
ruta definida a recorrer.
El método más conocido que se dedica al diseño de rutas para un problema de ruteo es el del
vendedor viajero o conocido por su nombre en inglés, Travelling Salesman Problem (TSP)
utilizado para crear una ruta cuando se tiene una parada fija visitando un conjunto de nodos
conocidos.
El TSP es la base del problema de ruteo de vehículos denominado Vehicle Routing Problem
(VRP), esto se debe a que el VRP es una generalización del TSP, pero genera un numero de
rutas n>1. Vehicle Routing Problem es un problema de optimización combinatoria que busca
encontrar el punto óptimo de rutas para una n cantidad de vehículos que debe satisfacer la
demanda de un conjunto dado de clientes.
Durante años posteriores, distintos autores fueron realizando nuevos estudios del VRP de los
cuales se crearon variaciones de este problema con el objetivo de aumentar las capacidades
de optimización, agregando nuevas condicionantes al problema.
A continuación, se nombran las variantes que frecuentemente son más utilizadas:

 Problema de Enrutamiento del Vehículo con Recogida y Entrega (VRPPD), un

número de productos necesita ser movido de cierta ubicación de recogida hacia otras
ubicaciones de entrega. El objetivo es encontrar las rutas óptimas para una flota de
vehículos para visitar las ubicaciones de recogida y entregar los productos en sus
correspondientes ubicaciones.
 Problema de Enrutamiento del Vehículo con Ventanas de Tiempo (VRPTW) Las
ubicaciones de entrega tienen ventanas de tiempo, dentro del cual las entregas tienen
que ser realizadas.
 Problema de Enrutamiento del Vehículo con Capacidad (CVRP), Los vehículos han
limitado llevando capacidad de los bienes que tiene que ser entregado.
 Otra variante es el problema de ruteo de vehículos con múltiples depósitos (MDVRP),
el que consiste en varios puntos de partida posibles para cada vehículo y así a cada
cliente se le asigna una ruta la cual luego se asigna al depósito correspondiente. Al
realizar estas asignaciones se descubrió la optimización de los despachos logra una
disminución de los costos y un aumento en las ganancias.
 Problema de Enrutamiento de Vehículo Periódico (PVRP) tiene en cuenta un periodo
de tiempo durante el cual los clientes deben ser atendidos.
 Problema de Enrutamiento de Vehículo con Entrega Dividida (SDVRP, por sus siglas
en inglés): es un derivado del VRP en el cual el mismo cliente puede ser servido por
diferentes vehículos si se reducen los costos generales.
Luego de conocer las variantes del problema VRP se consideró que la más indicada para
realizar una solución exacta a través de programación entera Mixta es VRPPD (Vehicle
routing problem with Pickup and Delivery).
Este modelo pretende crear rutas optimas poniendo en cuenta entregas y recogidas para cada
nodo, a cada nodo i se le asocian dos cantidades las cuales son demandas para productos que
deben ser entregados y recogidos. La diferencia neta entre estos dos valores es considerada
como la demanda para este problema, este valor puede ser tanto negativo como positivo.
El principal objetivo del VRPPD es encontrar un número N de rutas para minimizar costos tal
que se cumplan los siguientes requisitos:

· La capacidad de cada vehículo debe ser conocida.

· Los clientes deben ser visitados una única vez por un solo vehículo.
· Las demandas de entregas y recogidas deben ser conocidas y no deben superar la
capacidad de la flota.
· Los vehículos deben iniciar y terminar en el punto de inicio.

Las dos grandes clasificaciones son el problema (1-M-1)

Los problemas a uno (1-M-1) se caracterizan por la presencia de algunos productos básicos
Ser entregado desde un depósito a muchos clientes y de otros productos para ser recolectados.
a los clientes y transportados de regreso al depósito. Estos tienen aplicaciones, por ejemplo,
en la distribución de bebidas y recogida de latas y botellas vacías. Ellos
también surgen en los sistemas de logística de avance y retroceso donde, además de entregar
nuevos productos, se debe planificar la recogida de productos usados, defectuosos u
obsoletos.
METODOLOGIA E IMPLEMENTACIÓN
PROGRAMACIÓN LINEAL
La resolución del problema mediante programación lineal comenzó con una revisión
bibliográfica, de este modo se pudo acotar el tipo de modelos matemáticos empleados en este
tipo de problemas. El modelo que más se ajusta a las características del problema es una
variación del Vehicle routing problem y corresponde a Vehicle routing problem with pickup
and delivery (VRPPD). Se implementó una programación matemática modificada la cual
toma como base el modelo matemático (1-VRPPD) que se encuentra en el libro “Vehicle
Routing Problems, Methods, and Applications” (Toth & Vigo, 2014) sumado a una extensa
revisión bibliográfica. Mediante esta adaptación realizada, por medio de una función objetivo
y sus respectivas restricciones se buscó obtener una solución factible para problema
propuesto.
Posteriormente se escogió la función objetivo que se busca optimizar. En este caso no se
trabajó con costo monetario y se asumió velocidad constante en el recorrido, por lo tanto, la
función objetivo que se busca optimizar es la de minimización de la distancia total recorrida
por el camión en la reubicación de bicicletas de uso compartido.
Las herramientas utilizadas para resolver el modelo de programación lineal fueron Lingo
y Microsoft Excel, en donde el objetivo primordial es optimizar la medida de desempeño y en
este caso fue minimizar la distancia total recorrida por el vehículo. Para la resolución del
problema se identificaron los siguientes elementos mínimos necesarios:

 Parámetros
 Variables de Decisión
 Función Objetivo
 Restricciones

Luego, para el planteamiento del problema se debe seguir los siguientes pasos:

1. Identificar y definir variables, variables de decisión y parámetros.

2. Definir el criterio y planteamiento de la Función Objetivo, en este caso minimizar la
medida de desempeño la cual es la distancia total del recorrido.
3. Identificar y definir restricciones de cada variable de decisión.

A continuación, se presentan los supuestos y simplificaciones que se aplicaron para la

resolución del problema.

· Cada ruta comienza y termina en el depósito.

· Se debe satisfacer la demanda de recogida y entrega de bicicletas de todos los puntos.
· El vehículo comienza siempre recogiendo bicicletas, puesto que inicia vacío.
· Se debe visitar todos los puntos de la ruta.
· El vehículo no puede retroceder.
· El vehículo debe pasar solo una vez por cada punto.
· El vehículo al regresar al depósito debe estar vacío.
VARIABLES DE DECISIÓN
X ij = 1 : El vehiculo va del punto ial punto j
{ 0 : En otro caso
RP ij =Bicicletas transportadas desde el puntoi al punto j

U i=Variable auxiliar para el puntoi

PARÁMETROS
Q=Capacidad maxima de bicicletas que se van a transportar
Ri=Demanda del punto i .Con R i> 0 significa que en el punto i se recogen

bicicletas . Mientras que si Ri <0 significa que en el punto i se descargan

bicicletas
D ij =Distancias del punto i al punto j

Max=Número de puntos que recorre el vehiculo

FUNCIÓN OBJETIVO
Min ∑ ∑ X ij∗D ij (1)
i ∈V j ∈V

∑ X ij=1 ; ∀ i ≠ j ∈V ( 2)
j ∈V

∑ X ij− ∑ X ji=0 ; ∀ i ∈ V (3)

j ∈V j∈V

R Pij =0 ∀ i , j ; i=1(4)

0≤RP ( i , j )≤Q∗X ( i, j ) ; ∀ i , j ∈V (5)

∑ RP ( j, i )− ∑ RP ( i , j )=Ri ; ∀ i> 1∈V (6)

j ∈V j∈ V

∑ X 1 j =1(7)
j ∈V

U 1=1( 8)

Ui=¿ 2; ∀i ≠ j ∈V (9)

Ui<¿ Max ; ∀i ∈V (10)

Ui−Uj+ ( Max−1 )∗X ( i, j ) ≤Max−2 ; ∀ i ≠ j ∈V (11)

NATURALEZA DE LAS VARIABLES

Ui ∈ Z +¿(12)¿
0
X ( i , j ) ∈ { 0,1 } ∀ i , j∈V (13)
R Pij ≥ 0 ∀ i , j∈ V (14)

OBSERVACIONES DEL MODELO MATEMATICO

La ecuación (1) expresa la función objetivo . Esta busca minimizar la distancia total
que recorre el camión con las bicicletas entre los nodos que estén conectados. La restricción
(2) hacen referencia que solo se puede entrar y salir de punto como máximo. La restricción
(3) corresponde a la conservación de flujo del modelo. La restricción (4) indica que lo que se
lleva al primer nodo visitado es cero. La restricción (5) indica que el flujo en cada arco
recorrido por el camión debe menor o igual la capacidad máxima bicicletas transportadas por
camión (Q). La restricción (6) establece que lo que se lleva de punto i al punto j corresponde
a la demanda del punto. La restricción (7) obliga que el camión inicie su ruta en el depósito.
Las restricciones (8), (9), (10) y (11) evitan que se formen subtours. (12), (13) y (14)
establecen la naturaleza de las variables utilizadas.
METODO HEURÍSTICA GOLOSA
Los problemas de optimización que frecuentemente suelen ser resueltos por métodos
exactos que derivan de las diferentes técnicas de la investigación operativa, crecen en
complejidad a medida que el número de iteraciones necesarias para obtener la solución
óptima aumenta. Esto se puede generar por el incremento del volumen de los datos trabajados
o por la complejidad de las restricciones. Es por ello que se requiere muchas veces de otros
métodos que generen una solución óptima sin garantizar que sea la solución óptima global del
problema, estos métodos son conocidos como algoritmos heurísticos.
Una heurística es una técnica que busca soluciones buenas (casi óptimas) en un
tiempo razonable, aunque sin garantizar su grado de cercanía al óptimo (Reeves,1993).
Las heurísticas pueden ser clasificadas como constructivas, estas sirven para generar
una solución desde cero o para construir otras heurísticas. Tienen dos categorías, la primera
es la heurística golosa, la cual no considera decisiones pasadas y la segunda son las
heurísticas backtracking, la cual si considera soluciones pasadas y por tanto consigue mejores
soluciones.
A continuación, se presenta una heurística constructiva golosa que construye la
solución para relocalizar bicicletas de un punto a otro si es necesario, poniendo como dos
grandes prioridades la búsqueda del nodo siguiente con menor distancia y manteniendo la
condición de tener siempre suficientes bicicletas disponibles para satisfacer los puntos con
faltantes. A medida que el camión visita cada nodo va generando la ruta hasta eventualmente
completar todos los nodos y debe regresar al depósito.
Debe iniciar en cero y posee un contador donde se suman las bicicletas añadidas o se
restan cuando son entregadas. Se termina la heurística cuando ya no hay más bicicletas que
entregar o recoger y por lo tanto cualquier otro recorrido ya no está dentro de algún conjunto
factible.
La construcción de la heurística golosa se presenta en la Figura 1, mediante esta
construcción presentada en la Figura 1, se realizo la programación de la heurística golosa en
el software Visual Basic extensión de Microsoft Excel.
Figura 1: Diagrama descriptivo de la Heurística golosa para la reubicación de las bicicletas.
MÉTODO HEURÍSTICA DE BUSQUEDA LOCAL
Se utilizó la Heurística de Búsqueda local, que es la base de muchos de los métodos
usados en problemas de optimización. Se puede ver como un proceso iterativo que empieza
en una solución y la mejora realizando modificaciones locales. Empieza con una solución
inicial y busca en su vecindad una mejor solución. Si la encuentra, reemplaza su solución
actual por la nueva y continúa con el proceso, hasta que no se pueda mejorar la solución
actual (Daskin, 1995).
Para la realización de la heurística de búsqueda local se consideró una ruta inicial
factible, esta heurística de mejora realiza el intercambio de los demás nodos disponibles en
una posición m, siempre y cuando el intercambio mantenga la factibilidad. Cabe destacar que
esta heurística es de tipo exhaustiva, por lo tanto, realiza un intercambio en todos los nodos
que mantengan la condición de factibilidad, terminada la búsqueda en la posición m, repite el
mismo procedimiento hasta acabar con todas las posiciones m restantes. La condición de
termino es cuando ya no existen más posiciones m que intercambiar.
Esta heurística garantiza que la nueva ruta encontrada será mejor o igual que la
solución anterior encontrada o en su defecto la ruta inicial, con la virtud de siempre mantener
que la solución final sea factible.
La construcción de la heurística golosa se presenta en la Figura 2, mediante esta
construcción presentada en la Figura 2, se realizó la programación de la heurística de
búsqueda local en el software Visual Basic extensión de Microsoft Excel.
Figura 2: Diagrama descriptivo de la Heurística de Búsqueda Local para la reubicación de
las bicicletas.
CASO GENERAL PARA REUBICACIÓN DE BICICLETAS.
El caso general hace referencia a la implementación del servicio de bicicletas compartidas
ubicadas en diferentes puntos de una cuidad, para optimizar el servicio de reubicación de
bicicletas en cualquier cuidad que se requiera aplicar, se requieren ciertas condiciones
mínimas para de resolver el problema. Estas condiciones son:

 Realizar una macro localización, que permita definir y acotar el área o zona sobre la
cual se van a realizar las diferentes rutas.
 Conocer la distancia de todas las cuadras pertenecientes al área definida en el punto
anterior.
1. Definir un área donde se desea implementar el sistema de ruteo bicicletas ya sea un
país, una cuidad, comuna o un sector especifico.
2. Conocer las distancias de todas las cuadras pertenecientes al área definida en el paso
1.
3. Conocer la orientación de todas las cuadras pertenecientes al área definida en el paso
1.
4. Definir la ubicación del depósito de donde saldrá y llegará el camión.
5. Definir el número de puntos de recogida y de entrega que dispondrá la empresa y a su
vez la cantidad de bicicletas disponibles para cada punto según un estudio de mercado
para este servicio.
6. Conformar la matriz de distancias
7. Posicionarse en un nodo y a través de ese nodo realizar el cálculo de distancias
respecto a los demás nodos ubicados en el área, siempre buscando la distancia
mínima entre un nodo y otro. Esto debe realizarse hasta cuando ya no queden nodos
por calcular su distancia.
8. Simultáneamente con el paso 7 los cálculos de distancias realizados entre nodos deben
ser tabulados en la matriz de distancias, hasta completar la totalidad de esta.
9. Lo anteriormente mencionado es para un solo día, pero en el caso que se requiera
realizar una implementación de este sistema todos los días, los valores de la matriz de
distancia se mantendrán y solo los puntos de recogida y entrega irán variando.

RESULTADOS Y DISCUSIÓN

Tras aplicar el modelo de programación lineal entera mixto, la heurística golosa y la

heurística de búsqueda local a través de los lenguajes de programación anteriormente
mencionados y ver los resultados que nos otorgaba cada método aplicado. El modelo matemático
planteado anteriormente fue aplicado a través del programa Lingo 11.0 (Ver Anexo 1). La
heurística golosa planteada fue implementada a través del lenguaje de programación Visual Basic
(Ver Anexo 2). Por último, la heurística de búsqueda local planteada fue implementada a través
del lenguaje de programación Visual Basic (Ver Anexo 3).

A continuación, se presentan los resultados obtenidos a lo largo de la investigación de

acuerdo a la implementación utilizada, para la obtención de los resultados se utilizó una matriz de
distancia correspondiente a la instancia gerente empresa PIGOP – BiCi, dicha matriz se conformó
de forma manual tabulando las distancias en Excel, considerando el criterio de la menor distancia
hacia un punto (Ver Anexo 4).

Tabla 1: Comparación de las metodologías en instancia empresa PIGOP – BiCi.

Método aplicado Ruta obtenida Distancia (km) Compilación

Programación DEPOSITO-G-F-A-
Lineal B-C-H-L-M-I-E-J-O- 111.0 km 00:00:01 seg.
S-R-T-P-DEPOSITO
Heurística Golosa DEPOSITO-F-B-G-
C-H-M-L-I-E-J-O- 123.9 km 00:00:01 seg.
S-R-T-A-P-
DEPOSITO
Heurística de DEPOSITO-F-B-G-
búsqueda local C-H-M-L-I-E-J-O- 123.9 km 00:00:05 seg.
S-R-T-A-P-
DEPOSITO

De los resultados expresados en la Tabla 1, se puede observar que el método de

Programación lineal obtuvo una mejor solución (111,0 km) respecto a las heurísticas
implementadas (123,9 km), esto es debido a que se aplicó un método exacto, el cual nos otorga la
solución óptima en problemas combinatoriales pequeños como este caso que se realizó con un
total de 17 puntos de recogida y entrega.

A continuación, se presentan los resultados obtenidos a lo largo de la investigación de

acuerdo a la implementación utilizada, para la obtención de los resultados se utilizó una matriz de
distancia correspondiente a instancias aleatorias grandes, dicha matriz fue proporcionada por
nuestro docente.

Tabla 2: Comparación de las metodologías instancias aleatorias grandes (500 nodos)

Método aplicado Distancia (km) Compilación

Programación
Lineal - Indefinido
 Heurística Golosa 357,2 00:00:24 seg.
Heurística de 334,4 00:30:00 min.
búsqueda local

De los resultados expresados en la Tabla 2, se puede observar que el método de Heurística

de búsqueda local obtuvo una mejor solución (334,4 km) respecto a los otros dos métodos
aplicados los cuales son: programación lineal (-) y la heurística golosa (357.2). Cabe mencionar
que la heurística de búsqueda local parte de una solución inicial, dicha solución inicial es
proporcionada en este caso por la heurística golosa, y el objetivo de la heurística de búsqueda
local fue mejorar la ruta y solución de esta. Se puede notar que hubo una mejora considerable
entre una solución y otra, pero esto a su vez trae un tiempo de espera mayor para obtener una
solución mejor o igual a la entregada por la heurística golosa.

CONCLUSIONES Y RECOMENDACIONES
Tras el desarrollo de todo el trabajo, que tuvo como objetivo optimizar el diseño de rutas para
una empresa dedicada al rubro de recogida y entrega de bicicletas compartidas se concluyó
que el método exacto entrega la mejor solución en cuanto a distancia total de la ruta
generada, sin embargo, el nivel de complejidad aumenta cuando la cantidad de nodos de
recogida y entrega aumenta. De este modo se recomienda emplear esta técnica de
optimización para instancias pequeñas, ya que entrega el óptimo global dentro un tiempo de
ejecución razonable.
La técnica de optimización para instancias de mayor tamaño que se recomienda emplear es
una heurística constructiva que garantice la factibilidad de la solución a la par que minimiza
la distancia que recorre. La solución de una heurística constructiva de tipo golosa no
garantiza la obtención de un óptimo global, sin embargo, es una solución buena considerando
la ruta entregada, la distancia total y el tiempo que requiere para dar la solución.
Finalmente, en caso de que se busque una mejora por sobre una ruta inicial factible se
recomienda emplear una heurística de búsqueda local solo si se dispone de suficiente tiempo
antes de requerir la ruta proporcionada como solución. Esto se debe a que el tiempo de
ejecución es significativamente grande. Dependiendo de la capacidad del computador donde
se ejecute le heurística programada en VBA, podría tardar entre 30 a 50 minutos en instancias
de 500 nodos.
ANEXOS
1. Implementación de la programación lineal a través del software Lingo.

2. Mapa de instancia gerente empresa PIGOP – BiCi.

 3. Matriz de distancia instancia gerente empresa PIGOP –BiCi.
De
p A B C D E F G H I J K L M N O P Q R S T

De 26, 21, 22, 28, 18, 19, 29, 25, 32, 13, 17, 19, 23, 25, 12, 23,
p 0 6 6 4 23 5 7 6 9 5 5 6 7 1 5 4 13 2 4 31 9,5

12, 13, 15, 14, 16, 20, 17, 23, 26, 22,
A 9 0 3 7 9 15 9 9,8 9 18 19 7,7 9 9 20 9 8,9 2 3 5 4

22, 10, 12, 15, 17, 15, 19, 21, 18, 14, 20, 27, 20,
B 5 13 0 4 6 12 9 6,8 9 15 16 3 5 5 9 8 5 2 3 4 9

18, 11, 10, 11, 13, 14, 10, 16, 19, 16,
C 5 9 9,8 0 2 8 6,9 2,8 8,9 11 12 3 9 5 13 9 5 2 3 5 9

23, 10, 15, 11, 11, 18, 14, 14, 17, 20,
D 9 11 14 4 0 6 9 6,8 6,9 9 10 3 5 9,5 11 9 5 2 3 5 9

19, 11, 16, 12, 19, 11, 18, 13, 11, 25,
E 27 17 3 10 8 0 4 3 7,1 3 4 8 4 9,4 5 5,9 23 7 4 5 4

14, 15, 17, 18, 17, 18, 18, 20, 15, 26, 22,
F 13 7,9 2,9 6,9 8,9 9 0 9,7 8 9 9 8,8 2 4 4 8 9 5 23 4 2

15, 11, 10, 11, 13, 14, 10, 14, 16, 11, 14, 20, 14,
G 7 8 7 2,8 4,8 8 4,1 0 7 8 8 8,5 8,1 1 5 4 7 7,4 9 9 1

20, 15, 12, 10, 13, 14, 16, 11, 14, 18,
H 2 7 2 8 4,7 7 9,3 5,2 0 7 7 13 4,6 2,6 7 8,9 2 9 7,4 5 6

16, 12, 13, 15, 10, 22,

I 24 20 3 1 8,8 3 4 9,3 4,1 0 7 3,9 8,4 6,4 2 3,9 20 7 4 9,5 4

25, 18, 13, 10, 15, 11, 18, 10, 21, 17, 12, 24,
J 7 20 1 9 6 4,8 2 1 5,9 1,8 0 6 2 8,2 3,8 1,9 8 5 2 7,5 2

11, 13, 19, 13, 16, 18, 10, 14, 16, 15, 22, 14,
K 7,2 13 8 3 3 3 5,1 8,5 6 8 6 0 8,4 4 8 7 3,2 7,7 2 3 4

15, 16, 13, 11, 12, 12, 10, 11, 13,

L 6 9 4 9,2 5,9 4 2 6,4 5 8,4 2 8,4 0 2 6,4 8,3 6 7,3 6,8 9 14

17, 18, 18, 11, 12, 10, 10, 13, 11,

M 6 9 4 2 7,9 9,4 2 8,4 5 6,4 8,2 4 2 0 4,4 6,3 6 9,3 4,8 9 16

19, 15, 12, 16, 12, 14, 13, 20,

N 22 22 8 6 3 5 9 8 6,1 2 3,8 8 6,4 4,4 0 1,9 18 7 8,4 7,5 4

23, 23, 19, 17, 14, 15, 14, 16, 19, 15, 11, 22,
O 9 9 7 5 2 6,9 4 7 8 3,9 5,7 7 8,3 6,3 1,9 0 9 6 1 5,6 3

30, 25, 28, 32, 22, 23, 28, 29, 36, 17, 21, 23, 27, 29, 16, 19, 25, 13,
P 4 6 6 9 27 5 7 6 7 5 5 6 1 1 5 4 0 2 8 1 5
 19, 14, 10, 12, 18, 11, 19, 15, 17, 13, 15, 14, 21,
Q 10 2 4 2 2 2 5 7,4 1 7 5 6,6 7,3 9,3 7 6 6 0 1 2 6,7

16, 23, 20, 16, 12, 18, 17, 13, 14, 10, 12, 13, 10, 12, 15, 12,
R 2 6 1 4 6 1 2 1 5 4 2 9 6,7 8,7 8,4 3 2 6,2 0 9 9

22, 29, 26, 21, 18, 13, 23, 19, 14, 10, 18, 12, 12, 10, 12, 12, 18,
S 2 6 1 9 6 2 7 1 3 2 12 8 7 6 8,2 1 2 2 6 0 9

17, 24, 16, 13, 18, 20, 17, 13, 15, 13, 11, 21,
T 1 5 21 8 5 19 1 14 1 16 8 7 7,6 9,6 14 9 1 7,1 8 5 0