Inv Documental

Instituto Tecnológico Superior de
Coatzacoalcos.
División de Ingeniería Industrial.
MARZO – JULIO 2021.

Nombre del Alumno: Zapot Casanova Diana Guadalupe
Apellido Paterno Apellido Materno Nombre(s)
ASIGNATURA: Trafico y transporte.

Actividad. identificar y ejemplificar los principios y algoritmos
para el ruteo en un caso específico expresando las bases.
Ejemplificar rutas de tráfico multimodal
Nombre del Docente: Moha Casango Isaac

Apellido Paterno Apellido Materno Nombre(s)
Carrera: Ing. Industrial Semestre: 8° Grupo: ``B``
No.
Control: 17081143. Valor: 10%
INSTITUTO TECNOLOGICO SUPERIOR DE COATZACOALCOS
Departamento: _Ingeniería Industrial______

Materia: Trafico y transporte
Maestro: Isaac Moha Casango
Nombre
Zapot Casanova Diana Guadalupe
Alumno: Núm. 23
EAT3-01
Grado y Investigación
Unidad: 1 Grupo: 8BI Actividad: documental. Fecha: 09/0621
Tema: Tráfico
De forma Individual, identificar y ejemplificar los principios y algoritmos para el
Instrucciones. ruteo en un caso específico expresando las bases. Ejemplificar rutas
de tráfico multimodal, y entrega lista de cotejo.
INTRODUCCIÓN
El sistema de transporte es el componente más importante para la mayoría de las

organizaciones, debido a que el éxito de una cadena de abastecimiento está
estrechamente relacionado con su diseño y uso adecuados.
El transporte es el responsable de mover los productos terminados, materias

primas e insumos, entre empresas y clientes que se encuentran dispersos
geográficamente, y agrega valor a los productos transportados cuando estos son
entregados a tiempo, sin daños y en las cantidades requeridas. Igualmente, el
transporte es uno de los puntos clave en la satisfacción del cliente. Sin embargo,
es uno de los costos logísticos más elevados y constituye una proporción
representativa de los precios de los productos. Los costos asociados con el
transporte son altamente representativos en la cadena de abastecimiento y están
involucrados directamente con la relación que se tiene con proveedores, clientes y
competidores.

IDENTIFICAR Y EJEMPLIFICAR LOS PRINCIPIOS Y ALGORITMOS PARA EL

RUTEO EN UN CASO ESPECÍFICO EXPRESANDO LAS BASES
EL PROBLEMA
El mayor desafío en el campo de la gestión de la cadena de suministro y la
logística industrial es la de optimizar la entrega de productos desde los
proveedores hasta los clientes.
¿Es posible mejorar la eficiencia en el cumplimiento de las métricas de operación

de una empresa de transporte de carga por medio del diseño de un sistema de
ruteo de vehículos con múltiples depósitos?
Algoritmo GRASP
Como los diversos métodos constructivos, la aplicación del GRASP consiste en

crear una solución inicial para luego mejorar la calidad de la solución. Esta técnica
enfoca la mayor parte de su esfuerzo en construir soluciones de alta calidad que
son posteriormente procesadas para obtener otras mejores. Los algoritmos
GRASP son iterativos, en donde cada iteración contiene una fase de construcción
de la solución y otra en donde se mejora la solución generada en la primera fase.
 Fase de Construcción
La primera fase consiste en la definición de una función miope que oriente la

construcción de soluciones eligiendo el mejor movimiento disponible en cada
iteración (Cano, Cordón, Herrera, & Sánchez, 2002). Esta función es miope debido
a que no tiene en cuenta qué sucederá en iteraciones posteriores una vez que se
hace una elección.

 Fase de Mejora.
El GRASP toma una solución inicial, generada por el método constructivo de la

primera fase y trata de hallar entre su vecindad un candidato que garantice una
mejor solución. La búsqueda local juega un papel importante en GRASP debido a
que busca soluciones localmente óptimas en regiones promisorias del espacio de
soluciones.
Un algoritmo de búsqueda local explora reiteradamente el vecindario de una

solución en busca de una mejor solución. El método realiza movimientos siempre
que el valor de la función objetivo mejore y finaliza su ejecución cuando la solución
es localmente óptima, es decir, cuando no se encuentre ningún movimiento de
elementos que mejore la solución.
La estructura básica de un algoritmo GRASP es la siguiente: (Resende & Ribeiro,

2003)
Mientras (no se cumpla la condición de parada)

Hacer
Fase Constructiva
Construir una solución voraz aleatoria.
Considerar una lista restringida de los mejores candidatos.
Seleccionar un elemento aleatoriamente de la lista restringida.
Fase de Mejora
Realizar un proceso de búsqueda local a partir de la solución construida
hasta que no se pueda mejorar más.
Actualización.
Si la solución obtenida mejora a la mejor almacenada, actualizarla.
Fin mientras

Dada la complejidad del problema en estudio y la dificultad para resolverlo

utilizando metodologías exactas, a continuación, se presenta una metaheurística
híbrida que consiste en aplicar técnicas de agrupamiento para asignar clientes a
depósitos y procedimientos aproximados para el ruteo de los vehículos. La
metodología propuesta brinda un enfoque de solución al problema de ruteo de
vehículos con múltiples depósitos que sirva como herramienta para el
cumplimiento de los objetivos de distribución en empresas de transporte de carga
por carretera.
Para abordar la metodología de dos fases se plantea una metaheurística híbrida

que se denominó Grasp Clustering & Tabu Routing, con la cual se generó un
enfoque de solución para el problema de ruteo de vehículos con múltiples
depósitos en empresas de transporte de carga por carretera.
La metaheurística híbrida propuesta consiste en aplicar el algoritmo GRASP como

técnica de agrupamiento de la primera fase. En el algoritmo GRASP se considera
una fase constructiva y una fase de mejora. En la fase constructiva se generan
soluciones de forma iterativa utilizando procedimientos voraces, para ello se aplica
el método de agrupamiento Fuzzy C-Means. En la fase de mejora se utiliza un
procedimiento de optimización local basado en una función de búsqueda local.
Para la segunda fase se propone el algoritmo de Búsqueda Tabú para generar las
rutas de distribución en cada uno de los clústeres formados en la primera fase. El
algoritmo se encarga de explorar mediante búsqueda local todos los vecinos de la
solución actual, realizando todos los posibles intercambios entre pares de
posiciones en el mismo clúster.
A manera de resumen se indican las etapas del procedimiento híbrido propuesto:
1. Ingreso de los parámetros de entrada

2. Asignación de clientes a depósitos con procedimiento de clusterización
GRASP.

3. Primera fase GRASP: construcción de soluciones con algoritmo voraz que

permita obtener soluciones de alta calidad, eligiendo el mejor movimiento
disponible en cada iteración.
4. Segunda fase GRASP: mejora de soluciones con procedimiento de

optimización local que permita buscar en la vecindad un candidato que
garantice una mejor solución.
5. Generación de rutas con Búsqueda Tabú para cada uno de los

agrupamientos formados.
6. Creación de soluciones iniciales que permitan desarrollar el proceso de

ruteo.
7. Búsqueda local con estrategias de vecindad para explorar el espacio de

soluciones disponible.
8. Aplicación de estrategias de intensificación con la finalidad de buscar en

regiones promisorias del espacio de soluciones.
9. Generación de informe con la mejor solución.
A continuación, se describe el procedimiento que conforma el mecanismo de

solución de la metodología propuesta:
Inicialmente se ingresan los parámetros o información necesaria para abordar el

MDVRP:
 Coordenadas de ubicación geográfica de depósitos y clientes

 Capacidades de los depósitos
 Demandas de los clientes
 Capacidad de los vehículos
 Número de clientes y depósitos
 Valor  para la RCL

 Número de iteraciones del proceso de construcción GRASP

 Número de soluciones aleatorias del proceso de inserción TS
 Número de iteraciones del proceso de intensificación TS.
GRASP Clustering
Con los parámetros de entrada se inicia la aplicación de la metaheurística
GRASP como técnica de agrupamiento de la primera fase con el fin de
generar las particiones o grupos de clientes.
En esta etapa se asignan los clientes a los depósitos a partir de los niveles
de pertenencia y las distancias entre clientes y depósitos. Para ello se
obtiene la matriz de pertenencias a partir del algoritmo Fuzzy C-Means y se
genera la matriz de distancias utilizando distancias euclidianas.
 Fase de construcción
Para la fase de construcción GRASP, se generan 500 soluciones aleatorias
en cada iteración a partir de la combinación de los dos primeros k-ésimos o
mejores valores de pertenencia de los clientes con los depósitos.
Con estas soluciones se genera la lista restringida de candidatos (RCL) de

la siguiente manera: se elabora un listado tomando dos soluciones
aleatorias por cada iteración del proceso de construcción. Estas soluciones
se ordenan en forma ascendente de acuerdo a la distancia total entre
clientes y depósitos. Según sea el valor asignado al parámetro  se
tomarán las mejores soluciones o de menor distancia total que conformarán
la RCL. Si el valor de  es cercano a cero, la RCL estaría conformada
únicamente por la solución de menor distancia total y el proceso sería
determinístico. Si el valor de  es cercano a 1, se estarían incluyendo todas
las soluciones de la lista en la RCL, por lo tanto, el proceso sería
completamente aleatorio.

 Fase de mejora
Para la fase de mejora GRASP, se combina una solución aleatoria
disponible en la lista restringida de candidatos con las demás soluciones de
la RCL para explorar el espacio de búsqueda y generar 100 nuevas
soluciones, de las cuales se escoge la de menor distancia total.
Se someten a evaluación de capacidad la solución del primer k-ésimo, la

mejor solución de las iteraciones del proceso de construcción, la mejor
solución del proceso de mejora y las soluciones de la RCL. De acuerdo al
cumplimiento de capacidad y menor distancia se escoge la solución que
genera el agrupamiento de los clientes en cada depósito.
Tabu Routing
Se inicia la aplicación de la metaheurística Búsqueda Tabú para la segunda
fase de la metodología propuesta. En cada clúster se genera el vector con
la solución inicial a partir del algoritmo del vecino más cercano para crear
las rutas. El procedimiento toma esta solución y evalúa la capacidad de los
vehículos agregando los depósitos dentro del vector cada vez que se
completa la carga máxima del vehículo, generando la ruta.
 Estrategias de vecindad.
Una vez obtenido el ruteo inicial, se ejecutan las estrategias de vecindad
en cada clúster a partir del algoritmo de inserción sobre el vector obtenido
con el procedimiento del vecino más cercano. Las inserciones sucesivas y
aleatorias sobre el vector inicial generan 𝑛 soluciones aleatorias, las cuales
pretenden explorar el espacio de búsqueda en la vecindad.
Se genera la lista tabú escogiendo del conjunto de soluciones aleatorias a

los cinco mejores vectores (con la menor distancia acumulada) del proceso

de inserción. Estos vectores se someten a la evaluación de capacidad de

los vehículos. Si el vector de la lista tabú cumple con la capacidad en cada
ruta y tiene una menor distancia acumulada que el vector solución actual,
se reemplaza la solución existente.
 Intensificación
Se aplica la estrategia de intensificación sobre el vector solución actual a
partir de los algoritmos de inserción para generar nuevamente 𝑛 soluciones
aleatorias. Se actualiza la lista tabú escogiendo los cinco mejores vectores,
a los cuales se evalúa la capacidad de los vehículos para cada ruta.
Se repite el proceso de intensificación sobre el mejor vector obtenido en

cada iteración hasta que se cumpla el número de iteraciones establecidas
para el proceso de ruteo. Cuando el procedimiento termina su ejecución, se
guarda la mejor solución, la cual genera las rutas en cada clúster.
Finalmente se presenta la mejor solución en un reporte que indica la

secuencia de los clientes a atender en las rutas de cada clúster, así como la
distancia total a recorrer y la demanda total satisfecha en cada ruta.


Diagrama de flujo que describe

Aplicación de laelmetodología
procedimiento híbrido
GC &de TRdos fases propuesto.
Con el fin de revisar la metodología utilizada para desarrollar el método propuesto

en esta investigación, se presenta un pequeño ejemplo aplicado, cuyas
características son las siguientes:
𝑚 = 3 depósitos
𝑛 = 20 clientes
𝑄 = 15 𝑡𝑜𝑛 (carga máxima de los vehículos)
𝛼 = 0,3 parámetro de tamaño de la RCL
Iteraciones construcción GRASP: 20
Iteraciones intensificación TS: 16
Parámetros de entrada:
Información de entrada ejemplo aplicación GC & TR
Ubicación geográfica de clientes y depósitos


ASIGNACIÓN DE CLIENTES A DEPÓSITOS
En la primera fase de la metodología propuesta, se realiza la asignación de

clientes a los depósitos utilizando la metaheurística GRASP.
Para la construcción de soluciones se genera la matriz de pertenencias y la matriz

de distancias que permitan al procedimiento voraz asignar los clientes a los
depósitos.
Matriz de pertenencias entre clientes y depósitos.
Matriz de ubicación entre clientes y depósitos.
Este procedimiento genera los dos primeros k-ésimos, así como las dos primeras
soluciones de cada iteración que conformarán la lista de soluciones para la RCL.
Dos primeros k-ésimos del espacio de soluciones
El agrupamiento obtenido por el primer k-ésimo (distancias más cortas), a partir

del mayor nivel de pertenencia entre clientes y depósitos, sin tener en cuenta la
capacidad de los depósitos, genera la menor distancia total, que para el ejemplo
es de 117,98. Los vectores y su representación gráfica es la siguiente:

𝑉1 = {1 3 4 7 9 10 11 15 16 18 19}
𝑉2 = {5 8 12 14}
𝑉3 = {2 6 13 17 20}
Agrupamientos generados por el primer k-ésimo
Con la combinación aleatoria de los dos primeros k-ésimos se generan 500

soluciones en cada iteración de la etapa de construcción GRASP. Este proceso se
realiza con el fin de generar soluciones que puedan cumplir con la capacidad de
los depósitos con distancias razonables (asignando clientes al siguiente depósito
más cercano). La mejor solución obtenida en este proceso después de 20
iteraciones, genera los siguientes vectores con una distancia total de 120,69.
𝑉1 = {1 4 7 9 11 15 16 18 19}
𝑉2 = {3 5 8 10 12 14}
𝑉3 = {2 6 13 17 20}

Con el valor asignado al parámetro

Agrupamientos (0,3)
𝛼 en
generados y al número
el proceso de iteraciones
de construcción GRASP del proceso
de construcción (20), se determina el tamaño de la lista restringida de candidatos;

en este caso, con las mejores 13 soluciones ordenadas en forma ascendente de
acuerdo a la distancia total.
Lista Restringida de Candidatos -RCL
El proceso de mejora combina aleatoriamente las soluciones de la RCL para tratar

de obtener mejores soluciones que las obtenidas en la fase de construcción. Para
el ejemplo, se mejora la solución generando una distancia total de 118,17 cuyos
vectores son los siguientes:
𝑉1 = {1 3 4 5 7 9 10 11 15 16 18 19}
𝑉2 = {8 12 14}
𝑉3 = {2 6 13 17 20}
Agrupamientos generados en el proceso de mejora GRASP


Las mejores soluciones obtenidas en las etapas de construcción y mejora, junto

con las soluciones de la RCL son evaluadas con respecto a la capacidad de los
depósitos.
Para el ejemplo, la mejor solución del proceso de construcción no cumple con la

capacidad de los depósitos 1 y 2; en el caso de la mejor solución del proceso de
mejora, así como la solución del primer k-ésimo, no cumplen con la capacidad del
depósito 1. Por esta razón, la mejor solución, con una distancia total de 125,17 y
que cumple con la capacidad de los depósitos se encuentra en la RCL (solución
6). Los vectores generados por esta solución construyen finalmente los
agrupamientos de la primera fase.
𝑉1 = {1 4 5 9 15 16 18 19}
𝑉2 = {3 8 10 12 14}
𝑉3 = {2 6 7 11 13 17 20}
Agrupamientos finales GRASP
GENERACIÓN DE RUTAS EN CADA CLÚSTER

En la segunda fase de la metodología propuesta, se realiza la creación de rutas en
cada clúster utilizando la metaheurística búsqueda tabú.
En cada agrupamiento generado en la primera fase, se requiere de una solución

inicial que permita a la metaheurística encontrar las mejores rutas de atención a
los clientes.
Para crear el vector inicial se aplica la estrategia del vecino más cercano, la cual
utiliza la matriz de distancias simétrica entre clientes y depósitos para determinar

el orden de atención a clientes o la secuencia de recorrido de las rutas. Para el

ejemplo, la matriz de distancias del primer agrupamiento es la siguiente:
Matriz simétrica de distancias entre clientes y depósitos
El algoritmo del vecino más cercano genera los siguientes vectores iniciales para
los tres depósitos del ejemplo desarrollado (0 representa el depósito en cada
clúster):
𝑇1 = {0 4 16 0 1 19 0 9 18 0 15 5 0}
𝑇2 = {0 8 12 0 14 3 10 0}
𝑇3 = {0 17 13 6 0 2 20 0 7 11 0}
La aproximación inicial genera rutas con una

distancia total de 141,23 y se representa a
continuación:
Rutas generadas con el algoritmo del vecino más cercano
Con la aplicación de estrategias de vecindad sobre el vector inicial se pretende

encontrar mejores soluciones para cada clúster por medio de la exploración del
espacio de soluciones cercano al vector.

En cada iteración se obtienen soluciones aleatorias seleccionando dentro del

vector dos posiciones; la primera indica el cliente a mover y la segunda la posición
en donde se va a insertar el cliente.
La mejor solución obtenida en la primera iteración del proceso de inserción en

cada clúster del problema es la siguiente:
𝑇1 = {0 4 16 0 19 0 9 18 1 0 15 5 0}
𝑇2 = {0 8 0 12 14 3 10 0}
𝑇3 = {0 17 0 13 6 2 20 0 7 11 0}
El proceso de inserción de la primera
iteración genera rutas con una distancia
total de 136,26 y se representa a
continuación:
Rutas generadas con estrategias de vecindad
Al realizar la evaluación de capacidad de los vehículos (15 ton. para el ejemplo) en

las rutas, el procedimiento descarta esta solución debido a que en todos los
clústeres no se cumple con la carga máxima que puede transportar cada vehículo
por ruta. De acuerdo a lo anterior, no se reemplaza la solución inicial y se continúa
con el proceso de intensificación sobre esta misma solución.
La estrategia de intensificación toma el mejor vector almacenado que cumpla con

la capacidad de los vehículos y aplica sobre este el proceso de inserción para
tratar de mejorar la solución actual. La solución final que se obtiene después de
realizar las iteraciones del proceso de intensificación se describe a continuación:
𝑇1 = {0 4 16 0 1 19 0 9 18 0 15 5 0}
𝑇2 = {0 8 12 0 14 3 10 0}
𝑇3 = {0 17 6 13 0 2 20 0 7 11 0}

Rutas finales aplicación GC & TR


Herramienta utilizada
Para el desarrollo del programa que resuelve el modelo propuesto en dos fases,
se utilizó Visual Basic, ya que es un lenguaje simple y es excelente para cálculos
intensivos del CPU, lo cual permite desarrollar grandes y complejas aplicaciones,
ideal para problemas NP-Hard como es el caso del MDVRP. Visual Basic permite
realizar una serie de acciones sobre las macros de Excel para potenciarlas,
brindándoles la interactividad que requieren los procedimientos metaheurísticos.
Reporte final de rutas para cada depósito


Rutas finales para cada depósito
CONCLUSIÓN

En este trabajo de investigación se desarrolló una metodología de solución de dos

fases para resolver el problema de ruteo de vehículos con múltiples depósitos
(MDVRP) que enfrentan las empresas distribuidoras de bienes. Esta metodología
se propone con el fin de aumentar la eficiencia en la utilización de los recursos de
transporte y generar beneficios económicos a las empresas de transporte de carga
por carretera.
El modelo propuesto de dos fases está basado en una metaheurística híbrida que
aplica el procedimiento GRASP para generar los agrupamientos de clientes en la
primera fase y el procedimiento de Búsqueda Tabú para generar las rutas de cada
clúster en la segunda fase.
El procedimiento híbrido fue implementado en un programa computacional

desarrollado en Visual Basic, el cual permite realizar una serie de acciones sobre
las macros de Excel para potenciarlas, brindándoles la interactividad que
requieren los procedimientos metaheurísticos.

BIBLIOGRAFÍA
Barán, B., & Hermosilla, A. (2001). Comparación de un Sistema de Colonia de

Hormigas y una Estrategia Evolutiva para el Problema del Ruteo de
Vehículos con Ventanas de Tiempo en un Contexto Multiobjetivo. San
Lorenzo, Paraguay: Centro Nacional de Computación, Universidad Nacional
de Asunción.
Cano, J., Cordón, O., Herrera, F., & Sánchez, L. (Noviembre de 2002). A GRASP
Algorithm for Clustering. Advances in Artificial Intelligence — IBERAMIA
2002, 2527, 214-223.
Díez, J., Navarro, J., & Sala, A. (2001). Algoritmos de Clustering en la

Identificación de Modelos Borrosos. XXII Jornadas de Automática, 100-106.
Melián, B., Moreno P., J., & Moreno V., J. (2003). Metaheurísticas: una Visión
Global. San Cristóbal de La Laguna, Tenerife: Universidad de la Laguna.
Resende, M., & Ribeiro, C. (2003). Greedy Randomized Adaptive Search

Procedures. Florham Park, USA: Kluwer Academic Publisher.

Idioma

Inv Documental

Cargado por

Información del documento

Título original

Derechos de autor

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Inv Documental

Título original:

Cargado por

Copyright:

Instituto Tecnológico Superior de

MARZO – JULIO 2021.

ASIGNATURA: Trafico y transporte.

Nombre del Docente: Moha Casango Isaac

Carrera: Ing. Industrial Semestre: 8° Grupo: ``B``

Departamento: _Ingeniería Industrial______

El sistema de transporte es el componente más importante para la mayoría de las

El transporte es el responsable de mover los productos terminados, materias

Departamento: _Ingeniería Industrial______

IDENTIFICAR Y EJEMPLIFICAR LOS PRINCIPIOS Y ALGORITMOS PARA EL

¿Es posible mejorar la eficiencia en el cumplimiento de las métricas de operación

Como los diversos métodos constructivos, la aplicación del GRASP consiste en

La primera fase consiste en la definición de una función miope que oriente la

Departamento: _Ingeniería Industrial______

El GRASP toma una solución inicial, generada por el método constructivo de la

Un algoritmo de búsqueda local explora reiteradamente el vecindario de una

La estructura básica de un algoritmo GRASP es la siguiente: (Resende & Ribeiro,

Mientras (no se cumpla la condición de parada)

Departamento: _Ingeniería Industrial______

Dada la complejidad del problema en estudio y la dificultad para resolverlo

Para abordar la metodología de dos fases se plantea una metaheurística híbrida

La metaheurística híbrida propuesta consiste en aplicar el algoritmo GRASP como

A manera de resumen se indican las etapas del procedimiento híbrido propuesto:

1. Ingreso de los parámetros de entrada

Departamento: _Ingeniería Industrial______

3. Primera fase GRASP: construcción de soluciones con algoritmo voraz que

4. Segunda fase GRASP: mejora de soluciones con procedimiento de

5. Generación de rutas con Búsqueda Tabú para cada uno de los

6. Creación de soluciones iniciales que permitan desarrollar el proceso de

7. Búsqueda local con estrategias de vecindad para explorar el espacio de

8. Aplicación de estrategias de intensificación con la finalidad de buscar en

9. Generación de informe con la mejor solución.

A continuación, se describe el procedimiento que conforma el mecanismo de

Inicialmente se ingresan los parámetros o información necesaria para abordar el

 Coordenadas de ubicación geográfica de depósitos y clientes

Departamento: _Ingeniería Industrial______

 Número de iteraciones del proceso de construcción GRASP

Con estas soluciones se genera la lista restringida de candidatos (RCL) de

Departamento: _Ingeniería Industrial______

Se someten a evaluación de capacidad la solución del primer k-ésimo, la

Se genera la lista tabú escogiendo del conjunto de soluciones aleatorias a

Departamento: _Ingeniería Industrial______

de inserción. Estos vectores se someten a la evaluación de capacidad de

Se repite el proceso de intensificación sobre el mejor vector obtenido en

Finalmente se presenta la mejor solución en un reporte que indica la

Departamento: _Ingeniería Industrial______

Departamento: _Ingeniería Industrial______

Diagrama de flujo que describe

Con el fin de revisar la metodología utilizada para desarrollar el método propuesto

𝑄 = 15 𝑡𝑜𝑛 (carga máxima de los vehículos)

𝛼 = 0,3 parámetro de tamaño de la RCL

Iteraciones construcción GRASP: 20

Iteraciones intensificación TS: 16

Información de entrada ejemplo aplicación GC & TR

Ubicación geográfica de clientes y depósitos

Departamento: _Ingeniería Industrial______

ASIGNACIÓN DE CLIENTES A DEPÓSITOS

En la primera fase de la metodología propuesta, se realiza la asignación de

Para la construcción de soluciones se genera la matriz de pertenencias y la matriz

Matriz de pertenencias entre clientes y depósitos.

Matriz de ubicación entre clientes y depósitos.

Dos primeros k-ésimos del espacio de soluciones

El agrupamiento obtenido por el primer k-ésimo (distancias más cortas), a partir

Departamento: _Ingeniería Industrial______