See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/337033930

DISEÑOS DE RUTAS DE TRANSPORTE PÚBLICO

Conference Paper · November 2015

CITATION READS

1 2,127

3 authors, including:

Lorena Hernández Mastrapa Hugo M. Repolho

Universidade Metodista de Piracicaba (Unimep) Pontifícia Universidade Católica do Rio de Janeiro
25 PUBLICATIONS   16 CITATIONS    16 PUBLICATIONS   179 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Metodologia da Pesquisa Científica View project

Project Management - Gestão de Projetos View project

All content following this page was uploaded by Lorena Hernández Mastrapa on 06 November 2019.

The user has requested enhancement of the downloaded file.

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

DISEÑOS DE RUTAS DE TRANSPORTE PÚBLICO

Sergio Ramírez López

Lorena Hernandez M.
Hugo Miguel Varela Repolho
Departamento de Engenharia Industrial
Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio

RESUMEN
Gran proporción de los ciudadanos de una determinada región utiliza el transporte público para realizar sus
diferentes actividades en el transcurso de la vida. Problemas como asignación de personal y tamaño de la flota,
han recibido amplio tratamiento, contándose con modelos de optimización para los cuales se dispone algoritmos
eficientes de resolución. Por otra parte, los problemas de optimización de rutas y frecuencias de los buses posee
diferentes niveles de complejidad como la no linealidad, no convexidad y multiples objetivos, que dificultan su
formulación y por ende sus algoritmos de resolución. Este artículo presenta algunos de los modelos que poseen
algunas de las características más relevantes para el diseño de rutas de transporte público enfocados en la
frecuencia de los buses, intereses de los usuarios y de los operadores, donde se encontró varias aplicaciones de la
técnica de algoritmos genéticos, y aunque sus pruebas se realizaron en pequeñas dimensiones, sus resultados
dejan positivas impresiones para futuras aplicaciones.

ABSTRACT
Most people use public transportation throughout life to move within urban regions in order to perform different
activities. Problems such as staffing and fleet size, have received extensive treatment, namely through
optimization models for which efficient solvers (algorithms) are available. Moreover, the optimization problems
of routes and frequencies of buses has different levels of complexity as non linearty, non convexity and multiple
objectives, making difficult their formulation but above all the resolution methods (algorithms). This article
presents an overview of the main public transport route design models focussing on bus frequency, users and
operators interests, and resolution methods based on genetic algorithms. Although their tests were made in small
dimensions, the results leave possitive impressions for futures applications.

1. INTRODUCCIÓN
Através de la historia, las herramientas para el diseño de rutas ha presentado la siguiente
evolución: surge desde la decada de los ‘70 basados en ideas intuitivas sin ningun modelo
especifco. En la década de los ‘80 se formulan algunas funciones objetivo y se adicionan
parametros como el cubrimiento de la demanda, y distribucion de espacios en los buses. En la
época de los ‘90 aparecen diferentes enfoques, ligados a la exploración del espacio de
soluciones y utilización de modelos metaheurísticos.

Para planificar una ruta de transporte es necesário tener en cuenta todos sus componentes
(plan de recorridos, frecuencias, horarios, asignación de personal y tamaño de la flota), en la
literatura, esta es desarrollada en una serie de pasos [Ceder y Wilson, 1986], de la siguiente
manera:
1. Diseño de la ruta, donde se especifica todos sus recorridos.
2. Determinación de la frecuencia, conociendo la demanda se decidirá el número de
veces que pasará por el mismo trayecto.
3. Determinación de horarios, tablas de horarios para mantener una buena sincronización
en donde se realizan los transbordos (dado el caso).
4. Asignación de flota, cantidad de vehículos que se van a disponer para cubrir la ruta.
5. Asignación de personal y recursos a disposición.

El proceso de planificación es integrado por la parte gubernamental (los primeros dos pasos)

Gestão de Transportes Gestão do Transporte I 1171

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

ya sea el estado, la alcaldía, entre otros y para terminar de desarrollar el proceso, continuaran
los operadores de servicio de las empresas de transporte.

Todas estas etapas deberían ser tratadas simultáneamente para asegurar la interacción y
mejorar el resultado del sistema. Debido a la complejidad del problema, se definen diferentes
subproblemas que se tratan secuencialmente.

El problema del diseño y optimización de rutas y frecuencias ha sido menos estudiado y es

NP-difícil [Ceder y Israeli, 1998]. Baaj y Mahmassani (1991) enumeran las siguientes
dificultades:
1. Formulación del problema. Definir las variables de decisión y la función objetivo.
2. No linealidad y no convexidad del problema.
3. Naturaleza combinatoria del problema, con variables discretas.
4. Múltiples objetivos. Renunciar a unas cualidades para ganar otras y tratar de mantener
un equilibrio entre los bienes de los usuarios y de los operadores, hace que los
modelos tengan varias soluciones no dominadas, es decir, cuando no existe otra
solución que mejore la función en algún objetivo sin empeorar el resto.
5. Disposición especial de las rutas para ser reconfiguradas.

El objetivo de este artículo es presentar algunos de los modelos más importantes en cuanto al
problema de diseño de rutas de transporte público, enfocados en las frecuencias de los buses
y sus intereses, teniendo en cuenta que ya fue desarrollado el primer paso siguiendo la
temática de [Ceder y Wilson, 1986], es decir, con una ruta definida y todos sus recorridos
especificados. En el capítulo 2, se desarrolla la parte de formulación de los modelos más
actuales que reúnen las propuestas anteriores y dan partida a los nuevos aportes. En el
capítulo 3, se tratará sobre los diferentes algoritmos que se utilizan para la validación de los
modelos. Por último, el capítulo 4 abordará la parte de conclusiones.

2. MODELOS
En este capítulo se presentan los principales modelos de optimización para el diseño de rutas
de transporte público. Se decide considerar aquellos más actuales, dado que son los que
resumen las propuestas anteriores y los nuevos aportes, desde que el tema viene siendo tratado
(década de los ’70). Dado la cantidad de variantes existentes al problema tratado en particular
en el presente trabajo, se presentan modelos para el diseño de rutas de transporte público que
presentan las siguientes características: variables de decisión a los trazados de los recorridos y
las frecuencias; intereses de los usuarios y de los operadores; toman en cuenta datos de la
demanda, estructura y costos.

El principal componente que caracteriza a cada modelo es su formulación. En los modelos

que van a ser presentados, se reflejará en su función objetivo diferentes intereses como de los
usuarios y los operadores. Estos buscan minimizar el uso de los recursos para maximizar el
nivel del servicio, dependiendo de las diferentes restricciones que darán la validación del
modelo.

Varios de los modelos que van ser tratados, están basados en el modelo presentado por Baaj y
Mahmassani (1991), considerado uno de los modelos más completos, ya que se tiene en

Gestão de Transportes Gestão do Transporte I 1172

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

cuenta los principales aspectos del problema y gran variedad de parámetros y restricciones,
que lo convierte en uno de los principales modelos en la literatura. Presentan un modelo para
diseño de rutas de transporte donde se minimiza los tiempos totales de transferencia de los
pasajeros y el tamaño de la flota (1), sujeto a diferentes restricciones en cuanto a la frecuencia
de los buses, el factor de carga de pasajeros y el tamaño de la flota.

S.A.

Donde
Cantidad de nodos de la red;
Demanda (cantidad de viajes por unidad de tiempo) entre los nodos i y j;
: Tiempo total de viaje entre i y j (en vehículo, espera y transferencia, si existe);
Cantidad de buses operando en la ruta k;
Frecuencia de buses operando en la ruta k;
Mínima frecuencia de buses permitida para toda ruta;
Tiempo total de viaje de la ruta k (tiempo de ciclo);
Tamaño de la flota disponible (cantidad de buses por hora);
Factor de carga en la ruta k;
Máximo flujo por arco en la ruta k;
Capacidad de pasajeros sentados en los buses;
Máximo factor de carga permitido;
Conjunto de rutas para una solución dada;
y Factores de conversión y pesos relativos de los términos de la función objetivo.

La restricción (2) exije que la frecuencia fk de los buses operando en la ruta k sea mayor o
igual a la frecuencia mínima permitida para toda ruta k. En la restricción (3) es definido el
factor de carga para cada ruta k, donde el máximo flujo por arco (Qk ) max es dividido por el
producto entre la frecuencia de de buses fk y la capacidad de pasajeros sentados en los buses
CAP. La restricción (4) se refiere al tamaño de la flota de buses operando en la ruta, limitado
por el tamaño de la flota disponible para cubrir las rutas k (W). El modelo de asignación
considera diferentes líneas para pasajeros que comparten el mismo par origen-destino,
utilizando como criterio principal, la minimización de los transbordos y el tiempo de viaje en
vehículo.

Gestão de Transportes Gestão do Transporte I 1173

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

Basado em el modelo de Baaj y Mahmassani (1991), Ceder y Israeli (1997) proponem um

modelo de optimización multiobjetivo con y , su intención es minimizar el tamaño de la
flota y los costos que representan la cantidad de pasajeros por hora, tiempo de espera de los
pasajeros entre cada nodo y el tiempo de viaje en el que el bus se encuentra vacio, donde se
reflejará la utilización de estos.

Donde
Cantidad de pasajeros/hora, entre los nodos i y j (mide el tiempo de viaje en
vehículo de los pasajeros);
Tiempo de espera de pasajeros entre los nodos i y j;
Tiempo de viaje vacío, que refleja la utilización de los buses;
Tamaño de la flota;
Conjunto de rutas para una solución dada;
Pesos que reflejan la importancia relativa de los términos de la función
Z 1.

Donde el primer objetivo ( ) está compuesto por la suma de diversos factores: la cantidad
de pasajeros por hora, que implícitamente está relacionado a los costos, donde se mide el
tiempo de viaje de los pasajeros en los buses entre los nodos i y j; el tiempo de espera de los
pasajeros entre cada par de nodos i y j. Multiplicados por diferentes constantes
respectivamente, que reflejan su importancia en la ecuación (6). En cuanto al segundo
objetivo (7), consiste minimizar el tamaño de la flota utilizada para satisfacer la demanda,
y que también implícitamente también está asociada a los costos. La resolución de este
modelo de optimización implica encontrar todas las soluciones no dominadas pertenecientes
al frente de Pareto óptimo.

Ngamchai y Lovell (2000), también basados en la propuesta de modelo presentada por Baaj y
Mahmassani (1991), este modelo calcula las frecuencias de los buses en las rutas donde se
quiere minimizar el costo de la flota, el costo de viaje de los vehículos por usuario y el costo
de espera de los usuarios (8), requiriendo una conversión en pesos por hora ($/h) de todas sus
componentes.

Donde

Gestão de Transportes Gestão do Transporte I 1174

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

Con
Cantidad de nodos de la red;

Cantidad de rutas de una solución determinada;

: Costo por hora de operación de los buses;
Velocidad de los buses en la red;
Largo de la ruta k;
Demanda entre los nodos i y j (cantidad de viajes por hora);
Largo de la ruta más corta seleccionada por los pasajeros viajando de i a j;

Coeficientes que reflejan el valor subjetivo de los tiempos de viaje y espera;

Espaciamiento temporal del servicio operante en la ruta k (inverso de la frecuencia);
donde depende del factor de carga y del arco con mayor flujo en la ruta k.

Podemos definir los diferentes componentes de la función objetivo (8) como: costo de la flota
FC (9), es la relación entre el costo por hora de operación de los buses sobre la velocidad
V de estos en la red, multiplicado por la sumatoria desde 1 hasta R de la distancia de la ruta
sobre el espaciamiento temporal del servicio en la ruta k; costo de viaje en vehículo de los
usuarios UVC (10), relaciona la demanda entre los nodos i y j ( , multiplicado por la
distancia de la ruta más corta seleccionada por los pasajeros en el nodo i y j, esto por la
diferencia entre el coeficiente que expresa el valor de tiempo de viaje sobre la velocidad de
los buses en la red V; costo de espera de los usuarios UWC (11), considera la variable de
decisión si la ruta k utiliza el arco (i,j) multiplicado por la demanda y el
espaciamiento temporal del servicio en la ruta k, multiplicado por el coeficiente que
representa el valor del tiempo de espera divido una constante.

Diferente a los otros modelos, Gruttner, Pinninghoff, Tudela y Díaz (2002) proponen un
modelo que cambia en cuanto a la especificación de los componentes. Se propone un modelo
de asignación alternativo, usando el método Logit, es decir, realizar una regresión para
analizar el resultado de la variable, mediante el cálculo de utilidades de cada línea para cada
par origen (i,j). En este modelo no se contempla diferentes aspectos como frecuencia de los
buses o tamaño de la flota, también requiere la utilización de coeficientes de conversión y
valores subjetivos de tiempo. Presenta como función objetivo:

Gestão de Transportes Gestão do Transporte I 1175

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

Donde

Con
i-ésima ruta válida (Ri R, conjunto de rutas válidas);
Coeficientes que representan la importancia relativa de cada objetivo;
Afluencia total de viajes que atrae la ruta L;
Tarifa cobrada por la línea L;
Costo unitario de operación por kilómetro;
, , Los tiempos de acceso a la línea, de viaje y de espera
respectivamente;
Valor subjetivo del tiempo;
Número de viajes entre cada par origen-destino (i,j) que utilizan la línea L;
Pesos relativos de los tiempos de acceso y espera con respecto al tiempo de
viaje.

Como objetivo se maximiza dos componentes principales (13): la función de beneficio del
operador FO y la función del costo del usuario por línea (L) FU, multiplicados por los
coeficientes α y β que expresan la importancia de cada uno en la función y el conjunto de
rutas validas de la red. Es definido la función de beneficio del operador FO (14) como la
diferencia entre el ingreso del operador y el costo del operador la línea L. El ingreso del
operador en la línea (15) representa la cantidad total de viajes que atrae la ruta L, multiplicado
por la tarifa de utilizarla. El costo del operador en la línea (16), es expresado como la
distancia por el costo unitario de operación por kilómetro de la línea L. En cuanto a la función
de costo del usuario por línea FU (17), compacta multiplicación de el valor subjetivo del
tiempo , el número de viajes entre cada par origen destino (i,j) y la suma de los tiempos
de acceso a la línea, de viaje y de espera, donde el tiempo de acceso y de espera son
multiplicados por los coeficientes δ y η respectivamente, que como las anteriores veces,
reflejan su importancia en la ecuación.

Los modelos presentados para el problema de diseño de ruta de transporte público tienen una
estructura similar, con las siguientes características: Tienen como variables de decisión a los
trazados de los recorridos y las frecuencias de operación en su formulación. En la función
objetivo se representan los intereses de los usuarios y operadores. Para los usuarios,
generalmente se considera la minimización de los tiempos de viaje entre todo par de nodos de
la red; estos tiempos generalmente incluyen tiempos de viaje en vehículo (a bordo del bus), de

Gestão de Transportes Gestão do Transporte I 1176

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

espera en la parada, y penalización por transbordos. Para la expresión de los objetivos de los
operadores, generalmente se considera el tamaño de la flota requerida (que representa los
costos de operación de los servicios). Menos común es la inclusión de la recaudación como
parte de la función objetivo de los operadores; esto se debe a que la cuantificación de los
ingresos no solo depende de la afluencia (que en casos de demanda inelástica se considera
fija). Las restricciones más comunes, son las que acotan las frecuencias, el tamaño de flota,
las duraciones de los recorridos, y el factor de carga de los buses.

Las diferencias estructurales más importantes entre los modelos se presentan a los siguientes
dos niveles:
 Una o dos fases: La mayoría de los modelos presentan la totalidad de su formulación en
una sola fase. Sin embargo algunos, principalmente a efectos de su resolución, presentan
formulaciones en dos fases, separando el tratamiento de las variables de decisión (trazados
de recorridos y frecuencias).
 Objetivo único y multiobjetivo: La gran mayoría de los modelos presentados resumen en
su formulación los intereses de los usuarios y operadores en una sola expresión, para lo
cual se deben introducir coeficientes, que cumplen dos funciones: realizar la conversión
entre diferentes unidades y reflejar la importancia relativa de los objetivos contrapuestos.
La obtención de estos coeficientes es un aspecto que no se aclara en la mayoría de los
trabajos; sin embargo en algunos se reconoce que mediante la manipulación de estos
coeficientes es posible obtener diferentes soluciones no dominadas para el problema de
optimización multiobjetivo. En relación a esto ´ultimo, es importante mencionar que en
algunos trabajos, a pesar de presentar formulaciones de objetivo único, existe el concepto
profundo de modelo multiobjetivo, aunque en general no se propone una metodología
estructurada para resolverlo. El único modelo de optimización multiobjetivo en sentido
estricto, es el de Israeli y Ceder (1997), donde además se presenta una metodología para
seleccionar una solución no dominada particular.
 Modelo de asignación: El modelo de asignación es parte de cualquier modelo para el
TNDP, ya que determina la forma en que se calcula la función objetivo. La solución
´optima de un modelo depende fuertemente del modelo de asignación. La complejidad de
expresar el modelo de asignación en términos de las variables de decisión del problema en
el contexto del modelo de optimización, hace que generalmente se exprese en forma
implícita. De esta forma, valores como los tiempos de viaje en vehículo y tiempos de
espera para una determinada solución, serían conocidos una vez aplicado el modelo de
asignación. El grado de complejidad del modelo de asignación utilizado, impacta
fuertemente en el tratamiento analítico y los métodos de resolución de los modelos de
optimización. Sin embargo es necesario tener en cuenta la validez de las simplificaciones
asumidas en cuanto al comportamiento de los usuarios en este caso.

La siguiente tabla resumen condensará las características de los modelos analizados en cuanto
a función objetivo, restricciones, aportes y sus limitaciones del modelo especificado.

Gestão de Transportes Gestão do Transporte I 1177

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

Tabla 1: Resumen de los modelos presentados.

Autores Función objetivo Restricciones Aportes Limitaciones
Min. tiempos de
Baaj y Mahmassani- Frecuencia factible, Factor de Varios parámetros, Coeficientes de conversión
transferencia y tamaño de
1991 carga, Tamaño de flota configurables en función Objetivo
flota
Min. tiempos de
Frecuencia factible, Factor de Formulación Tamaño de los vehículos y
Israeli y Ceder-1997 transferencia y tamaño de
carga, Tamaño de flota multiobjetivo tamaño de la flota
flota (multiobjetivo)
Min. tiempos de
Modelo detallado, Coeficientes de conversión
Ngamchai y Lovell-2000 transferencia y tamaño de Factor de carga
frecuencias óptimas en función Objetivo
flota (detallado)

Falta tratamiento de
Gruttner, Pinninghoff, Max. beneficios de operador Dist. de acceso y egreso (a Modelo alternativo de frecuencias y flota,
Tudela y Díaz-2002 y min. costos de usuario origen y destino) asignación (logit) Coeficientes de conversión
en función Objetivo

3. ALGORITMOS
En este capítulo se presentan los diferentes algoritmos hallados en la literatura para la
resolución de los modelos de optimización presentados en el Capítulo 2. La dificultad de
derivar un algoritmo de resolución exacto, se justifica por los siguientes motivos: Es un
problema de optimización de alta complejidad combinatoria. Por este motivo, es imposible
realizar una enumeración completa de las soluciones factibles en un tiempo de cómputo
razonable. Esto hace que los métodos exhaustivos no sean aplicables. Adicionalmente, es un
problema de variables mixtas, ya que se utilizan variables discretas para representar la
composición de los recorridos, y variables continuas para representar las frecuencias, hecho
que complica la resolución. Es difícil expresar las restricciones y la función objetivo
(principalmente cuando se deben representar los intereses de los usuarios) en términos de las
variables de decisión, en una notación de programación matemática estándar. Incluso en casos
donde es posible contar con una formulación de este tipo (realizando simplificaciones en la
definición del problema).

La clasificación de los trabajos existentes para el diseño de ruta de transporte, coincide con la
evolución en el tiempo de los métodos utilizados en otras aplicaciones de optimización
combinatoria. De esta forma, los primeros trabajos consisten en su totalidad en algoritmos
ávidos puros, mientras que los más recientes consisten en aplicaciones de metaheurísticas, en
particular Algoritmos Genéticos.

Los modelos presentados en el capítulo 2 tienen en común que su algoritmo se desarrolla en 3

fases bien diferenciadas:
1. Generación de soluciones: donde se construye un conjunto de rutas para cubrir cierta
demanda según diferentes criterios, como por ejemplo el camino más corto.
2. Evaluación de la solución: donde se calcula la función objetivo del modelo. En la
elección del método habrá un compromiso entre eficiencia y nivel de agregación de
los elementos del sistema, en la mayoría de ellos, los pasajeros están catalogados con
un alto nivel.
3. Mejora de soluciones: se puede presentar en diferentes niveles, por ejemplo en cuanto
a los parámetros. En esta fase es donde se aplican las técnicas de búsqueda local y
metaheurísticas, usando los parámetros sobre unos procedimientos genéricos y
abstractos de una manera que se espera sea eficiente.

Gestão de Transportes Gestão do Transporte I 1178

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

Baaj y Mahmassani (1991)

Inicialmente se genera un conjunto de rutas considerando la matriz origen-destino como guía
principal y se encuentran los caminos más cortos entre un subconjunto de M pares de nodos
de alta demanda. Se insertan nodos adicionales en este esqueleto inicial de rutas, según las
reglas dadas desde el comienzo. Esta primera fase generación se repite variando diferentes
parámetros y obteniendo soluciones a diferentes compromisos entre objetivos. Su regla
principal para asignar la demanda es el criterio de minimización de transferencias. También se
asignan los flujos de pasajeros en cada arco de la red y se determinan las frecuencias validas
que cumplen con el valor del factor de carga establecido. En cuanto a la mejora de rutas, se
opera en dos niveles: cubrimiento del sistema (lo realizan descontinuando servicios con poca
carga de pasajeros o con rutas muy cortas) y estructura de las rutas (combinándolas o
dividiéndolas). Los algoritmos generados por estos autores tienen la ventaja de proveer cierto
grado de interactividad para definir algunas restricciones y parámetros, permite
planificaciones a mediano y largo plazo. Su principal limitación es que no propone una
manera sistemática de variar los parámetros para generar diferentes soluciones. Utilizan como
caso de estudio la red de 140 nodos de la ciudad de Austin, Texas.

Israeli y Ceder (1997)

El modelo se resuelve en tres fases: primero se generan varios conjuntos de soluciones
alternativas no dominadas, resolviendo un problema de cubrimiento de conjuntos; luego se
realiza un procedimiento de asignación (no descrito), que determina las frecuencias. Para la
exploración de soluciones alternativas se utiliza un método de búsqueda local que intenta no
repetir soluciones ya encontradas, de forma de no iniciar ciclos. Finalmente se evalúan y
seleccionan las alternativas más adecuadas, aplicando un método adaptado de "compromised
programming" para optimización multiobjetivo. El método es probado en una red ficticia de 8
nodos, algo limitado como caso de prueba. Sus principales aportes son: el tratamiento formal
del problema (reduciendo algunos subproblemas a problemas clásicos como el de set
covering), y el método propuesto para la identificación de las soluciones no dominadas.

Ngamchai y Lovell (2000)

Este método genera rutas sin tener en cuenta la matriz de demandas, pero aun así, alcanza
todos los nodos de la red. dado que utilizan algoritmos genéticos, inicialmente se crean un
conjunto de rutas para una población de una cantidad determinada. En cada iteración, un
integrante de la población es mejorado a través de la aplicación de una serie de operadores
genéticos cuya particularidad es que son específicos del problema, no utilizándose los
estándares (reproducción, cruzamiento y mutación). La función objetivo se evalúa a través de
una formulación explícita que incluye los tiempos de viaje y espera para pasajeros y el costo
de operación de la flota (convertidos a la misma unidad). Las frecuencias se determinan de
forma de minimizar el valor de la función objetivo. Su implementación es ensayada en una
red de 19 nodos. La gran limitación de este método es que parte de soluciones que no tienen
en cuenta la demanda.

Gestão de Transportes Gestão do Transporte I 1179

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

Gruttner, Pinninghoff, Tudela, y Díaz (2002)

Estos autores utilizan algoritmos genéticos en el sentido clásico. La asignación de pasajeros a
las diferentes rutas se efectúa utilizando un modelo logit (mencionado en el capítulo 2),
calculando previamente la utilidad de cada línea para cada tipo de pasajero y las soluciones
tienen en cuenta los tiempos de viaje y de espera. Una gran dificultad, es en la
implementación de los operadores genéticos, en particular los de cruzamiento y mutación,
dado que las soluciones están formadas por rutas, estas deben ser conexas y esta condición
debe revisarse al momento de aplicar los operadores. Se mencionan los resultados
consistiendo en rutas largas y concentradas en zonas de alta demanda cuando se prioriza el
operador, y muchas rutas dispersas cuando se prioriza a los usuarios. Como prueba, utilizaron
la red de la ciudad de Los Ángeles, California.

Tabla 2: Resumen de los algoritmos presentados de los modelos.

Autor(es) Generación Evaluación Mejora Ensayos Aportes Limitaciones

Caminos más Red ficticia (15

Baaj y Asignación: min Combinación y No hay exploración
cortos entre nodos -Mandl, Modularización y
Mahmassani transferencias y división de rutas del dominio de
paresde nodos 1979). Austin parametrización
(1991) tiempo (heurística) parámetros
de alta demanda (140 nodos)

Cubrimiento de Búsqueda local Formalización

Israeli y Ceder Red ficticia (8 Caso de prueba
conjuntos No especificada con prevención de Optimización
(1997) nodos) pequeño
(heurística) ciclos multiobjetivo

Operadores Frecuencias óptimas, Generación, no

Ngamchai y Red ficticia (19
Aleatoria No especificada genéticos Procedimiento de tiene en cuenta la
Lovell (2000) nodos)
específicos mejora demanda

Gruttner,
Asignación A. Genéticos en la Los Angeles Generación no
Pinninghoff, Implementación
Aleatoria utilizando modelo estructura de las (dimensión no tiene en cuenta la
Tudela y Díaz sencilla
logit rutas especificada) demanda
(2002)

4. CONCLUSIONES
Se presentaron diferentes modelos para realización el diseño de rutas de transporte público,
enfocados en la optimización de las rutas y frecuencia de los buses, elementos que son
necesarios para la toma de decisiones en el diseño de un sistema de transporte público. El
problema es NP-difícil, por lo que diversos procedimientos heurísticos para resolverlo han
sido propuestos en la literatura. Se percibe una tendencia a la utilización de algoritmos
genéticos, similar en otras áreas de optimización combinatoria. Los métodos considerados
más aplicables son los que permiten la interactividad entre sus diferentes parámetros, donde la
calidad de sus soluciones solo pueden probarse después de su implantación. Los ensayos
realizados fueron relativamente pequeños, lo que permite entender que es un tema abierto a
futuras investigaciones. El desarrollo del problema de diseño de ruta de transporte público
varia consecuentemente cada vez que se avanza, haciendo cada vez más compleja su
formulación, adicionando las diferentes restricciones y variables que aumentan su nivel de
dificultad.

Gestão de Transportes Gestão do Transporte I 1180

 XXIX Congresso Nacional de Pesquisa em Transporte da Anpet
OURO PRETO, 9 a 13 de novembro de 2015

REFERENCIAS
Baaj, M. H. y Mahmassani, H. S. (1990) TRUST: A LISP program for the analysis of transit route
configurations. Transportation Research Record, Vol 1283, 125-135.
Baaj, M. H. y Mahmassani, H. S. (1991) An AI-Based Approach for Transit Route System Planning and Design.
Journal of Advanced Transportation, Vol 25(2), 187-210.
Baaj, M.H., y H.S. Mahmassani (1995). Hybrid Route Generation Heuristic Algorithm for the Design of Transit
Networks. Transportation Research - Part C 3(1), 31–50.
H.S. Mahmassani (1999). Traveler behavior and intelligent transportation systems. Transportation Research Part
C: Emerging Technologies, Volume 7, Issues 2–3, April–June 1999, Pages 73–74.
Ceder, A. (2007). Public transit planning and operation. Theory, modeling and practice. Burlington (MA), US,
407-452.
Ceder, A. (2011). Public-transport vehicle scheduling with multi vehicle type. Transportation Research Part C:
Emerging Technologies, Volume 19, Issue 3, June 2011, Pages 485–497
Gruttner, E., Pinninghoff, M. A., Tudela, A. y Díaz, H. (2002) Recorridos Optimos de Líneas de Transporte
Público Usando Algoritmos Genéticos. Jornadas Chilenas de Computación. Noviembre de 2002,
Copiapó, Chile.
Israeli, Y. Y Ceder, A. (1997) Transit Route Design Using Scheduling and Multiobjective Programming
Techniques. Computer-Aided Transit Scheduling. Lisboa, Portugal, 56-75.
Ngamchai, S., y Lovell, D. J. (2000) Optimal Time Transfer in Bus Transit Route Network Design Using a
Genetic Algorithm. Computer-Aided Scheduling of Public Transport. Páginas 21-23. Berlin, Alemania.
Shih, M. C., Mahmassani, H. S., & Baaj, M. H. (1998) Planning and Design Model for Transit Route Netwoks
with Coordinated Operations. Transp. Research Record, Vol 1623, 16-23.

Sergio Ramírez López (seramirezlo@unal.edu.co)

Lorena Hernandez Mastrapa (lorenahmastrapa@gmail.com)
Hugo Miguel Varela Repolho (hugorepolho@gmail.com)
Departamento de Engenharia Industrial, Área de Transporte e Logística, Pontifícia Universidade Católica do Rio
de Janeiro.
R. Marquês de São Vicente, 225 - Gávea, Rio de Janeiro - RJ, 22451-900

Gestão de Transportes Gestão do Transporte I 1181

View publication stats