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

net/publication/267388563

Comparación de heurísticas de resolución del VRP y enfoques multi y

monoobjetivo para el Problema de Transporte e Inventario

Article

CITATIONS READS

0 413

7 authors, including:

Anna Esparcia-Alcázar Juan Julián Merelo Guervós

Agència Valenciana de la Innovació University of Granada
96 PUBLICATIONS   595 CITATIONS    571 PUBLICATIONS   6,255 CITATIONS   

SEE PROFILE SEE PROFILE

Pablo García-Sánchez Eva Alfaro Cid

University of Granada Universitat Politècnica de València
148 PUBLICATIONS   760 CITATIONS    42 PUBLICATIONS   465 CITATIONS   

SEE PROFILE SEE PROFILE

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

Mining GitHub repositories for community structure and evolution View project

Computational intelligence in games View project

All content following this page was uploaded by Juan Julián Merelo Guervós on 03 November 2014.

The user has requested enhancement of the downloaded file.

 VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09)
Comparación de heurı́sticas de resolución del
VRP y enfoques multi y monoobjetivo para el
Problema de Transporte e Inventario
Anna I Esparcia Alcázar, Anaı́s Martı́nez Garcı́a, J.J. Merelo, Pablo Garcı́a Sánchez,
Eva Alfaro Cid, Manuel Cardós, Ken Sharman
Resumen— El problema de Transporte e Inventa-
rio (Inventory and Transportation Problem, ITP) puede
entenderse como una generalización del problema de
enrutado de vehı́culos periódico que tiene en conside-
ración los costes de inventario, además de una serie
de frecuencias de reparto en lugar de una sola fre-
cuencia para cada tienda. Asimismo, el ITP puede
verse como una generalización del Problema de Ru-
tas e Inventario al caso multiproducto. EVITA, si-
glas de Evolutionary Inventory and Transportation
Algorithm, es una metodologı́a en dos niveles di-
señada para abordar este problema. El nivel superior
utiliza un algoritmo evolutivo para obtener los patro-
nes de reparto semanales de forma que se minimicen
los costes de inventario, mientras que el nivel infe-
rior resuelve el problema de enrutado de vehı́culos
(Vehicle Routing Problem, VRP) para cada dı́a a fin de
obtener los costes de transporte mı́nimos asociados a
un conjunto dado de patrones.
En este artı́culo utilizamos dos enfoques: un sólo
objetivo (cuando los costes de transporte e inventa-
rio se contemplan en una única función de coste) y
multiobjetivo (cuando se consideran como objetivos
separados) y tres algoritmos diferentes que han sido
utilizados en la literatura para resolver el VRP. De-
mostraremos como la elección del algoritmo de nivel
inferior (que denominamos VRP solver ) puede jugar
un papel significativo en el funcionamiento del algo-
ritmo en su conjunto.
Palabras clave— Problema de transporte e Inventa-
rio, VRP, Algoritmos Evolutivos, Optimización por
Colonia de Hormigas, Búsqueda Tabu.
I. Introducción
Dados una cadena de tiendas y un almacén cen-
tral que las abastece, ambos propiedad de la mis-
ma empresa, se define el problema de transporte e
inventario (Inventory and Transportation Problem,
ITP) como aquél cuyo objetivo es minimizar los cos-
tes tanto de transporte como de inventario, añadien-
do además ciertas restricciones operativas a nivel de
la tienda.
La principal caracterı́stica que diferencia este pro-
blema de otros problemas de gestión de la cadena de
suministro similares existentes en la literatura (p.ej.
A.I. Esparcia, A. I. Martinez, E. Alfaro y K. Sharman
pertenecen al Instituto Tecnológico de Informática, Univer-
sidad Politécnica de Valencia, 46022 Valencia. E-mail: anna,
amartinez, evalfaro,ken@iti.upv.es.
J.J. Merelo y P. Garcı́a están con el Dept. de Arq. y Tec-
nologı́a de Computadores, Universidad de Granada. E-mail:
jmerelo@geneura.ugr.es
M. Cardós pertenece al Dept. de Organización de Empresas,
Universidad Politécnica de Valencia, 46022 Valencia. E-mail:
mcardos@doe.upv.es.
131
[1], [2], [3], [4], [5]) reside en el hecho de que hay que
determinar la frecuencia de reparto a cada tienda,
lo que determina el tamaño de las entregas. Los cos-
tes de inventario se pueden calcular en consecuencia,
suponiendo una polı́tica (comúnmente adoptada) de
revisión de stocks periódica. Además, para una fre-
cuencia de reparto dada, expresada en número de
dı́as a la semana, puede haber también un núme-
ro de patrones de reparto, es decir, los dı́as especı́fi-
cos de la semana en los cuales se sirve a la tienda.
Una vez establecidos éstos, los costes de transporte
se pueden calcular resolviendo el problema de ruteo
de vehı́culos (VRP) para cada dı́a de la semana.
Dado que un patrón implica una frecuencia, el pro-
blema se limita a obtener los patrones óptimos (uno
por tienda) y el conjunto de rutas (una por dı́a). El
óptimo se define como aquella combinación de patro-
nes y rutas que minimiza el coste total, que se calcula
como la suma de los costes de inventario individuales
por tienda (coste de inventario) más la suma de los
costes de transporte para todos los dı́as de la semana
(coste de transporte). Estos dos objetivos son en ge-
neral contradictorios: a mayor frecuencia de reparto
menor coste de inventario pero, a la inversa, una fre-
cuencia de reparto alta implica costes de transporte
elevados.
Las restricciones operativas a nivel de la tienda
vienen impuestas por la lógica del negocio. Por una
parte, no todas las frecuencias de reparto son admi-
sibles para todas las tiendas. Por ejemplo, la frecuen-
cia 1 (un reparto por semana) no es aplicable a la
mayorı́a de las tiendas, por dos razones. Por una par-
te, muchas tiendas no cuentan con la capacidad de
almacenaje necesaria para las grandes entregas que
vendrı́an impuestas por una frecuencia de reparto
baja. Por otra, grandes entregas implicarı́an que el
personal de la tienda debe dedicar una gran parte de
su tiempo a gestionar el inventario, un tiempo que
emplearı́an más provechosamente en vender.
Además, sólo se permite un número dado de pa-
trones de entrega para cada posible frecuencia. Esto
se debe a que las ventas no están distribuidas unifor-
memente en el horizonte temporal (1 semana), sino
que tienden a incrementarse hacia el fin de semana.
Por tanto, a fin de ajustar los repartos a las ventas,
un patrón de frecuencia 2 como, por ejemplo, (Lu-
nes, Viernes) es admisible, mientras que otro de la
misma frecuencia como (Lunes, Martes) no lo es.
Sesión general
Por razones de simplicidad consideraremos que las
tiendas no tienen ventanas temporales, es decir, que
las entregas pueden realizarse a cualquier hora. Sin
embargo, las horas de trabajo del conductor del ca-
mión están limitadas por la legislación vigente y esto
debe tenerse en cuenta al calcular el tiempo necesa-
rio para los repartos.
Asimismo, consideraremos que la flota es ho-
mogénea (es decir, sólo se utiliza un tipo de vehı́cu-
lo), que el número de vehı́culos es ilimitado y por
último, que el coste de transporte sólo incluye el cos-
te por kilómetro: no hay un coste asociado al tiempo
de uso del vehı́culo ni tampoco al número de unida-
des que se reparten, ni hay un coste fijo por vehı́culo.
Por último, ninguna tienda puede consumir más
de la capacidad de cualquier vehı́culo, es decir, una
tienda es servida por un solo vehı́culo; además, la
carga está contenerizada, por lo que el número de
unidades servidas es un entero.
Los datos del problema están disponibles de forma
gratuita en la página web del grupo: http://cas.
iti.upv.es/bio downloads.htm/.1
A. Estado del arte
La gestión tanto de transporte como de inventa-
rio ha recibido gran atención en la literatura sobre
logı́stica; sin embargo, éste no ha sido el caso del pro-
blema conjunto. En [6] se hace una breve revisión de
distintos enfoques utilizados en el pasado.
El problema de rutas e inventario (IRP) es la su-
perclase de modelos que incluye al VRP. Este pro-
blema surge cuando el vendedor reparte un único
producto e implementa con sus clientes una polı́tica
denominada Gestión de Inventario por el Vendedor
(Vendor Inventory Management, VIM) [1], de forma
que el vendedor decide la entrega (en tiempo y canti-
dad) con el fin de impedir que los clientes se queden
sin inventario, al tiempo que se minimizan los cos-
tes de inventario [7]. Desgraciadamente, las cadenas
de tiendas de productos de gran consumo no entran
en esta categorı́a, ya que suelen tratar con miles de
productos.
También relacionado con el VRP está el problema
de enrutado de vehı́culos periódico (periodic vehi-
cle routing problem, PVRP), que aparece cuando los
clientes han establecido una frecuencia de reparto
predeterminada y una combinación de dias admisi-
bles de reparto dentro del horizonte de planificación.
El objetivo es minimizar la duración total de las ru-
tas, mientras que las restricciones generalmente im-
plican una capacidad limitada de los vehı́culos de
reparto y una duración máxima de cada itinerario.
Véase por ejemplo [8] y [9] para una descripción ge-
neral del PVRP.
El problema de transporte e inventario (ITP) [10]
puede considerarse como una generalización del IRP
al caso multiproducto. Asimismo, puede también
1 Su uso está sujeto a la condición de que se citen este u
otros artı́culos de los autores sobre el mismo tema
132
verse como una generalización del PVRP, ya que in-
cluye los costes de inventario2 y un conjunto de fre-
cuencias de reparto en lugar de una única frecuencia
para cada tienda.
B. EVITA
A la luz de lo visto anteriormente, la tarea de EVI-
TA consiste en encontrar:
El conjunto óptimo de patrones, P opt , con el cual
servir a todas las tiendas. Un patrón p representa
un conjunto de dı́as en los que la tienda es servida,
lo que implica una cierta frecuencia de reparto (ex-
presada como número de dı́as por semana) para la
tienda.
Las rutas óptimas para cada dı́a de la semana la-
boral, mediante la resolución del VRP para las tien-
das asignadas a ese dı́a por el patrón correspondien-
te.
Nuestro trabajo previo [11], [12] mostró los be-
neficios que se pueden obtener mediante la gestión
simultánea de transporte e inventario, en lugar de
optimizarlos por separado, y cómo la elección del al-
goritmo de VRP podı́a afectar no sólo a los costes de
transporte sino también a los de inventario. En [13]
utilizamos análisis estadı́stico para elegir, partiendo
de un conjunto de algoritmos VRP sencillos, aquél
que proporcionaba los mejores resultados (tanto en
términos de coste como de tiempo); el algoritmo ele-
gido era posteriormente utilizado dentro de la herra-
mienta EVITA. Sin embargo, la selección se hacı́a
utilizando una serie de problemas VRP clásicos ex-
traı́dos de la literatura [14], [15]; es decir, se aborda-
ba el nivel inferior independientemente del superior,
y por tanto no se tenı́a en cuenta la interacción entre
los dos niveles.
En [16] adoptamos un enfoque integral, realizando
un análisis exhaustivo de la interacción entre los dos
niveles. Con este fin, se compararon cuatro algorit-
mos de VRP en una serie de instancias del problema
distintas. Cada instancia consideraba una distribu-
ción geográfica (tomada de [14], [15]) y una tabla de
costes de inventario. Las mejores soluciones se ana-
lizaron en términos de coste global conseguido y de
tiempo computacional empleado en obtener la solu-
ción.
El propósito del presente trabajo es evaluar la con-
veniencia de adoptar un enfoque multiobjetivo al
problema. Si bien es verdad que el objetivo del ITP
es minimizar el coste global y éste se calcula simple-
mente sumando los costes de transporte e inventario
(ambos medidos en euros), no es menos cierto que
la minimización de ambos costes son objetivos con-
tradictorios ya que, como se ha dicho, minimizar el
coste de transporte implica aumentar el de inventa-
rio, y a la inversa. Por este motivo cabe dentro de
lo posible que un enfoque multiobjetivo consiga me-
jores resultados en este problema y esto es lo que
2 El PVRP puede interpretarse como un ITP en el que los
costes de inventario son cero.
 VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09)
pretendemos averiguar.
Para ello se ha llevado a cabo un gran número de
experimentos utilizando las ocho instancias que se
emplearon en [16]. El conjunto de restricciones, con-
sistente en las caracterı́sticas de los vehı́culos utili-
zados y las horas de trabajo de los conductores (ver
Tabla IV), ası́ como la configuración de parámetros
del algoritmo evolutivo se mantienen igual que en el
citado trabajo.
Los algoritmos VRP estudiados son variantes me-
joradas de los tres que obtuvieron mejores resulta-
dos en [16]: la búsqueda tabú[8], la optimización por
colonia de hormigas [17] y una técnica clásica de
VRP, el algoritmo de Clarke y Wright [18].
II. El nivel superior: Algoritmo evolutivo
En EVITA un individuo sometido a evolución con-
siste en un conjunto de patrones P representado me-
diante un vector de longitud igual al número de tien-
das a servir (nShops) y cuyos componentes pi , 1 ≤
pi ≤ 2d −1 son enteros que representan un patrón de
reparto determinado, donde i ∈ {1 . . . nShops} y d
es el número de dı́as de la semana laboral (en nuestro
caso, d = 5). Además, cada pi debe estar contenido
en el conjunto de patrones admisibles, pi ∈P adm
En trabajos anteriores, la adecuación de un indivi-
duo se calculaba como la suma de los costes asocia-
dos de inventario y transporte. Aquı́ se van a com-
parar dos enfoques, multi y mono objetivo, de forma
que tendremos
f = CosteInventario + CosteT ransporte (1)
para el problema monoobjetivo y
fi = CosteInventario (2)
ft = CosteT ransporte (3)
para el problema multiobjetivo. Para resolver éste
último se ha utilizado el algoritmo NSGA-II [19].
Los costes de inventario se calculan a partir de los
patrones para cada tienda sabiendo la frecuencia de
reparto asociada a cada patrón y buscando en la ta-
bla correspondiente el coste de inventario por tienda.
Los costes de transporte se obtienen resolviendo el
VRP con uno de los algoritmos en estudio. El cos-
te total, tanto en mono como en multiobjetivo, se
calcula como la suma de ambos costes.
Los detalles de la configuración del algoritmo evo-
lutivo empleado en el nivel superior se muestran en
la Tabla I.
III. El nivel inferior: Resolviendo el VRP
Se han estudiado tres algoritmos para resolver el
VRP, a saber:
CWLS, el algoritmo clásico de Clarke y Wright
mejorado con búsqueda local [18], que se presenta
en la subsección III-A
ACO, un algoritmo hı́brido de optimización basa-
do en colonia de hormigas [20], descrito en la sub-
sección III-B, y
133
TS, un algoritmo de búsqueda tabú [21], que se
describe en la subsección III-C
En [16] se utilizó también un cuarto algoritmo,
computación evolutiva. Sin embargo, los resultados
que se obtuvieron no fueron muy prometedores, por
lo que se ha omitido en este estudio.
A. Algoritmo de Clarke y Wright
El algoritmo de Clarke y Wright [18] está basado
en el concepto de ahorro, que es la reducción en la
distancia recorrida que se consigue al combinar dos
rutas. Utilizamos la versión paralela del algoritmo,
que opera sobre todas las rutas simultáneamente.
Debido a que las soluciones generadas por el algo-
ritmo de C&W no tienen garantı́a de ser localmente
óptimas respecto a definiciones simples de vecinda-
rios, es en general provechoso aplicar búsqueda local
para intentar mejorar cada solución construida. Para
esto hemos diseñado un método simple y rápido de
búsqueda local que optimiza primero cada ruta por
separado (intercambiando posiciones de las tiendas
dentro de una ruta) y posteriormente todas las ru-
tas en su conjunto (intercambiando tiendas entre dos
rutas); esta combinación del algoritmo de C&W con
búsqueda local es lo que hemos denominado CWLS.
B. Algoritmo hı́brido de colonia de hormigas
Para resolver el VRP se han utilizado sistemas
de hormigas tanto monoobjetivo (véase por ejem-
plo [22], [23]) como multiobjetivo [24] con distin-
tos grados de éxito. Los algoritmos de hormigas se
derivan de la observación de de la conducta auto-
organizada de las hormigas reales [20]. La idea cen-
tral es que agentes artificiales pueden imitar este
comportamiento y colaborar en la resolución de pro-
blemas computacionales utilizando distintos aspec-
tos de la conducta de las hormigas. Uno de los ejem-
plos de mayor éxito es el conocido como “optimiza-
ción basada en colonia de hormigas” (Ant Colony
Optimisation, ACO), que se basa en el uso de fero-
monas, unos compuestos quı́micos que depositan las
hormigas al desplazarse.
En este trabajo utilizaremos una variante del algo-
ritmo tradicional de colonia de hormigas denomina-
da Hybrid ACO [25] y que difiere de éste en varios
aspectos. La primera diferencia está en la actuali-
zación de la matriz de feromonas τ . En ACO to-
das las hormigas actualizan el nivel de feromonas en
los arcos que atraviesan en el momento de hacerlo
y todos los arcos sufren evaporación de la feromona
al término de cada iteración. En cambio, en Hybrid
ACO la matriz de feromonas sólo es actualizada por
la hormiga que ha obtenido el mejor camino en la
iteración, mientras que todos los arcos sufren eva-
poración (hayan sido visitados o no). Este cambio
en la feromona ocurre si el nuevo valor es menor o
igual que un nivel máximo predeterminado, τmax . La
ecuación 4 muestra la forma de actualizar la matriz
de feromonas.
Sesión general

TABLA I
Configuración del algoritmo evolutivo de nivel superior.

El cromosoma es un vector de enteros de longitud igual al

número de tiendas, nShops.
Codificación
El gen i (pi ) representa el patrón para la tienda i.
pi debe ser un patrón admisible, pi ∈ P adm

Torneo en dos pasos. Para seleccionar cada padre se toman

Selección
tSize individuos elegidos al azar y se elige al mejor.

Cruce de 2 puntos y mutación de 1 punto.

Operadores evolutivos El operador de mutación cambia el patrón de una tienda en
el cromosoma.

Finalizar cuando el número total de generaciones

Criterio de parada
(incluida la inicial) sea igual a 100.

Tamaño de la población, popSize = 100

Tamaño del torneo, tSize = 2
Parámetros fijos
Probabilidad de mutación, pM = 0,5
Probabilidad de cruce, pC = 1

superar los óptimos locales [21]. El principio bási-

⎧ co es realizar una búsqueda local cuando se encuen-
⎪
⎪ ρτi,j + (1 − ρ)/Costτi,j , Si arc (i,j) es visitado
tra un óptimo local permitiendo movimientos que no
⎨
por la mejor hormiga
τi,j = produzcan mejora; se impide además la vuelta a so-
⎪
⎪ de la iteración
luciones ya visitadas mediante el uso de memorias,
⎩ τmin +τmax
2 , En otro caso
denominadas listas tabú [26], que duran un periodo
(4) dado por su vigencia tabú.
donde ρ es un valor que se corrige automáticamente
en cada iteración. Para obtener el mejor vecino de la solución actual
Otra importante diferencia con el ACO original es hay que moverse en la vecindad de la solución, evi-
la función de transición. En nuestro caso la hormiga tando moverse a soluciones antiguas y devolviendo
selecciona como siguiente tienda una tienda aleatoria la mejor de todas las soluciones nuevas, que pue-
o la mejor tienda según la ecuación 5, de ser peor que la actual. Para cada solución hay
que generar todos los vecinos posibles y válidos que
j = argmaxS [τcs,j ]α [ηcs,j ]β [μcs,j ]γ (5) sean alcanzables mediante movimientos no tabú. Si
se crea un nuevo mejor vecino, el movimiento se in-
donde S es la lista de tiendas aún sin visitar, j es serta en la lista tabú con la vigencia máxima. Este
la siguiente tienda a visitar, cs es la tienda actual, τ movimiento se mantiene en la lista hasta que termi-
es la matriz de feromonas, η es la función heurı́stica na su vigencia. La vigencia puede ser un número fijo
(dada por ηi,j = 1/di,j , siendo di,j la distancia entre o variable de iteraciones.
dos tiendas) y μi,j = di,0 + d0,j − di,j corresponde al
En nuestro caso un movimiento puede ser, dada
concepto de ahorro definido en en algoritmo C&W.
una tienda elegida al azar,
α, β y γ representan la importancia relativa de cada
componente3 .
intercambiar esa tienda con otra perteneciente a
La última diferencia consiste en que en lugar de
la misma ruta
utilizar búsqueda local en el vecindario, Hybrid ACO
intercambiar esa tienda con otra perteneciente una
utiliza intercambios λ. El hecho de utilizar los inter-
ruta distinta
cambios λ y la componente μ -ambos tomados del
crear una nueva ruta que contenga esa tienda so-
algoritmo C&W- conducen a la denominación Hy-
lamente
brid ACO, es decir, el algoritmo es en parte ACO y
en parte C&W.
El identificador del movimiento es el número de la
C. Búsqueda Tabú tienda.
La búsqueda tabú (Tabu Search, TS) es una me- El criterio de parada consiste en completar 20 ite-
taheurı́stica introducida por Glover para permitir a raciones sin mejora en la mejor solución; la vigencia
los métodos de búsqueda local (Local Search, LS) de la lista tabú son 12 iteraciones. Esto significa que
cada tienda que ha sido seleccionada para moverse
3 La función de transición original en Hybrid ACO tiene en
debe esperar 12 iteraciones hasta que pueda ser ele-
cuenta además la ventana temporal de cada cliente; esta parte
se ha eliminado aquı́ ya que en nuestro problema no conside- gida de nuevo. La solución inicial es una solución
ramos ventanas temporales. válida obtenida mediante el algoritmo de C&W.

134
 VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09)

IV. Experimentos función de la frecuencia de reparto, por lo que hemos

usado nuestros propios valores para las mismas.
En esta sección se presentan los datos utilizados
en el problema (subsección IV-A) y el procedimien- Asimismo se ha añadido una lista de patrones ad-
to experimental que se ha seguido (en la siguiente misibles (ver Tabla III), y los costes de inventario 4 .
subsección, IV-B). Los datos de inventario demanda y patrones admisi-
bles están basados en datos similares obtenidos de la
A. Datos del problema cadena de perfumerı́as Druni SA. Por último se han
usado los datos del vehı́culo dados en la Tabla IV.
Como se ha explicado anteriormente, se han utili-
zado una serie de configuraciones geográficas, o ins- TABLA III
tancias del problema VRP, tomadas de Augerat et Patrones admisibles y sus respectivas frecuencias.
al. [14], [15]. Los datos se dividen en dos conjuntos,
A y B. Las instancias del conjunto A corresponden Id. patrón Frec. (dı́as) Lu Ma Mi Ju Vi
5 2 - -  - 
a tiendas repartidas de forma aleatoria uniforme en 9 2 -  - - 
el mapa; las del conjunto B corresponden a tiendas 10 2 -  -  -
11 3 -  -  
agrupadas en clústers [15]. Se han elegido cuatro ins- 13 3 -   - 
tancias de cada conjunto, con distintos niveles de 17 2  - - - 
18 2  - -  -
número de tiendas y excentricidad (véase Tabla II). 21 3  -  - 
Esto último representa la distancia entre el almacén 23 4  -   
29 4    - 
y el centro geográfico de la distribución de tiendas. 31 5     
Las coordenadas del centro geográfico se han calcu-
lado como sigue:
nShops

1 TABLA IV
xgc , ygc = xi , yi
nShops i=1 Datos del vehı́culo

Por ejemplo, una instancia con baja excentricidad

(en la práctica, menor de 25) tendrı́a el almacén cen- Capacidad 12 roll containers
Coste de transporte 0.6 e/Km
trado en mitad de las tiendas mientras que en otra Velocidad media 60 km/h
con alta excentricidad (por encima de 40) la ma- Tiempo de descarga 15 min
Jornada laboral 8h
yorı́a de las tiendas estarı́an situadas a un lado del
almacén.
TABLA II
Instancias del problema utilizadas en los
experimentos y sus caracterı́sticas. B. Procedimiento experimental
Nuestro objetivo es por una parte verificar si las
ID Instancia Distribución nShops Exc. conclusiones obtenidas en [16] respecto al mejor al-
A32 A-n32-k5.vrp uniforme 31 47.4 goritmo de resolución de VRP a utilizar en EVITA
A33 A-n33-k5.vrp uniforme 32 20.2 se mantienen tras las mejoras realizadas en los algo-
A69 A-n69-k9.vrp uniforme 68 15.3
A80 A-n80-k10.vrp uniforme 79 63.4 ritmos de búsqueda tabú y de colonia de hormigas.
B35 B-n35-k5.vrp clústers 34 60.5 Por otra parte, pretendemos evaluar si el enfoque
B45 B-n45-k5.vrp clústers 44 16.6
B67 B-n67-k10.vrp clústers 66 19.9 multiobjetivo proporciona mejores resultados que el
B68 B-n68-k9.vrp clústers 67 49.2 monoobjetivo utilizado en trabajos anteriores.
Con este propósito, se han evaluado los tres al-
goritmos VRP descritos anteriormente en cada una
En el problema original los ı́ndices n representa- de las ocho configuraciones geográficas elegidas. Se
ban el número de tiendas más uno (el almacén) y han realizado 10 ejecuciones por algoritmo VRP y
los ı́ndices k el número máximo de vehı́culos permi- configuración, con un criterio de parada en todos los
tidos. En nuestro caso ignoraremos este último dato, casos de 100 generaciones. Los tiempos de ejecución
ya que no estamos considerando restricciones en el variaron entre varios minutos y varias horas en los
número de vehı́culos. ordenadores utilizados5 .
Cabe destacar que sólo se está utilizando la locali- Los resultados se han evaluado en dos aspectos:
zación espacial de las tiendas y no otras restricciones cuantitativamente para los costes totales obtenidos
utilizadas en la bibliografı́a, tales como el número de y cualitativamente para el tiempo empleado en las
vehı́culos (como se ha mencionado) o la demanda de ejecuciones. Esto último es importante a la hora de
cada tienda. Como ya se señaló anteriormente, una 4 Ver página web del grupo
de las caracterı́sticas principales de nuestro proble- 5 PCs con procesadores Intel Celeron, entre 1 y 3GHz, entre
ma es que las cantidades a entregar a las tiendas son 256 y 512 MB de RAM.

135
Sesión general

4 B 35
x 10
considerar una posible aplicación comercial de la me- 1.28

todologı́a EVITA. 1.27

V. Resultados y análisis 1.26

Se realizaron tests de Kruskal-Wallis con los cos- 1.25

Total cost
tes totales para todas las ejecuciones e instancias del 1.24

problema, tanto en monoobjetivo como en multiob- 1.23

jetivo. Se trata de un test no paramétrico, adecuado 1.22

para el caso que nos ocupa, en que el número de 1.21
ejecuciones es bajo. Las Figuras 1 y 2 muestran los
“boxplots” resultantes de los tests realizados para
1.2

ACO(1obj) ACO(2obj) CWLS(1obj)CWLS(2obj) TS(1obj) TS(2obj)

cuatro de las instancias analizadas. Optimisation methods

4 B 67
x 10
4 A 32
x 10 2.21

2.2
1.1
2.19

1.095 2.18

Total cost
2.17
Total cost

1.09
2.16

2.15
1.085

2.14

1.08
2.13

ACO(1obj) ACO(2obj) CWLS(1obj)CWLS(2obj) TS(1obj) TS(2obj)

ACO(1obj) ACO(2obj) CWLS(1obj)CWLS(2obj) TS(1obj) TS(2obj) Optimisation methods
Optimisation methods

4 A 80
x 10
Fig. 2. Boxplots para los problemas B35 y B67
2.85

2.84

2.83 A fin de comparar los resultados entre distintas

2.82 instancias del problema (o configuraciones geográfi-
Total cost

2.81 cas) se normalizaron los valores de la adecuación de-

2.8
2.79
2.78
2.77
ACO(1obj) ACO(2obj) CWLS(1obj)CWLS(2obj) TS(1obj)
Optimisation methods
Fig. 1. Boxplots para los problemas A32 y A80
Las conclusiones que se pueden deducir del análisis
de los tests son las siguientes:
Los mejores comportamientos se obtienen utili-
zando un solo objetivo.
Si se consideran separadamente las ejecuciones
multi y monoobjetivo, en general no existen diferen-
cias significativas entre CWLS y TS, aunque a simple
vista parece que CWLS funciona mejor que TS en
las instancias A32, A69 y A80 y viceversa en A33,
B35, B45 y B67. En la instancia B68 no se aprecian
diferencias a simple vista.
ACO resulta significativamente peor en todos los
casos excepto en B35. Además, resulta ser el método
que peor escala, empeorando sus resultados al incre-
mentarse el tamaño del problema.
El caso de la instancia B35 es único en el sentido
de que TS monoobjetivo resulta significativamente
mejor que CWLS y no es significativamente diferente
de ACO tanto mono como multiobjetivo
finiendo el porcentaje de desviación relativa, RP D,
dado por la siguiente expresión:
f itness − f itnessmin
RP D = × 100
TS(2obj)
f itnessmin
donde f itness es el valor de la adecuación obteni-
da al utilizar un determinado VRP solver en una
instancia dada. El RP D es, por tanto, el incremen-
to porcentual medio sobre el lı́mite inferior de cada
instancia, f itnessmin . En nuestro caso, el lı́mite infe-
rior es el mejor resultado obtenido para esa instancia
utilizando cualquiera de los tres VRP solvers.
Con los resultados de RP D para todas las ejecu-
ciones y para todos los VRP solvers se ejecutaron
los tests de nuevo; los resultados se muestran en la
Figura 3 separados en grupos A (distribución uni-
forme de tiendas) y B (distribución en clusters). Las
conclusiones en este caso son similares. En ambos
grupos CWLS y TS resultan mejor que ACO y, a
simple vista, CWLS mejor que TS para el grupo A
y viceversa para el B. Asimismo, considerando cada
VRP solver por separado, el enfoque monoobjetivo
es mejor que el multiobjetivo.
La Figura 4 muestra la comparación de métodos
cuando se consideran separadamente los costes de
transporte e inventario. Aquı́ puede observarse que
no existen diferencias significativas entre los méto-
dos si sólo nos atenemos al coste de inventario; sin

136
 VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09)

embargo, es en los costes de transporte donde ACO

claramente muestra ser inferior, especialmente en el
Group A
enfoque multiobjetivo.
Por lo que respecta al tiempo de computación, los
4
resultados claramente favorecen a CWLS sobre el
3.5
resto de VRP solvers. En general, al aplicar CWLS,
3
el tiempo de una ejecución completa fue aproxima-
RPD total cost

2.5
damente el mismo que el de una sola generación uti-
2
lizando TS o ACO. Éste es otro punto a favor de
1.5 CWLS si se considera una posible aplicación comer-
1 cial.
0.5

0 VI. Conclusiones
ACO(1obj) ACO(2obj) CWLS(1obj)CWLS(2obj) TS(1obj) TS(2obj)
Optimisation methods
Hemos mostrado como un algoritmo clásico tal
Group B
como el de Clarke y Wright, mejorado con búsqueda
6
local, puede constituir la mejor elección en el con-
texto del problema de Transporte e Inventario, tan-
5
to en términos de calidad de las soluciones como en
tiempo computacional necesario para obtenerlas. La
RPD total cost

potencia de otros algoritmos que se han postulado

3
como buenas opciones para resolver el VRP, tales
2
como ACO y TS, no garantiza un mejor desempeño
1 en el problema conjunto de minimización de costes
de transporte e inventario.
0

ACO(1obj) ACO(2obj) CWLS(1obj)CWLS(2obj) TS(1obj) TS(2obj) Podrı́a discutirse que tanto TS como ACO requie-
Optimisation methods
ren un ajuste fino de sus parámetros para obtener
un desempeño adecuado. Sin embargo, esto se pue-
Fig. 3. Boxplots para los grupos A (arriba) y B
de interpretar como una desventaja de su aplicación
a una variedad de configuraciones del problema y en
un contexto comercial.
Asimismo, se ha visto que el enfoque multiobjeti-
vo no proporciona ninguna ventaja sobre el enfoque
45 monoobjetivo. Esto puede explicarse por el hecho de
40 que los costes de inventario superan con creces a los
35 de transporte. Dado que el enfoque multiobjetivo no
prima un objetivo frente al otro, puede darse el ca-
RPD transport cost

30

25 so de que haya soluciones para las que los costes de

20
transporte sean muy reducidos, pero aun ası́ esto no
15
compense unos costes de inventario elevados.
10
Especial atención merece el caso de la instancia
5
B35, ya que es la única para la que ACO obtiene
0

ACO(1obj) ACO(2obj) CWLS(1obj)CWLS(2obj) TS(1obj) TS(2obj)

mejores resultados que el resto de VRP solvers (ex-
Optimisation methods cepto TS monoobjetivo) y curiosamente lo hace en el
enfoque multiobjetivo. La distribución geográfica de
7
esta instancia se muestra en la figura 5; en ella puede
apreciarse la elevada excentricidad de la distribución
de tiendas (el almacén se sitúa a un lado de ellas)
6

5
en comparación con el número de éstas. La instan-
RPD inventory cost

4 cia A80 tiene un valor de excentricidad similar, pero

3
para un número de tiendas mucho mayor. Quizá en
esto pueda hallarse la explicación de por qué ACO
2
funciona mejor en la primera y no en la segunda;
1
aclarar este punto se deja para trabajo futuro. En
0 todo caso, podemos concluir que aunque el método
ACO(1obj) ACO(2obj) CWLS(1obj)CWLS(2obj) TS(1obj)
Optimisation methods
TS(2obj)
CWLS con enfoque monoobjetivo funciona en gene-
ral mejor, es interesante contar con una herramienta
Fig. 4. Boxplots para costes de transporte e inventario que proporcione la posibilidad de utilizar otros VRP
solvers y enfoque multiobjetivo para poder abordar
casos especiales, tales como el de B35.

137
 Sesión general

delphia, PA, USA, 2001, SIAM monography on Discrete

B35 Mathematics and Applications.
[10] M. Cardós and J.P. Garcı́a-Sabater, “Designing a consu-
120
mer products retail chain inventory replenishment policy
100 Depot with the consideration of transportation costs.,” Inter-
national Journal of Production Economics, vol. 104, no.
80 2, pp. 525–535, 2006.
Distance (km)

[11] A.I. Esparcia-Alcázar, L. Lluch-Revert, M. Cardós,

60
40
20
0 [12]
0 20 40 60 80 100 120
Distance (km)
Fig. 5. Distribución geográfica en el problema B35
[13]
Hay que notar que estos resultados están sujetos
a las especificidades de los datos del problema, es
decir, productos de elevado coste y transporte rela-
tivamente barato. Como trabajo futuro, se conside-
rará además el caso en el que los productos tratados [14]
sean más baratos y por tanto el coste de inventario
se mueva a la par con el de transporte.
Agradecimientos [15]
Este trabajo forma parte de los proyectos NA- [16]
BILA (financiado por el IMPIVA, Ref. IMI-
DIN/2008/35, y con financiación parcial del Fondo
Europeo de Desarrollo Regional) y NoHNES (Minis-
terio de Educación y Ciencia - TIN2007-68083-C02).
Referencias [17]
[1] S. Çetinkaya and C. Lee, “Stock replenishment and ship-
ment scheduling for vendor-managed inventory systems,”
Management Science, vol. 46, no. 2, pp. 217–232, 2000.
[2] Leandro dos Santos Coelho and Heitor Silverio Lopes, [18]
“Supply chain optimization using chaotic differential
evolution method,” Systems, Man and Cybernetics,
2006. SMC ’06. IEEE International Conference on, vol. [19]
4, pp. 3114–3119, 8-11 Oct. 2006.
[3] Awi Federgruen and Paul Zipkin, “Combined vehicle
routing and inventory allocation problem.,” Operations
Research, vol. 32, no. 5, pp. 1019–1037, 1984.
[4] Sombat Sindhuchao, H. Edwin. Romeijn, Elif Akçali, and
Rein Boondiskulchok, “An integrated inventory-routing [20]
system for multi-item joint replenishment with limited
vehicle capacity,” J. of Global Optimization, vol. 32, no. [21]
1, 2005.
[22]
[5] S. Viswanathan and Kamlesh Mathur, “Integrating rou-
ting and inventory decisions in one-warehouse multire-
tailer multiproduct distribution systems,” Manage. Sci.,
[23]
vol. 43, no. 3, pp. 294–312, 1997.
[6] Anna I. Esparcia Alcázar, Lidia Lluch Revert, Ma-
nuel Cardós, Ken Sharman, and Carlos Andrés-Romano,
[24]
“Configuración de una herramienta evolutiva para el pro-
blema de transporte e inventario,” in Actas del V Con-
greso Español sobre Metaheurı́sticas, Algoritmos Evolu-
tivos y Bioinspirados (MAEB’07), Tenerife, Spain, Fe-
brero 2007, pp. 1–8.
[25]
[7] A.M. Campbell and M.W.P. Savelsbergh, “A decom-
position approach for the Inventory-Routing Problem,”
Transportation Science, vol. 38, no. 4, pp. 488–502, 2004.
[8] J.-F. Cordeau, Gendreau M., and G. Laporte, “A Ta-
[26]
bu Search heuristic for periodic and multi-depot Vehicle
Routing Problems,” Networks, vol. 30, no. 2, pp. 105–
119, 1997.
[9] P. Toth and D. Vigo, The Vehicle Routing Problem,
Society for Industrial and Applied Mathematics, Phila-
K. Sharman, and C. Andrés-Romano, “Design of a retail
chain stocking up policy with a hybrid evolutionary al-
gorithm,” in EvoCOP 2006, J. Gottlieb and G.R. Raidl,
Eds. April 2006, vol. LNCS 3906 of LNCS, pp. 49–60,
Springer.
A.I. Esparcia-Alcázar, L. Lluch-Revert, M. Cardós,
K. Sharman, and C. Andrés-Romano, “A comparison
of routing algorithms in a hybrid evolutionary tool for
the Inventory and Transportation Problem,” in Procee-
dings of the IEEE Congress on Evolutionary Compu-
tation, CEC 2006, Piero Bonissone Gary Yen, Lipo Wang
and Simon Lucas, Eds., Vancouver, Canada, July 2006,
IEEE, pp. 5605–5611, Omnipress.
A.I. Esparcia-Alcázar, L. Lluch-Revert, M. Cardós,
K. Sharman, and JJ Merelo, “Configuring an evolu-
tionary tool for the Inventory and Transportation Pro-
blem,” in Proceedings of the Genetic and Evolutionary
Computation Conference, GECCO 2007, Maarten Keij-
zer et al., Ed., London, England, July 2007, vol. II, pp.
1975–1982, ACM Press.
P. Augerat, J.M. Belenguer, E. Benavent, A. Corberán,
D.Ñaddef, and G. Rinaldi, “Computational results with
a branch and cut code for the Capacitated Vehicle Rou-
ting Problem,” Research Report 949-M, Université Jo-
seph Fourier, Grenoble, France, 1995.
Branch and cut.org, “Vehicle routing data sets.,” Web-
site., http://branchandcut.org/VRP/data/.
A. I. Esparcia-Alcázar, M. Cardós, JJ Merelo, A.I.
Martı́nez-Garcı́a, P. Garcı́a-Sánchez, E. Alfaro-Cid, and
K. Sharman, “EVITA: an integral evolutionary metho-
dology for the Inventory and Transportation Problem,”
in Bio-Inspired Algorithms for the Vehicle Routing Pro-
blem, Francisco B. Pereira and Jorge Tavares, Eds., vol.
161 of Studies in Computational Intelligence Series, pp.
151–172. Springer, 2009.
Lin Wei Dong and Cai Tian Xiang, “Ant Colony Opti-
mization for VRP and mail delivery problems,” in IEEE
International Conference on Industrial Informatics. Au-
gust 2006, pp. 1143–1148, IEEE.
G. Clarke and W. Wright, “Scheduling of vehicles from
a central depot to a number of delivery points.,” Opera-
tions Research, vol. 12, pp. 568–581, 1964.
Kalyanmoy Deb, Samir Agrawal, Amrit Pratap, and
T. Meyarivan, “A fast elitist non-dominated sorting ge-
netic algorithm for multi-objective optimisation: Nsga-
ii,” in PPSN VI: Proceedings of the 6th International
Conference on Parallel Problem Solving from Nature,
London, UK, 2000, pp. 849–858, Springer-Verlag.
M. Dorigo and T Stützle, Ant Colony Optimization, MIT
Press, 2004.
F. Glover and G.A. Kochenberger, Handbook of Me-
taheuristics, Kluwer Academic Publishers, 2002.
Dario Coltorti and Andrea E Rizzoli, “Ant Colony Op-
timization for real-world vehicle routing problems,” SI-
GEVOlution, vol. 2, no. 2, pp. 2–9, 2007.
M. Gendreau, G. Laporte, and J. Potvin, Methaheu-
ristics for the Capacitated VRP, 2002, In [9], pages
144-145.
A.M. Mora, J.J. Merelo, P.A. Castillo, J.L.J. Laredo, and
C. Cotta, “Influence of parameters on the performance of
a MOACO algorithm for solving the bi-criteria military
path-finding problem,” in WCCI 2008 Proceedings, 2008,
pp. 3506–3512.
Hu Xiang-pei, Ding Qiu-lei, Li Yong-xian, and Song Dan,
“An improved ant colony system and its application,” in
Computational Intelligence and Security, 2006 Interna-
tional Conference on, Nov. 2006, pp. 384–389.
M Gendreau, “An introduction to Tabu Search,” in
Handbook of Metaheuristics, F. Glover and G.A. Kochen-
berger, Eds., pp. 37–54. 1999.

138

View publication stats