Same-Day Deliveries in Omnichannel Retail - Integrated Order Picking and Vehicle Routing With Vehicle-Site Dependencies

Machine Translated by Google
Recibido: 30 noviembre 2019 Revisado: 4 de septiembre de 2020 Aceptado: 10 de septiembre de 2020
DOI: 10.1002/nav.21954
ARTÍCULO DE INVESTIGACIÓN
Entregas el mismo día en el comercio minorista omnicanal: selección de
pedidos y rutas de vehículos integradas con dependencias del sitio del vehículo
Daniel Schubert1 Heinrich Kuhn1 Andreas Holzapfel2
1Gestión y operaciones de la cadena de suministro,
Universidad Católica de EichstättIngolstadt, 85049 Abstracto
Ingolstadt, Alemania
Actualmente, el modo de entrega más común que se ofrece en la venta minorista en línea es la entrega al
2Departamento de Gestión Logística,
Universidad Hochschule Geisenheim, 65366 día siguiente. Los minoristas, sin embargo, están investigando si se pueden ofrecer entregas en el mismo
Geisenheim, Alemania día a los clientes en línea y de la tienda para cumplir con los crecientes requisitos de los clientes. El
Correspondencia presente documento considera un problema integrado de recolección de pedidos y enrutamiento de
Heinrich Kuhn, Supply Chain Management & Operations,
vehículos que asume la entrega el mismo día en el campo de la venta minorista omnicanal. Dentro de
Universidad Católica de EichstättIngolstadt,
85049 Ingolstadt, Alemania. este contexto, el documento se centra en el proceso de selección y entrega de grandes bienes de
Correo electrónico: heinrich.kuhn@ku.de
consumo duraderos, por ejemplo, productos electrónicos de consumo y electrodomésticos con la opción
Información de financiación de servicios de instalación asociados en el hogar del cliente, así como entregas en tiendas para clientes
ErichKellerhalsStiftung (Fundación), 85049 Ingolstadt,
de hacer clic y recoger y la reposición a corto plazo del inventario de la tienda. Desarrollamos un modelo
Alemania.
de apoyo a la toma de decisiones y un algoritmo general basado en la búsqueda de barrios variables que
abordan el problema descrito al considerar la compensación entre los costos de recolección y entrega al
tiempo que garantizan las ventanas de tiempo de entrega de los clientes. Los resultados muestran los
beneficios de un enfoque de solución integrada que ascienden a aprox. Ahorro de costos total del 13%
en promedio, en comparación con un enfoque secuencial que normalmente se aplica en la práctica
minorista. Un estudio de caso de un minorista omnicanal que opera internacionalmente demuestra las
ventajas y la aplicabilidad del enfoque de modelado y solución sugerido.
PALABRAS CLAVE
búsqueda de vecindario variable general, venta minorista en línea, preparación de pedidos, operaciones
minoristas, entrega el mismo día, rutas de vehículos
1 INTRODUCCIÓN un crecimiento del 76,2%. Asimismo, los ingresos aumentaron un 56,0% en
el campo de la electrónica y las telecomunicaciones de EUR
La creciente demanda de oportunidades de compra multicanal y omnicanal 7.55 mil millones (2015) a EUR 11.79 mil millones (2018) (bevh, 2019).
está obligando a las empresas minoristas a mejorar continuamente sus Los minoristas deben hacer frente a este desarrollo y cumplir con las
estrategias de cadena de suministro para satisfacer los requisitos de los expectativas cada vez mayores de los clientes, siendo los plazos de entrega
clientes (Agatz, Fleischmann y van Nunen, 2008; Gallino y Moreno, 2019). El muy cortos uno de los más difíciles (Hübner, Holzapfel, & Kuhn, 2015, 2016;
canal online está creciendo especialmente rápido. Si bien los ingresos totales Hübner, Holzapfel, Kuhn, & Obermair, 2019). Actualmente, el modo de
del canal en línea en Alemania ascendieron a EUR 20 200 millones en 2010, entrega estándar es "entrega al día siguiente", por ejemplo, se espera que
aumentaron drásticamente a EUR 53 300 millones y EUR 57 800 millones en los pedidos de los clientes que se realizan antes de las 8 p. m. se completen
2018 y 2019, respectivamente (HDE, 2019). Los ingresos por al día siguiente (Wollenburg, Holzapfel, Hübner y Kuhn, 2018). Mientras
electrodomésticos, por ejemplo, aumentaron de 2 440 millones EUR en 2015 tanto, sin embargo, los minoristas están investigando si y en qué condiciones
a 4 300 millones EUR en 2018, lo que equivale a se pueden ofrecer entregas en el mismo día a los clientes para
Este es un artículo de acceso abierto bajo los términos de la licencia Creative Commons AttributionNonCommercialNoDerivs , que permite el uso y la distribución en cualquier medio, siempre que se cite correctamente el trabajo
original, el uso no sea comercial y no se realicen modificaciones ni adaptaciones. . © 2020 Los autores. Naval Research Logistics
publicado por Wiley Periodicals LLC.
Naval Res Logística 2020;1–24 wileyonlinelibrary.com/journal/nav 1
2 SCHUBERT Y AL.
para hacer frente a los requisitos emergentes de los clientes para plazos El artículo desarrolla un enfoque basado en la búsqueda de vecindad
de entrega más cortos, mejorando como resultado los servicios al cliente variable (VNS) que hace posible obtener soluciones de alta calidad en
(McK Insey, 2017; Voccia, Campbell y Thomas, 2017). tiempos de computación cortos para instancias de tamaños prácticamente
Los minoristas en línea suelen operar centros de distribución (DC) que relevantes. El procedimiento de solución mejora claramente los resultados
son responsables de cumplir con la mayoría de los pedidos de los clientes de los enfoques secuenciales que normalmente se aplican en la práctica.
(Holzapfel, Kuhn y Sternbeck, 2018). Los productos correspondientes a Un estudio de caso conjunto con un minorista europeo líder en electrónica
estos pedidos son recogidos en el CD y posteriormente entregados en y electrodomésticos demuestra la aplicabilidad del enfoque de modelado
los lugares solicitados por los clientes. En la práctica minorista, ambos y solución desarrollado.
procesos, es decir, la recolección y la entrega, se consideran
mayoritariamente operaciones independientes (Kuhn, Schubert y El resto del documento está organizado de la siguiente manera.
Holzapfel, 2020; Moons, Ramaekers, Caris y Arda, 2018; Schubert, La Sección 2 detalla el contexto del proceso de recolección y entrega
Scholz y Wäscher, 2018). Ambos procesos, sin embargo, están bajo consideración e ilustra las interdependencias entre ambos procesos.
fuertemente interconectados debido al corto lapso de tiempo entre la La Sección 3 revisa la literatura relacionada, mientras que la Sección 4
llegada del pedido del cliente y el intervalo de tiempo de entrega en el formula el modelo de soporte de decisiones del enfoque de planificación
contexto de la entrega en el mismo día. Esta situación se aplica tanto integrada. En la Sección 5 se propone un VNS mejorado, es decir, un
cuando los minoristas tienen su propia flota de entrega como cuando enfoque VNS general (GVNS) para resolver este problema. La Sección 6
alquilan un agente de transporte para cumplir con sus entregas. comprende experimentos numéricos con instancias de problemas
simulados, así como instancias de la práctica. La misma sección también
Un vehículo, por ejemplo, solo puede comenzar a ejecutar su recorrido presenta varios puntos de vista gerenciales. La Sección 7 completa el
una vez que todos los artículos de los pedidos de los clientes asignados documento y describe otras oportunidades de investigación.
han sido seleccionados y colocados en el muelle de carga del almacén y
posteriormente cargados en el espacio de envío del vehículo. Sin
embargo, el tiempo requerido para preparar todos los pedidos de un
recorrido en el muelle de carga depende del horario de preparación de 2 DESCRIPCIÓN DEL PROBLEMA
pedidos. Asimismo, todo el tiempo de entrega del tour depende de los
pedidos asignados. Así, un cronograma para las operaciones de El problema bajo investigación considera un minorista omnicanal que
recolección de pedidos puede ser favorable para la recolección pero opera una gran cantidad de tiendas físicas y un canal en línea (Gallino &
desfavorable para la entrega y viceversa. Por lo tanto, surge la pregunta Moreno, 2019; Hübner et al., 2015; Wollenburg, Hübner, Kuhn, &
de cuál de todas las combinaciones posibles minimizará los costos Trautrims, 2018).
generales de recolección y entrega al tiempo que garantiza las fechas de El minorista ofrece grandes bienes de consumo duradero, por ejemplo,
entrega y los requisitos de servicio acordados. Esto es especialmente electrónica de consumo y electrodomésticos (televisores, antenas
crucial para las entregas el mismo día, ya que se requieren turnos de parabólicas, lavadoras, frigoríficos, lavavajillas, etc.) en ambos canales.
recolección y recorridos de entrega adicionales durante la tarde y la noche. Los clientes tanto en línea como en la tienda pueden solicitar un
Esto aumenta los costos de entrega y requiere una mayor flexibilidad entrega a domicilio de los bienes adquiridos y adicionalmente solicitar los
dentro de todo el sistema de distribución del minorista. Por lo tanto, los servicios de instalación asociados en el destino de entrega solicitado.
minoristas dudan en ofrecer este servicio, en gran parte debido a su falta Además, la estructura dada permite que el minorista cumpla con los
de rentabilidad (Hübner et al., 2016). pedidos de hacer clic y recoger para los clientes que deseen
La práctica minorista requiere nuevos sistemas de soporte de recoger los productos que han pedido en las tiendas del minorista, o para
decisiones que aborden el problema descrito al considerar la compensación realizar entregas en tiendas generales con poca antelación (Paul, Agatz,
entre los costos de recolección y entrega y al mismo tiempo garantizar Spliet y Koster, 2019). El minorista cumple con todos estos diferentes
las ventanas de tiempo de entrega de los clientes. La literatura analiza tipos de pedidos de clientes y tiendas desde uno de sus omnichan
esta clase de problemas de decisión como problemas integrados de nel almacenes regionales. Esta estructura general también permite que
selección de pedidos y rutas de vehículos (Kuhn et al., 2020; Moons et el minorista realice entregas tanto a los clientes como a las tiendas en
al., 2018; Schubert et al., 2018). Este tipo de clase de problema, sin unas pocas horas, lo que es especialmente importante cuando se ofrece
embargo, es difícil de resolver ya que se sabe que los problemas la opción de entrega en el mismo día (McKinsey, 2017; Voccia et al.,
individuales son NPdifíciles. Los métodos de solución exacta solo son 2017). El minorista en nuestro caso puede ofrecer una opción de entrega
adecuados para instancias muy pequeñas. Un minorista, sin embargo, en el mismo día para una gran cantidad de pedidos de clientes y tiendas.
tiene que gestionar un número considerable de pedidos incluso en el caso
de entrega en el mismo día: la empresa espera hasta 200 pedidos en En el resto de esta sección definimos el tiempo
nuestro caso. Esto significa que se requieren procedimientos de solución línea de eventos, los procesos de cumplimiento individuales, los recursos
heurística apropiados. requeridos y la interconexión entre estos procesos, lo que requiere un
El presente artículo contribuye a la literatura de la siguiente manera. enfoque de planificación integrado en el entorno de entrega el mismo día
Retoma el problema de decisión descrito y desarrolla un nuevo programa descrito. Tenga en cuenta que, a continuación, denotamos todos los
de enteros mixtos (MIP) que también considera servicios de instalación pedidos como "pedidos de clientes", independientemente de si se
adicionales en los destinos de entrega. originan únicamente de clientes en línea,
SCHUBERT Y AL. 3
FIGURA 1 Cronología de eventos y procesos individuales
clientes de hacer clic y recoger, clientes de la tienda o desde la propia tienda. aproximarse de antemano (Schubert et al., 2018). El tiempo de selección del
pedido de un cliente incluye un tiempo de configuración para preparar un recorrido
(de selección), el tiempo de viaje, un tiempo de búsqueda para identificar un
artículo, un tiempo de selección para el proceso de recuperación y el tiempo de
2.1 Cronología de los eventos
carga en el vehículo (Tompkins, Blanco, Bozer y Tanchoco, 2010). Además, se
En el contexto de la entrega en el mismo día, todo tipo de clientes pueden realizar deben asegurar los siguientes supuestos para aproximar los tiempos de proceso
sus pedidos en una etapa temprana del día, es decir, antes de una determinada esperados con suficiente precisión: una aplicación permanente de una estrategia
hora límite (por ejemplo, las 3 p. m.), y recibir los productos correspondientes de enrutamiento específica, un diseño de almacén con pasillos amplios y
en casa en la tarde o noche. El minorista define una hora de llegada más disponibilidad continua de los artículos en demanda.
temprana (p. ej., 4 p. m.) y una más tardía (p. ej., 8 p. m.) a la casa del cliente. El
proceso de selección puede comenzar inmediatamente después de la hora límite.
Tenga en cuenta que, de hecho, es común que los pedidos de entrega en el
2.3 Proceso de entrega
mismo día no se recojan de antemano, es decir, tan pronto como lleguen estos
pedidos, debido a las limitaciones de espacio en los muelles de carga del El proceso de entrega comienza tan pronto como se carga un vehículo con los
almacén, y para evitar mezclar estos pedidos con la entrega estándar. (ver, por productos requeridos para el recorrido de entrega programado. En este contexto,
ejemplo, Hübner et al. (2015)). Por lo tanto, el proceso de preparación de pedidos debe considerarse la hora de llegada más temprana posible a los hogares de los
de estos pedidos comienza después de la hora límite. El proceso de entrega clientes. En general, en la práctica minorista se aplican dos opciones de tiempo
comienza tan pronto como se cargan los respectivos vehículos, lo que podría ser de entrega: (a) los clientes pueden elegir una ventana de tiempo determinada
considerablemente antes de la hora de llegada más temprana definida debido al (por ejemplo, 2 horas) dentro de la cual debe comenzar el servicio
tiempo de viaje hasta el cliente. El servicio correspondiente, o (b) el servicio de entrega puede comenzar en cualquier
momento durante todo el lapso de tiempo de entrega predefinido por el minorista,
Sin embargo, el proceso puede durar más que la última hora de llegada permitida es decir, entre la hora más temprana y la más tardía de llegada al domicilio del
a la casa del cliente debido al servicio. cliente. La última opción se denomina "ventana de tiempo general". Además, un
tiempo requerido. La Figura 1 ilustra la línea de tiempo de los eventos y los recorrido de entrega suele estar limitado por limitaciones de tiempo y espacio.
procesos individuales. El tiempo de entrega incluye los tiempos de viaje, espera y servicio necesarios
para cumplir con todos los pedidos de los clientes asignados a un tour. Además,
debe tenerse en cuenta el espacio de carga del vehículo. Un recorrido típico
2.2 Proceso de preparación de pedidos contiene de 5 a 15 pedidos de clientes en el contexto de entrega considerado.
Los artículos grandes generalmente se recogen uno por uno del área de
almacenamiento del almacén utilizando un dispositivo de selección especial, por
ejemplo, una carretilla elevadora con abrazadera. Tenga en cuenta que esta
estrategia de selección generalmente se denomina "selección discreta". Un
2.4 Servicios de entrega adicionales
artículo recogido discretamente a menudo corresponde al tamaño del pedido del
El minorista ofrece servicios de instalación adicionales en la entrega
cliente, ya que los bienes de consumo duraderos grandes generalmente se piden individualmente.
El proceso de picking tiene entonces la siguiente secuencia: un recogepedidos todos los destinos que pueden ser ordenados por los clientes con un cargo
recibe una orden de picking en la zona de expedición del almacén, conduce o adicional. En general, se ofrecen tres tipos de servicios en el caso de grandes
camina hasta el lugar de almacenamiento correspondiente, recoge el artículo y bienes de consumo duradero: (a) entrega solo en el lugar de destino, (b) entrega
finalmente regresa a la zona de descarga, es decir, al rampa del almacén, o en el lugar de destino y servicios básicos de instalación, y (c) entrega en el lugar
carga el artículo directamente en el espacio de carga del vehículo que espera de destino con todo tipo de instalación, por ejemplo, incluyendo acometidas de
(De Koster, LeDuc y Roodbergen, 2007). Por lo tanto, el tiempo de procesamiento corriente de alta tensión y/o servicios de carpintería. Un empleado calificado
esperado de un pedido de cliente en el almacén (tiempo de recolección) puede (conductor y/o copiloto) es
4 SCHUBERT Y AL.
FIGURA 2 Visualización de las interdependencias entre el proceso de recolección y entrega [La figura en color se puede ver en wileyonlinelibrary.com]
necesario para cada tipo de servicio, y también se debe preparar el equipo 2.6 Decisiones y sus interdependencias

de instalación en el vehículo utilizado. El equipo requerido y las
En el contexto de la entrega en el mismo día, el proceso de preparación
calificaciones de los conductores para cada tipo de servicio difieren
de pedidos en el almacén y el proceso de entrega a domicilio, es decir,
significativamente. Si bien solo existen unos pocos requisitos para el
los recorridos de entrega, están interconectados debido al breve lapso de
nivel de servicio más básico, se necesita un equipo particular para el nivel
tiempo entre la llegada del pedido del cliente y la entrega del mismo.
de servicio más alto, por ejemplo, materiales consumibles, herramientas,
fecha. La conexión de ambos subproblemas se ilustra en la Figura 2.
así como un nivel de cualificación específico del conductor y/o copiloto. .
El nivel de servicio más alto requerido por al menos un pedido de cliente
Se planean dos recolectores y tres vehículos para recoger y entregar
asignado a una furgoneta define el tipo de vehículo asociado. Éste,
los 12 pedidos pendientes de los clientes, es decir, C1, C2, C12. Todos
además, define el nivel mínimo de cualificación del piloto y/o copiloto.
…, los pedidos pueden ser entregados durante el período de entrega
general. Solo los clientes C4 y C6 han elegido una ventana de tiempo
Los materiales y herramientas especializados necesarios para cumplir
específica para su entrega. Un vehículo puede iniciar su recorrido de
con los respectivos servicios ya están disponibles en todas las furgonetas
entrega asociado en cuanto el almacén haya preparado el último pedido
o están presentes en cajas o jaulas antivuelco que se cargan
de cliente que le ha sido asignado. Un recorrido de entrega generalmente
adicionalmente en la furgoneta a la salida. Por lo tanto, los vehículos se
alterna entre los procesos de viaje y servicio. Se produce un tiempo de
pueden dividir en diferentes tipos de vehículos según los tipos de servicio
para los que se pueden utilizar y las cualificaciones del conductor asociadas. espera adicional si un vehículo llega a la casa del cliente antes de lo más
temprano.
Cada tipo de servicio requiere un cierto tiempo de servicio que debe
tenerse en cuenta al programar la entrega de los pedidos de los clientes. posible hora de llegada. El vehículo #1, por ejemplo, llega al cliente C4
antes de que se solicite la entrega asociada. Por lo tanto, el conductor y/
o el personal de servicio deben esperar hasta que se alcance la ventana
de tiempo correspondiente. El recorrido del segundo vehículo (n.º 2), por
2.5 Recursos necesarios otro lado, está programado de manera que llegue exactamente dentro de
la ventana de tiempo solicitada por el cliente C6.
La demanda de los clientes varía de un día a otro en la práctica minorista.
Por lo tanto, los recursos necesarios también variarán de un día a otro,
La planificación integrada de ambos procesos, es decir, el picking y la
es decir, el número de vehículos por tipo y el número de recogepedidos
entrega, permite iniciar los recorridos de entrega lo antes posible, lo que
necesarios para procesar los respectivos pedidos de los clientes. En el
permite atender a más clientes dentro de los respectivos recorridos. Por
presente documento asumimos que estos recursos son proporcionados
lo tanto, los vehículos se utilizan de manera más eficiente con respecto al
por empresas de entrega, subcontratistas que realizan el proceso de
recolección u otras unidades de negocios del minorista con poca espacio de carga y el tiempo de conducción.
antelación. Tenga en cuenta que, en el presente caso, la empresa de Este no sería el caso si todos los recorridos de entrega comenzaran al
entrega y el subcontratista están dispuestos a ofrecer esta flexibilidad a mismo tiempo, como se supone en los enfoques de planificación
corto plazo, ya que todas las partes involucradas están interrelacionadas secuencial (Klapp, Erera y Toriello, 2018). Por lo tanto, el proceso de
dentro de una relación comercial amplia, nacional y de larga data. El uso preparación de pedidos en el almacén y el proceso de entrega a domicilio
deben estar coordinados.
de estos recursos es luego remunerado o compensado en función de su
respectivo uso. El minorista, sin embargo, tiene toda la autoridad de Además, la cantidad de recolectores asignados influye en la hora de
planificación y decide con poca anticipación cuántas unidades de cada inicio más temprana de los respectivos recorridos de entrega y, por lo
uno de los recursos se requieren para cumplir con todos los pedidos de tanto, influye en la cantidad de vehículos necesarios. Los recorridos de
los clientes dentro del horizonte de planificación. Por lo tanto, el objetivo entrega pueden comenzar antes con una mayor cantidad de recolectores,
del minorista es minimizar los costes totales de lo que puede reducir la cantidad de vehículos necesarios. Por otro lado,
recolectores y vehículos utilizados para cumplir con todos los pedidos de un mayor número de vehículos permite operar el almacén con un menor
los clientes, incluidos los respectivos servicios solicitados. Este tipo de número de recolectores. Esto significa que se dispone de más tiempo
organización es una práctica común en el entorno de planificación que se para que los productos estén disponibles en la rampa del almacén.
está considerando.
SCHUBERT Y AL. 5
2.7 Problema de decisión es decir, los recolectores. Entonces se minimiza el número de recolectores
(contenedores) necesarios para realizar todos los pedidos. Una visión general reciente de la
El problema de planificación actual requiere determinar tanto el número de
El problema clásico (unidimensional) de empaque de contenedores se puede
recolectores como el número de vehículos requeridos por tipo de vehículo. Además,
encontrar en Delorme, Iori y Martello (2016), que incluye enfoques de solución tanto
los pedidos de clientes disponibles tienen que ser asignados a los recolectores y
exactos como heurísticos. Morihara et al. (1982) proponen tres algoritmos de
vehículos individuales, y la secuencia respectiva de su ejecución tiene que ser
aproximación y los comparan con la regla del mayor tiempo de procesamiento
determinada de tal manera que las ventanas de tiempo del cliente prometidas y el
(LPTR). LPTR organiza los pedidos de acuerdo con tiempos de procesamiento no
tipo de servicio requerido, es decir, estándar, medio o servicio completo, están
crecientes. Aplicando esta secuencia, se asignan sucesivamente a las ubicaciones
satisfechos. Por lo tanto, el objetivo del presente documento es desarrollar un
con mayor capacidad remanente. Morihara et al. (1982) concluyen que LPTR es un
modelo de soporte de decisiones y un enfoque de solución apropiado que aborde el
enfoque muy competitivo para minimizar el número de contenedores (recolectores)
problema descrito al considerar la compensación entre los costos de recolección y
requeridos.
entrega al tiempo que garantiza las ventanas de tiempo de entrega de los clientes.
De Koster et al. (2007) y van Gils et al. (2018) presentan resúmenes completos
sobre diversos problemas de planificación de preparación de pedidos, incluidos los
problemas de enrutamiento y asignación de mano de obra.
3 REVISIÓN DE LA LITERATURA
La revisión de la literatura primero discute la literatura relacionada con el
3.2 Subproblema de enrutamiento de vehículos
subproblemas de selección de pedidos individuales (ver Sección 3.1) y enrutamiento
de vehículos (ver Sección 3.2). Posteriormente analizamos la literatura que Un problema clásico de generación de rutas para vehículos (VRP) implica
considera un enfoque de planificación simultánea (ver Sección 3.3). básicamente dos tipos de decisiones: los pedidos de los clientes deben asignarse a
los vehículos y cada vehículo debe programarse de manera que todos
se cumplen los pedidos de los clientes. Se ha extendido en los últimos
décadas a través de restricciones y decisiones adicionales. Éstas tienen
3.1 Problema de preparación de pedidos más comúnmente han sido limitaciones de capacidad y ventana de tiempo (Vidal,
Crainic, Gendreau, & Prins, 2013a). Tres características principales caracterizan
A nivel de planificación operativa, se debe determinar el número de recolectores
particularmente el subproblema de ruteo de vehículos que se está considerando. En
de pedidos por día o turno y luego asignarlos a las diferentes áreas y zonas del
primer lugar, el servicio en el domicilio del cliente debe iniciarse dentro de una
almacén. Los problemas de planificación correspondientes se denominan problemas
ventana de tiempo específica. En segundo lugar, cada pedido de cliente contiene
de asignación y nivel de la fuerza laboral (van Gils, Ramaekers, Caris y Cools,
una fecha de lanzamiento específica. En tercer lugar, el pedido de un cliente solo
2017). El problema de asignación de pedidos define cómo se asignan los pedidos
puede ser atendido por un subconjunto de la flota de vehículos.
de los clientes (o selección) a un recolector individual (Scholz, Schubert y Wäscher,
Por lo tanto, la revisión posterior se concentra en la literatura que considera los VRP
2017). Se pueden distinguir dos estrategias principales: preparación de pedidos
que incluyen al menos una de estas características.
individuales, es decir, “recogida discreta” y preparación de lotes (De Koster et al.,
2007; van Gils, Caris, Ramaekers, & Braekers, 2019; van Gils, Ramaekers, Caris ,
& de Koster, 2018). 3.2.1 VRP con ventanas de tiempo
Se pueden encontrar descripciones generales recientes y completas sobre VRP que
incluyen VRP considerando ventanas de tiempo en Vidal et al. (2013a) y Toth y Vigo
Las circunstancias del problema de planeación considerado en el presente (2014). Vidal, Crainic, Gen dreau y Prins (2013b) presentan un algoritmo de última
artículo requieren que los pedidos de los clientes sean seleccionados discretamente, generación para una amplia clase de problemas de enrutamiento de vehículos
es decir, uno por uno. El problema de selección discreta tiene similitudes con el asumiendo ventanas de tiempo específicas del cliente. Sin embargo, las restricciones
problema de programación de máquinas paralelas al interpretar a los recolectores de fecha de lanzamiento no están incluidas en los enfoques descritos y analizados
de pedidos como máquinas, los pedidos de los clientes como trabajos y los tiempos en estos estudios.
de selección como tiempos de procesamiento independientes de la máquina
(Schubert et al., 2018). Los plazos específicos del pedido también deben tenerse en
cuenta en el caso de que se den recorridos de entrega. Debe definirse un plazo
general si la preparación de pedidos y la ruta del vehículo se planifican de forma 3.2.2 VRP con fechas de lanzamiento
independiente. Todos los artículos deben estar disponibles en la rampa del almacén La solución al subproblema de recolección de pedidos define las fechas de
en este plazo. En ese caso, el problema de selección de pedidos es equivalente al finalización de las órdenes de recolección, que a su vez definen las fechas de
conocido problema de empaque de contenedores completos NP (Morihara, Ibaraki liberación de las órdenes de entrega. El subproblema de enrutamiento de vehículos
y Hasegawa, 1982). Un recogepedidos se interpreta como un contenedor y su tiene que considerar estas fechas de publicación. Archetti, Feillet y Speranza (2015)
capacidad corresponde al plazo general predefinido. Los pesos de los artículos son investigan la complejidad de los problemas de enrutamiento con fechas de
iguales a los tiempos de recolección de los pedidos, que deben asignarse a las lanzamiento. Archetti, Jabali y Speranza (2015) estudian y resuelven un VRP de
ubicaciones, que varios períodos con fechas de lanzamiento y vencimiento. Cattaruzza, Absi y Feillet
(2016) presentan
6 SCHUBERT Y AL.
un algoritmo genético híbrido para el problema de enrutamiento de vehículos de recolectores de pedidos adicionales, respectivamente, costos fijos por vehículo
viajes múltiples con ventanas de tiempo y fechas de lanzamiento. utilizado y costos variables por tiempo de viaje de un vehículo.
Moons, Braekers, Ramaekers, Caris y Arda (2019) y Ramaekers, Caris, Moons y
van Gils (2018) abordan un problema idéntico. Lunas et al. (2019) desarrollan un
3.2.3 VRP con dependencias del sitio En el
enfoque de solución heurística y Ramaekers et al. (2018) aplican la heurística
presente estudio, los vehículos se clasifican en diferentes tipos de vehículos
desarrollada para obtener información gerencial con respecto a las ventanas de
según el tipo de servicio solicitado por los clientes. Los VRP con dependencias del
tiempo. Kuhn et al. (2020) integran el procesamiento por lotes de pedidos, la
sitio tienen esto en cuenta. Cordeau y Laporte (2001) muestran que el problema
selección de pedidos y las operaciones de entrega en un enfoque de planificación
de enrutamiento de vehículos dependiente del sitio (SDVRP) se puede formular
simultánea al abastecer microtiendas y tiendas de conveniencia de gasolineras
como un caso especial del problema de enrutamiento periódico de vehículos
con bienes perecederos y duraderos.
(PVRP) donde el número de períodos de entrega es igual al número de tipos de
vehículos, y cada el cliente tiene que ser atendido en un solo día. El conjunto de
Proponen una extensión de una metaheurística de búsqueda adaptativa de
días permitidos de visita para cada cliente entonces es igual al conjunto de
vecindario grande (ALNS) denominada ALNS general (GALNS) y demuestran la
vehículos del SDVRP correspondiente que están permitidos. Esto también es cierto
aplicabilidad del enfoque de modelado y solución sugerido en la práctica minorista.
para el problema de enrutamiento de vehículos de múltiples depósitos (Cordeau,
Gendreau y Laporte, 1997). En ese caso, cada depósito representa un determinado
En contraste con los enfoques integrados de selección de pedidos y rutas de
tipo de vehículo. vehículos que se acaban de mencionar, hay varias contribuciones que consideran
el problema de la producción y distribución integradas, lo que implica una estrategia
de producción por pedido. Chen (2010) y Moons, Ramaekers, Caris y Arda (2017)
Nos referimos a Vidal et al. (2013b) para una revisión extensa de todas estas
brindan revisiones exhaustivas sobre este tema. Schubert et al. (2018) también
clases de problemas de generación de rutas para vehículos. Vidal et al. revisan ampliamente este tipo de contribuciones centrándose en la programación
proporcionan el algoritmo de última generación actual para resolver el VRP con integrada de máquinas y los problemas de enrutamiento de vehículos. Sin embargo,
dependencias del sitio y ventanas de tiempos difíciles. (2013b). Los autores estos enfoques son de menor interés en nuestro entorno, ya que el presente
sugieren un algoritmo genético híbrido con control de diversidad avanzado. Otros documento se centra en el problema integrado de selección de pedidos y
autores sugieren enfoques de solución basados en vecindarios, por ejemplo, una enrutamiento de vehículos considerando las restricciones dependientes del sitio,
búsqueda tabú unificada de Cordeau, Laporte y Mercier (2004), una búsqueda es decir, las dependencias de compatibilidad entre los sitios del cliente y los tipos
adaptativa de vecindarios grandes de Pisinger y Ropke (2007) y una búsqueda de vehículos. Hasta donde sabemos, un problema de enrutamiento de vehículos
tabú unificada paralela de Cordeau y Maischberger (2012). ZareReisabadi y Mir dependiente del sitio (SDVRP), especialmente la estructura anidada de la utilidad
mohammadi (2015) proponen un enfoque basado en un sistema de colonias de de diferentes tipos de vehículos para cumplir con ciertos tipos de servicios, no se
hormigas que resuelve un VRP con dependencias del sitio asumiendo ventanas ha considerado parte de un problema integrado con cualquier tipo de servicio.
de tiempo blandas. programación de máquinas o configuración de preparación de pedidos.
Resumiendo la literatura disponible sobre problemas integrados de selección
3.3 Problemas integrados y relacionados
de pedidos y rutas de vehículos, solo un número muy limitado de artículos abordan
Solo unas pocas publicaciones sugieren un enfoque integrado para resolver un el problema general (Kuhn et al., 2020; Moons et al., 2018; Schubert et al., 2018),
problema de selección de pedidos y rutas de vehículos. y para hasta donde sabemos, el problema de planificación en cuestión no ha sido
Schmid, Doerner y Laporte (2013) presentan la integración de la preparación de considerado en la literatura hasta el momento. Por lo tanto, el presente documento
pedidos y el enrutamiento de vehículos como un esfuerzo que vale la pena para contribuye a la literatura de la siguiente manera. Se desarrolla un MIP novedoso
futuras investigaciones. Schubert et al. (2018) consideran un problema que integra que aborda el problema integrado de selección de pedidos y enrutamiento de
la preparación de pedidos y el enrutamiento de vehículos a nivel operativo. Los vehículos definido considerando la compensación entre los costos de recolección
autores asumen un número predefinido de preparadores de pedidos, un número y entrega al tiempo que se garantizan las ventanas de tiempo de entrega de los
dado de vehículos homogéneos y fechas de entrega específicas del cliente. Para clientes y los servicios individuales solicitados.
minimizar la tardanza total, es decir, la suma de todas las diferencias no negativas
entre las fechas de entrega programadas y solicitadas, se propone una formulación El modelo considera especialmente servicios adicionales en el destino de entrega.
de modelo y un algoritmo de búsqueda local iterado. Estos servicios individuales requieren cualificaciones específicas del personal de
reparto y un determinado tipo de vehículo. Estos servicios están organizados
El problema formulado por Moons et al. (2018) se refiere a un número determinado anidados de manera que los equipos más calificados puedan cumplir con los
de recogepedidos que se puede aumentar hasta cierto nivel. Para las operaciones servicios que requieren calificaciones más bajas, pero no al revés. Se desarrolla
de entrega, se supone que hay disponible en el almacén un número restringido un procedimiento de solución heurística apropiado que mejora los resultados de
de vehículos con capacidades y costos heterogéneos. Una fórmula modelo los enfoques secuenciales que se aplican habitualmente en la práctica. Además,
el enfoque de solución desarrollado resuelve instancias de tamaños prácticamente
se presenta una ción que tiene como objetivo minimizar los costos totales relevantes en un tiempo computacional corto. Dentro
compuestos por costos variables por el salario proporcional de trabajadores regulares y
SCHUBERT Y AL. 7
un extenso análisis numérico, el documento demuestra el valor de la integración para el problema que se está considerando, ya que las ventanas de tiempo
para la preparación de pedidos y la planificación de la entrega, lo que se generales y un plazo de entrega son casos especiales de ventanas de tiempo
vuelve especialmente cierto para los minoristas omnicanal que ofrecen una específicas del cliente.
opción de entrega el mismo día. También se lleva a cabo un estudio de caso
en cooperación con un minorista omnicanal líder en Europa que demuestra la
aplicabilidad en la vida real del enfoque de modelado y solución sugerido. 4.2 Subproblema de preparación de pedidos
El artículo pedido por el cliente i es recogido específicamente para el cliente
por un recolector en un llamado recorrido de recolección desde su ubicación
de almacenamiento en el almacén. El tiempo de recolección requerido para
4 MODELO MATEMÁTICO
recolectar el artículo y cargarlo en el espacio de envío del vehículo se denota
pi, i N. Suponemos la disponibilidad de un número suficientemente grande
En la presente sección, desarrollamos un modelo de soporte de decisiones
de recolectores, por lo que cada uno de los recolectores utilizados se cobra a
para el problema integrado de preparación de pedidos y rutas de vehículos
un precio fijo. tasa de costo de cpicker. Determinar el número de recolectores
que se está considerando. Para lograr esto, primero definimos los parámetros
utilizados es parte del proceso de toma de decisiones. Además, los pedidos de
que especifican los pedidos de los clientes dados al comienzo del horizonte
los clientes deben asignarse a los recolectores y los pedidos asignados deben
de planificación. A continuación, nombramos los parámetros y las variables
secuenciarse.
de decisión que definen ambos subproblemas, el subproblema de selección de
Las decisiones de asignación y secuenciación se cuantifican mediante las
pedidos, denominado Problema de asignación y secuenciación de pedidos
siguientes variables de decisión: yi {0, 1} define si el orden i se asigna (yi =
(OASP), y el subproblema de entrega, denominado Problema de generación
1) a la primera posición en la lista de selección de uno de los recolectores
de rutas para vehículos con dependencias del sitio (VRPSD). Finalmente,
disponibles o no (yi = 0). La suma ∑ i Nyi cuantifica el número de recolectores
formulamos un MIP integrado, que se denomina OASVRPSD.
utilizados. Se introduce un pedido de cliente artificial |N|+1, N+ = N {|N|+1} y
la variable binaria zij, i N, j N+, para representar los pedidos posteriores
en cada una de las listas de selección (Biskup , Herrmann y Gupta, 2008). La
4.1 Pedidos de clientes variable zij indica entonces si un pedido i se procesa inmediatamente antes del
pedido j (zij = 1), o no (zij = 0). El pedido i se procesa en último lugar en una
En el momento de la planificación, se proporciona un conjunto de pedidos de
lista de selección si zi, |N|+1 = 1. Esto significa el momento en el que el almacén
clientes N = {1, 2, ..., i, ..., |N|} y todos los pedidos deben cumplirse en el día
prepara el artículo de un pedido para su entrega, es decir, la fecha de liberación
respectivo. Cada pedido de cliente i se caracteriza por un artículo con un cierto
ri, i N, de la orden respectiva depende de las órdenes previamente asignadas
peso wi y un requisito de espacio vi, i N. Estos artículos deben prepararse
a un mismo recolector, es decir, de la suma de sus tiempos de recolección, y
en el almacén y entregarse en la ubicación del cliente correspondiente. Más
del tiempo de recolección de la propia orden correspondiente.
aún, un cliente demanda un determinado pero único tipo de servicio que
puede ser cumplido por vehículos específicos de tipo k, k K, que incluyen
equipos de servicio específicos que están calificados para cumplir con el
servicio requerido. El parámetro binario eik indica entonces si el cliente i puede
ser atendido por el tipo de vehículo k (eik = 1) o no (eik = 0). Tenga en cuenta
que se supone que un equipo de servicio más calificado, es decir, el tipo de
4.3 Subproblema de enrutamiento de vehículos
vehículo, también puede realizar servicios de nivel inferior. Cumplir con el
servicio solicitado por el cliente i requiere un tiempo de servicio específico si, i Los artículos preparados por los recolectores en la rampa del almacén son
N. La duración del tiempo de servicio solo depende del tipo de servicio a entregados a los clientes por vehículos que son capaces de ofrecer los
prestar, y es independiente del nivel de calificación del equipo que presta el servicios individuales requeridos por los clientes. Todo el conjunto de vehículos
servicio. El tiempo de servicio incluye las operaciones de descarga y el tiempo con diferentes ser
de conexión e instalación según el tipo de servicio solicitado. El servicio debe las calificaciones de vicio disponibles en el almacén se denotan M = {1, 2, …,
comenzar dentro de una ventana de tiempo específica del cliente y debe m, …, | M|}. El conjunto M cubre los subconjuntos inconexos de vehículos Mk,
completarse en una sola visita. La ventana de tiempo está definida por un k K, correspondientes a los tipos de servicios ofrecidos a los clientes. Se
límite inferior y un límite superior i N. El inicio del servicio se pospone hasta supone que hay disponible un número suficientemente grande de vehículos de
que se alcanza el límite inferior de la ventana de tiempo si un vehículo llega cada tipo de vehículo (|Mk|≥|N|) al comienzo del horizonte de planificación.
temprano a la casa de un cliente. Sin embargo, no se permiten llegadas tardías, Cada tipo de vehículo está asociado con una tasa de costo específica del tipo
es decir, un inicio del servicio
i después del límite de tiempo
i, superior. En ck debido a las diferencias tanto en la calificación del conductor como en el
vehículo
consecuencia, el servicio solicitado por el cliente i debe comenzar exactamente equipo requerido. Determinar el número de vehículos utilizados por tipo es
dentro de la ventana de tiempo definida [ i, i]. La hora de inicio del servicio i se parte del proceso de toma de decisiones. Además, los pedidos de los clientes
denota como ai. Tenga en cuenta que esto define el caso más general deben asignarse a los vehículos utilizados y secuenciarse.
Las variables uim, i N, m M, determinan si un pedido de cliente i se

asigna al vehículo m (uim = 1) o no (uim = 0). La decisión de secuencia, es
decir, la ruta del vehículo, se cuantifica por
8 SCHUBERT Y AL.
quanti variable xm ij , i, j N0, m M. La variable de decisión

determina si la ubicación del cliente i es visitada inmediatamente antes v ≥ ∑ vi uim m METRO (dieciséis)
i N
de la ubicación j por el vehículo m (xm = 1) o no (xm = 0). Cada ij ij
la ruta comienza y termina en el almacén que está indexado con 0, N0
w ≥ ∑ wi uim m METRO (17)
= N {0}. Los vehículos tienen una capacidad uniforme de peso w y i N
espacio v que no debe violarse al diseñar recorridos de vehículos.
ij {0, 1} i, j N0 xm , metro metro (18)
Tenga en cuenta que no se tienen en cuenta las restricciones de
embalaje específicas.
Además, se incurre en un costo relacionado con las distancias i, j uim {0, 1} i N0, metro METRO (19)
conducido, es decir, N0, k K. Independientemente de su tipo,
yo,
ck cada vehículo puede realizar un recorrido como máximo. Antes de que
yi {0, 1} i norte (20)
pueda comenzar un recorrido, el almacén debe preparar todos los artículos
incluidos en los pedidos de clientes asignados, es decir, cargarlos en el
zij {0, 1} i norte, j norte+, yo ≠ j (21)
vehículo. El tiempo de arranque más temprano del vehículo m se denota por bm.
Además, los tiempos de conducción entre ubicaciones se denotan por La función objetivo (1) cuantifica los costos totales que deben
ti, j, i, j N0. minimizarse. El primer término de la función de costo especifica los
La Tabla 1 resume los conjuntos, parámetros y decisión vari costos de viaje asociados con todos los recorridos generados.
capacidades definidas. Posteriormente se modela el OASVRPSD . El segundo término cuantifica los costes de empleo de vehículos, que
dependen del número de vehículos utilizados. Tenga en cuenta que los
ck xm ij
minimizar∑ ∑ ∑ ∑ ij parámetros de costo en ambos términos dependen del tipo de vehículo
k K m Mk i N0 j N0
respectivo desplegado. Finalmente, el tercer término especifica el número
+ ∑ ∑ ∑ ck
+ ∑ (1)
vehículo xm 0i cpicker yi de recogepedidos utilizados y los costes de preparación de pedidos correspondientes.
k K m Mk i N i N
Las restricciones (2) a (5) representan el subproblema de preparación de pedidos.
sujeto a Las restricciones (6) conectan la selección de pedidos con la ruta del
zji = 1 i norte (2) vehículo, que se formula en las restricciones (7) a (17). Las definiciones

yi + ∑
j N,i≠j (18) a (21) especifican los dominios respectivos de las variables de
decisión binarias.
∑ zij = 1 i norte (3)
El tiempo de liberación de un pedido de entrega, es decir, la fecha de
j N+,i≠j
finalización de un pedido de preparación de pedidos, depende de la
ri ≥ pi i norte (4) secuencia de pedidos de preparación asignada a un preparador de
pedidos. Un pedido i puede ser procesado primero por uno de los
recogepedidos utilizados (yi = 1) o es el sucesor de otro pedido (ver Ec.
ri ≥ rj + pi − Q(1 − zji) i, j norte, yo ≠ j (5)
(2)). En consecuencia, la orden se procesa en último lugar (zi, | N | +1 = 1)
o tiene al menos un sucesor (ver ecuación (3)). Las inecuaciones (4) y (5)
bm ≥ ri − Q (1 − uim) i norte, metro METRO (6)
definen el tiempo de finalización de una orden de recolección, que es igual
a la fecha de liberación de una orden de entrega (ri).
∑ uim = 1 i N (7) Los subproblemas de preparación de pedidos y generación de rutas para

m M
vehículos están conectados por Desigualdades (6). Un recorrido no puede comenzar
uim ≤ eik i N, m Mk, k K (8) hasta que todos los pedidos correspondientes hayan sido suministrados por el almacén.

Dentro del subproblema de ruteo de vehículos, la Ec. (7) asegurarse
de que un cliente esté asignado exactamente a un vehículo. Las
ujm = ∑ xm ij j norte, metro metro (9)
desigualdades (8) aseguran que el tipo de vehículo se ajusta a la
i N0,i≠j
calificación de servicio requerida. Tenga en cuenta que el tipo de
ujm = ∑ xm j norte, metro metro (10) vehículo elegido surge de los pedidos del cliente con el tipo de servicio
ji
i N0,i≠j jerárquico más alto de todos los pedidos asignados al mismo recorrido.
xm ≤ 1 m METRO 0i Las ecuaciones (9) y (10) aseguran la integridad de las variables de

∑ (11)
i N asignación de ruta y vehículocliente (Irnich, Toth, & Vigo, 2014).
También garantizan que el depósito está incluido en una ruta que
ai ≥ bm + t0i − Q (1 − uim) i norte, metro METRO (12)
contiene al menos un cliente. Las restricciones (11) especifican que un
vehículo realiza un recorrido como máximo. Las inecuaciones (12) a
aj ≥ ai +tij +si − Q (1−xm ) yoi, j N, yo ≠ j, metro METRO (13)
(15) definen entonces la hora de inicio más temprana posible de un
servicio en el domicilio del cliente, ai, que no puede ser anterior a la
ai ≥ yo i norte (14) llegada del vehículo a ese lugar ni anterior al límite inferior
de la ventana de tiempo de entrega definida. Además, no se permite
yo ≤ yo i norte (15) que el servicio tenga lugar después del límite superior de
SCHUBERT Y AL. 9
TABLA 1 Notación para el modelo OASVRPSD
Conjuntos
norte
Conjunto de clientes, N = {1, 2, …, i, …, | N|}
N0 Conjunto de clientes con 0 como almacén, N0 = N {0}
n+ Conjunto de clientes con (| N|+1) como cliente artificial, N+ = N {|N|+1}
METRO
Conjunto de vehículos, M = {1, 2, … , m, …, | M|}
k Conjunto de tipos de vehículos, K = {1, 2, …, k, … , |K|}
mk Conjunto de vehículos de tipo k K, Mk M; Mh ∩ Ml = h, l K, h ≠ l
Parámetros
ck Costo de viaje no negativo entre la ubicación i y j, si i, j N0, lo realiza el tipo de vehículo k, k K

ij
vehiculo _ Coste fijo por vehículo utilizado de tipo k, k K
recogedor
Coste fijo por recogedor utilizado
eik Parámetro binario que indica si el cliente i, i N, puede ser atendido por el tipo de vehículo k, k K, (eik = 1) o no (eik = 0)
tij Tiempo de viaje entre la ubicación i y j, i, j N0
Pi Pick time para el pedido del cliente i, i N
si Tiempo de servicio para el pedido del cliente i, i N
vi Requerimiento de espacio para el pedido del cliente i, i N
v Capacidad máxima de un vehículo, medida en unidades espaciales
Wisconsin
Peso del pedido del cliente i , i N
w Capacidad máxima de un vehículo, medida en unidades de peso
q Número lo suficientemente grande, por ejemplo, la duración máxima del horizonte de planificación, es decir, la hora de inicio más tardía posible de todos los servicios,
Q = maxi N[ i]
i Límite inferior de la ventana de tiempo del cliente i, i N
i Límite superior de la ventana de tiempo del cliente i, i N
Variables de decisión
ai Hora de inicio del servicio en el cliente i, i N
b.m. Hora de inicio del vehículo m, m M, en el almacén
Rhode Island
Fecha de liberación de la orden de entrega del cliente i, i N
uim Variable binaria que indica si el cliente i, i N, está asignado al vehículo m, m M, (uim = 1) o no (uim = 0)
xm Variable binaria que indica si el vehículo m, m M, visita la ubicación j, j N0 inmediatamente después de la ubicación i, i N0, (xm = 1) o no (xm = 0)

ij yo yo
yo Variable binaria que indica si el pedido del cliente i, i N, es procesado primero por un recogepedidos (yi = 1) o no (yi = 0)
zij Variable binaria que indica si el pedido del cliente i, i N, se procesa inmediatamente antes que el pedido del cliente j, j N+, i≠j,

(zij = 1) o no (zij = 0)
la ventana de tiempo de entrega definida. También se deben algoritmo de descendencia de vecindario (VND) (Hansen, Mladen
´
considerar los límites de capacidad de los vehículos (ver ovic, Brimber, & Pérez, 2010), considerando además los requisitos
restricciones (16) y (17)). específicos de las características del problema OASVRPSD.
Se sabe que el subproblema de preparación de pedidos es NPcompleto Aunque su concepto es bastante simple, la meta heurística VNS
(Hochbaum & Shmoys, 1988) y el subproblema de enrutamiento de ha producido varios algoritmos de alto rendimiento, por ejemplo,
vehículos generaliza el problema de enrutamiento de vehículos con para problemas de rutas de vehículos con múltiples períodos (ver
capacidad NPdura (Vidal et al., 2013a). En consecuencia, el OASVRPSD Pirkwieser y Raidl (2008), Hemmelmayr, Doerner y Hartl (2009) y
más general también es NPhard. Por lo tanto, se requieren procedimientos Kovacs, Golden, Hartl y Parragh (2014)) o varios depósitos
heurísticos para resolver instancias de problemas de tamaños prácticamente (consulte Salhi, Imran y Wassan (2014)), y para problemas de
relevantes.
preparación de pedidos, por ejemplo, un problema de procesamiento
por lotes, asignación de lotes y secuenciación de pedidos (consulte Henn (2015
En la siguiente sección, primero presentamos una heurística de
5 UNA VARIABLE GENERAL construcción que genera una solución factible para OASVRPSD.
ENFOQUE DE BÚSQUEDA DE VECINDARIO El enfoque GVNS desarrollado utiliza esta solución como punto de partida
para su proceso de mejora. La heurística de construcción resuelve el
En esta sección se propone un algoritmo general de búsqueda de problema de selección de pedidos y enrutamiento de vehículos de manera
vecindad variable que se adapta al OASVRPSD. La meta secuencial, lo cual es común en la práctica minorista y en las entregas de
´
heurística VNS fue introducida por Mladenovic y Hansen (1997). paquetes comerciales. Posteriormente usamos este procedimiento como
Un GVNS amplía la metaheurística básica mediante un punto de referencia al analizar el GVNS desarrollado dentro de nuestro
procedimiento de búsqueda local más sofisticado, es decir, una variableestudio numérico.
10 SCHUBERT Y AL.
(A) (B)
(C)
FIGURA 3 Esquema para la construcción de una solución inicial
5.1 Solución inicial fase de agitación que perturba la solución actual y una búsqueda local

que se beneficia de los movimientos de agitación, mientras que las
La Figura 3 representa esquemáticamente el concepto general de la
estructuras vecinales se modifican de manera sistemática.
heurística para construir una solución inicial para el problema que se está
La estructura del problema de la OEAVRPSD conduce, sin embargo,
considerando. El procedimiento divide el horizonte de planificación (3a) en
a requisitos especiales para un enfoque de solución integrada.
dos fases de planificación según las cargas de trabajo parciales que deben
Si se asume una solución dada al problema de enrutamiento de
manejarse en cada subproblema. Usamos la ventana de tiempo superior
vehículos, entonces el costo restante solo se deriva de la cantidad de
promedio como indicador de la duración del horizonte de planificación. La
preparadores de pedidos requeridos en la solución de preparación de pedidos.
suma de los tiempos de selección y los tiempos de conducción directos
La asignación de pedidos a los recolectores y la secuencia de pedidos de
define la carga de trabajo de preparación de pedidos y generación de rutas
recolección no tiene impacto en el valor objetivo. Sin embargo, estos factores
para vehículos, respectivamente. LPTR resuelve primero el subproblema de
determinan las fechas de inicio del vehículo a través de la liberación del pedido.
recolección de pedidos, de modo que las fechas de liberación de los pedidos de los clientes son
fechas y, por lo tanto, si una ruta sigue siendo factible con respecto a
determinado (3b). Los pedidos se asignan a los preparadores de
los límites de la ventana de tiempo difícil. Siguiendo esta
pedidos de acuerdo con los tiempos de procesamiento decrecientes,
argumentación, los movimientos típicos de las búsquedas locales,
lo que equilibra la carga de trabajo entre los preparadores de pedidos
como shift o swap, no cambian el valor objetivo, manteniendo la
y minimiza su número. Debe garantizarse para cada encargo que no
factibilidad, o conducen a una solución no factible para el problema
se infrinja el plazo de preparación de pedidos y que el pedido
general si se aplican a la solución de preparación de pedidos.
correspondiente pueda entregarse sin infringir el límite superior de su
El GVNS aplicado considera estos requisitos de la OEAVRPSD al
ventana de tiempo. Si esto no es posible, el pedido se asigna a un
incluir únicamente las decisiones de enrutamiento de vehículos en la
recogepedidos adicional, es decir, el número de recogepedidos se
búsqueda local. Las decisiones de selección de pedidos (junto con las
incrementa en uno. Posteriormente se genera una solución al
decisiones de recursos y rutas) se evalúan luego en la fase de
subproblema de enrutamiento de vehículos con el conocido algoritmo
agitación. Como resultado, evaluamos directamente todos los cambios
de ahorro de Clarke y Wright (1964). Las fechas de salida de las
en el cronograma de recolección para determinar si tienen potencial
órdenes se toman como entrada fija (3c) en el algoritmo de ahorro.
para mejorar el plan de enrutamiento o no. Mientras hacemos esto,
Sin embargo, el método de ahorro original no considera diferentes
consideramos inmediatamente las consecuencias de un cambio en
tipos de vehículos, por lo que se configuran después de que finaliza el
ambos subproblemas. El algoritmo 1 muestra la estructura principal
algoritmo de ahorro de acuerdo con el tipo de servicio más alto de los
de nuestro algoritmo i_GVNS.
clientes asignados a un vehículo. Esto resulta en una solución factible
a la OEAVRPSD. la inte Asumimos una secuencia dada de estructuras de vecindad ΦGVNS
ΦGVNS , … , y una solución titular El
El enfoque de solución rallada utiliza esta solución como inicio de su GVNS máx.
.de
proceso de mejora.
1
Luego,
GVNS selecciona aleatoriamente una solución ̃
vecina, la vecindad ΦGVNS de (ΦGVNS ( )) en la fase de agitación,
y luego aplica un procedimiento de búsqueda local a ̃. Una nueva
5.2 Procedimiento de solución integrada
mejor solución siempre actualiza la solución actual. Si no se encuentra
una nueva mejor solución pero
Aplicamos un algoritmo GVNS para obtener una solución integrada al ̃
cumple con una aceptación
problema OASVRPSD. Un GVNS consta de un criterio de distancia, ̃ reemplaza como la solución actual y
SCHUBERT Y AL. 11
la primera estructura de vecindad se usará en la fase de agitación de estructura vecinal de nuevo. De lo contrario, el próximo vecindario de
la siguiente iteración. De lo contrario, permanece sin cambios y se se examinará en la siguiente iteración. El VND
implementa la siguiente estructura de vecindario. Si no se cumple el termina, si la última estructura de vecindad ΦVND ha sido tiene
VND máx.
criterio de aceptación en una iteración de GVNS con investigada pero no mejora los resultados. En consecuencia,
se ha cumplido el último criterio de estructura
GVNS y no termina max proporciona un óptimo local para todas las vecindades de (ΦVND
de vecindad ΦGVNS , el GVNS vuelve a aplicar la primera estructura ΦVND
1 (VND( )).
), … , max
de vecindad para la siguiente iteración. En lugar de
Algoritmo 1 i_GVNS 5.2.2 Estructuras de vecindad en la búsqueda local El
enfoque VND contiene dos tipos de estructuras de vecindad ΦVND ,
Entrada: datos del problema, número de estructuras de vecindad es decir, el Operador
, OrOpt (Or, 1976) y el Operador Relocate
max_GV NS y max_V ND
(Savelsbergh, 1992).
Salida: la mejor solución f mejor y los costos totales correspondientes
( mejor) determina la solución (inicial) • Operador OrOpt: Como un movimiento dentro de la ruta, el Operador
VND OrOpt cambia un cliente o una secuencia de clientes a otra
VND(datos del problema, Φ , )
posición en la misma ruta. • Reubicar
mientras que no se cumple el criterio de terminación Operador: Como un movimiento entre rutas, el Reubicar Operador
:=1 cambia un cliente o una secuencia de clientes a una ruta diferente
que puede ser una ruta existente o una recién creada. Mientras
mientras que ≤ max_GV NS hacer
̃ que el operador OrOpt no tiene impacto en el tipo de vehículo, el
generar al azar de la t̃ h
operador de reubicación también equilibra el costo de la ruta y los
barrio de ( ΦGVNS ( )) // temblor
̃ costos de los tipos de vehículos.
VND(datos del problema, Φ VND, )
̃ si f( ̃) < f( mejor) entonces
̃
mejor
̃ 5.2.3 Estructuras de vecindad en la fase de sacudida En la
fase de sacudida del algoritmo GVNS, las estructuras de vecindad
:=1
están asociadas con el subproblema de enrutamiento de vehículos,
de lo contrario, si se cumple el criterio de aceptación, entonces el subproblema de recolección de pedidos y la determinación de
̃ recursos, es decir, aumentar o reducir el número de recolectores o
vehículos.
:=1
demás
• Operador de intercambio cruzado: Se intercambian dos secuencias
:= + 1 de clientes de diferentes rutas (Taillard, Badeau, Gen dreau,
terminara si
Guertin, & Potvin, 1997). Las longitudes de ambas secuencias
si pueden ser diferentes y se determinan de forma independiente
mejor no mejorado para cierto número
de iteraciones entonces dentro de límites idénticos. Este operador también hace
explícitamente posible intercambiar clientes por un nuevo vehículo
:= mejor
y ajustar los tipos de vehículos de acuerdo con los clientes
terminara si
intercambiados. Al igual que el Operador de reubicación, el
terminar mientras
Operador de intercambio cruzado tiene en cuenta tanto los costos
terminar mientras
de ruta como los costos por tipo de vehículo.
• Cambiar el mismo operador del recolector: Un pedido de un cliente o
una secuencia de pedidos se mueve a una posición diferente en el
una búsqueda local simple, incorporamos un VND como procedimiento
mismo recolector. • Operador de cambio de recolectores diferentes: un
de búsqueda local en nuestro algoritmo (Hansen et al., 2010).
pedido de cliente o una secuencia de pedidos se mueve a
un recolector diferente. • Intercambiar operador de recolectores diferentes:
5.2.1 Procedimiento VND Se intercambian pedidos de clientes o secuencias de dos recolectores
El procedimiento de búsqueda local del GVNS, es decir, el algoritmo diferentes. Similar al Operador de Intercambio Cruzado, las longitudes
VND, sigue la idea de la metaheurística (G)VNS pero cambia las de ambas secuencias consideradas se determinan de forma
estructuras de vecindad de manera determinista. A diferencia de un independiente pero siguen el mismo límite.
(G)VNS, se explora todo el vecindario y la mejor • Operador de nuevo recolector: Se selecciona una cantidad de
̃ solución de vecino
está determinado. Si el pedidos elegidos al azar del conjunto { , ... , } y se asignan a un
̃
valor de la función objetivo de (f( ̃)) constituye una mejorã recolector recién agregado. Los pedidos pueden originarse en
ment con respecto al valor de la función objetivo de , Está establecido
diferentes recolectores y se asignan al recolector recién agregado
como la nueva solución establecida y VND aplica la primera usando la secuencia seleccionada.
12 SCHUBERT Y AL.
• Borrar operador selector: Se elimina un selector elegido aleatoriamente y los así como con variados escenarios de planificación (Sección 6.5). Luego
pedidos correspondientes se asignan aleatoriamente a posiciones aleatorias analizamos brevemente la calidad de la solución a lo largo del tiempo (Sección
de los demás selectores. • Eliminar operador de vehículo: Se elimina un 6.6) antes de finalmente probar i_GVNS en un entorno de la vida real utilizando
vehículo (tour) elegido aleatoriamente y los pedidos correspondientes se asignan un caso de un importante minorista europeo de productos electrónicos (Sección 6.7).
aleatoriamente a los restantes tours de entrega.
6.1 Enfoques de referencia
Tenga en cuenta que las capacidades de los vehículos siempre se respetan,
Como enfoque de referencia principal (SEQ), se aplica un algoritmo sofisticado
pero un cambio brusco en el problema de preparación de pedidos puede resultar
que resuelve el OASVRPSD secuencialmente, tal como prevalece en la práctica
en una solución no factible con respecto al cumplimiento de la ventana de tiempo.
minorista. El enfoque seleccionado corresponde en la medida de lo posible a las
La búsqueda local entonces tiene como objetivo restaurar la factibilidad
actividades de planificación de nuestro socio de práctica. Por lo tanto, se puede
considerando solo los movimientos factibles. El criterio de aceptación rechaza la
suponer que el enfoque SEQ conducirá a resultados comparables como una
solución actual si no se encuentra una solución factible.
aplicación directa de los enfoques que se utilizan actualmente en la práctica
minorista. El enfoque SEQ procede de la siguiente manera. La solución inicial
5.2.4 Criterios de aceptación y terminación está determinada por la construcción heurística descrita en la Sección 5.1.
Particularmente para los problemas de enrutamiento de vehículos, la aceptación
del umbral (Dueck & Scheuer, 1990) ha demostrado ser un mecanismo efectivo Por tanto, los pedidos se asignan a un número de recogepedidos que previamente
para evitar que los algoritmos basados en la búsqueda de vecindarios se se ha estimado mediante el LPTR. Resolver el subproblema de recolección de
atasquen en los óptimos locales (ver, por ejemplo, Tarantilis, Kiranoudis y pedidos aplicando LPTR minimiza el número de recolectores de pedidos y, por lo
Vassiliadis (2004) , Polacek, Hartl y Doerner (2004), o Henke, Speranza y tanto, los costos relevantes para la decisión en el subproblema de recolección
Wäscher (2015)). de pedidos. Posteriormente, se utiliza un enfoque de ahorro adaptado para
̃
Básicamente, se acepta una solución alterada si el valor objetivo correspondiente resolver el problema de enrutamiento de vehículos teniendo en cuenta todas las
f( ̃) es menor que el valor objetivo f( ) de la solución establecida más un umbral T. restricciones. Para obtener una comparación justa para nuestro enfoque de
solución integrada y para minimizar los costos relevantes para la decisión que
En primer lugar, siempre se acepta una nueva mejor solución y también se surgen en el subproblema de enrutamiento de vehículos, se mejora la solución
actualiza la solución actual. Segundo, implementamos un procedimiento de inicial, primero a través del procedimiento de búsqueda local del algoritmo
aceptación de umbral dependiendo del valor objetivo de la mejor solución actual. i_GVNS, es decir, un enfoque VND . En segundo lugar, se aplica un algoritmo
Al hacer esto, el mejor. GVNS al subproblema de enrutamiento de vehículos. Esto significa que todas
el umbral T está determinado por f( mejor). Una solución aceptada ̃ es entonces las estructuras de vecindad que se ocupan del subproblema de preparación de
como una (nueva) solución establecida si f( ̃) < f( ) + T. pedidos se eliminan (ΦGVNS −ΦGVNS y ΦVNS ) de i_GVNS, manteniendo las
Este procedimiento logra resultados ligeramente mejores que solo considerando características de planificación secuencial en la práctica minorista.
4 13 G15
el valor objetivo de la solución establecida. El parámetro se ajusta dinámicamente
dentro del algoritmo. Por lo tanto, SEQ utiliza la inteligencia de nuestro i_GVNS mientras mantiene
Inicialmente, se establece en cero de modo que solo se aceptan mejoras dentro separados ambos dominios de planificación que se están considerando. Una
del comportamiento de búsqueda. Sin embargo, después de un número comparación de la calidad de la solución del enfoque i_GVNS (solución integrada)
predeterminado de iteraciones sin encontrar una nueva solución principal, se con el punto de referencia (solución secuencial) muestra si, y de ser así, en qué
incrementa por parámetro con el resultado de que se pueden aceptar soluciones medida, surgen beneficios al tratar el OEAVRPSD como un problema de
de calidad inferior. Si se ha encontrado una nueva solución o la mejor solución, planificación simultánea. Tanto i_GVNS como SEQ se realizan con el mismo
se restablece a su valor inicial. El algoritmo GVNS termina si se alcanza un cierto tiempo de cálculo y configuración de parámetros para tener una comparación
límite de tiempo. justa (consulte la Sección 6.3). Además, se aplica un enfoque exacto mediante
la implementación de la formulación del modelo de la Sección 4 en un software
de optimización estándar. Sin embargo, este enfoque solo es adecuado para
resolver instancias de tamaño pequeño.
6 EXPERIMENTOS NUMÉRICOS
Esta sección presenta el diseño y los resultados de los experimentos numéricos
que se realizan para evaluar nuestro enfoque de solución para el OASVRPSD.
6.2 Instancias de prueba
A continuación, nos referiremos a nuestro enfoque GVNS descrito en la sección
anterior como GVNS integrado (i_GVNS). En la primera subsección, describimos Instalamos nuestros experimentos en instancias de problemas recién generados
los principales enfoques de referencia para evaluar el desempeño de i_GVNS para evaluar los factores contribuyentes correspondientes, ya que el OASVRPSD
(Sección 6.1). Luego detallamos la configuración de nuestras instancias de no se ha tratado hasta ahora.
prueba (Sección 6.2), la configuración de implementación (Sección 6.3) y Las instancias de estudios anteriores solo habrían sido reutilizables hasta cierto
describimos los resultados basados en instancias generadas en la configuración punto, ya que no se diferencian en términos de tiempos de selección y tamaño
básica (Sección 6.4), como del área de entrega, ni se basan en ventanas de tiempo superior suaves, lotes
de pedidos o recorridos de vehículos múltiples.
SCHUBERT Y AL. 13
Sin embargo, las especificaciones de las características están fuertemente TABLA 2 Dominios de parámetros de clases de problemas
orientadas a datos prácticos.
Parámetro de clase de problema Dominio
Nuestro enfoque de investigación se centra en las entregas en el mismo
Número de pedidos de clientes |N| 5, 7, 50, 100, 200
día para productos grandes, por lo que el horizonte de planificación se
Horarios de recogida PT [5, 10], [10, 30], [30, 50] minutos
establece en solo unas pocas horas. Más precisamente, si se establece un
Rigidez del horizonte de planificación TPH 6, 9, 12 horas
límite superior hipotético para la última fecha de entrega posible para todos
Tamaño del área de entrega SDA 50 × 50, 100 × 100, 200 × 200 km
los clientes (por ejemplo, las 9 p. día. En nuestros experimentos, la duración
del horizonte de planificación se establece en 6, 9 y 12 horas, es decir, los
clientes pueden realizar pedidos a las 3 p. m., mediodía y 9 a. m.,
respectivamente. El horizonte de planificación se describe así como estrecho de una ventana de tiempo no se reduce al final del horizonte de planificación.
(t), medio (m) o amplio (w). Eso significa que el límite superior de una ventana de tiempo es estrictamente
inferior o igual al límite superior hipotético para la última entrega posible.
Generamos instancias problema con 5, 7, 50, 100 y 200 clientes. Las
instancias con 5 y 7 clientes se utilizan para com Suponemos que es igualmente probable que un cliente elija uno de los
pare el rendimiento del enfoque i_GVNS al exacto, mientras que las tres tipos de servicio. Los plazos corresponden a los aplicables en la
instancias de tamaños prácticamente relevantes son la base para la práctica. Para el tipo de servicio 1 (todas las instalaciones y servicios de
conexión), se define un tiempo de servicio de 80 minutos. El servicio tipo 2
evaluación del i_GVNS en comparación con el enfoque de planificación
secuencial, SEQ. El número de pedidos para instancias relevantes en la (instalaciones simples) se procesa en 40 minutos, mientras que el servicio
práctica está orientado a lo que encontramos en la empresa asociada, así tipo 3 (entrega en lugar de destino) requiere 20 minutos. Se consideran
como a los tamaños de problemas que se suelen utilizar en la literatura. tres tipos de vehículos de acuerdo con estos tipos de servicio. Un vehículo
Henn (2015) y Scholz et al. (2017), por ejemplo, usan instancias de del primer tipo puede desplegarse por 840 unidades monetarias (UM) y
problemas con hasta 200 pedidos de clientes para problemas de selección utilizarse para atender todo tipo de servicios. Los vehículos del segundo tipo
de pedidos, Desaulniers, Madsen y Ropke (2014) afirman que alrededor de cuestan 680 MU y se pueden utilizar para los tipos de servicio dos y tres,
150 pedidos de clientes son tamaños de problemas realistas para problemas mientras que un vehículo del último tipo (tipo 3) solo puede atender a los
de enrutamiento de vehículos, y Schubert et al. (2018) generaron instancias clientes que soliciten el servicio tres y cuesta 580 MU. El factor de coste
con hasta 200 pedidos de clientes para un problema integrado de selección por kilómetro recorrido se establece en 1 MU. Finalmente, se puede
de pedidos y enrutamiento de vehículos adaptable a las entregas diarias implementar un recogepedidos en el almacén por 240 MU. Los parámetros
de los supermercados desde un CD central. de costos generalmente se inspiran en los valores del estudio de caso y de
Los tiempos de recolección de los pedidos de los clientes dependen de colaboraciones anteriores con socios de la industria. Los requisitos de peso
varios factores, aunque se asume una estrategia de recolección discreta, y espacio de los artículos pedidos por un cliente se generan aleatoriamente
por ejemplo, el tamaño del almacén, la política de asignación de entre [20, 120] kg y [60 × 60, 120 × 120] cm2. Cada vehículo puede cargar
almacenamiento, la estrategia de enrutamiento del recolector, etc. (De hasta 1.500 kg, y su área de carga tiene un tamaño de 14,64 m2.
Koster et al., 2007). ). Generamos tiempos de selección pequeños (s),
medianos (m) y grandes (l) aleatoriamente dentro de ciertos límites, es
decir, {[5, 10], [10, 30], [30, 50]} minutos, para poder evaluar la influencia de En total, 135 clases de problemas resultan de la combinación de las
los tiempos de recogida en nuestro entorno. características del problema mencionadas anteriormente. Se han generado
Los clientes y el CD se ubican aleatoriamente dentro de un área de diez instancias para cada clase de problema. La Tabla 2 muestra los
entrega predefinida. El tamaño del área de parto está adaptado de Holzapfel, parámetros de clase de problema correspondientes y sus dominios.
Hübner, Kuhn y Stern Beck (2016), Ullrich (2013) y Schubert et al. (2018) y
fijado en 50 × 50, 100 × 100 y 200 × 200 km. Estas áreas representan
6.3 Implementación y prueba de parámetros
regiones "Metropolitanas" a "Distrito" (Holzapfel et al., 2016). Los tiempos
de conducción y las distancias entre las ubicaciones correspondientes se Los experimentos se realizaron en procesadores Intel Xenon E52697 v3.
calculan de acuerdo con las distancias euclidianas. En consecuencia, el Se utilizó IBM ILOG CPLEX Optimization Studio versión 12.6.3 (CPLEX)
tamaño del área de parto (SDA) se caracteriza como pequeño (s), mediano para la implementación de la formulación del modelo de la Sección 4. El
(m) o grande (l). algoritmo i_GVNS y el enfoque de referencia secuencial (SEQ) se programan
en C++ y se compilan con la optimización g++ O3.
Un pedido de cliente incluye una ventana de tiempo dentro de la cual el
debe iniciarse el servicio correspondiente. A cada cliente se le asigna una
ventana de tiempo específica con una duración de 2 horas. Las posiciones La Tabla 3 muestra la especificación de las estructuras de vecindad
de estas ventanas de tiempo se eligen aleatoriamente dentro del horizonte aplicadas en la búsqueda local (ΦVND ) y su secuencia de aplicación en la
de planificación. Más precisamente, el límite inferior de una ventana de VND. En total, VND hace uso de seis estructuras vecinales.
tiempo es al menos tan grande como la suma del tiempo de recogida del
pedido correspondiente y el tiempo de conducción desde el centro de Quince estructuras vecinales, ΦGVNS , están incrustados en
distribución hasta la ubicación del cliente respectivo. El generador de la fase de agitación del algoritmo GVNS. La tabla 4 proporciona una
descripción
problemas asegura que una instancia de problema sea factiblemente solucionable general de los operadores considerados y los parámetros
y que la longitud
14 SCHUBERT Y AL.
TABLA 3 Estructuras de barrio integradas en la solución. Además, la solución actual se restableció a la mejor solución
búsqueda local
después de 600 iteraciones sin encontrar una nueva mejor solución.
Operador Longitud de la secuencia
1 OOptar 1
2 OOptar 2
3 OOptar 3 6.4 Comparación de enfoques de solución
4 Trasladarse 1
A continuación, presentamos los resultados de nuestras instancias de
5 Trasladarse 2
prueba en función de los datos generados. Primero, se discuten los
6 Trasladarse 3
resultados de las instancias pequeñas comparando i_GVNS con una
solución exacta del problema de planificación (Sección 6.4.1). En
segundo lugar, i_GVNS y SEQ se comparan entre sí utilizando las
TABLA 4 Estructuras de barrio empotradas en la fase de sacudida instancias restantes con una gran cantidad de pedidos de clientes
(Sección 6.4.2).
Mínimo Máximo
Operador Longitud de la secuencia
1 Intercambio cruzado 1 1 6.4.1 Resultados de los experimentos con instancias pequeñas

2 Intercambio cruzado 1 2
Esta subsección compara el rendimiento de i_GVNS y SEQ con el
3 Intercambio cruzado 1 3
rendimiento de un enfoque exacto, es decir, la implementación de la
4 Cambiar el mismo selector 1 1
formulación del modelo de la Sección 4 en CPLEX. La Tabla 5 presenta
los resultados correspondientes (columnas 4 a 13). Las tres primeras
columnas especifican la clase de problema, es decir, los tiempos de
7 Cambiar diferentes recolectores 1 1
selección (PT), el tamaño del área de entrega (SDA) y la estrechez del
horizonte de planificación (TPH) de acuerdo con la Sección 6.2. La
desviación promedio de los valores objetivo de las soluciones generadas
10 Intercambiar diferentes recolectores 1 1
por el i_GVNS del valor objetivo óptimo (dev) se indica en las columnas
4 y 9 para cinco y siete clientes, respectivamente. Las columnas 5 y 10
muestran la mejora de SEQ por i_GVNS, es decir, imp_seq = (f( SEQ)
Numero de ordenes
13 2 10
−f( i_GVNS))/f( SEQ), con f( i_GVNS) y f( SEQ) como soluciones
Nuevo selector
14 Eliminar vehículo
finales de i_GVNS y SEQ, respectivamente. Además, el tiempo de
15
cálculo en segundos después del cual se encuentra la mejor solución
Eliminar selector
se da en las columnas 6 y 11 para el enfoque exacto (t_ex), y en las
columnas 7 y 12 para el algoritmo i_GVNS (t_GVNS). Finalmente, el
número de instancias resueltas de manera óptima por clase de
usado. La cantidad de pedidos asignados a un recolector que se problema por i_GVNS (#opt) se muestra en las columnas 8 y 13.
,
implementa adicionalmente, es decir, y se establece
en 2 y 10,
respectivamente.
i_GVNS y SEQ terminan si se alcanza un cierto límite de tiempo. i_GVNS es capaz de resolver de forma óptima 530 de 540 instancias,
Para instancias con 5 y 7 órdenes, el algoritmo se ejecutó durante 1 es decir, el 98,15 %, con una desviación máxima del valor objetivo
segundo. Para resolver instancias con óptimo del 1,09 %. La calidad de la solución del i_GVNS es solo un
50, 100 y 200 pedidos, el límite de CPU se estableció en 5, 10 y 30 0,0048 % peor que el valor objetivo óptimo, en promedio. Para cinco
minutos, respectivamente. Por el contrario, CPLEX no estaba limitado pedidos de clientes, el enfoque exacto es capaz de generar soluciones
por un límite de CPU para resolver las instancias consideradas óptimas. óptimas para todas las instancias en un promedio de 0,25 segundos,
mientras que i_GVNS requiere menos de 0,01 segundos hasta
Probamos diferentes constelaciones de parámetros con respecto a encontrar la solución final. Cómo
la longitud de la secuencia y la cantidad de órdenes utilizadas dentro Sin embargo, el tiempo promedio para encontrar una solución óptima
de las pruebas del operador. En consecuencia, probamos los con el enfoque exacto aumenta a 24,63 segundos en el caso de siete
parámetros utilizados dentro del procedimiento de aceptación del clientes. El algoritmo i_GVNS sigue encontrando una solución final en
umbral. En total, probamos previamente 50 instancias con parámetros fracciones de segundo (0,03 segundos de media). i_GVNS realiza
de problemas aleatorios elegidos en función de las clases de problemas aproximadamente 25 600 y 24 000 iteraciones dentro del tiempo de
descritas en la Sección 6.2. Un aumento adicional en las estructuras cómputo de 1 segundo para instancias con cinco y siete pedidos de
del vecindario no condujo a mejoras significativas. Además, clientes, respectivamente. Además, los tiempos de cálculo del enfoque
encontramos que modificar el umbral T después de 60 iteraciones sin una nueva solución
exacto varían tm
itular
ucho incluso dentro de la misma clase de problema. El
ción da como resultado una compensación adecuada entre la tiempo máximo de cálculo del enfoque exacto asciende a 1957,73
intensificación y la diversificación. En detalle, modificamos T segundos (tiempos de recogida grandes, plazo de entrega pequeño,
aumentando en = 0.01, es decir, T se incrementa en un 1% de la mejor horizonte de planificación ajustado). En
TABLA
5
Evaluación
de
la
calidad
de
la
solución
de
i_GVNS
para
instancias
de
problemas
pequeños
y
grandes
en
comparación
con
los
enfoques
de
referencia
yo s
yo yo yo yo yo yo yo yo metro metro metro metro metro metro metro metro metro s s s s s s s s PT
yo s s
yo yo metro metro metro s s yo yo yo metro metro metro s s s yo yo yo metro metro metro s s ASD
yo t
metro t yo metro t yo metro t yo metro t yo metro t yo metro t yo metro t yo metro t yo metro HTP
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.03 5
pedidos
desarrollador
6.46 7.29 8.43 0.00 5.08 11.81 4.54 7.66 11.49 6.06 9.66 8.68 0.75 0.02 3.08 0.00 0.08 3.56 6.13 8.27 8.75 2.23 0.00 1.36 0.00 0.00 0.00 imp_seq
0.24 0.23 0.27 0.20 0.36 0.36 0.31 0.31 0.34 0.25 0.24 0.33 0.29 0.30 0.29 0.23 0.22 0.22 0.22 0.22 0.24 0.22 0.20 0.22 0.20 0.21 0.27 Texas
0.00 0.00 0.01 0.00 0.01 0.03 0.00 0.01 0.02 0.00 0.01 0.00 0.03 0.00 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.01 t_GVNS
10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 9 10 10 10 10 10 10 10 10
8 #optar
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.07 0.10 0.00 0.00 0.01 0.02 0.00 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.00 0.00 7
pedidos
desarrollador
12.92 4.70 10.27 23.63 16.08 20.49 15.33 21.94 19.67 8.00 9.47 9.61 1.80 4.46 4.77 2.00 0.75 6.42 8.80 9.59 12.61 1.25 1.26 7.58 0.00 0.00 1.30 imp_seq
24.89 32.33 24.38 9.11 9.82 47.68 7.53 10.15 308.04 20.66 6.41 28.28 3.22 3.72 8.04 2.57 2.51 10.76 4.39 16.98 5.84 0,69 1.47 3.57 4.49 62.34 5.26 Texas
0.03 0.09 0.09 0.04 0.01 0.08 0.02 0.08 0.09 0.03 0.03 0.03 0.03 0.01 0.04 0.00 0.04 0.02 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.01 0.07 t_GVNS
10 10 10 10 10 10 10 10 10 10 10 9 9 10 10 9 9 10 10 10 10 10 9 9 10 9 10 #optar
8.56 8.99 11.05 14.28 14.96 19.78 17.73 14.63 17.10 6.54 6.47 7.80 8.80 9.09 12.16 10.97 12.75 13.69 10.80 11.97 13.56 2.87 5.96 6.89 4.31 4.06 4.56 imp_seq 50
pedidos
8.45 7.65 10.27 12.68 12.20 15.36 10.82 11.32 13.26 4.27 5.22 6.63 7.16 7.62 8.02 11.00 12.60 13.17 10.67 12.98 12.65 3.76 3.62 5.29 5.31 2.74 3.68 imp_seq 100
pedidos
4.00 5.31 6.69 7.16 7.82 12.45 7.19 8.71 12.24 2.91 3.60 4.61 4.59 4.63 6.56 5.98 7.57 10.04 12.65 13.48 13.05 3.28 3.20 3.65 3.57 2.46 2.21 imp_seq 200
pedidos
15 . SCHUBERT Y AL.
dieciséis SCHUBERT Y AL.
FIGURA 4 Impacto de los valores de los parámetros (atributos) para cuatro parámetros del problema en los beneficios de costos entre i_GVNS y SEQ
la misma clase de problema, el tiempo mínimo para encontrar una solución óptima y i_GVNS, respectivamente. La tabla muestra la desviación promedio de los
asciende a 0,95 segundos. La comparación de los valores objetivo de SEQ e valores de la función objetivo de SEQ en comparación con los valores objetivo
i_GVNS revela valores objetivo un 6,59 % más bajos para las soluciones i_GVNS correspondientes de i_GVNS (imp_seq).
en promedio considerando los casos de cinco y siete órdenes. Las diferencias en i_GVNS supera a SEQ en un 8,62 % en todas las instancias de problemas. El
la calidad de la solución entre SEQ e i_GVNS son mayores para siete (8,69%) porcentaje promedio máximo de mejora por clase de problema es igual al 19,77
que para cinco (4,5%) órdenes, ya que el esfuerzo de coordinación necesario % (50 pedidos, PT = grande, SDA = medio, TPH = estrecho), mientras que el
aumenta de cinco a siete órdenes. Además, la calidad de la solución de SEQ porcentaje promedio mínimo de mejora es igual al 2,21 % (200 pedidos, PT =
varía mucho entre diferentes clases de problemas. Por ejemplo, ambos enfoques pequeño, SDA = pequeño, TPH = hermético). Las soluciones del enfoque
generan una calidad de solución similar para cinco pedidos y tiempos de integrado requieren una media de 2,0 recolectores y 1,8 vehículos menos que las
recolección pequeños y un área de distribución pequeña, pero se puede observar soluciones del enfoque secuencial.
una desviación de alrededor del 19% para siete pedidos, tiempos de recolección
grandes y un área de distribución pequeña. Se producen resultados similares El uso de un número menor de vehículos aumenta el número promedio de
para instancias grandes. paradas por vehículo. En detalle, los vehículos de tipo 1 entregan 0,5 pedidos de
clientes más en soluciones i_GVNS que en soluciones SEQ, es decir, 5,63 frente
Por lo tanto, nos referimos a la siguiente sección que analiza los resultados de a 5,13, mientras que los vehículos de tipo 2 entregan 0,29 pedidos de clientes
SEQ e i_GVNS con más detalle. más en esa constelación, es decir, 6,62 frente a 6,33 . Sin embargo, ambos
enfoques conducen a resultados similares para los vehículos de tipo 3, es decir,
el número medio de paradas es de 3,78 y 3,74, respectivamente. Resumiendo
6.4.2 Resultados de los experimentos con instancias grandes estos resultados, el enfoque SEQ asigna un poco menos de pedidos de clientes
La siguiente parte del análisis investiga los beneficios de un enfoque de solución a los vehículos de cada tipo que el enfoque i_GVNS. Sin embargo, la distribución
integrada para la OEAVRPSD. La calidad de la solución del enfoque de referencia de paradas en un tipo de cliente por tipo de vehículo es muy similar para ambos
SEQ se compara con i_GVNS para instancias de tamaños prácticamente enfoques.
relevantes para este
objetivo. En general, los costos de enrutamiento se reducen en un 8,02%.
La Tabla 5 contiene los resultados de instancias grandes con 50, 100 y 200 Analizamos el porcentaje de mejora de i_GVNS en comparación con SEQ con
pedidos de clientes (columnas 14 a 16) resueltos con SEQ respecto a tres valores (atributos) para
SCHUBERT Y AL. 17
cuatro parámetros del problema, es decir, los tiempos de selección, el tamaño del restricciones Como resultado, el impacto de la estrechez del horizonte
área de distribución, la estrechez del horizonte de planificación y el número de pedidos. de planificación muestra una clara tendencia, aunque las diferencias
La Figura 4 muestra los resultados mediante diagramas de caja para entre los porcentajes medios de mejora de los respectivos atributos son
cada uno de estos parámetros y sus respectivos valores (atributos). La relativamente pequeñas. Ascienden al 9,87%, 8,21% y 7,79% para un
línea central y la cruz representan la mediana y la media, respectivamente. horizonte de planificación ajustado, medio o flexible. Los resultados de
El aumento de los tiempos de selección favorece un enfoque de los valores medianos apoyan esta observación.
planificación integrado (consulte la Figura 4a). El porcentaje de mejora
de i_GVNS a SEQ aumenta de 6,79% a 7,94% y 11,14% en promedio El porcentaje promedio de mejora de i_GVNS a SEQ disminuye con
para tiempos de recolección pequeños, medianos y grandes, el número de clientes (ver Figura 4d).
respectivamente. El número promedio de pedidos que puede manejar un Sin embargo, los ahorros absolutos aumentan al aplicar i_GVNS en lugar
preparador de pedidos dentro de un cierto período de tiempo disminuye de SEQ. Para pedidos de 50, 100 y 200, ascienden a 1.338,25, 2.073,46,
al aumentar los tiempos de recolección y, por lo tanto, aumenta la fecha 2.947,25 MU en promedio por instancia. En combinación con el horizonte
promedio de liberación de los pedidos de entrega. En consecuencia, si de planificación limitado, se necesitan más recolectores para manejar la
los recolectores de pedidos liberan las órdenes de entrega más tarde, la mayor carga de trabajo. Esto aumenta el número de pedidos recogidos
coordinación entre la preparación de pedidos y la ruta del vehículo se por unidad de tiempo que están listos para la entrega. En consecuencia,
vuelve más importante ya que hay menos tiempo disponible para algunos recorridos de entrega pueden comenzar antes, ya que el número
organizar los recorridos de entrega de manera adecuada. de pedidos de clientes por vehículo sigue siendo similar. Tenga en
Variar el tamaño del área de distribución (SDA) no parece afectar el cuenta que el número de clientes por vehículo está físicamente limitado
porcentaje de mejora de i_GVNS a SEQ (ver Figura 4b). Los resultados por la capacidad y especialmente debido a las restricciones de la ventana
ascienden a 9,02%, 8,29% y 8,55% para las áreas de distribución de tiempo, por lo que el número promedio de pedidos por recorrido solo
pequeña, mediana y grande, respectivamente. Sin embargo, el impacto aumentará ligeramente si aumenta el número total de pedidos de clientes.
del tamaño del área de entrega impacta el porcentaje de mejora de El enfoque de planificación secuencial (SEQ) se beneficia relativamente
i_GVNS a SEQ en combinación con los tiempos de recolección. SEQ más de esta situación que el enfoque integrado (i_GVNS). Sin embargo,
aproxima el número de recolectores de pedidos por la relación de la las ventajas absolutas del enfoque integrado todavía están presentes
suma de los tiempos de recolección y los tiempos de conducción directa (ver arriba). Ramaekers et al. (2018) observan un desarrollo similar para
desde el centro de distribución hasta los clientes. Utilizando las soluciones aumentar el tamaño de las instancias en un problema integrado de
i_GVNS como referencia, este esquema de cálculo funciona bastante selección y enrutamiento de vehículos con ventanas de tiempo.
bien para combinaciones similares de tiempos de recogida y tiempos de
conducción, es decir, pequeño/pequeño, mediano/mediano y grande/
grande. Ambos enfoques aplican una cantidad similar de recolectores de
pedidos en estos escenarios, es decir, SEQ aplica un 3 % menos de 6.5 Escenarios de planificación variados
recolectores. Sin embargo, si los tiempos de viaje son considerablemente
Como ya se mencionó, el modo de entrega más común que se ofrece en
más pronunciados que los tiempos de recolección, SEQ sobreestima el
la venta minorista en línea es la entrega al día siguiente. Para analizar
número necesario de recolectores en un 38 % y los subestima en un 22
el impacto de diferentes escenarios de planificación para la entrega el
% si los tiempos de viaje son considerablemente menos pronunciados
mismo día, ampliamos adicionalmente las clases de problemas
que los tiempos de recolección. Un número sobreestimado de recolectores
presentadas en la Sección 6.2 de acuerdo con las condiciones de entrega
conduce a rutas que son un 0,76 % más cortas en soluciones SEQ,
y el número de tipos de vehículos preparados. Los resultados se pueden
mientras que un número subestimado da como resultado rutas que son
utilizar para analizar el impacto de diferentes modos de entrega en el
un 27,89 % más largas. Para recursos similares, las rutas de vehículos
mismo día en los costos de logística y para responder a la pregunta
determinadas por SEQ son un 10,98 % más largas en comparación con
sobre las condiciones bajo las cuales vale la pena aplicar un enfoque de
las rutas calculadas por i_GVNS. Este resultado muestra la importancia
solución integrada.
de la programación coordinada de los recursos de recolección y entrega
en el entorno considerado, lo cual se logra mediante i_GVNS.
Además, lo ajustado del horizonte de planificación impacta el 6.5.1 Entorno y supuestos
porcentaje de mejora entre i_GVNS y SEQ (ver Figura 4c). En el caso de Los clientes están acostumbrados a las entregas dentro
un horizonte de planificación suelto, las capacidades limitadas plantean Ventanas de tiempo específicas del cliente. Sin embargo, esto restringe
un desafío mayor que cumplir con los plazos de entrega. Sin embargo, si significativamente la planificación y el espacio de la solución. Por lo
el horizonte de planificación se estrecha, la composición de los recorridos tanto, introdujimos dos condiciones de entrega adicionales, es decir, dos
se vuelve más restringida por las fechas de lanzamiento y las ventanas ventanas de tiempo generales y un plazo de entrega general en el que
de tiempo de los pedidos de los clientes, y como resultado, una solución debe comenzar el servicio de un cliente. El horizonte de planificación se
integrada al OASVRPSD se vuelve más importante. En nuestros divide para asignar clientes a una de las dos ventanas de tiempo
experimentos, solo consideramos horizontes de planificación muy generales. Los clientes se asignan aleatoriamente a una de las dos
ajustados con una duración de 6, 9 y 12 horas y, además, ventanas de ventanas de tiempo con la condición de que la cantidad de tiempo para
tiempo difíciles, por lo que la dimensión temporal es generalmente más atender a un cliente no debe ser inferior a 2 horas (duración de una
restrictiva que la capacidad. ventana de tiempo específica del cliente). En el caso de entrega
18 SCHUBERT Y AL.
plazos alineamos los valores asociados a la duración del horizonte de y 4,74%, respectivamente, si solo se pueden desplegar las dos clases de
planificación, es decir, 6, 9 y 12 horas, respectivamente. vehículos más altas o las más altas. Dado que la clase más baja de vehículos
En segundo lugar, se modifica la flota de vehículos bajo el supuesto de rara vez se usa (1,1 vehículos en promedio), la cantidad de costos adicionales
que no se puede influir en los requisitos de los clientes con respecto al tipo si se abandona este tipo sería bastante baja. Esto no es cierto para los
de servicio demandado. Por lo tanto, debe asegurarse de que la compilación vehículos del tipo 2 que se utilizan en una proporción del 29,21 % y del 36,05
de la flota de vehículos se compile de manera que se puedan realizar todos % en clases problemáticas con tres y dos tipos de vehículos, respectivamente.
los tipos de servicios. Sin embargo, el despliegue de más de un tipo de A partir de los resultados, se puede identificar una compensación para el
vehículo aumenta la complejidad del problema de planificación a nivel despliegue de diferentes recursos. Si solo se implementa la clase más alta
operativo, así como en el diseño de contratos con subcontratistas o para la de vehículos, la planificación de rutas es más fácil y rentable y se puede
compilación de una flota de vehículos adecuada, respectivamente. Por ello, reducir la cantidad de recolectores de pedidos. Por otro lado, los costes de
en una primera variante sólo se preparan los vehículos con mayor nivel de los vehículos aumentan un 1,57 % y un 8,53 % si solo se pueden desplegar
servicio (tipo 1), mientras que en una segunda se preparan el primer y el los dos más altos o el tipo de vehículo más alto.
segundo tipo de vehículos más cualificados (tipos 1 y 2).
6.5.4 Cambios en cuanto a los beneficios de un integrador
Para obtener resultados válidos, utilizamos instancias idénticas a las de
solución a la OEAVRPSD
los experimentos anteriores, pero modificamos las condiciones de entrega
Como se mencionó en la Sección 6.4.2, las restricciones de la ventana de
correspondientes a los clientes y/o el número de tipos de vehículos. Luego,
tiempo restringen en gran medida el espacio de la solución debido al corto
todas las instancias de problemas se resuelven con i_GVNS en las mismas
condiciones, y las soluciones correspondientes se comparan para analizar horizonte de planificación. Como resultado, el número de clientes por recorrido
es bastante pequeño. Para los experimentos extendidos anteriores, los
el impacto en el costo de los diversos escenarios.
beneficios de una solución integrada al OASVRPSD aumentan
significativamente ya que aumenta el número de clientes por recorrido y, por
lo tanto, es más difícil para el CD garantizar los recorridos. Si es diferente
6.5.2 Impacto de las condiciones de entrega en los costos También se consideran escenarios de entrega (ventanas de tiempo generales,

fecha límite general), el porcentaje de mejora utilizando un enfoque de
Los costes totales relevantes para la decisión se reducen en un 18,20 % si
solución integrada aumenta de 8,62% a 12,98% en promedio. El porcentaje
se excluyen los intervalos de tiempo específicos del cliente, de modo que
de mejora asciende al 12,12% para clases de problemas con dos ventanas
los clientes deben ser atendidos en un plazo de entrega general. Estos
generales de tiempo de entrega. Para un plazo de entrega general, los
ahorros de costes resultan de una reducción de recursos y de distancias de
beneficios aumentan hasta la notable cifra del 18,19%.
conducción significativamente menores. En primer lugar, los costos de
enrutamiento disminuyen en un 22,38 %, lo que se deriva del hecho de que
A diferencia de las condiciones de entrega, el número de tipos de
la compilación de recorridos ya no está limitada por ventanas de tiempo. En
vehículos preparados no tiene un impacto significativo en los beneficios de
segundo lugar, el número de preparadores de pedidos se reduce en 3,36 en
una solución integrada a la OEAVRPSD.
promedio, lo que resulta en un 19,65 % menos de costos de preparación de
pedidos (relevantes para la toma de decisiones). En tercer lugar, el número
de vehículos requeridos se reduce en promedio en 3,68, lo que lleva en
6.6 Calidad de la solución a lo largo del tiempo
promedio a un 17,40 % menos de costos relevantes para la toma de
decisiones. La reducción en el despliegue de recursos se explica por el Para las entregas al día siguiente, los tiempos de cómputo de una o varias
importante ahorro de tiempo debido a la compilación de la gira. horas no son un problema crítico ya que se conocen los pedidos de los clientes.
Si se establecen dos ventanas temporales generales, los resultados son a más tardar desde la noche anterior (Schubert et al., 2018).
similares a los citados anteriormente. Los costes totales disminuyen un 10,23 Sin embargo, esto no es cierto para las entregas en el mismo día debido a lo
%, los costes dependientes del vehículo un 11,45 % y los costes de ajustado del horizonte de planificación en este entorno. Esta sección evalúa
enrutamiento un 13,31 % para todas las instancias del problema. Sin i_GVNS con respecto a los tiempos computacionales.
embargo, el número de recogepedidos desplegados aumenta en 0,89 (5,53 La Figura 5 muestra la desviación promedio del mejor valor objetivo
%) de media, ya que la mitad de los clientes deben ser atendidos muy pronto encontrado (ADBTV) para todas las clases de problemas con 50, 100 y 200
dentro del horizonte de planificación. pedidos de clientes. Estas instancias se resolvieron durante 5, 10 y 30
minutos, respectivamente, con el fin de hacer frente a la creciente complejidad
derivada de un mayor número de pedidos. La solución inicial de i_GVNS
6.5.3 Impacto del número de tipos de vehículos en los costos presenta un valor objetivo que todavía está muy por encima de la mejor
La Tabla 6 resume la cantidad promedio de recursos que se implementan solución encontrada (31,14 %, 29,91 %, 27,85 %). Sin embargo, el valor
dentro de las instancias correspondientes de clases de problemas con uno, objetivo disminuye significativamente dentro de los primeros segundos del
dos y tres tipos de vehículos, analizando los beneficios de una flota de tiempo de ejecución. En detalle, ADBTV asciende a 4,83%, 7,32% y 8,80%
vehículos dividida jerárquicamente. Los costes totales aumentan si se reduce para 50, 100 y 200 pedidos, respectivamente, después del 1% de los tiempos
el número de tipos de vehículos disponibles. El porcentaje de costes de cómputo. Después del 20% de los tiempos computacionales, ADBTV varía
adicionales asciende al 0,68%
SCHUBERT Y AL. 19
TABLA 6 Despliegue de recursos y compilación de costos
Nº de vehículos Costos
Nº tipos de vehículos f(i_GVNS) Nº recolectores Tipo 1 tipo 2 tipo 3 recolectores vehículos Enrutamiento
Tres 21.018,3 16.5 12.1 5.4 1.1 3.955,9 14.458,5 2,604.0
Dos 21.161,4 16.3 12.0 6.8 0.0 3.903,9 14.670,6 2,586.9
Uno 22.013,8 16.0 18.7 0.0 0.0 3.847,5 15.692,4 2.473,9
FIGURA 6 Boxplots de número de clientes, tiempos de servicio (minutos) y pesos
FIGURA 5 Desarrollo de la calidad de la solución en función del tiempo (kg) en el caso de estudio. Tenga en cuenta que aquí no se muestran cuatro valores
computacional aplicado atípicos para los tiempos de servicio, es decir, 206, 208, 257 y 279.
entre 1,03% y 2,07% solamente. Además, i_GVNS todavía encuentra
pedidos de un centro de distribución regional. Esto corresponde a
mejoras en el último 20% del tiempo computacional, cuando el ADBTV
aproximadamente 50 pedidos de clientes por día, que deben cumplirse en
correspondiente representa el 0,07%, 0,12% y 0,21%, respectivamente.
6 horas. A partir de estos datos, se generan 47 instancias que cumplen
con las expectativas básicas del minorista con respecto a los pedidos de
Realizamos experimentos adicionales para analizar el comportamiento
clientes en el mismo día para el área correspondiente. El tamaño de la
de tiempo de ejecución a largo plazo de i_GVNS. Al hacerlo, establecemos
instancia resultante es un múltiplo del tamaño que puede resolverse
el criterio de finalización del algoritmo en 6 horas al resolver las instancias
razonablemente mediante la implementación de la formulación del modelo
del problema con 100 y 200 pedidos de clientes. El tiempo computacional
de la Sección 4. En consecuencia, tanto i_GVNS como SEQ se aplican a
adicional mejora la mejor solución anterior encontrada en un 2,19 % y un
cada instancia durante 15 minutos. Desafortunadamente, no fue posible
2,15 %, respectivamente.
realizar una comparación directa del método utilizado en la práctica por
Además, ADBTV asciende a 0,32 % y 0,52 % después de la mitad del
razones técnicas y confidenciales. Sin embargo, en términos de concepción
tiempo de cómputo e, incluso después de 5,4 horas, el i_GVNS logra
y algorítmica, el enfoque SEQ corresponde en la medida de lo posible al
mejorar ligeramente la solución actual en 0,03 % (100 pedidos) y 0,06 %
proceso de planificación actual en nuestro caso.
(200 pedidos).
compañía.
Resumiendo estos conocimientos, los tiempos computacionales
La distribución del número de pedidos de clientes por día y los tiempos
aplicados se eligen adecuadamente para todas las clases de problemas,
de servicio correspondientes (minutos) y pesos (kg) se muestran en un
pero i_GVNS aún logra encontrar mejoras después de 6 horas de tiempo
diagrama de caja en la Figura 6.
computacional para instancias grandes. Sin embargo, en entornos de la
Tenga en cuenta que no se han proporcionado datos de volumen y, por
vida real, existe una compensación entre la calidad mejorada de la solución
lo tanto, no se consideran en el estudio de caso. Sin embargo, las consultas
de la aplicación del algoritmo y el tiempo para lograrlo, que podría usarse
muestran que el volumen es un tema crítico que actualmente es
para preparar pedidos adicionales para su entrega. En general, si los
monitoreado por los despachadores. Los tiempos de selección se
tiempos de cómputo son muy críticos como en la configuración de entrega
distribuyen uniformemente en un rango de [5, 15] minutos. El tamaño del
en el mismo día, i_GVNS es apropiado ya que logra mejorar
área de distribución basado en las ubicaciones de los clientes es igual a
significativamente el valor objetivo dentro de los primeros segundos de la
146 × 81 km. Finalmente, la relación entre la tasa de costo promedio del
aplicación.
vehículo y la tasa de costo de los recogepedidos es igual a 2,5.
Los resultados de la aplicación de i_GVNS y SEQ son
proporcionados en la Tabla 7 en forma de valores normalizados.
6.7 Caso de la vida real
Los valores objetivos de las soluciones generadas por SEQ son 18.9%
En esta subsección final de nuestro análisis, presentamos los resultados superiores a los de i_GVNS, lo que demuestra la necesidad de un enfoque
de la aplicación de i_GVNS y SEQ a datos de la vida real. Los datos son de solución integrada para el OASVRPSD en la práctica. Los ahorros de
proporcionados por un minorista europeo de productos electrónicos que costos correspondientes de las soluciones i_GVNS resultan de la reducción
opera internacionalmente y cubren datos históricos de clientes de del despliegue de todo tipo de recursos. Si bien la reducción en el número
aproximadamente 2 meses incluyendo más de 2,500 clientes
20 SCHUBERT Y AL.
TABLA 7 Porcentaje de ahorro al aplicar i_GVNS en comparación con SEQ en el caso real
Nº de vehículos
coste total Nº recolectores Total Tipo 1 tipo 2 tipo 3 costos de enrutamiento
18,9% 3,8% 23,2% 13,5% 37,5% 14,7% 17,2%
requerido que los vehículos, de modo que los resultados, además del potencial
de ahorro de costos, indican una estructura de solución más sólida para nuestro
enfoque de solución integrada.
En la figura 8 se detalla la dependencia de los recursos aplicados en función
del número de pedidos considerados. Los círculos (vehículos) y los cuadrados
(recolectores) indican el número de recursos aplicados. Las líneas muestran la
línea de tendencia polinomial de tercer grado para el número de recolectores
necesarios y la línea de tendencia exponencial para el número de vehículos
necesarios. El número
de recolectores y vehículos utilizados aumenta sincrónicamente con el número
de pedidos cuando se aplica el enfoque de planificación integrada (i_GVNS). Sin
embargo, en la planificación secuencial (SEQ), la cantidad de vehículos
FIGURA 7 Coeficientes de variación para el despliegue de recursos en el caso de la
requeridos crece fuertemente a medida que aumenta la cantidad de pedidos,
vida real; SEQ: barras grises, i_GVNS: barras negras
mientras que la cantidad de recolectores aumenta solo levemente. Esto se debe
al hecho de que en el enfoque secuencial primero se optimiza el picking y
de los recolectores parece ser relativamente pequeño, con un promedio del 3,8
después los planes de enrutamiento de vehículos. Por lo tanto, la solución VRP
%, el despliegue de vehículos se reduce en un notable 23,2 %.
debe basarse en el programa de selección ya fijado. Los resultados muestran
Además, los ahorros relacionados con el enrutamiento de vehículos ascienden
que esto conduce a una desventaja fundamental del enfoque de planificación
al 17,2 % utilizando el enfoque i_GVNS.
secuencial en comparación con i_GVNS. Los recursos planificados aumentan
Además del potencial de ahorro de costos, investigamos las variaciones de
casi linealmente con la cantidad de pedidos considerados en las soluciones
los recursos desplegados por el enfoque de solución tanto secuencial como
i_GVNS, mientras que la cantidad de vehículos planificados aumenta
integrado. La provisión de una flota de vehículos suficientemente grande y un
exponencialmente en la solución SEQ en el caso de estudio.
equipo de recolección es un componente natural de los contratos a mediano y
largo plazo con subcontratistas y empleados. En este contexto también deben
Este es también un indicador de una solución más robusta de i_GVNS y sus
tenerse en cuenta las variaciones en los recursos necesarios. Una mayor
variación en los recolectores de pedidos se puede compensar más fácilmente, beneficios para la aplicación en la práctica.
ya que su número también se puede aumentar mediante el uso de agencias de Los CV de los diferentes tipos de vehículos indican que la volatilidad de los
empleo temporal o similares. Una mayor variedad de vehículos, por otro lado, recursos aplicados es mayor para los tipos de vehículos más baratos y menos
es más difícil de manejar, ya que se debe proporcionar un camión además de flexibles (tipos 2 y 3). Esto significa que, en la práctica, el minorista puede hacer
conductores (entrenados). El tamaño y los costes fijos contractuales de la flota planes basados en requisitos de recursos más estables utilizando tipos de
de vehículos se determinan así en función de un nivel de servicio fijo en relación vehículos de mayor costo, pero necesita flexibilidad, especialmente con respecto
con la provisión de vehículos. Los coeficientes de variación (CV) de los tipos de a los tipos de vehículos de menor costo. Tenga en cuenta que i_GVNS genera
recursos desplegados se muestran en la Figura 7 para las 47 instancias. soluciones con un CV más bajo en comparación con SEQ para todos los tipos
de vehículos (consulte la Figura 7).
Los resultados del estudio de caso confirman los resultados obtenidos
En general, los CV son relativamente altos, lo que se explica por un CV utilizando las instancias del problema generadas. Un enfoque de solución
elevado para el número de clientes (0,44). integrada da como resultado un ahorro significativo de costos tanto para datos
Sin embargo, existen diferencias significativas para los tipos de recursos prácticos como simulados. Además, el estudio de caso muestra que las
individuales y los enfoques de solución. SEQ (barra gris) da como resultado un soluciones del enfoque integrado son más fáciles de manejar a largo plazo
CV más bajo para los recogepedidos (0,31) en comparación con el número total debido a una menor variación en el número de vehículos, pero a expensas de
de vehículos (0,63). Esto no es cierto para i_GVNS (barra negra), lo que conduce una mayor variación en el número de preparadores de pedidos.
a un CV más bajo para el número total de vehículos (0,44) en comparación con
el CV del número de recogepedidos (0,49). Esto es interesante desde un punto A continuación, variamos la tasa de costo por recogepedidos (CRPP, es decir,
de vista práctico. Un aspecto a tener en cuenta es que los costos de los vehículos selector de parámetros) para obtener información adicional sobre la estructura
y las rutas de los vehículos son los principales generadores de costos. Otra es de la solución. Al hacerlo, las 47 instancias de problemas prácticos descritas
que se tiene que asignar un equipo de dos hombres, el vehículo y el equipo anteriormente (instancias básicas) se resuelven nuevamente, pero el CRPP se
correspondiente para preparar un vehículo. Por lo tanto, parece más fácil manejar establece en 25%, 50%, 200% y 400% de la tasa actual. La Tabla 8 muestra los
una mayor variación en los preparadores de pedidos necesarios. resultados correspondientes de i_GVNS normalizados a las soluciones de las
instancias básicas.
SCHUBERT Y AL. 21
(A) (B)
FIGURA 8 Recursos aplicados en función del número de pedidos considerados
TABLA 8 Resultados para índices de costes variados por preparador de pedidos planificado Resumiendo este análisis, la relación entre el número de vehículos y el
Costos de selección del multiplicador 0.25 0.50 1.00 2.00 4.00 número de recolectores utilizados se ve muy afectada por CRPP (consulte la
0.83 0.89 1.00 1.21 1.51 Tabla 8). Esta relación es bastante equilibrada para el CRPP más pequeño,

Valor objetivo
Número de recolectores 1.12 1.07 1.00 0.99 0.80 pero cercana a dos para un CRPP cuadruplicado, lo que muestra la

Número de vehículos 0.98 0.98 1.00 1.02 1.12 compensación entre el número de recolectores y el número de vehículos.
Proporción de vehículos a recolectores 1.14 1.22 1.32 1.35 1.93
7 CONCLUSIONES Y PERSPECTIVAS SOBRE
La reducción de los costes de preparación de pedidos, es decir, CRPP, INVESTIGACIÓN FUTURA
conduce naturalmente a una reducción de los costes totales y viceversa.
Reducir el CRPP al 25 % conduce a soluciones con valores objetivo un 16,72 7.1 Conclusiones
% más bajos, mientras que una reducción del 50 % da como resultado
Este trabajo considera la solución simultánea de preparación y entrega de
valores objetivo un 11,21 % más bajos. Sin embargo, el valor objetivo aumenta
pedidos donde la entrega de productos incluye la posibilidad de servicios de
considerablemente, es decir, en un 21,39 % y un 51,26 %, si se duplica y
instalación asociados al producto en el domicilio del cliente. El problema de
cuadriplica el CRPP, respectivamente. Estos aumentos de costos son
decisión en cuestión es especialmente relevante cuando se distribuyen
inducidos por las tasas de costo más altas por recolector, pero también por cambios en la solución.
grandes bienes de consumo duraderos en un entorno de entrega el mismo
estructura.
día, y es observable en el caso de minoristas tanto en línea como omnicanal.
Reducir el CRPP al 25% aumenta el número de recogepedidos planificados
en un 12,18% y reducirlo al 50% supone un aumento del 6,87%. Los ahorros
El problema integra el problema de secuenciación y asignación de órdenes
en valor objetivo se obtienen reduciendo el número de vehículos utilizados y
con un problema de generación de rutas para vehículos con dependencias
creando rutas mejoradas. Más recogepedidos disponibles reducen la fecha
del sitio. Denotamos todo el problema OEAVRPSD. El documento presenta
media de liberación de pedidos en un 7,52 % para un CRPP igual al 25 % del
un modelo de soporte de decisiones y un enfoque de solución integrador que
CRPP inicial, y en un 5,09 % para un CRPP del 50 %. En consecuencia, el
se basa en un algoritmo de búsqueda generalizada de vecindad variable
número de vehículos utilizados se reduce un 2,33% y un 2,11% y los costes
(GVNS). El enfoque de solución integradora mejora considerablemente la
de ruta un 2,34% y un 0,65%, respectivamente. El mismo argumento es válido
solución de un enfoque secuencial que es el estándar actual en la práctica
para un CRPP mayor, lo que lleva a planificar menos recolectores de pedidos,
minorista. El documento lleva a cabo un extenso estudio numérico tanto de
usar más vehículos y, en última instancia, aumentar los valores objetivo. El
datos simulados como de la vida real de un minorista omnicanal líder en
aumento en términos de número de vehículos, sin embargo, resulta
Europa, que confirma de manera impresionante el valor de la integración y
principalmente de un aumento en los vehículos de tipo 3. Aumenta en un
revela varios conocimientos de gestión:
41,10% comparando el CRPP más pequeño y el más grande. Por el contrario,
el número de vehículos del tipo 2 aumenta sólo un 11,21 %, mientras que el
número de vehículos del tipo 1 aumenta en la cifra mucho menor del 2,29 %. (a) Los costos de logística dependen en gran medida de las condiciones
de entrega ofrecidas. Ofreciendo dos ventanas de tiempo
generales o un plazo de entrega general
22 SCHUBERT Y AL.
en lugar de aceptar ventanas de tiempo específicas del cliente, ideas e interconexiones en el problema que se está considerando.
reduce los costos en un 10,23 % y un 18,20 %, respectivamente, Además, el enfoque desarrollado se puede utilizar como una
en nuestro estudio numérico. Este efecto se hace especialmente herramienta de planificación que logra mejores resultados que los
visible cuando se resuelven ambos problemas de forma integradora. enfoques secuenciales clásicos. Sin embargo, el cronograma
Por lo tanto, una mayor flexibilidad de entrega para el minorista muy ajustado puede intensificar los efectos causados por las
requiere un enfoque de solución integradora. (b) Los costos de incertidumbres en el proceso de recolección y durante la entrega.
logística Tomemos como ejemplo los casos en los que una entrega llega a
también dependen de la cantidad de diferentes tipos de vehículos la ubicación del cliente solo después de la ventana de tiempo
utilizados. Las diferencias de costos se vuelven más visibles programada debido a un imprevisto.
cuando se opera solo uno en lugar de dos tipos de vehículos. Sin extensión de los tiempos de viaje o una instalación extendida
embargo, se vuelven insignificantes cuando se operan solo dos en proceso de ción en un cliente anterior. El enfoque actual solo
lugar de tres tipos de vehículos. Operar dos tipos de vehículos en puede tener esto en cuenta al proporcionar suficiente holgura en
lugar de tres, por lo tanto, parece apropiado en el entorno los tiempos de recolección, tiempos de viaje, tiempos de servicio
considerado por los datos generados. y ventanas de tiempo. Sin embargo, los tiempos de inactividad
que son demasiado generosos resultan en costos innecesarios.
Sin embargo, no se ha observado ningún efecto especial sobre la La investigación de los efectos de las incertidumbres en un entorno
necesidad de un enfoque de solución integradora. El enfoque de problema integrado, especialmente en relación con la duración
integrador muestra beneficios iguales en comparación con el del horizonte de planificación, brindaría una valiosa oportunidad
enfoque secuencial en todas estas variaciones de parámetros. para futuras investigaciones. (c) Suponemos un número
suficiente de recogepedidos y vehículos disponibles por tipo para
(c) El enfoque integrador conduce a resultados más sólidos (estables) adaptar los recursos necesarios en el corto plazo. Esta suposición
relacionados con el número de vehículos utilizados que el enfoque es apropiada para los grandes minoristas, como en nuestro caso,
secuencial. Esto es especialmente cierto para el tipo de vehículo y tiene un alto costo para esta flexibilidad por contrato. Sin
que ofrece los servicios de mayor valor agregado. Por lo tanto, el embargo, si se restringe el número de recursos, ya no se garantiza
enfoque de solución integradora ofrece la oportunidad para que una solución factible que atienda a todos los clientes.
el minorista de nuestro estudio de caso opere con una combinación
relativamente constante de tipos de vehículos a pesar de que los
pedidos de los clientes varían significativamente de un día a otro. (d) Suponemos un número suficiente de muelles de carga en el CD. Una
(d) El análisis de la tasa de costo por vez más, esto es cierto para los grandes centros de distribución,
preparador de pedidos (CRPP) en el estudio de caso conduce a en los que se basa nuestra investigación. Para los CD más
información adicional sobre el desarrollo de la estructura de la pequeños, las operaciones de carga de vehículos deben
solución. El análisis revela el equilibrio entre el número de programarse, por lo que se deben tomar decisiones adicionales y
recolectores y el número de vehículos. Además, el mismo análisis se involucran más interacciones.
muestra que un aumento en el costo de selección se compensa (e) Los minoristas omnicanal de comestibles atienden a supermercados
principalmente con el tipo de vehículo menos flexible, es decir, el y clientes en línea de centros de distribución regionales conjuntos.
de menor costo. Este es un consejo valioso para cualquier Los minoristas operan vehículos de múltiples compartimentos para
minorista, ya que este tipo de vehículo es mucho más fácil de tratar con diversos segmentos de productos que requieren
ampliar o reducir que los tipos más flexibles si la demanda y/o las requisitos de temperatura individuales (Hübner & Ostermeier,
tasas de costos cambian. 2019). Por lo tanto, una rama de investigación adicional podría
concentrarse en la integración del proceso de preparación de
pedidos de diversos segmentos y el suministro conjunto de estos
segmentos utilizando vehículos de varios compartimientos.
7.2 Perspectivas de investigación futura
El modelo sugerido y el enfoque de solución incluyen varios supuestos
específicos, posiblemente restrictivos, que conducen a nuevos desafíos para EXPRESIONES DE GRATITUD
futuras investigaciones:
Los autores agradecen los recursos informáticos y de datos proporcionados
(a) La línea de tiempo del enfoque de modelado asume que todos los por el Leibniz Supercomputing Centre (www.lrz.de), y la beca de doctorado
procesos, incluido el proceso de selección, solo pueden comenzar de la ErichKellerhalsStiftung (Fundación), Ingolstadt, Alemania, para uno de
después de la hora límite. Puede ser de interés saber bajo qué los autores. Además, nos gustaría agradecer a los revisores anónimos ya los
condiciones esta editores invitados del número especial por sus valiosas recomendaciones, que
podría flexibilizarse la suposición y cómo influiría esto en los han mejorado significativamente nuestro artículo. Financiamiento de acceso
resultados alcanzados. abierto habilitado y organizado por Projekt DEAL.
(b) Esta investigación asume un entorno de planificación determinista.
Esto nos permite identificar imparcialmente
SCHUBERT Y AL. 23
ORCIDO (Eds.), Handbook of metaheuristics International Series in Operations Research &
Management Science (Vol. 146, 2nd ed., pp.
Heinrich Kuhn https://orcid.org/0000000337044042 61–86). Nueva York, NY y otros: Springer.
HDE. (2019). Umsatz durch ECommerce (B2C) in Deutschland in den Jahren 1999 bis
2018 sowie eine Prognose für 2019. Obtenido de https://de.statista.com/statistik/
REFERENCIAS daten/studie/3979/ Hemmelmayr, VC, Doerner, KF, y Hartl,
Agatz, NAH, Fleischmann, M. y van Nunen, JAEE (2008). RF (2009). Una heurística de búsqueda de vecindad variable para problemas de
Cumplimiento electrónico y distribución multicanal: una revisión. Revista europea enrutamiento periódicos.
de investigación operativa, 187(2), 339–356. Revista europea de investigación operativa, 195, 791–802.
Archetti, C., Feillet, D. y Speranza, MG (2015). Complejidad de los problemas de Henke, T., Speranza, MG y Wäscher, G. (2015). El problema de enrutamiento de
vehículos de compartimentos múltiples con tamaños de compartimentos flexibles.
enrutamiento con las fechas de lanzamiento. Revista europea de investigación
operativa, 247, 797–803. Revista europea de investigación operativa, 246, 730–743.
Archetti, C., Jabali, O. y Speranza, MG (2015). Enrutamiento de vehículos de varios
Henn, S. (2015). Dosificación y secuenciación de pedidos para la minimización de la
períodos con fechas de vencimiento. Computadoras e investigación de operaciones,
61, 122–134. tardanza total en los almacenes pickertopart. Servicios flexibles y fabricación, 27,
86–114.
bevh (2019). Warengruppen im onlineHandel nach dem Umsatz in Deutschland in den
Hochbaum, DS y Shmoys, DB (1988). Un esquema de aproximación polinomial para la
Jahren 2015 bis 2018. Obtenido de https://de. statista.com/statistik/daten/studie/
programación de máquinas en procesadores uniformes: Uso del enfoque de
253188/
aproximación dual. SIAM Journal on Computing, 17, 539–551.
Biskup, D., Herrmann, J. y Gupta, JND (2008). Programación de máquinas paralelas
idénticas para minimizar la tardanza total. Revista Internacional de Economía de la
Holzapfel, A., Hübner, A., Kuhn, H. y Sternbeck, MG (2016).
Producción, 115, 134–142.
Patrón de entrega y planificación del transporte en la venta al por menor de comestibles.
Cattaruzza, D., Absi, N. y Feillet, D. (2016). El problema de enrutamiento de vehículos
Revista europea de investigación operativa, 252, 54–68.
de viajes múltiples con ventanas de tiempo y fechas de lanzamiento. Transportation
Holzapfel, A., Kuhn, H. y Sternbeck, MG (2018). Asignación de productos a diferentes
Science, 50, 676–693.
tipos de centros de distribución en redes logísticas minoristas.
Chen, Z. (2010). Programación integrada de producción y distribución de salida: revisión
y ampliación. Investigación de operaciones, 58, 130–148.
Hübner, A., Holzapfel, A. y Kuhn, H. (2015). Gestión de operaciones en el comercio
minorista multicanal: un estudio exploratorio. Investigación de gestión de
Clarke, G. y Wright, JW (1964). Programación de vehículos desde un depósito central
operaciones, 8(3), 84–100.
hasta varios puntos de entrega. Investigación de operaciones, 12, 568–581.
Hübner, A., Holzapfel, A. y Kuhn, H. (2016). Sistemas de distribución en retail omnicanal.
Investigación empresarial, 9(2), 255–296.
Cordeau, J.F., Gendreau, M. y Laporte, G. (1997). Una heurística de búsqueda tabú
Hübner, A., Holzapfel, A., Kuhn, H. y Obermair, E. (2019). Distribución en la venta
para problemas de enrutamiento de vehículos periódicos y de múltiples depósitos.
minorista de comestibles omnicanal: un análisis de los conceptos realizados. Serie
Redes, 30, 105–119.
sobre gestión de la cadena de suministro (págs. 283–309). Berlín: Springer.
Cordeau, J.F. y Laporte, G. (2001). Un algoritmo de búsqueda tabú para el problema de
enrutamiento de vehículos dependiente del sitio con ventanas de tiempo. INFOR,
Hubner, A. y Ostermeier, M. (2019). Un problema de enrutamiento de vehículos de
39, 292–298.
varios compartimientos con costos de carga y descarga. Ciencias del Transporte,
Cordeau, J.F., Laporte, G. y Mercier, A. (2004). Algoritmo de búsqueda tabú mejorado
53(1), 282–300. https://doi.org/10.1016/j.cor.2016.12.023 Irnich, S., Toth, P. y
para el manejo de restricciones de duración de ruta en problemas de generación de
Vigo, D. (2014). La familia de problemas de ruteo de vehículos. En P. Toth & D. Vigo
rutas para vehículos con ventanas de tiempo. Revista de la Sociedad de Investigación
(Eds.), Enrutamiento de vehículos—Problemas, métodos y aplicaciones, Serie MOS
Operacional, 55, 542–546.
SIAM sobre optimización; No. 18 (2.ª ed. SIAM, Filadelfia, págs. 1–33).
Cordeau, J.F. y Maischberger, M. (2012). Una heurística de búsqueda tabú iterada en
paralelo para problemas de enrutamiento de vehículos. Computers & Operations Klapp, MA, Erera, AL y Toriello, A. (2018). La dis dinámica
Research, 39, 2033–2050.
Problema de ondas de parche para entrega el mismo día. Revista europea de
De Koster, R., LeDuc, T. y Roodbergen, KJ (2007). Diseño y control de preparación de investigación operativa, 271, 519–534.
pedidos en almacén: una revisión de la literatura. Revista europea de investigación Kovacs, AA, Golden, BL, Hartl, RF y Parragh, SN (2014).
operativa, 182, 481–501. El problema generalizado de enrutamiento de vehículos consistente. Ciencias del
Delorme, M., Iori, M. y Martello, S. (2016). Problemas de stock de embalaje y corte en Transporte, 49, 796–816.
contenedores: modelos matemáticos y algoritmos exactos. Kuhn, H., Schubert, D. y Holzapfel, A. (2020). Lotes de pedidos integrados y
Revista europea de investigación operativa, 255(1), 1–20. enrutamiento de vehículos: un algoritmo de búsqueda de vecindario grande
Desaulniers, G., Madsen, OBG y Ropke, S. (2014). El problema de enrutamiento de adaptativo general. European Journal of Operational Research, disponible en línea
vehículos con ventanas de tiempo. En P. Toth & D. Vigo (Eds.), Enrutamiento de el 10 de abril de 2020.
vehículos: problemas, métodos y aplicaciones (2ª ed., págs. 119–160). Mc Kinsey. (2017). Warenzustellung am selben Tag vor dem de https://www.mckinsey.de/
Filadelfia, PA: Sociedad de Matemáticas Industriales y Aplicadas y Sociedad de Durchbruch. Recuperado warenzustellungamselbentagvordem
Optimización Matemática. durchbruch Mladenovic, N. y Hansen, P. (1997). Búsqueda de
´
Dueck, G. y Scheuer, T. (1990). Aceptación de umbral: un algoritmo de optimización de vecindad variable.
propósito general que parece superior al recocido simulado. Revista de Física Computadoras e investigación de operaciones, 24, 1097–1100.
Computacional, 1, 161–175. Moons, S., Braekers, K., Ramaekers, K., Caris, A. y Arda, Y. (2019).
Gallino, S. y Moreno, A. (2019). Operaciones en un mundo Omnicanal—Serie Springer El valor de integrar decisiones de preparación de pedidos y rutas de vehículos en
en la gestión de la cadena de suministro (Vol. 8). Berlín: Springer International un entorno de comercio electrónico B2C. Revista internacional de investigación de
Publishing. producción, 57 (20), 6405–6423.
´
Hansen, P., Mladenovic, N., Brimber, J. y Pérez, JAM (2010). Moons, S., Ramaekers, K., Caris, A. y Arda, Y. (2017). Integrar la programación de
Búsqueda de vecindad variable. En M. Gendreau & J.Y. potvin producción y las decisiones de enrutamiento de vehículos en el nivel operativo.
24 SCHUBERT Y AL.
nivel de decisión: Una revisión y discusión. Informática e ingeniería industrial, 104(2), Toth, P. y Vigo, D. (Eds.). (2014). Enrutamiento de vehículos: problemas, métodos y
224–245. aplicaciones (2ª ed.). Filadelfia, PA: Sociedad de Matemáticas Industriales y Aplicadas
Moons, S., Ramaekers, K., Caris, A. y Arda, Y. (2018). Integración de preparación de pedidos y Sociedad de Optimización Matemática.
y enrutamiento de vehículos en un contexto B2C. Revista de fabricación y servicios
flexibles, 30, 813–843. Ullrich, CA (2013). Programación integrada de máquinas y rutas de vehículos con ventanas
Morihara, I., Ibaraki, T. y Hasegawa, T. (1982). Problemas de programación multiprocesador de tiempo. Revista europea de investigación operativa, 227, 152–165. van Gils, T., Caris,
y embalaje en contenedores con restricciones laterales en los tipos de trabajo. A., Ramaekers, K.
Matemáticas aplicadas discretas, 6, 173–191. y Braekers, K. (2019). Formular y resolver el problema integrado de programación de
O, yo. (1976). Problemas combinatorios tipo viajante y su relación con la logística de los procesamiento por lotes, enrutamiento y selección en un almacén de piezas de repuesto
bancos de sangre regionales. (Tesis doctoral). de la vida real. Revista europea de investigación operativa, 277(3), 814–830.
Universidad del Noroeste, Evanston, IL.
Paul, J., Agatz, N., Spliet, R. y Koster, RD (2019). Problema de enrutamiento de capacidad van Gils, T., Ramaekers, K., Caris, A. y Cools, M. (2017). El uso de la previsión de series
compartida: un estudio minorista omnicanal. Revista europea de investigación operativa, temporales en los sistemas de preparación de pedidos por zonas para predecir la carga
273(2), 731–739. de trabajo de los preparadores de pedidos. Revista internacional de investigación de
Pirkwieser, S., Raidl, GR (2008). Una búsqueda de vecindad variable para el problema producción, 55, 6380–6393.
periódico de enrutamiento de vehículos con ventanas de tiempo. En: F. van Gils, T., Ramaekers, K., Caris, A. y de Koster, RB (2018).
Troyes (Ed.), Actas de la 9.ª reunión de la UE sobre metaheurísticas para logística y Diseño de sistemas eficientes de preparación de pedidos mediante la combinación de
enrutamiento de vehículos. problemas de planificación: clasificación y revisión de última generación. European
Pisinger, D. y Ropke, S. (2007). Una heurística general para problemas de ruteo de vehículos. Journal of Operational Research, 267(1), 1–15.
Computadoras e investigación de operaciones, 34, 2403–2435. Vidal, T., Crainic, TG, Gendreau, M. y Prins, C. (2013a). Heurística para problemas de
Polacek, M., Hartl, RF y Doerner, K. (2004). Una búsqueda variable de vecinos para el enrutamiento de vehículos de atributos múltiples: una encuesta y síntesis.
problema de enrutamiento de vehículos de depósito múltiple con ventanas de tiempo. Revista europea de investigación operativa, 231, 1–21.
Revista de heurística, 10, 613–627. Vidal, T., Crainic, TG, Gendreau, M. y Prins, C. (2013b). Un algoritmo genético híbrido con
Ramaekers, K., Caris, A., Moons, S. y van Gils, T. (2018). Uso de un problema integrado de gestión de diversidad adaptativa para una gran clase de problemas de enrutamiento de
enrutamiento de vehículos de recolección de pedidos para estudiar el impacto de las vehículos con ventanas de tiempo. Computadoras e investigación de operaciones, 40,
ventanas de tiempo de entrega en el comercio electrónico. European Transport Research 475–489.
Review, 10(56), 1–11. Voccia, SA, Campbell, AM y Thomas, BW (2017). El problema de entrega en el mismo día
Salhi, S., Imran, A. y Wassan, NA (2014). El problema de enrutamiento de vehículos con para compras en línea. Ciencias del Transporte, 53(1), 167–184.
múltiples depósitos con una flota de vehículos heterogénea: Formulación y una
implementación de búsqueda de vecindad variable. Computadoras e investigación de Wollenburg, J., Holzapfel, A., Hübner, A. y Kuhn, H. (2018). Configuración de procesos de
operaciones, 52, 315–325. cumplimiento minorista para la dirección omnicanal de clientes. Revista Internacional de
Savelsbergh, MWP (1992). El problema de enrutamiento de vehículos con ventanas de Comercio Electrónico, 22(4), 540–575.
tiempo: Minimización de la duración de la ruta. Revista ORSA sobre Informática, 4, 146–
154.
Wollenburg, J., Hübner, A., Kuhn, H. y Trautrims, A. (2018).
Schmid, V., Doerner, KF y Laporte, G. (2013). Problema de enrutamiento enriquecido De ladrillos y cemento a ladrillos y clics: redes de logística en la venta minorista de
problemas que surgen en la gestión de la cadena de suministro. Revista europea de comestibles omnicanal. Revista internacional de distribución física y gestión logística,
investigación operativa, 224, 435–448. 48(4), 415–438.
Scholz, A., Schubert, D. y Wäscher, G. (2017). Recolección de pedidos con múltiples ZareReisabadi, E. y Mirmohammadi, SH (2015). Problema de enrutamiento de vehículos
recolectores y fechas de vencimiento: solución simultánea de procesamiento por lotes dependiente del sitio con ventana de tiempo suave: modelado y enfoque de solución.
de pedidos, asignación y secuenciación de lotes y problemas de enrutamiento de los recolectores. Informática e ingeniería industrial, 90, 177–185.
Schubert, D., Scholz, A. y Wäscher, G. (2018). Picking de pedidos integrado y enrutamiento
de vehículos con fechas de vencimiento. O Espectro, 40(4), 1109–1139.
Taillard, ED, Badeau, P., Gendreau, M., Guertin, F. y Potvin, J.Y.
(1997). Una heurística de búsqueda tabú para el problema de enrutamiento de vehículos Cómo citar este artículo: Schubert D, Kuhn H, Holzapfel
con ventanas de tiempo blandas. Ciencias del Transporte, 31, 170–186. A. Entregas en el mismo día en el comercio minorista
Tarantilis, CD, Kiranoudis, CT y Vassiliadis, VS (2004). Una metaheurística de aceptación de omnicanal: preparación de pedidos integrada y enrutamiento
umbral para el problema heterogéneo de enrutamiento de vehículos de flotas fijas.
de vehículos con dependencias del sitio del vehículo.
Logística de investigación naval 2020;1–24. https://doi.org/
10.1002/nav. 21954
Tompkins, JA, White, JA, Bozer, YA y Tanchoco, JMA (2010).
Planificación de instalaciones (4ª ed.). Hoboken, Nueva Jersey: John Wiley & Sons.

Same-Day Deliveries in Omnichannel Retail - Integrated Order Picking and Vehicle Routing With Vehicle-Site Dependencies

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Same-Day Deliveries in Omnichannel Retail - Integrated Order Picking and Vehicle Routing With Vehicle-Site Dependencies

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Recibido: 30 noviembre 2019 Revisado: 4 de septiembre de 2020 Aceptado: 10 de septiembre de 2020

necesario para cada tipo de servicio, y también se debe preparar el equipo 2.6 Decisiones y sus interdependencias

Las variables uim, i N, m M, determinan si un pedido de cliente i se

quanti variable xm ij , i, j N0, m M. La variable de decisión

zji = 1 i norte (2) vehículo, que se formula en las restricciones (7) a (17). Las definiciones

∑ uim = 1 i N (7) Los subproblemas de preparación de pedidos y generación de rutas para

uim ≤ eik i N, m Mk, k K (8) hasta que todos los pedidos correspondientes hayan sido suministrados por el almacén.

xm ≤ 1 m METRO 0i Las ecuaciones (9) y (10) aseguran la integridad de las variables de

mk Conjunto de vehículos de tipo k K, Mk M; Mh ∩ Ml = h, l K, h ≠ l

ck Costo de viaje no negativo entre la ubicación i y j, si i, j N0, lo realiza el tipo de vehículo k, k K

vehiculo _ Coste fijo por vehículo utilizado de tipo k, k K

eik Parámetro binario que indica si el cliente i, i N, puede ser atendido por el tipo de vehículo k, k K, (eik = 1) o no (eik = 0)

tij Tiempo de viaje entre la ubicación i y j, i, j N0

b.m. Hora de inicio del vehículo m, m M, en el almacén

uim Variable binaria que indica si el cliente i, i N, está asignado al vehículo m, m M, (uim = 1) o no (uim = 0)

xm Variable binaria que indica si el vehículo m, m M, visita la ubicación j, j N0 inmediatamente después de la ubicación i, i N0, (xm = 1) o no (xm = 0)

zij Variable binaria que indica si el pedido del cliente i, i N, se procesa inmediatamente antes que el pedido del cliente j, j N+, i≠j,

5.1 Solución inicial fase de agitación que perturba la solución actual y una búsqueda local

1 Intercambio cruzado 1 1 6.4.1 Resultados de los experimentos con instancias pequeñas

6.5.2 Impacto de las condiciones de entrega en los costos También se consideran escenarios de entrega (ventanas de tiempo generales,

Nº tipos de vehículos f(i_GVNS) Nº recolectores Tipo 1 tipo 2 tipo 3 recolectores vehículos Enrutamiento

Tres 21.018,3 16.5 12.1 5.4 1.1 3.955,9 14.458,5 2,604.0

Dos 21.161,4 16.3 12.0 6.8 0.0 3.903,9 14.670,6 2,586.9

Uno 22.013,8 16.0 18.7 0.0 0.0 3.847,5 15.692,4 2.473,9

coste total Nº recolectores Total Tipo 1 tipo 2 tipo 3 costos de enrutamiento

18,9% 3,8% 23,2% 13,5% 37,5% 14,7% 17,2%

Costos de selección del multiplicador 0.25 0.50 1.00 2.00 4.00 número de recolectores utilizados se ve muy afectada por CRPP (consulte la

0.83 0.89 1.00 1.21 1.51 Tabla 8). Esta relación es bastante equilibrada para el CRPP más pequeño,

Número de recolectores 1.12 1.07 1.00 0.99 0.80 pero cercana a dos para un CRPP cuadruplicado, lo que muestra la

Proporción de vehículos a recolectores 1.14 1.22 1.32 1.35 1.93

También podría gustarte