Optimización de la ruta de recolección de
desechos sólidos mediante algoritmo genéticos
en el sector siete de la cuidad de Ambato-
Ecuador.
Jessenia López1, Alex Moreno1, Diego Yauli1, Diego Laverde1.
1
Dpto. de Energía mecánica. Petroquímica. Escuela Politécnica del Ejército. Universidad de las Fuerzas
Armadas.
estefa.jess@gmail.com, alexmcu06@yahoo.es, diego_leonel_yauli@hotmail.com,
Route optimization for solid waste collection
by genetic algorithm in the sector seven of
Ambato-Ecuador.
Resumen— Este trabajo describe un modelo
matemático para resolver la recolección de desechos
sólidos del sector 7 en la cuidad de Ambato-Ecuador,
con el empleo de algoritmos genéticos. La recolección
lo realiza un camión de basura con restricciones de
capacidad. Se implementó un modelo a partir de datos
reales recolectados por medio de trabajo de campo,
siguiendo el método de algoritmos genéticos de
Matlab®. Los resultados demuestran que las rutas
alcanzadas con la implementación del algoritmo
genético permiten lograr un rendimiento óptimo en
cuanto a la distancia y nodos, lo que evidencia el
potencial de esta herramienta.
Palabras Claves— algoritmo genético, heurísticas,
optimización, recolección de residuos, ruteo de
vehículos.
Abstract— This paper describes a mathematical
model for solving the solid waste collection in the
sector number seven of Ambato-Ecuador, with the use
of genetic algorithms. Harvesting is done by a garbage
truck with capacity constraints. A model was
implemented based on real data collected through
fieldwork, following the method of genetic algorithms
Matlab. The results demonstrate that the routes reached
with the implementation of the genetic algorithm enable
optimal performance in terms of distance and nodes,
which shows the potential of this tool.
Keywords— genetic algorithm, heuristic
optimization, waste collection vehicle routing.
I. INTRODUCCIÓN
El crecimiento poblacional urbano en los
últimos años ha generado un aumento en el
consumo de productos lo que está directamente
vinculado con el incremento de desechos sólidos.
Su recolección originó mayor exigencia en cuanto
a recursos técnico humano muy necesarios.
El sector 7 de la cuidad de Ambato, tiene
una población cercana a los 16000 habitantes, el
Municipio de Ambato, a través de una empresa
privada, se encarga de recolectar los desechos
sólidos que luego son trasladarlos hasta el
botadero de Chachoán [1].
La acumulación de desechos sólidos del
sector siete de la cuidad de Ambato pueden
generar gastos innecesarios a la empresa privada y
causar enfermedades a la sociedad del sector.
Considerando que el problema de la
recolección de residuos sólidos puede acarrear un
ahorro desde el punto de vista económico y un
positivo impacto ambiental, de esta forma
proponemos analizar e implementar un modelo
matemático que permita minimizar la distancia
recorrida por el camión de basura de acuerdo a
su capacidad mediante algoritmos genéticos.
El problema de enrutamiento del camión
de basura en forma resumida, consiste en
establecer un recorrido al mínimo costo, dados: un
conjunto de clientes, que se encuentran
distribuidos en un grafo, de forma tal que los
vehículos inicien y terminen su jornada en lugares
de almacenamiento.
 A. Grafo.
Es un conjunto de objetos llamados
vértices o nodos unidos por enlaces llamados
aristas o arcos, que permiten representar
relaciones binarias entre elementos de un conjunto
[2].
B. Metaheurísticas y algoritmos.
Los algoritmos genéticos permiten
realizar una actividad, para hallar la solución
óptima del problema, a partir de mecanismos de
búsqueda imitan un determinado fenómeno
natural: la evolución de las especies a través de la
herencia genética [3]. La idea principal de los
algoritmos genéticos es hacer lo que la naturaleza.
En la naturaleza, el problema con el que
se enfrenta cada especie consiste en la búsqueda
de mejoras para conseguir su propia adaptación a
un medio que está en constante evolución.
Reorganizando sus partes componentes
mediante procesos como la reproducción, la
mutación y la selección natural [4]. [En
consecuencia, los algoritmos genéticos promueven
la evolución de soluciones para problemas
particulares, controlando la generación, variación,
adaptación y selección de posibles soluciones
mediante procesos basados genéticamente.
Conforme se modifican y combinan las
soluciones, las peores se descartan y las mejores
sobreviven para seguir adelante, e incluso, para
producir mejores soluciones [5].
II. MATERIALES Y MÉTODOS
Algoritmos Genético
Los algoritmos genéticos son métodos aplicados
que nos permiten resolver de forma eficiente
problemas de optimización. Los algoritmos
genéticos como su nombre lo dicen se basan en
los genes (estructuras que estamos formados todos
los seres vivos).Los algoritmos genéticos tienen
como principio fundamental la evolución con el
transcurso de las generaciones principio
enunciado por Charles Darwin el cual supo
manifestar que:
 La evolución ocurre con el transcurso del
tiempo.
 El cambio evolutivo es constante.
 Para el cambio se enfoca en el proceso de
selección de las especies “especies idóneas”.
Los algoritmos genéticos computacionales tienen
como objetivo crear soluciones aproximadas para
problemas que surgen en la realidad. Para resolver
este problema nos enfocaremos en algoritmos de
optimización, es decir tratar de encontrar de todas
las soluciones posibles conocidas como óptimos.
Estructura de un algoritmo
Un algoritmo genético se lo considera un ciclo
interactivo, interactivo porque en un software
computacional selo puede generar de manera
aleatoria. Un algoritmo genético desde el más
simple al más compuesto sigue la siguiente
estructura:
Generación de la Población
 Se lo considera la población
inicial de nuestro problema es decir un
conjunto de individuos (cromosomas) los
cuales llevan una configuración genética
propia (gen).
Selección
 El proceso de selección es aquel
que nos permite extraer una muestra de la
población, la misma que tendrá en un
conjunto a los cromosomas ideales y no
ideales.
Cruce
 El proceso de cruce es el
proceso por el cual un conjunto de
cromosomas tienden a transferirse
información para modificar la estructura
del cromosoma en función de una
probabilidad
Mutación
 El proceso de mutación es un
proceso de cambio que se produce en el
interior de un cromosoma que nos
permita mediante este cambio obtener
una solución óptima. En función de una
probabilidad la cual la define el
programador
Si llevamos todo esto a un programa zij Es la distancia que existe entre nodo y nodo.
computacional este proceso corresponde a una xij Es un número binario
sola solución, para obtener solucione probables se  0 si el camión no pasa por ese arco de
debe realizar una serie de ciclos interactivos de recolección.
forma aleatoria para luego ser evaluada en la
 1 si el camión pasa por ese arco de
función objetivo la cual con las restricciones
recolección.
permitirán resolver el problema.
yij Es un número binario:
Selección de la mejor ruta de recolección de  0 si el camión no pasa por ese nodo de
desechos sólidos de acuerdo a la menor recolección.
distancia recorrida.  1 si el camión pasa ese nodo de
recolección.
Variables:
Restricciones
Q= capacidad del camión. Punto de Partida
mat_de= matriz de demanda de cada nodo.
n
mat_dist= matriz distancia.
Z=distancia entre nodo a nodo. ∑ x oj=1 ∀ i, j∈ M ={1 , 23 … n }(2)
i=1
Y= nodos.
X= arcos.
i= punto de partida. n
j= punto de llegada.
∑ y oj=1 ∀ i , j∈ M ={1 , 23 … n}(3)
i=1
Punto intermedio
n

Símbolo
Nombre
∑ x ij=2 y ∀ i , j∈ M ={1 , 2 3 … n }(4)
i=1
Q Capacidad del Camión.
Punto de llegada
n
mat_de Matriz de demanda de cada Nodo
∑ x oj=1 ∀ i, j∈ M ={1 , 23 … n }(5)
i=1
mat_dist Matriz Distancia
n
Z Distancia Entre Nodo A Nodo. ∑ y oj=1 ∀ i , j∈ M ={ 1 ,2 3 … n }(6)
i=1
Y Nodos
De carga
X Arcos.
n n
i Punto de Partida ∑ di∗ ∑ y ij ≤Q ∀ i, j∈ M ={ 1 ,2 3 … n } (7)
i=1 i=1 , j=1
j Punto de Llegada
La ec . ( 2 ) y (3) nos permite que el camión
selecciona una ruta partiendo del depósito. La
ec . ( 4 ) nos dice que el camión podrá visitar un
deposito una vez por recorrido realizado. Las
Formulación matemática
ec .(5) y (6) nos señala que el camión retornará
Para la resolución de nuestro problema se ha al nodo conocido como el deposito. La ec .(7)
planteado la función objetivo a fin de minimizar la nos permite que el camión recorra una ruta de
distancia recorrida por un camión recolector de recolección hasta que se llene, así después regrese
basura. al depósito.
min=∑ z ij∗x ij ∀ i , j ∈ x (1)
Donde:
 III. RESULTADOS
Establecida la metodología en la cual apoyamos
nuestro trabajo se necesitó asociar hechos reales a
efectos de probabilidad como los que engloban los
algoritmos genéticos. A partir de la zona de
influencia de la que se basa nuestro trabajo,
recopilamos datos sobre acumulación media de
desechos en cada nodo, distancia entre los arcos y
capacidad del vehículo como variables
fundamentales para la resolución de nuestra
problemática.
Figura 1: Representación de la zona de estudio.
Se ejecutó el programa modelado el cual
despliega la siguiente interfaz con el programador:
Consideramos la entrada anterior fundamental, ya
que la misma puede variar dependiendo del
camión disponible para realizar la labor de
recolección.
El valor citado es pertinente tomando como
referencia que esta zona posee bajos niveles de
generación de desechos sólidos.
A continuación el Matlab ejecuta el archivo
programado, el cual, como se denotó depende
mayormente de la capacidad del camión.
El programa despliega como solución factible la
ruta por la cual el camión deberá transitar y
efectuar la recolección por los nodos en los cuales
exista aglomeración de desechos sólidos. Dichos
valores se presentan de manera visual y
comprensiva en la Figura 1 en una escala de
1:100 m, en la cual se ha representado las
manzanas que integran la zona de nuestra
investigación.
Figura 2: Trayectoria del vehículo recolector.
Además de la trayectoria óptima se calculó la
distancia mínima que recorre el camión producto
de la distancia acumulada entre cada arco y la
cantidad de desechos en cada nodo por los que
transita efectuando la recolección.
CONCLUSIONES
Se ha desarrollado este proyecto con la finalidad
de comprender como las herramientas
matemáticas asociadas a términos de genética y
evolución proporcionan resultados eficaces a
problemas del diario vivir en los que se busca una
solución óptima que permita minimizar o
maximizar alguna variable de interés.
Este trabajo se ha realizado con la finalidad de
proporcionar recursos alternativos al momento de
realizar servicios de recolección, con el fin de
evitar recorrer por zonas en las que la ausencia de [7] Tarantilis, C. D., & Kiranoudis, C. T. (2005).
desechos generarián un incremento en la Operational research and food logistics. Journal of
trayectoria recorrida y que elevarían los costos Food Engineering, 70(3), 253-255
operativos de empresas dedicadas a esta labor.

El programa además permite que cambio alguno

que se efectúe en la realidad, como tasa de
generación de desechos, sea ingresado en su
código y permita con normalidad efectuar el
cálculo de el trayecto más óptimo respect a la
distancia.

Desarrollar este tipo de proyectos permite

conjugar las herramientas matemáticas
disponibles que con ayuda de programas, como
Matlab, facilitan el desarrollo de enredadisos
cálculos. Pero sin olvidar que éstas son solo
respuestas idealizadas, ya que muchas de las veces
la experiencia humana, como en labores de
recoleción, elabore su propia ruta por lo
familiarizados que se encuentran con su área de
trabajo.

Referencias:

[1] Laguna, J. (2007). Optimizing the periodic

pick-up of raw materials for a manufacturer of
auto parts. European Journal of Operational
Research, 179(3), 736-746.
[2] García-Najera, A. & Bullinaria, J. (2011). An
improved multi-objective evolutionary algorithm
for the vehicle routing problem with time
windows. Computers & Operations Research,
38(1), 287.
[3] Larrañaga, P., Kuijpers, C.M.H., Murga, R.H.,
Inza, I., & Dizdarevic, S. (1999). Genetic
algorithms for the travelling salesman problem: A
review of representations and operators. Artificial
Intelligence Review, 13(2), 129-170
[4] Maroto, C., Alcaraz, J., & Ruiz, R. (2002).
Investigación operativa: modelos y técnicas de
optimización. Valencia: Universidad Politécnica
de Valencia.
[5] Robusté, F. & Galván, D. (2005). e-logistics.
Barcelona: Universidad Politécnica de Catalunya.
[6] Sterzik, S. & Kopfer, H. (2013). A tabu search
heuristic for the inland container transportation
problem. Computers and Operations Research,
40(4), 953-962.