Problema de Optimización de Rutas de Vehículos Con Aspectos Medioambientales.

TRABAJO FIN DE MSTER
PROBLEMA DE OPTIMIZACIN DE
RUTAS DE VEHCULOS CON ASPECTOS
MEDIOAMBIENTALES.
Autor: Jos Carlos Molina Gmez.

Director: Dr. Ignacio Egua Salinas
Mster en Organizacin Industrial

y Gestin de Empresas
Universidad de Sevilla
SEVILLA, Noviembre de 2013
TABLA DE CONTENIDO
ndice de Figuras...................................................................................................................... 4
ndice de Tablas ....................................................................................................................... 5
Captulo 1: Introduccin y Objeto del Proyecto ......................................................................... 7
1.1. Introduccin. ................................................................................................................ 7
1.2. Objeto del Proyecto. ................................................................................................... 12
1.3. Marco de Realizacin. ................................................................................................. 13
1.4. Fases del Proyecto. ..................................................................................................... 16
1.5. Estructura de la Memoria. ........................................................................................... 16
Captulo 2: Problema de Optimizacin de Rutas de Vehculos con Flota Heterognea .............. 18
2.1. Introduccin. .............................................................................................................. 18
2.2. Variantes del Problema VRP. ....................................................................................... 19
2.2.1. VRP con Flota Heterognea. ........................................................................................................ 19
2.2.2. Otras Variantes del problema VRP. .............................................................................................. 20
2.3. Revisin de la Literatura. ............................................................................................. 22

2.3.1. VRP con Flota Heterognea. ........................................................................................................ 22
2.3.1.1. Mtodos Exactos .................................................................................................................. 25
2.3.1.2. Aproximaciones Heursticas y Metaheursticas ................................................................... 25
2.3.2. VRP con Criterios de Sostenibilidad. ............................................................................................. 28
2.3.3. VRP y Multiobjetivo. ..................................................................................................................... 32
Captulo 3: Mtodo de Estimacin de los Costes asociados a las Externalidades....................... 35

3.1. Introduccin. .............................................................................................................. 35
3.2. Clculo de los Costes de las Externalidades. ................................................................. 36
3.2.1. Costes asociados al Cambio Climtico. ........................................................................................ 36
3.2.2. Costes asociados a la Contaminacin Atmosfrica. ..................................................................... 37
3.2.3. Costes asociados al Ruido ............................................................................................................ 38
3.2.4. Costes asociados a Accidentes ..................................................................................................... 39
3.3. Modelado del Problema. ............................................................................................. 39

3.3.1. Definicin y Restricciones del Problema....................................................................................... 39
3.3.2. Costes Internos. ............................................................................................................................ 42
3.3.2.1. Costes del Conductor ........................................................................................................... 43
3.3.2.2. Costes Energticos ............................................................................................................... 43
3.3.2.3. Costes Fijos ........................................................................................................................... 43
3.3.2.4. Costes de Mantenimiento .................................................................................................... 44
3.3.2.5. Costes de Peajes ................................................................................................................... 44
3.3.3. Costes Externos. ........................................................................................................................... 44
3.3.3.1. Costes de Cambio Climtico ................................................................................................. 44
3.3.3.2. Costes de Contaminacin Atmosfrica ................................................................................ 45
3.3.3.3. Costes de Ruido .................................................................................................................... 45
3.3.3.4. Costes de Accidentalidad ..................................................................................................... 46
3.3.4. Funcin Objetivo del Problema. ................................................................................................... 46
Captulo 4: Mtodo del Problema Multiobjetivo ..................................................................... 47

4.1. Introduccin. .............................................................................................................. 47
4.2. Problema Multiobjetivo. ............................................................................................. 48
4.2.1. Definicin. .................................................................................................................................... 48
4.2.2. Optimalidad de Pareto. ................................................................................................................ 48
4.2.3. Matriz de Pagos, Puntos Ideal, Utpico y Nadir........................................................................... 49
4.2.4. Funciones de Transformacin. ..................................................................................................... 50
4.3. Mtodo de los Pesos Aumentados de Tchebycheff. ...................................................... 51

4.3.1. Descripcin del Mtodo ............................................................................................................... 51
4.3.2. Formulacin del Modelo del POM para el HVRP con Aspectos Medioambientales ..................... 52
Captulo 5: Formulacin de Heursticas ................................................................................... 54

5.1. Introduccin. .............................................................................................................. 54
5.2. Heurstica para el Mtodo de la Estimacin del Coste Asociado a las Externalidades. .... 54
5.2.1. Clculo de Ahorros. ...................................................................................................................... 56
5.2.2. Comprobacin de la Fusin de Rutas. .......................................................................................... 56
5.2.3. Almacenamiento de la Mejor Solucin Encontrada. .................................................................... 57
5.2.4. Movimientos Lambda Intercambio. ............................................................................................. 57
5.3. Heurstica para el Problema Multiobjetivo. .................................................................. 58

Captulo 6: Experimentos Computacionales ............................................................................ 60
6.1. Introduccin. .............................................................................................................. 60
2
6.2. Descripcin del Problema. ........................................................................................... 60

6.2.1. Descripcin de la Flota de Vehculos ............................................................................................ 60
6.3. Mtodo de la Estimacin de los Costes Asociados a las Externalidades. ........................ 63

6.3.1. Problema de 8 Nodos ................................................................................................................... 64
6.3.2. Problema de 10 Nodos ................................................................................................................. 67
6.3.5. Resultados obtenidos de la Heurstica ......................................................................................... 72
6.3.5.1. Caso de distribucin Real ..................................................................................................... 72
6.3.5.2. Problemas de Taillard ........................................................................................................... 72
6.4. Mtodo de la Optimizacin Multiobjetivo.................................................................... 74

6.4.1. Resolucin del modelo. ................................................................................................................ 75
6.4.2. Resultados obtenidos de la Heurstica ......................................................................................... 81
Captulo 7: Conclusiones y Lneas Futuras ............................................................................... 85

7.1. Conclusiones. .............................................................................................................. 85
7.2. Lneas Futuras. ............................................................................................................ 86
7.3. Ponencias y Publicaciones. .......................................................................................... 87
Referencias Bibliogrficas ...................................................................................................... 89
Anexos .................................................................................................................................. 96
Anexo 1. Distancias y Tiempos del problema Real............................................................... 96
NDICE DE FIGURAS
Figura 1.1- Contribucin del sector transporte al total de emisiones de gases de efecto
invernadero en Europa ........................................................................................................... 9
Figura 1.2- Contribucin del sector transporte al total de emisiones de partculas contaminantes
en Europa ................................................................................................................................ 9
Figura 1.3- Evolucin del transporte de mercancas por carretera en la Unin Europea entre los
aos 1990 y 2008 ....................................................................................................................10
Figura 1.4- Distribucin de los diferentes modos de transporte en los costes externos en la Unin
Europea, incluyendo a Noruega y Suiza, sin tener en cuenta los costes de congestin ...............10
Figura 1.5- Evolucin y objetivos en las emisiones de gases de efecto invernadero en el sector
transporte en Europa ..............................................................................................................14
Figura 1.6- Evolucin en las emisiones de los contaminantes del aire derivados del sector
transporte en Europa ..............................................................................................................15
Figura 2.1- Representacin grfica del problema VRP .............................................................19
Figura 3.1- Distribucin de los costes externos en la Unin Europea, incluyendo a Noruega y
Suiza, sin tener en cuenta los costes de congestin ..................................................................36
Figura 4.1- Frente de Pareto y puntos Ideal, Utpico y Nadir para el caso en que n=2 ...............50
Figura 5.1- Diagrama de flujo del algoritmo heurstico para la resolucin del problema HVRP. .57
Figura 5.2- Ejemplo de movimiento 2-opt ...............................................................................58
Figura 5.3- Ejemplo de movimiento 3-opt ...............................................................................58
Figura 6.1- Ubicacin geogrfica del almacn y de los diferentes puntos de entrega de la
mercanca. .............................................................................................................................62
Figura 6.2- Solucin ptima del caso (c) obtenida al minimizar distancias. ...............................66
Figura 6.3- Solucin ptima del caso (c) obtenida al minimizar costes internos. .......................66
Figura 6.4- Solucin ptima del caso (c) obtenida al minimizar costes internos + externos. .......67
NDICE DE TABLAS
Tabla 2.1- Variantes del HFVRP presentados en la literatura ...................................................24

Tabla 6.1 Localizacin de los puntos de distribucin y entrega ..............................................61
Tabla 6.2 Datos de la flota basados en (ACOTRAM, 2010) .....................................................62
Tabla 6.3 Costes de combustible por unidad, factores de emisiones y costes de las
externalidades .......................................................................................................................63
Tabla 6.4 Puntos de reparto y demandas para el problema de 8 nodos .................................64
Tabla 6.5 Rutas solucin de las tres funciones objetivo para todos los tipos de problemas de 8
nodos ....................................................................................................................................65
Tabla 6.6 Valores solucin de las tres funciones objetivo para todos los tipos de problema de 8
nodos. ....................................................................................................................................65
Tabla 6.7 Puntos de reparto y demandas para el problema de 10 nodos ...............................67
Tabla 6.8 Rutas solucin de las tres funciones objetivo para todos los tipos de problemas de 10
nodos ....................................................................................................................................68
Tabla 6.9 Valores solucin de las tres funciones objetivo para todos los tipos de problema de
10 nodos ................................................................................................................................68
Tabla 6.10 Puntos de reparto y demandas para el problema de 13 nodos ............................69
Tabla 6.11 Rutas solucin de las tres funciones objetivo para todos los tipos de problemas de
13 nodos ................................................................................................................................70
13 nodos ................................................................................................................................70
Tabla 6.13 Rutas solucin de las tres funciones objetivo para todos los tipos de problemas de
17 nodos. ...............................................................................................................................71
17 nodos ................................................................................................................................72
Tabla 6.15 Comparacin de las soluciones halladas por la heurstica, con la resolucin del
modelo con Tmax=3600 s. ......................................................................................................73
5
Tabla 6.16 Comparacin de las soluciones encontradas por la heurstica, con las mejores
encontradas en la literatura ...................................................................................................73
Tabla 6.17 Ponderaciones en los criterios para cada tipo de problema ..................................74
Tabla 6.18 Valores ptimos y utpicos de cada funcin objetivo para cada problema ...........75
Tabla 6.19 Resultados obtenidos de la resolucin del modelo para los diferentes tipos de
problemas y pesos asignados para el problema de 8 nodos .....................................................77
problemas y pesos asignados para el problema de 10 nodos ...................................................78
problemas y pesos asignados para el problema de 13 nodos ...................................................79
problemas y pesos asignados para el problema de 17 nodos. ...................................................80
Tabla 6.23 Rutas solucin obtenidas por la heurstica para todos los tipos de problema ........82
Tabla 6.24 Comparacin de las soluciones obtenidas por la resolucin del modelo y heurstica
para todos los problemas .......................................................................................................84
Tabla A.1 Denominacin de los puntos de distribucin y entrega ..........................................96
Tabla A.2 Distancias y tiempos entre todos los nodos del problema ......................................97
Captulo 1
Introduccin y Objeto del Proyecto
CAPTULO 1:
INTRODUCCIN Y OBJETO DEL PROYECTO
1.1. INTRODUCCIN.
Una cadena de suministro se define como todas las actividades y procesos asociados
con la circulacin de mercancas e informacin, desde la etapa de adquisicin de la
materia prima hasta el cliente final (Felea & Albastroiu, 2013), e incluye a fabricantes,
proveedores, transportistas, almacenes, mayoristas, minoristas e intermediarios. El
proceso comprende desde la adquisicin de la materia prima, pasando por la elaboracin
de los productos terminados, hasta su posterior reparto.
La gestin de la cadena de suministro consiste en la bsqueda de las mejores prcticas,

polticas y estrategias, relacionadas con los procesos de produccin y logsticos, que
busquen un aumento de la eficiencia y de la productividad. Una gestin eficaz en esta
rea, tiene un impacto significativo tanto en la calidad del servicio como en la reduccin
de los costes de produccin, logrando la diferenciacin de la empresa dentro de un
mercado competitivo.
La gestin de la cadena de suministro se puede dividir en tres actividades principales:

compras, fabricacin y transporte (Thomas et al, 1996). El transporte juega un papel
central en las cadenas de suministro, ya que implica un tercio de los costes logsticos
(Tseng et al., 2005) y adems influye en los niveles de satisfaccin del cliente. Las
actividades logsticas comprenden el transporte de mercancas, almacenaje, gestin de
inventario, manejo de materiales y procesamiento de toda la informacin relacionada.
Dentro de las actividades logsticas, el transporte se presenta como una de las

principales fuentes de contaminacin del aire en Europa ya que genera niveles nocivos
de los contaminantes del aire y es el responsable de hasta el 24% de las emisiones de
gases de efecto invernadero (GEI) en la Unin Europea (ver Figura 1.1 y Figura 1.2).
Dentro del sector transporte, el transporte por carretera, tanto de mercancas como de
personas, sigue siendo la principal fuente de emisiones de gases de efecto invernadero,
Captulo 1
con un 17% de cuota. Adems representa el 93,5% del total de las emisiones del
transporte para los pases miembros de la Agencia Europea del Medio Ambiente,
excluyendo los buques petroleros. (TERM 2011, Agencia Europea del Medioambiente)
Como se observa en la Figura 1.3, en el periodo 1990-2008 la actividad del transporte de

mercancas por carretera se ha incrementado aproximadamente un 80% como
consecuencia del aumento de la actividad econmica y de la demanda de mercancas. A
este aumento contribuye la evolucin de los sistemas de produccin que han pasado de
una economa basada en el almacenaje a una economa de produccin ajustada y el
proceso de deslocalizacin de algunas industrias que han desplazado sus centros de
produccin del centro de las ciudades para ahorrar costes. Este incremento de la
actividad del transporte se ve reflejado en mayores volmenes de emisiones de CO2 a la
atmsfera derivados de la combustin del combustible.
La creciente preocupacin ambiental relacionada con la actividad econmica ha sido

transferida al campo del transporte y de la logstica en las ltimas dcadas. En este
mbito surge la logstica verde (green logistics), que busca integrar en la toma de
decisiones operativas, los factores externos o externalidades que afectan al
medioambiente, especialmente las asociadas al cambio climtico, contaminacin
atmosfrica, ruidos, vibraciones y accidentes.
Por otra parte, las externalidades ambientales asociados al transporte en la Unin

Europea, incluyendo a Noruega y Suiza, han jugado un papel importante en el escenario
del PIB, representando una cantidad superior a los 500 billones de euros,
aproximadamente el 4% del PIB, en 2008. De esta cifra, cerca del 77% es causada por el
transporte de pasajeros y el 23% por el transporte de mercancas (Ver Figura 1.4).
Todos estos factores han derivado en que las polticas seguidas en la Unin Europea, se
hayan centrado en la implantacin de directivas asociadas al aumento de la eficiencia
energtica y en la reduccin de emisiones contaminantes en vehculos. Entre los aos
1992 y 2005, la Unin Europea present un conjunto de normas (Euro I a Euro V), que
regulan las emisiones de los motores diesel de vehculos pesados.
Captulo 1
Figura 1.1- Contribucin del sector transporte al total de emisiones de gases de efecto invernadero en Europa. (TERM
2011, pgina 23, Agencia Europea del Medioambiente)
Figura 1.2- Contribucin del sector transporte al total de emisiones de partculas contaminantes en Europa.(TERM 2011,
pgina 29, Agencia Europea del Medioambiente)
Captulo 1
Figura 1.3- Evolucin del transporte de mercancas por carretera en la Unin Europea entre los aos 1990 y 2008.
(Greenhouse gas emissions in Europe: a retrospective trend analysis for the period 19902008, pgina 40, Agencia
Europea del Medioambiente)
Figura 1.4- Distribucin de los diferentes modos de transporte en los costes externos en la Unin Europea, incluyendo a
Noruega y Suiza, sin tener en cuenta los costes debidos a la congestin (CE Delft et al., 2011, pgina 12)
10
Captulo 1
Pero mientras que los avances tecnolgicos permitan fabricar vehculos menos
contaminantes, el volumen cada vez mayor de la actividad generada por el transporte
tanto de pasajeros como de mercancas, no ha repercutido significativamente en una
ganancia de la calidad del aire. De hecho, aunque los niveles de contaminacin del aire
han disminuido en los ltimos aos, siguen siendo un problema en algunas partes de
Europa, donde los vehculos de carga pesados juegan un factor importante. Las
principales emisiones por parte de los vehculos se encuentran en el dixido de carbono
(CO2), compuestos orgnicos voltiles distintos del metano (COVNM), xidos de
nitrgeno (NOx) y pequeas partculas (PM). Estas emisiones dependen en gran medida
de los combustibles utilizados y del diseo de los vehculos.
Otra consecuencia derivada de estas normativas ambientales ha sido el aumento de los

costes de distribucin de las mercancas, debido a un aumento del precio de los
combustibles y de las tasas por contaminacin.
En este marco, tanto los aspectos energticos como los medioambientales han cobrado
importancia y es necesario ampliar los conceptos de gestin logstica o de gestin
integrada de la cadena de suministro tomando en consideracin la componente
medioambiental en la toma de decisiones y no limitndose nicamente a aspectos
energticos. La gestin integrada de la cadena de suministro se ve afectada en varios
aspectos, tales como la localizacin, el abastecimiento de materias primas o la
planificacin del transporte.
El problema de la distribucin de productos desde ciertos almacenes a los usuarios

finales, juega un papel central en la gestin de algunos sistemas logsticos. Su adecuada
planificacin puede significar considerables ahorros, ya que los costes del transporte
suelen representar entre el 10 % y el 20 % del coste final de los productos (Toth and
Vigo, 2000). Por este motivo, el diseo de rutas eficientes es uno de los pilares en la
gestin de flotas. La determinacin de las rutas u orden de reparto de los productos es
fundamental en la optimizacin de costes y como consecuencia, en las ltimas dcadas,
se han desarrollado exitosamente tcnicas algortmicas basadas en heursticas y
metaheursticas para la resolucin de este tipo de problemas. Por otro lado, el desarrollo
del hardware y el software en los ordenadores ha potenciado las tcnicas algortmicas
y ha aumentado las capacidades posibilitando la programacin de modelos ms prximos
a la realidad. La funcin objetivo a optimizar suele considerar distancias, costes, nmero
de vehculos,... entre otras variables.
11
Captulo 1
En este proyecto se pretende incorporar los aspectos medioambientales en el problema

de optimizacin de rutas de vehculos (VRP) para la distribucin o recogida de
mercancas.
1.2. OBJETO DEL PROYECTO.

Este Proyecto Final de Mster (PFM) se centra en el efecto de la incorporacin de
aspectos medioambientales en las actividades de transporte, en concreto se describe una
extensin del problema de optimizacin de rutas de vehculos (VRP) incluyendo
diferentes variantes, tales como limitacin de capacidad, programacin temporal de
entregas y recogidas (ventanas de tiempo) y flota heterognea entre los aspectos ms
importantes sin olvidar la inclusin de diferentes tipologas de combustibles y normativas
de emisiones.
La incorporacin de los aspectos medioambientales al problema VRP se ha llevado a

cabo desde dos puntos de vista muy diferenciados:
La estimacin de los costes asociados a las externalidades (emisiones de gases

de efecto invernadero, emisin de contaminantes, accidentes y ruido) y su
inclusin en el problema VRP.
Mediante la formulacin de un problema Multiobjetivo.
A continuacin, se enumeran los objetivos que se pretenden alcanzar en este PFM:
1. Anlisis de la problemtica ambiental asociada a las externalidades derivadas del

transporte como son las emisiones de gases de efecto invernadero, las emisiones
de contaminantes, ruidos y accidentes. En especial, el impacto sobre la atmsfera
del transporte de mercancas y de las cadenas de distribucin.
2. Revisin del estado del arte del problema de enrutamiento de vehculos (VRP). En
concreto, los estudios referentes a flotas heterogneas, incorporacin de aspectos
medioambientales y de aplicacin de tcnicas de multiobjetivo, dentro de este
campo de investigacin.
3. Integracin de los aspectos medioambientales al problema VRP mediante la
estimacin de los costes asociados a las externalidades. En base a estudios y
metodologas existentes, se realiza la conversin impacto ambiental/coste
12
Captulo 1
monetario, aadindose stos a la funcin objetivo del modelo de programacin

lineal, junto con los componentes clsicos de la estimacin de costes.
4. Integracin de los aspectos medioambientales al problema VRP mediante la
formulacin de un problema multiobjetivo. Para ello se realiza un modelo de
programacin lineal donde se aplica el mtodo de los Pesos Aumentados de
Tchebycheff, que garantiza ptimos fuertes de Pareto.
5. Diseo e implementacin de heursticas para la resolucin de los problemas
anteriormente descritos. Se aplican a un caso real de distribucin de mercancas,
comparando los resultados alcanzados con las soluciones obtenidas mediante la
resolucin del modelo.
6. Anlisis del impacto de la internalizacin de los costes de las externalidades en un
caso real. Se examina y discute sobre el efecto de la incorporacin de los costes
medioambientales en la configuracin de las rutas.
7. Lneas abiertas y posibles extensiones. Se proponen mejoras, cambios y nuevas
lneas de investigacin en base a las potencialidades o dificultades encontradas
en la realizacin del trabajo.
1.3. MARCO DE REALIZACIN.

En el ao 2011, la Comisin Europea publica el Libro Blanco del Transporte titulado Hoja
de ruta hacia un espacio nico europeo de transporte: por una poltica de transportes
competitiva y sostenible. Se trata de un documento estratgico que sienta las bases de
la poltica europea de transportes para alcanzar los objetivos medioambientales
establecidos por la Unin Europea para el ao 2050.
En este libro, la Unin Europea enva una seal clara advirtiendo de la necesidad de
reducir drsticamente las emisiones de GEI con el fin de limitar el cambio climtico a un
aumento de la temperatura media menor de 2C. Debido a que el sector transporte es
una fuente importante de GEI, y adems con un continuo crecimiento en los ltimos aos,
para poder alcanzar el anterior objetivo se ha establecido obtener para el ao 2050 una
reduccin del 60% de las emisiones de CO2 en comparacin con los niveles obtenidos en
el ao 1990. En estas emisiones se consideran las producidas por el sector de la aviacin
pero se excluyen las producidas por el transporte martimo internacional. Otro objetivo de
la Unin Europea a medio plazo, para el ao 2030, es reducir las emisiones de GEI a
cerca del 20% por debajo del nivel alcanzado en el ao 2008 (Ver Figura 1.5).
13
Captulo 1
Figura 1.5- Evolucin y objetivos en las emisiones de gases de efecto invernadero en el sector transporte en Europa
(TERM 2012, pgina 16, Agencia Europea del Medioambiente)
Algunas de las actuaciones o iniciativas propuestas para alcanzar los objetivos son:
Acabar con los automviles de combustible convencional en las ciudades y

trasferencia hacia vehculos y combustibles ms limpios. El objetivo es la
reduccin en un 50% del nmero de vehculos que consumen combustible
convencional de aqu a 2030 y su progresiva eliminacin total en las ciudades
antes de 2050.
Lograr que el 40% del combustible de aviacin sea sostenible y de bajas

emisiones de carbono.
En cuanto al transporte interurbano, transferir el 50% de todo el transporte de

media distancia de pasajeros y mercancas de la carretera al ferrocarril y al
transporte por va fluvial.
Reduccin del 40% de las emisiones del transporte martimo.
El informe TERM 2012 incluye una primera evaluacin de los progresos hacia los
objetivos medioambientales del sector transporte e incluidos en el Libro Blanco del
Transporte de 2011. Algunos de los datos recientes (Figura 1.6) han mostrado
reducciones en las emisiones procedentes del transporte y una mejora de la eficiencia.
As, durante el perodo de 1990 a 2010, se observa una tendencia a la disminucin de las
14
Captulo 1
emisiones de los principales contaminantes del aire. Los mayores descensos

porcentuales durante este perodo han sido los del monxido de carbono (CO) (76%) y
los de los compuestos orgnicos voltiles distintos del metano (COVNM) (75%). Sin
embargo, el aumento del transporte martimo internacional ha contribuido en una menor
reduccin de otros contaminantes como son los xidos de azufre (SOx), xidos nitrosos
(NOx) y las pequeas partculas (PM).
La incorporacin de los aspectos medioambientales en las actividades de transporte, en

particular en la optimizacin de las rutas de vehculos, es de vital importancia para la
obtencin de los objetivos establecidos en el Libro Blanco del Transporte.
Figura 1.6- Evolucin en las emisiones de los contaminantes del aire derivados del sector transporte en Europa (TERM
2012, pgina 17, Agencia Europea del Medioambiente)
Mediante la internalizacin de los aspectos medioambientales derivados del transporte se

pretende incentivar al usuario a un cambio de comportamiento, que puede repercutir en
un cambio de tipo de vehculo, en la utilizacin eficiente de los vehculos, en un cambio
del modo de transporte o incluso en el volumen de transporte en general.
Este PFM se enmarca dentro del proyecto de investigacin de excelencia P10-TEP-6332

y ha sido financiado por la Consejera de Economa, Innovacin y Ciencia de la Junta de
Andaluca.
15
Captulo 1
1.4. FASES DEL PROYECTO.

El desarrollo del proyecto ha constado de cinco fases muy diferenciadas:
Estudio del estado del arte, donde se ha procedido a la bsqueda y posterior

lectura de la bibliografa relacionada con la temtica del PFM, obteniendo las
tcnicas y herramientas empleadas para su resolucin.
Modelado de los problemas de programacin lineal.
Experimentacin sobre un caso real. Se ha realizado la ejecucin de los

algoritmos implementados sobre los diferentes escenarios propuestos.
Desarrollo e implementacin de heursticas. Se ha desarrollado e implementado

los algoritmos diseados en lenguaje C++.
Anlisis de resultados. Estudio de la incorporacin de aspectos medioambientales

en las soluciones obtenidas y comparacin de los resultados obtenidos por las
heursticas con la resolucin del modelo matemtico.
1.5. ESTRUCTURA DE LA MEMORIA.

El documento est dividido en siete captulos. El primer captulo realiza una breve
introduccin sobre la problemtica medioambiental actual, enumerando las principales
externalidades derivadas de la actividad del transporte y mencionando las medidas
adoptadas en la Unin Europea para el control de las mismas.
En el captulo 2, se abordan los antecedentes del problema de enrutamiento de

vehculos, algunas variantes del problema y los diferentes mtodos de solucin de la
variante con flota heterognea que se abordan en la literatura. El captulo hace
igualmente una revisin de los artculos de optimizacin de rutas de vehculos que
incorporan aspectos medioambientales en la funcin objetivo del problema, al igual que
aqullos que han sido formulados mediante un problema multiobjetivo.
Posteriormente, en el captulo 3, se analizan los impactos ambientales de las actividades

del transporte y la estimacin de los costes de estas externalidades. Igualmente se
presenta el modelo de programacin lineal entera-mixta que internaliza dichos costes
externos para la obtencin de un modelo de gestin de rutas ms representativo de la
realidad.
16
Captulo 1
En el captulo 4, se introducen los elementos ms destacados de los problemas

multiobjetivo y particularmente, se expone el mtodo con articulacin de preferencias a
priori de Tchebycheff con pesos aumentados, para la resolucin de los problemas de
enrutamiento de vehculos. Al igual que en el mtodo anterior, se expone el modelo de
programacin lineal entera-mixta que resuelve el problema.
En el captulo 5, se describen las metodologas heursticas desarrolladas para obtener

soluciones al problema de enrutamiento de vehculos con flota heterognea, en tiempos
computacionales bajos. La heurstica se basa en un mtodo de fusiones de rutas
sucesivas aplicable a flotas heterogneas, siendo una variante del algoritmo de los
ahorros propuesto por Clarke and Wright (1964). Dicha heurstica, se adapta igualmente
a problemas de optimizacin multiobjetivo.
En el captulo 6 se presentan varios casos asociados a un problema de distribucin de

mercancas de una importante cadena de supermercados en la provincia de Huelva. El
problema se resuelve mediante los dos enfoques estudiados en este PFM: mtodo de
estimacin de costes asociados a las externalidades (1) y como un problema de
multiobjetivo (2). Para todos los casos, se analiza los resultados de la inclusin de
aspectos medioambientales en el diseo de las rutas y se comparan los resultados
obtenidos por las heursticas con la resolucin de los modelos de programacin lineal
mediante software comercial (CPLEX).
Finalmente, en el captulo 7, se extraen las conclusiones a partir de los fenmenos

observados en los captulos anteriores y se proponen lneas de investigacin futuras. Los
logros alcanzados en cuanto a publicaciones y ponencias en congresos, son igualmente
mostrados en este captulo.
17
Captulo 2
Problema VRP con Flota Heterognea
CAPTULO 2:
PROBLEMA DE OPTIMIZACIN DE RUTAS DE
VEHCULOS CON FLOTA HETEROGNEA
2.1. INTRODUCCIN.
El problema de la planificacin de las rutas de transporte (VRP, Vehicle Routing Problem)
es uno de los problemas de optimizacin combinatoria ms importantes y ampliamente
estudiado, con muchas aplicaciones del mundo real, en la logstica de distribucin y del
transporte (Toth & Vigo, 2002).
Desde su aparicin en 1959 por Dantzig y Ramser, quienes realizaron por primera vez
una formulacin del problema para una aplicacin de distribucin de combustible, el
estudio del problema VRP ha generado numerosos trabajos de investigacin y se han
escrito miles de artculos sobre diversas variantes del problema.
El objetivo de este problema trata de minimizar la distancia total recorrida por un conjunto
de vehculos ubicados en un almacn central, para satisfacer la demanda de un
determinado conjunto de clientes. Cada cliente tiene una demanda conocida y cada
vehculo sirve una nica ruta durante el periodo de planificacin, teniendo sta que
comenzar y finalizar en el almacn central. (Figura 2.1). Este problema es una
generalizacin del Problema del Agente Viajero (TSP, Travelling Salesman Problem) muy
conocido y ampliamente estudiado.
En la industria, una flota de vehculos es raramente homognea, ya que la necesidad de

estar presente en diversos segmentos del mercado obliga a muchas empresas a disponer
de vehculos que se adapten a la tipologa de la mercanca transportada. De igual modo,
el disponer de vehculos con diferentes unidades de carga, permite una mejor adaptacin
a la demanda (Yepes y Medina, 2002). Por este motivo, se ha optado por el estudio de
esta variante del problema VRP en este PFM, en el que el nmero de vehculos
disponible para satisfacer las demandas de los clientes es limitado.
18
Captulo 2
Figura 2.1- Representacin grfica del problema VRP. (www.wikipedia.com)
2.2. VARIANTES DEL PROBLEMA VRP.

En la literatura existente se han propuesto diferentes versiones del problema VRP clsico
con el fin de acercarse a los contextos reales de los diferentes problemas planteados.
Estas variantes son formuladas mediante la incorporacin de variables y restricciones
adicionales al problema original.
2.2.1. VRP con Flota Heterognea.

La variante VRP para flotas heterogneas (HFVRP, Heterogeneous Fleet VRP), aparece
cuando los diferentes vehculos que conforman la flota difieren en equipamiento,
capacidad, antigedad, estructura de costes o incluso nivel de emisiones, si stas son
consideradas.
En la literatura existen numerosas variantes del problema HFVRP, dependiendo de si la

flota de vehculos es limitada o ilimitada y del tipo de coste considerado. Por lo general, a
los problemas con un nmero limitado de vehculos se les denomina VRP heterogneo
(HVRP), mientras que la versin ilimitada se les denomina Fleet Size and Mix (FSM).
Por otra parte dependiendo si los costes considerados son fijos o variables, se les aade
las letras F y D respectivamente (Baldacci et al., 2008). Por lo tanto, las diversas
variantes que se pueden encontrar son las siguientes:
VRP heterogneo con costes variables dependientes de las rutas (HVRPD).
VRP heterogneo con costes fijos y variables (HVRPFD).

19
Captulo 2
Fleet Size and Mix VRP con costes variables (FSMD)
Fleet Size and Mix VRP con costes fijos (FSMF)
Fleet Size and Mix VRP con costes fijos y variables (FSMFD)
Por otra parte, a las variantes que consideran restricciones de ventanas de tiempo, se les
aade TW al acrnimo del problema especfico.
2.2.2. Otras Variantes del problema VRP.

Cuando la suma de las demandas de todos los clientes excede la capacidad del vehculo,
aparece la variante del CVRP (Capacited Vehicle Routing Problem). En el CVRP una flota
fija y homognea de vehculos se encuentra estacionada en un almacn central para
atender a la demanda de unos clientes conocidos. El CVRP consiste en el diseo de un
conjunto de rutas hamiltonianas de menor coste de tal manera que cada cliente ha de ser
visitado una nica vez por un nico vehculo y todas las rutas de los vehculos han de
comenzar y finalizar en el almacn.
El problema de enrutamiento de vehculos con ventanas de tiempo (VRPTW, VRP with

Time Windows) es la variante que ha recibido la mayor atencin en la literatura por la
importancia prctica de las ventanas de tiempo o time windows. Las ventanas de tiempo
se producen cuando los clientes requieren que el servicio de entrega o de recogida se
produzca dentro de una franja horaria especificada, la cual viene determinada por una
hora temprana y otra tarda de servicio. Igualmente, se puede incluir un lmite en el
tiempo total de conduccin de los vehculos debido a las regulaciones existentes en los
contratos de los conductores. En la literatura se hace una distincin entre las ventanas de
tiempo duras y suaves. En el caso de ventanas de tiempo duras, si un vehculo llega
demasiado temprano a realizar la entrega, se le permite esperar al cliente hasta que el
vehculo est listo para ser atendido, aunque no se permite llegar ms tarde del horario
que puede ser atendido. Para el caso de ventanas de tiempo suaves, los horarios de los
clientes pueden ser violados en contraprestacin de una penalizacin en la funcin
objetivo.
El problema con mltiples depsitos (MDVRP, Multiple Depot VRP) es una generalizacin
del problema CVRP y se caracteriza por disponer de ms de un depsito o almacn para
servir a los clientes. Se dispone de una flota conocida estacionada en cada depsito. Las
rutas asignadas a cada vehculo han de comenzar y finalizar en el mismo almacn. Si los
20
Captulo 2
clientes se agrupan en torno a los depsitos, el problema puede ser modelado como un
conjunto de CVRP independientes. En caso contrario, se resuelve el problema MDVRP
que requiere la asignacin de los clientes a los depsitos.
El problema de enrutamiento de vehculos con entregas y recogidas (VRPPD, VRP with

Pickup and Deliveries), aparte del servicio de entrega, considera a un segundo grupo de
clientes que requieren de un servicio de devolucin o de recogida. Las mercancas a
entregar y recoger pueden estar formadas por el mismo tipo de artculo o diferir. En
cualquier caso, las entregas y recogidas se pueden realizar en cualquier orden. Como
particularidad de este problema, se encuentra la variante del VRP con Backhauls (VRPB),
en la que cada vehculo primero visitar a los clientes que requieren un servicio de
entrega (clientes linehaul) para posteriormente visitar a los clientes que requieren un
servicio de recogida (clientes backhaul). Esto surge del hecho de que los vehculos son
cargados por la parte posterior y el reordenamiento de las cargas en los puntos de
entrega no se considera factible o econmico (Toth & Vigo, 2002).
El problema VRP con entregas divididas (SDVRP, Split Delivery VRP) es una variante en
la que se permite que el mismo cliente pueda ser atendido por diferentes vehculos si
esto ayuda a reducir los costes de operacin. Se produce cuando los tamaos de los
pedidos de los clientes son tan grandes como la capacidad del vehculo.
En el problema VRP clsico, el perodo de planificacin es nicamente un da. En el caso

del VRP peridico (PVRP, Periodic VRP), el periodo de planificacin se extiende a varios
das. Para esta variante se deben considerar las restricciones del CVRP y que no es
necesario que el vehculo vuelva al depsito el mismo da que sali, pero debe volver en
un perodo de tiempo definido.
En el problema de enrutamiento de vehculos estocstico (SVRP, Stochastic VRP) se

supone que uno o varios componentes del problema son aleatorios. Hay tres tipos
diferentes de problemas SVRP:
Los clientes disponen de una probabilidad de presencia o ausencia.
La demanda de los clientes es una variable aleatoria.
El tiempo de servicio de los clientes y el tiempo de viaje son variables aleatorias.
21
Captulo 2
El problema VRP con instalaciones satlite (VRPSF, VRP with Satellite Facilities),
contempla la reposicin de la carga de los vehculos que ya ha sido servida durante una
ruta mediante instalaciones satlite. Poseer una instalacin satlite posibilita que los
conductores continen con las entregas hasta el final de su turno sin la necesidad de
volver al depsito. Esta situacin surge sobre todo en la distribucin de combustibles y
ventas al por menor.
2.3. REVISIN DE LA LITERATURA.

Como se ha mencionado en el apartado 2.2.2, en los ltimos aos se han propuesto
diversas variantes del problema VRP, inspiradas en aplicaciones del mundo real. El
inters de este apartado consiste en revisar los diferentes trabajos que son objeto de este
PFM y que comprenden las siguientes temticas:
VRP con flotas heterogneas (HFVRP).
VRP con criterios de sostenibilidad.
VRP y multiobjetivo.
2.3.1. VRP con Flota Heterognea.

Una recopilacin de las cinco variantes de flota heterognea (HFVRP) mencionadas en
este captulo con los autores que las han abordado se puede encontrar en Baldacci et al.
(2008). Dicha tabla se ha actualizado con los nuevos estudios realizados hasta la fecha
(Ver Tabla 2.1).
Los primeros ejemplos del HFVRP se deben a los problemas FSM (Fleet Size and Mix),
propuestos por Golden et al. (1984). Dichos autores proponen dos heursticas, donde la
primera de ellas se basa en el algoritmo de ahorros de Clarke & Wright, (1964), y la
segunda utiliza un esquema de ruta gigante (Beasley, 1983). Formularon 20 problemas
que posteriormente han sido tomados como referencia por muchos autores para la
presentacin de los resultados de sus algoritmos en flotas heterogneas. Los problemas
1-12 disponen de 12-30 clientes, mientras que los problemas 13-20 son mayores, con 50100 clientes. En cuanto a la flota, segn el problema, se dispone de 3-6 tipos diferentes
de vehculos. Los problemas 3-6 y 13-20, al contrario que los 1,2 y 7-12, se definen por
distancias eucldeas, para cuya resolucin se facilita las coordenadas de todos los nodos.
22
Captulo 2
Es por ello que la mayora de los autores toman estos problemas como referencia para la
muestra de resultados, descartando el resto.
Otras variantes del HFVRP fueron los problemas con un nmero limitado de vehculos
HVRP, introducidos por primera vez por Taillard (1999) que present un mtodo
heurstico basado en la generacin de columnas. Este mtodo comienza resolviendo el
problema VRP homogneo para cada tipo de vehculo, utilizando un algoritmo de
bsqueda tab. Todas las rutas obtenidas se almacenan en un conjunto de posibles rutas
finales y, a continuacin, a travs de un proceso iterativo, se extraen y se combinan en
una solucin parcial con el criterio de no repeticin de clientes. El conjunto final de rutas
ptimas se obtiene mediante la resolucin de un problema de optimizacin lineal,
minimizando los costes totales y asegurando que cada cliente es servido por slo una
ruta. Este mtodo se utiliza para resolver los problemas FSMF y FSMD del segundo
conjunto de problemas propuestos por Golden et al. (1984), y tambin resolvi la versin
HVRPD, para lo cual tuvo que especificar, para cada problema, un nmero limitado de
vehculos por categora. Este conjunto de 8 problemas se considera como punto de
referencia en los problemas HVRP.
Los problemas HFVRP son un caso especial del VRP clsico, y por lo tanto
pertenecientes igualmente a la categora de NP-Completo, donde el tiempo de
computacin crece exponencialmente con el tamao del problema. Por este motivo,
muchos autores de la literatura proponen heursticas o metaheursticas para la resolucin
de este tipo de problemas, ya que son los mtodos adecuados para obtener soluciones
de buena calidad en un tiempo de clculo aceptable.
Gheysens et al. (1984) formul la variante FSMF utilizando una variable binaria de tres
ndices (
) para representar si un vehculo de tipo k viaja directamente del cliente i al j.
Golden et al. (1984) propuso una formulacin similar para el FSMF pero aplicando las
restricciones de Miller-Tucker-Zemlin para el TSP para evitar sub-rutas (Miller et al.,

1960). Yaman (2006) tambin describe seis formulaciones diferentes para la variante
FSMF utilizando dichas variables binarias. Otro tipo de formulaciones para el FSMF se
basan en el modelo de particin de conjuntos del VRP, que asocia una variable binaria
con cada ruta factible (Balinski y Quandt, 1964). Formulaciones matemticas para el FSM
con ventanas de tiempo se describen en Dell'Amico et al. (2006) y Brysy et al. (2008).
23
Captulo 2
PROBLEMA
FLOTA
COSTE FIJO
COSTE VARIABLE
Referencias
Limitada
HVRPFD
Considerado
Li et al. (2007), Baldacci and Mingozzi (2009),

Penna et al. (2011)
Dependiente
Limitada
Taillard (1999), Gendreau et al. (1999), Prins

(2002), Tarantilis et al. (2003), Tarantilis et al.
HVRPD
No Considerado
(2004), Li et al. (2007), Prins (2009), Baldacci and

Mingozzi (2009), Brando (2011), Penna et al.
Dependiente
Ilimitada
(2011)
Gheysens et al. (1984), Gheysens et al. (1986),
Ferland and Michelon (1988), Teodorovic et al.
FSMFD
Considerado
(1995), Choi and Tcha (2007), Pessoa et al. (2009),

Baldacci y Mingozzi (2009), Prins (2009), Imran et
Dependiente
Ilimitada
al. (2009), Penna et al. (2011)

Taillard (1999), Gendreau et al. (1999), Wassan and
Osman (2002), Choi and Tcha (2007), Lee et al.
FSMD
No Considerado
(2008), Pessoa et al. (2009), Baldacci y Mingozzi

(2009), Liu et al. (2009), Prins (2009), Brando
Dependiente
(2009), Imran et al. (2009), Penna et al. (2011)

Gheysens et al. (1984), Golden et al. (1984),
Gheysens et al. (1986), Desrochers and Verhoog
(1991),Salhi and Rand (1993), Osman and Salhi
(1996), Ochi et al. (1998a), Ochi et al. (1998b),
Ilimitada
FSMF
Considerado
Independiente
Taillard (1999), Gendreau et al. (1999), Liu and

Shen (1999), Wassan and Osman (2002), Dullaert
et al. (2002), Renaud and Boctor (2002), Lima et al.
(2004), Yaman (2006), Choi and Tcha (2007),
Dell'Amico et al. (2007) Brysy et al. (2008), Lee et
al. (2008), Pessoa et al. (2009), Baldacci y Mingozzi
(2009), Liu et al. (2009), Prins (2009), Brando
(2009), Imran et al. (2009), Penna et al. (2011),
Tabla 2.1- Variantes del HFVRP presentados en la literatura
24
Captulo 2
2.3.1.1. Mtodos Exactos

Aunque no se han propuesto algoritmos exactos para el FSM, algunos autores han
presentado algunas cotas inferiores. Golden et al. (1984) propusieron algunas cotas
inferiores para el problema FSMF cuando hay simetra en las distancias cumpliendo la
desigualdad del tringulo entre los clientes. Yaman (2006) tambin propone cotas
inferiores ms bajas para el FSMF con tcnicas basadas en cortes de plano aplicadas a
seis formulaciones matemticas. Choi & Tcha, (2007) extendieron las cotas inferiores
para todas las variantes de problemas FSM (FSMFD, FSMD y FSMF) basndose en una
formulacin de particin de conjuntos y el uso de una tcnica de generacin de columnas.
Pessoa et al. (2009) desarrollaron un algoritmo de ramificacin y acotacin (Branch and
Bound) para obtener cotas inferiores y superiores para las tres variantes del problema
FSM. Baldacci y Mingozzi (2009) propusieron un algoritmo de particin de conjuntos con
procedimientos delimitadores basados en la relajacin lineal y lagrangiana para resolver
las cinco variantes del HFVRP mencionados en la Seccin 2.2.1.
2.3.1.2. Aproximaciones Heursticas y Metaheursticas

Al ser el problema HFVRP un caso especial del VRP, pertenece igualmente a la categora
de problemas NP-Hard, en los que los tiempos computacionales requeridos para su
resolucin por medio de mtodos exactos se incrementan exponencialmente con el
tamao del problema. Debido a la dificultad que representa este tipo de problemas, la
mayor parte de las soluciones expuestas en la literatura han sido obtenidas mediante la
utilizacin de heursticas y metaheursticas, que son algoritmos que nos permiten obtener
soluciones de calidad en tiempos computacionales razonables; por lo general no
consiguen el ptimo pero s una aproximacin bastante aceptable.
En cuanto a las heursticas, despus de que Golden et al. (1984) desarrollaran dos
heursticas constructivas adaptando el algoritmo de los ahorros y el esquema de la ruta
gigante para resolver el problema FSMF, otros autores tambin propusieron otros tipos
de heursticas constructivas (Gheysens et al., 1984; Salhi y Rand, 1993). Por otra parte,
Renaud and Boctor (2002) propusieron una extensin del algoritmo de barrido del
problema VRP clsico, para resolver el problema FSMF. Desrochers and Verhoog (1991)
formularon un algoritmo basado en ahorros para el problema FSMF utilizando la idea del
matching propuesta por Altinkemer and Gavish (1987), en la que se tiene en cuenta el
nmero de clientes de las rutas a fusionar en el clculo de los ahorros.
25
Captulo 2
Gheysens et al. (1983) plante otro enfoque de tour gigante para el problema FSMF, en
el que se permita una funcin de penalizacin para la violacin de las restricciones de
capacidad de los vehculos en las rutas. Teodorovic et al. (1995) emplearon el esquema
del tour gigante para la resolucin de la variante estocstica del problema heterogneo
del VRP, en la que la demanda de cada cliente est sujeta a una cierta probabilidad.
Gheysens et al. (1984) y Gheysens et al. (1986), presentan dos heursticas para el
problema FSMFD. La primera, incorpora las limitaciones de la capacidad del vehculo en
la funcin objetivo junto con los costes fijos y variables, utilizando los multiplicadores de
penalizacin. El segundo es un algoritmo heurstico de dos etapas. En la primera,
utilizaron el procedimiento de obtencin de lmites inferiores de Golden et al. (1984) para
determinar una flota inicial al problema. A continuacin, con la flota de vehculos fijada, se
resuelve el problema mediante la heurstica propuesta por Fisher and Jaikumar (1981).
Teniendo en cuenta los enfoques metaheursticos, algunos autores han aplicado

algoritmos genticos (AG) para la resolucin de este tipo de problemas. El algoritmo
PeGA (Petal Genetic Algorithm) propuesto por Ochi et al. (1998a) para la resolucin del
problema FSMF, es un algoritmo que combina un AG, la bsqueda dispersa y el criterio
de descomposicin en ptalos para construir cromosomas. Bsicamente construye las
rutas utilizando un criterio de descomposicin en ptalos. Genera una poblacin inicial de
cromosomas, las reproduce y evala. Al final del proceso, utiliza las tcnicas de
diversificacin. En el mismo ao, los mismos autores (Ochi et al., 1998b) presentaron el
algoritmo PGAPED (Parallel Genetic Algorithm with Petal Descomposition), el cual
bsicamente sigue los mismos pasos anteriores, solo que utiliza la forma paralela de un
AG. Por otra parte, Liu et al. (2009) propusieron un AG con una bsqueda local para
resolver los problemas FSMF y FSMD. Lima et al. (2004) resolvieron el FSMF utilizando
un algoritmo gentico hbrido, tambin conocido como algoritmo memtico. Este
algoritmo combina la heurstica GENIUS y el operador -intercambio. El algoritmo
GENIUS tiene una fase de construccin de ruta (GENI- Generalized Insertion) y una fase
de mejora (US- Unstringing Stringing). Prins (2009) present dos algoritmos memticos
que resuelven con xito todas las variantes del problema FSM y para la HVRPD.
La Bsqueda Tab (BT) es una de las metaheursticas ms aplicadas al problema VRP.

Algunas aplicaciones de la BT fueron propuestas para la resolucin de los problemas
FSMF y FSMD. Osman and Salhi (1996) aplicaron por primera vez la bsqueda tab al
problema FSMF y lo probaron en los 20 problemas propuestos por Golden et al. (1984).
26
Captulo 2
Gendreau et al. (1999) desarrollaron un algoritmo complejo donde primeramente hace

uso del algoritmo GENIUS y de sus vecindades y adems tiene integrado un
procedimiento de memoria adaptativa. Wassan and Osman (2002) propusieron
igualmente otra heurstica basadas en la bsqueda tab. Lee et al. (2008) propusieron un
algoritmo de BT combinada con un enfoque de particin de conjuntos. Brando (2009)
desarroll un algoritmo basado en BT con diferentes procedimientos para generar las
soluciones iniciales. Posteriormente, este mismo autor, (Brando, 2011) desarroll otro
enfoque basado en bsqueda tab para darle solucin al problema HVRP.
Recientemente, otras metaheursticas se han aplicado al problema FSM. Imran et al.

(2009) abordaron todas las variantes de este problema mediante una bsqueda en
vecindario variable (VNS, Variable Neighborhood Search), donde la solucin inicial es
obtenida mediante la implementacin del algoritmo de Dijkstra, que tiene como bases al
algoritmo de barrido y el movimiento 2opt.
Penna et al. (2011) present una metaheurstica de bsqueda local iterada que utilizaba
un procedimiento VNS en la fase de bsqueda local. Prins (2002) desarroll la heurstica
MER (Merge heuristic) para resolver el problema HVRPD. Esta heurstica basa sus
principios en el algoritmo de ahorros de Clarke and Wright (1964). Cada vez que MER
forma una ruta, esta es mejorada mediante movimientos 2-opt. Posteriormente, mediante
un proceso de bsqueda local basado en el descenso ms inclinado y una BT, se
mejoran las soluciones encontradas.
Tarantilis et al. (2003) y ms tarde Tarantilis et al. (2004) desarrollaron respectivamente

un algoritmo de aceptacin umbral basado en listas (denotado por LBTA) y un algoritmo
de retroceso adaptativo basado en umbral de aceptacin (denotado por BATA) para
resolver el HVRPD. Ambos mtodos comienzan con una solucin inicial generada por
una heurstica constructiva. La idea de este tipo de algoritmos es permitir movimientos
hacia soluciones con mayores valores de funcin objetivo, con el fin de escapar de los
mnimos locales. Los algoritmos buscan soluciones viables en la vecindad (bsqueda
local) y se comparan con una lista que almacena los mejores valores del umbral. En el
algoritmo LBTA, se utiliza dicha lista durante la bsqueda, mientras que en el BATA se
permite aumentar o disminuir el umbral cuando el criterio de aceptacin no se satisface.
Ms tarde, Li et al. (2007) desarrollaron un algoritmo similar llamado HRTR para resolver
los problemas HVRPD y HVRPFD, basado en el algoritmo RTR (Record To Record),
27
Captulo 2
cuyo buen comportamiento depende nicamente de la eleccin de un solo parmetro

(desviacin). El algoritmo acepta como nueva posible solucin, aquellos vecinos cuyo
valor de la funcin objetivo no se desve un porcentaje de ella misma para evitar mnimos
locales. Luego, mediante una bsqueda tab, el algoritmo busca nuevos mnimos
globales.
Por ltimo, se han desarrollado algunas heursticas para el problema VRP con flota
heterognea y ventanas de tiempo. Liu and Shen (1999) propusieron un algoritmo de dos
fases para resolver el problema FSMFTW. En la primera fase, un algoritmo basado en
ahorros evala la insercin de rutas completas en todos los posibles lugares de insercin
de otras rutas, teniendo en cuenta las ventanas de tiempo. En la segunda fase, se llevan
a cabo intercambios entre las posiciones de los clientes, dentro de una misma ruta o
entre rutas, para mejorar las soluciones encontradas durante la primera fase. Los
resultados de dicho algoritmo se testearon en 24 problemas del conjunto de 168
problemas propuestos por Solomon (1987) y adaptados por Liu and Shen a una flota
heterognea. Este conjunto de problemas se considera como punto de referencia en los
problemas FSMTW. Dullaert et al. (2002) propusieron para la resolucin del problema
FSMFTW, el algoritmo de insercin secuencial propuesto por Salomon (1987)
incorporando las expresiones modificadas en el clculo de ahorros de Golden et al.
(1984). Dell'Amico et al. (2007) propusieron una metaheurstica de destruir y recrear con
un procedimiento de insercin paralela. sta consiste en destruir una solucin
generalmente factible para luego reconstruirla de forma que se obtenga una mejor
solucin de la que se parti. Brysy et al. (2008) propusieron una metaheurstica de
recocido determinista en tres fases. Estas tres heursticas han sido probadas en los 168
casos para la solucin de los problemas FSMFTW.
Como resultado de esta revisin de la literatura, se considera que el problema HVRP ha

tenido menos atencin que el FSM, ya que es ms difcil de resolver.
2.3.2. VRP con Criterios de Sostenibilidad.

Los estudios acerca del problema VRP han beneficiado al medioambiente desde su
origen por Dantzig and Ramser (1959). Esta contribucin siempre ha estado implcita y
los investigadores no han sido totalmente conscientes de las connotaciones beneficiosas
de sus obras en el medio ambiente. Mientras que el problema VRP tiene por objeto
reducir al mnimo las distancias y la cantidad de vehculos totales asignados, est
28
Captulo 2
logrando a la vez una disminucin en el impacto ambiental, al reducir la cantidad de

combustible y por consecuencia las emisiones de CO2 del transporte por carretera.
La influencia del VRP no se limita a minimizar la distancia y el nmero de vehculos

asignados, existen otros factores medioambientales en el transporte que pueden ser
considerados en un modelo de VRP y se han estudiado durante los ltimos aos.
La contribucin del problema VRP a la logstica verde, tiene sus orgenes en los estudios
de Sbihi and Eglese (2007) y la tesis doctoral de Palmer (2007). En un documento de
trabajo para la Universidad de Lancaster, Sbihi and Eglese (2007) revisaron la literatura
relacionada con el VRP con el fin de encontrar la relacin entre los problemas de
programacin y enrutamiento de vehculos y la logstica verde. Como resultado, no
pudieron encontrar mucha literatura que vinculara a ambas temticas, pero sostuvieron
que la reduccin en la distancia total recorrida por los vehculos, proporcionara
beneficios ambientales debido a la reduccin en el consumo de combustible, y por
consiguiente, en los contaminantes expulsados a la atmsfera.
Palmer (2007) propone una integracin de los elementos de la planificacin del transporte
y la modelizacin ambiental combinada con tcnicas de enrutamiento de vehculos para
los vehculos de carga, e investig el papel de la velocidad en la reduccin de emisiones
de CO2 bajo diferentes escenarios y ventanas de tiempo. El autor examina los modelos
de Akelik (1982) y de Bowyer et al. (1985), ambos basados principalmente en la
velocidad del vehculo para el clculo de las emisiones de CO2. Despus de una
comparacin de los dos modelos, Palmer (2007) bas su trabajo en este ltimo,
obteniendo finalmente un modelo basado en rutas para vehculos que calcula la cantidad
total de CO2 emitido por el transporte por carretera, as como el tiempo y la distancia total
recorrida.
En este sentido, han sido hasta la fecha una multitud los investigadores que han
profundizado en la inclusin de estos costes medioambientales en los problemas clsicos
de VRP, tratando de proporcionar una visin ms realista y sostenible de la gestin de la
cadena de suministro.
Christie and Satir (2006) buscaron aumentar la eficiencia de las empresas mediante una
mejor gestin de la logstica. Para ello, a travs de estudios de optimizacin, cuantificaron
los ahorros producidos por las reducciones en las emisiones y por el consumo de
29
Captulo 2
combustible. Sus resultados sugieren que para obtener un ahorro significativo en el uso
del combustible y su consecuente reduccin en la contaminacin atmosfrica, hay que
reducir al mnimo los costes operativos. Los resultados mostraron una reduccin de hasta
el 40% en el consumo energtico y en las emisiones de gases de efecto invernadero.
Kara et al. (2007) introdujeron el problema VRP de Minimizacin de Energa (EMVRP).

En l se define una nueva funcin de coste que tiene en cuenta tanto la carga del
vehculo como las distancias. La funcin objetivo minimiza el trabajo total realizado por
los vehculos en su ruta, como un mltiplo de la longitud de arco recorrido y la carga total
del vehculo en este arco. Esto conduce a minimizar el consumo de fuel total. Como
resultado, se pudo comprobar que existe una diferencia considerable entre las soluciones
obtenidas al minimizar distancias y al minimizar energas. Esto es debido a que la carga
del vehculo tambin influye en la energa consumida y como consecuencia en el
consumo de fuel.
Yong and Xiaofeng (2009) proporcionan un problema de enrutamiento del vehculo que
minimiza el consumo de combustible. La eleccin de dicha funcin objetivo es
argumentada por el hecho de que reduce al mnimo los costes de servicios y el impacto
en el medio ambiente y en la salud. Para los clculos, se asume un consumo de
combustible por kilmetro en vaco, y un factor de consumo de combustible por kilmetro
y por unidad de carga.
Urquhart, Scott and Hart (2010) estudian el problema del Agente Viajero (TSP) para
identificar las rutas con menores emisiones de CO2. Para el estudio de dichas emisiones,
los autores estudian dos mtodos diferentes; uno que utiliza un modelo de consumo de
combustible introducido por Akcelik et al. (1985), que relaciona las emisiones producidas
al combustible utilizado, y otro modelo del National Atmospheric Emission Inventory del
Reino Unido, que se centra en las velocidades medias recorridas sobre tramos de calle,
para el clculo de emisiones promedio. Como resultado, los autores indican que en un
problema VRP, las distancias totales recorridas por los vehculos no se incrementan
significativamente cuando se utilizan las emisiones de CO2 en la funcin objetivo del
problema.
Figliozzi (2010) introdujo el problema VRP de emisiones (EVRP). En l se minimizan las

emisiones de contaminantes y el consumo de combustible como objetivos primario o
secundario. En el problema contempl ventanas de tiempo al mismo tiempo que las
30
Captulo 2
restricciones de capacidad y la duracin de las rutas. Igualmente se supone conocida la

influencia de la congestin en las velocidades de desplazamiento. El volumen de
emisiones es funcin de la velocidad del vehculo y sta depender de la hora de salida
en cada nodo.
Maden et al. (2010) consideraron un problema VRP con ventanas de tiempo en el que la
velocidad depende de la planificacin de la hora del viaje, debido a fenmenos de
congestin. Ellos describen un algoritmo heurstico para resolver el problema y concluyen
que tener en cuenta los fenmenos de congestin, puede llevar al ahorro de un 7% en las
emisiones de CO2. Jabali et al. (2009) consideran un problema similar, pero estiman la
cantidad de emisiones como una funcin no lineal de la velocidad y de otros factores,
considerando la velocidad ptima con respecto a las emisiones.
Otros autores como Bektas and Laporte (2011) definen el problema PRP (Pollution
Routing Problem) como una variante del VRP. En ella, utilizan una funcin integral
objetivo que mide y reduce al mnimo el coste de las emisiones de gases de efecto
invernadero, junto con los costes operativos de los conductores y el consumo de
combustible. Tambin analizan y comparan entre diferentes medidas de rendimiento de
enrutamiento de vehculos, tales como la distancia, la carga, las emisiones y los costes
evaluados a travs de una variedad de funciones objetivo. Asumen que la carga y la
velocidad pueden cambiar de un arco a otro en el viaje de un vehculo, permaneciendo
constante el resto de parmetros.
Suzuki (2011) estudia el TSP con ventanas de tiempo (TSPTW) para minimizar el
consumo de combustible y las emisiones de contaminantes, teniendo en cuenta las
limitaciones de tiempo y considerando mltiples paradas en las rutas. Analiz que la
entrega de la mercanca de mayor peso en los primeros nodos de una ruta puede
producir un ahorro significativo en el consumo de combustible.
beda et al. (2011) presentaron un caso de estudio para mostrar que la introduccin de
prcticas ecolgicas en el proceso de toma de decisiones de todos los das en una
empresa de transportes, puede cumplir simultneamente la eficiencia y los objetivos
medioambientales. Incorporaron las emisiones de CO2 en la funcin objetivo del CVRP
con viajes de regreso (Backhauls) al igual que consideraron como restriccin, un tiempo
mximo permitido de conduccin.
31
Captulo 2
Xiao et al. (2012) contempla la Tasa de Consumo de Combustible (FCR, Fuel

Consumption Rate) como una funcin dependiente de la carga transportada, y lo
incorpora al problema VRP clsico con el objetivo de minimizar el consumo de
combustible. Ellos proponen un modelo de optimizacin matemtica para caracterizar
formalmente el problema (FCVRP, Fuel Consumption VRP). Los resultados de los
experimentos mostraron que el modelo FCVRP puede reducir el consumo de combustible
en un 5 % de media en comparacin con el modelo CVRP.
Erdogan and Miller-Hooks (2012) introdujeron el problema VRP Verde (GVRP, Green
VRP) como un modelo de programacin lineal entera mixta. Desarrollaron tcnicas para
ayudar a las organizaciones con flotas de vehculos, impulsados por diferentes
combustibles, en lo referente a las limitaciones en la conduccin y en las infraestructuras
de repostajes. Estas tcnicas buscan las rutas de vehculos que minimizan la distancia
total recorrida para servir a un conjunto de clientes, a la vez que introduce paradas en
ruta en las Estaciones de Combustible Alternativos (ECA), a fin de eliminar el riesgo de
quedarse sin combustible.
Los estudios anteriormente descritos se han publicado recientemente. Esto demuestra

que el tema est en sus orgenes de desarrollo, siendo an su temtica atractiva y
bastante demandada.
2.3.3. VRP y Multiobjetivo.

Las investigaciones en el campo del VRP y multiobjetivo son menores que las temticas
abordadas anteriormente. Una visin general de los diferentes trabajos de investigacin
de problemas VRP con varios objetivos se puede encontrar en Jozefowiez et al. (2008).
Algunos de los estudios realizados se describen a continuacin.
Murata and Itai (2005) propusieron un algoritmo evolutivo de dos fases para problemas
multiobjetivo, que trataba de minimizar al mismo tiempo el nmero de vehculos y el
tiempo mximo de enrutamiento, es decir, la ruta con la mxima duracin. Para su
resolucin, clasificaron los problemas en dos tipos, segn las demandas de los clientes
fueran normales o grandes. Posteriormente, Jozefowiez et al. (2009) propusieron otro
algoritmo evolutivo para abordar un problema bi-objetivo del CVRP buscando un
equilibrio en distancias de la ruta solucin. En dicho problema se minimizaban la distancia
32
Captulo 2
total recorrida por los vehculos y la diferencia entre las rutas de mayor y menor distancia
recorrida.
Gambardella et al. (1999) consideraron el problema VRPTW como un problema de

optimizacin bi-objetivo con una funcin objetivo jerrquica. El primer objetivo trata de
minimizar el nmero de vehculos y el segundo minimizar el tiempo total de viaje. Esto se
logr mediante la adaptacin de un algoritmo de optimizacin de Colonia de Hormigas.
Ombuki et al. (2006) y Tan et al. (2006a) consideraron el mismo problema, pero
minimizando al mismo tiempo el nmero de vehculos y la distancia total recorrida. Para
su resolucin utilizaron respectivamente un algoritmo gentico haciendo uso de una
tcnica de clasificacin de Pareto y un algoritmo evolutivo hbrido. En el mismo ao, los
mismos autores (Tan et al., 2006b) modificaron ligeramente el enfoque anterior para
abordar la variante con camiones y remolques. En esta variante, se consideran diferentes
tipos de vehculos, algunos de ellos con ciertas limitaciones.
Otro autor que trat el VRPTW como un problema multiobjetivo fue Beham (2007), pero
propuso un enfoque de bsqueda tab para su resolucin. En su problema minimizaba el
nmero de rutas, la distancia total del viaje y el tiempo de violacin de las ventanas de
tiempo.
Ghoseiri and Ghannadpour (2010) presentaron un estudio con un enfoque de

programacin por metas para la formulacin del problema multiobjetivo VRPTW, en el
que el decisor especifica los objetivos a obtener ms optimistas y se minimizan las
desviaciones respecto a stas. Para su resolucin, realizaron una adaptacin de un
algoritmo gentico donde se minimizan tanto el tamao de la flota total requerida como la
distancia total del viaje, satisfacindose las restricciones de capacidad y las ventanas de
tiempo.
Pacheco and Mart (2006) abordaron el problema de optimizacin de rutas de autobuses

escolares. Este problema consiste en el transporte de un grupo de estudiantes desde sus
casas a la escuela. La funcin objetivo del problema considera la minimizacin de dos
objetivos muy diferenciados: el nmero total de autobuses, y el tiempo de espera que un
estudiante pasa en el bus, que coincide con la ruta de mayor duracin. El problema se
resuelve teniendo en cuenta ambas funciones objetivo por separado y presenta varios
mtodos constructivos y un procedimiento de bsqueda tab para su resolucin.
33
Captulo 2
En el mbito de la logstica verde, Siu et al. (2012) propusieron un enfoque multiobjetivo

del problema de optimizacin de rutas en el que aparte del objetivo clsico de
minimizacin de costes con restricciones de tiempo, trataron la minimizacin de las
emisiones de CO2, incorporndolas como un objetivo secundario del problema as como
una restriccin adicional.
34
Captulo 3
Estimacin de los Costes asociados a las Externalidades
CAPTULO 3:
MTODO DE ESTIMACIN DE LOS COSTES
ASOCIADOS A LAS EXTERNALIDADES
3.1. INTRODUCCIN.
Como se ha introducido en el captulo 1, en la ltima dcada, ha aumentado el inters en
la preservacin del medio ambiente por parte de la Unin Europea y los aspectos
medioambientales juegan un papel importante en las polticas estratgicas y
operacionales. Por lo tanto, los objetivos ambientales se deben aadir a los objetivos
econmicos, para encontrar el equilibrio adecuado entre estas dos dimensiones.
(Dyckhoff et al., 2004).
En el mbito de la movilidad, existen diferentes tipos de externalidades que dan lugar a

numerosos impactos ambientales y sociales, influyendo en el PIB de un pas. Los
accidentes de trfico, la congestin, la emisin de gases de efecto invernadero, la
contaminacin y el ruido son las principales externalidades negativas originadas por el
transporte. Los costes asociados a las repercusiones de estas externalidades (cambio
climtico, mortalidad,) son obviados por los usuarios del transporte a la hora de la toma
de decisiones, por lo que el estudio e internalizacin de los mismos ayudar a la
obtencin de un modelo ms sostenible. Por otra parte, la internalizacin de los costes
externos dar lugar a un uso ms eficiente de los recursos y reducir los efectos
secundarios negativos relacionados con la actividad de transporte.
La internalizacin de los costes externos del transporte ha sido un tema importante para
la investigacin del transporte y el desarrollo de polticas durante muchos aos en Europa
y en todo el mundo. Algunos autores (Bickel et al., 2006) centran su investigacin en la
evaluacin de los efectos externos del transporte e interiorizar a travs de los impuestos.
Como resultado, el tener en cuenta los costes internos y externos en las decisiones como
son la seleccin de los tipos de vehculos, la programacin de las entregas, la
consolidacin de los flujos de carga y la seleccin del tipo de combustible, pueden ayudar
35
Captulo 3
a reducir el impacto medioambiental sin perder competitividad en las empresas de

transporte.
En este captulo, se centra la atencin en obtener las mejores estimaciones para el

clculo de los costes externos asociados a: las emisiones de efecto invernadero, las
emisiones de contaminantes atmosfricos, las emisiones de ruido y los accidentes. Estos
cuatro componentes reflejan para el ao 2008, el 85,9 % de la carga media total de los
costes externos en la Unin Europea, con Noruega y Suiza, excluyendo los costes de
congestin (Ver Figura 3.1).
La evaluacin de cada componente de los costes externos aplicados a la configuracin

de transporte espaola se basa en el estudio europeo (INFRAS et al., 2008). El informe
se basa en trabajos ya existentes de cientficos y expertos, desarrollados principalmente
en el mbito de la Unin Europea.
Figura 3.1- Distribucin de los costes externos en la Unin Europea, incluyendo a Noruega y Suiza, sin tener en cuenta los
costes debidos a la congestin (CE Delft et al., 2011, pgina 11)
3.2. CLCULO DE LOS COSTES DE LAS EXTERNALIDADES.

3.2.1. Costes asociados al Cambio Climtico.
En el ao 2007, cerca del 20% del total de las emisiones de gases de efecto invernadero
en Europa, fueron debidas al transporte (INFRAS et al., 2008).
36
Captulo 3
Los principales gases de efecto invernadero debidos al transporte son: dixido de

carbono (CO2), xido nitroso (N2O) y el metano (CH4). A los efectos de internalizacin de
los costes externos asociados a las emisiones de gases de efecto invernadero, se
establece que el principal factor de costes asociados al cambio climtico se debe al
contenido de carbono del combustible. Los clculos de las emisiones de CO2 se basan en
la suposicin de que todo el contenido de carbono del combustible se quema, y se emite
en forma de dixido de carbono. Por lo general, un litro de gasleo provoca en su
combustin, la emisin de 2,67 kg de CO2 y de 2,3 kg para el caso de la gasolina.
Para estimar los costes externos relacionados con el cambio climtico, bastar con
multiplicar el total de toneladas de CO2 equivalente de la emisin de gases de efecto
invernadero debido al consumo de combustible, por un factor de costes externos, dado
en /ton. El coste recomendado para el ao 2010 de las emisiones asociadas al cambio
climtico se estableci en un valor medio de 25 /ton (INFRAS et al, 2008).
3.2.2. Costes asociados a la Contaminacin Atmosfrica.

Los costes de contaminacin atmosfrica se deben a las emisiones de contaminantes a
la atmsfera tales como las partculas en suspensin (PM), xidos de nitrgeno (NOx) y
compuestos orgnicos voltiles distintos del metano (COVNM). Estas emisiones implican
costes sobre la salud, daos en edificios y ecosistema, prdidas de cosechas en la
agriculturaetc.
Los costes de contaminacin atmosfrica debidos al transporte es uno de los principales

componentes de los costes externos, motivo por el que en los ltimos aos se han
llevado a cabo numerosos estudios y proyectos europeos de investigacin para su
cuantificacin.
Las emisiones de un vehculo de carretera dependen de los siguientes factores: la

velocidad del vehculo, el tipo de combustible y de la tecnologa de combustin
relacionada, el factor de carga, el tamao del vehculo, el patrn de conduccin y el
trazado de la carretera.
A efectos de internalizacin de los costes externos asociados a las emisiones de cada

contaminante, stos se pueden obtener multiplicando la cantidad total de contaminante
emitida por kilmetro recorrido, por un factor de costes externos dado en /ton.
37
Captulo 3
Los costes de contaminacin atmosfrica recomendados para cada contaminante en

Espaa (emisiones de 2010, en 2000/ton de contaminante) son: NOx = 2600; COVNM =
400; PM2.5 = 41200; PM10 = 16500, donde los valores de PM se han obtenido en zonas
del exterior no urbanas. La relacin de 2010 / 2000 se fija en 1,323. La estimacin de
los factores de emisin de cada contaminante en el transporte por carretera se basa en el
mtodo Tier 2 de la metodologa EMEP/CORINAIR (EMEP / EEA 2010). Este enfoque
proporciona un factor de emisiones de acuerdo con el combustible utilizado y con las
diferentes categoras y tecnologas de motor de los vehculos, de acuerdo a la legislacin
en el control de emisiones.
3.2.3. Costes asociados al Ruido

Los costes que se derivan del ruido se componen de los costes de las molestias y de los
daos que ocasionan sobre la salud de las personas. Los costes de las molestias se
basan en los costes sociales y econmicos que se derivan de la imposibilidad del disfrute
de actividades de ocio deseadas, molestias o inconvenientes. Es lo que un individuo
estara dispuesto a pagar segn sus preferencias para no sufrirlo. Los costes sobre la
salud se basan en los daos fsicos que causan a las personas, como daos en la
audicin por niveles de ruido superiores a 85 dB, o reacciones de estrs nervioso,
aumento en la presin arterial, disminucin de la calidad del sueo, etc.
Adems, la exposicin al ruido aumenta el riesgo de enfermedades cardiovasculares, por

lo que es fundamental conocer el nmero de personas expuestas en la estimacin de los
costes.
En el transporte por carretera, el sonido emitido se compone principalmente por el sonido

del sistema de traccin y por el de rodadura. La relacin de ambas fuentes depende de la
velocidad del vehculo, el tipo de vehculo, el tipo de neumticos, el estado de
mantenimiento del vehculo, la pendiente de la carretera y el tipo de superficie.
Los costes de ruido recomendados en base a (INFRAS / IWW 2004) para los vehculos
pesados se encuentran en un rango de 0,25 a 32 (en 2000/ton-km) teniendo en cuenta
las diferentes categoras de vehculos, pases y situaciones de trfico, con un valor medio
de 4,9.
38
Captulo 3
3.2.4. Costes asociados a Accidentes

Los costes de accidentalidad, son aquellos costes sociales por accidentes de trfico, que
no estn cubiertos por las plizas de seguros. Los costos ms importantes en el
transporte por carretera son los daos materiales, costes administrativos, gastos mdicos
y las prdidas de produccin.
Los factores ms importantes de coste en el transporte por carretera son el kilometraje, la

velocidad del vehculo, el tipo de carretera, el comportamiento de los conductores, la
velocidad y el volumen de trfico, la hora del da y las condiciones climticas.
Los costes de accidentalidad recomendados tambin se basan en (INFRAS / IWW 2004).

Para los vehculos pesados se encuentran en un rango de 0,7 a 11,8 (en 2000/ton-km),
con un valor medio de 4,75.
3.3. MODELADO DEL PROBLEMA.

3.3.1. Definicin y Restricciones del Problema.
El problema que se presenta en este trabajo es una extensin del clsico CVRP (ver
seccin 2.2.2), en el que se consideran: flota heterognea, ventanas de tiempo, nodos
backhauls y la internalizacin de los costes medioambientales. Con la consideracin de
una flota heterognea, se aborda un modelo ms general y realista ya que los vehculos
de las empresas de transporte suelen diferir en equipamiento, capacidad, antigedad y
en estructura de costes. Otra caracterstica que se adapta a la realidad del problema, es
el empleo de las ventanas de tiempo. stas definen las fuertes restricciones temporales
que imponen los clientes de las empresas de transporte en el servicio de la mercanca y
que han de ser cumplidas. Por otro lado, los nodos backhauls hacen referencia al retorno
de mercancas y se producen cuando algn cliente no queda satisfecho con el producto y
decide devolverlo a la empresa. Esto supone que los clientes puedan demandar la
entrega o recogida de mercancas, pero no de forma simultnea. Adems, se realizarn
primero las entregas de los materiales para posteriormente realizar las recogidas. De
acuerdo a estas caractersticas, se ha implementado un modelo basado en Azi et al.,
(2007) el cual utiliz variables de decisin de tres ndices.
39
Captulo 3
El problema HF-VRPTW-B se define sobre un grafo G= {N, A} con N={0,1,,t,t+1,,n}

como un conjunto de nodos, donde el nodo 0 representa el punto de partida o depsito,
los nodos 1 hasta t representan los puntos de entrega y los enumerados desde t+1 hasta
n son nodos de recogida de mercancas (proveedores), siendo A el conjunto de arcos
definidos entre pares de nodos. El modelo incluye un conjunto de m vehculos de
diferentes categoras que sern los candidatos a ser empleados como medio de
transporte para satisfacer la demanda de todos los clientes y proveedores. El diseo de
las rutas de cada vehculo debe satisfacer las siguientes restricciones: (a) los vehculos
tienen una capacidad mxima, por tanto la carga transportada no puede superar dicha
capacidad, (b) cada cliente o proveedor debe ser atendido en base a unas ventanas de
tiempo establecidas, (c) los clientes tienen prioridad de servicio frente a los proveedores,
y (d) los vehculos tienen una limitacin en el tiempo de la ruta. El modelo desarrollado se
formula de la siguiente manera:
Demanda del nodo i {1,,t} y carga proveedor i {t+1,,n}
Capacidad del vehculo k {1,,m}
Ventana de tiempo de servicio del nodo i
Tiempo de servicio en el nodo i por el vehculo k
Distancia entre el nodo i y el nodo j (i j)
Tiempo de conduccin entre los nodos i y j
Tiempo mximo de operacin para cada vehculo k
Las variables de decisin del problema son:
Variable binaria que ser 1 si el vehculo k {1,,m} viaja de los

nodos i al j (i j)
Instante de comienzo del servicio en el nodo i {0,1,,n} por el
vehculo k;
representa la finalizacin del servicio del vehculo k.
Carga transportada por el vehculo k {1,,m} entre los nodos i y j

(i j)
Las restricciones del modelo son las siguientes:
x
j =1
k
0j
1 (k = 1,..., m)
(1)
40
Captulo 3
j =0
j i
j =0
j i
xijk x kji = 0 (k = 1,..., m; i = 1,..., n)
x
k =1 j = 0
j i
k
ij
i =1
j =0
j i
= 1 (i = 1,..., n)
Di xijk q k
D x
i
i =t +1
j =0
j i
k
ij
x
k =1 i =t +1 j =1
x
k =1 j =t +1
(2)
k
0j
k
ij
qk
(3)
(k = 1,..., m)
(4)
(k = 1,..., m)
(5)
=0
(6)
=0
(7)
yik + sik + t ij y kj + T k (1 xijk ) (i = 1,..., n;
j = 0,..., n;
t 0 j y kj + T k (1 x0k j ) ( j = 1,..., n; k = 1,..., m)

ei y ik li
y 0k T k
m
f
k =1 j = 0
j i
k =1 j = 0
j i
( k = 1,..., m)
k
ji
f ijk = Di
k
ij
f jik = Di
(i = 1,..., n; k = 1,..., m)
j i; k = 1,..., m)
(8)
(9)
(10)
(11)
(i = 1,..., t )
(12)
(i = t + 1,..., n)
(13)
k =1 j = 0
j i
k =1 j = 0
j i
41
Captulo 3
f ijk (q k Di ) xijk
(i = 0,..., t;
j = 0,..., n;
j i; k = 1,..., m)
(14)
D j xijk f ijk
( j = 1,..., t; i = 0,..., n; i j; k = 1,..., m)
(15)
Di xijk f ijk
(i = t + 1,..., n;
(16)
f ijk (q k D j ) xijk
j = 0,..., n;
j i; k = 1,..., m)
( j = t + 1,..., n; i = 0,..., n; i j; k = 1,..., m)
(17)
El primer conjunto de restricciones (1) implica que no ms de m vehculos parten del

depsito, determinando el tamao de la flota. A continuacin se describen las ecuaciones
de conservacin del flujo (2) en cada nodo. La imposicin de que los clientes o
proveedores son visitados una nica vez por vehculo se refleja en las restricciones (3). El
grupo de restricciones (4) y (5) aseguran que la carga de los vehculos en una ruta no
sobrepasar la capacidad del vehculo. Las restricciones (6) garantizan que no se puede
visitar a un cliente desde un nodo de proveedor, mientras que las restricciones (7) evitan
que salgan vehculos vacos con direccin a los proveedores. Ambos conjuntos de
restricciones aseguran que primero se visitan a los clientes y posteriormente a los
proveedores. Las restricciones (8) y (9) son empleadas para obtener el instante de inicio
del servicio en los clientes y en los proveedores, as mismo son las restricciones
encargadas de evitar la formacin de ciclos (y causantes de que el problema sea NPcompleto). La imposicin para el cumplimiento del servicio en las ventanas de tiempo se
describe en las restricciones (10). As mismo, mediante las restricciones (11), se impide
que la duracin mxima de las horas de conduccin de un vehculo exceda el tiempo
permitido. El balance de flujo de carga entre nodos se impone mediante las restricciones
(12) y (13). Finalmente, las restricciones (14-17) son empleadas para limitar la carga total
de los vehculos en una ruta, dependiendo si llega o sale de un cliente o proveedor.
3.3.2. Costes Internos.

Los costes internos (Anaya, 2009) asociados con una ruta estn compuestos por cinco
elementos. Estos se corresponden a los costes del conductor (DRC), costes energticos
(ENC), costes fijos (FXC), costes de mantenimiento (MNC) y costes de peajes (TLC).
42
Captulo 3
3.3.2.1. Costes del Conductor

Son los costes debidos al pago por los servicios de los conductores. Este coste viene
determinado por el parmetro
(/ ) que representa el salario del conductor k por
unidad de tiempo. La expresin del DRC tiene la siguiente forma:
DRC = p k y 0k
(18)
k =1
3.3.2.2. Costes Energticos

Son los costes debidos al consumo de combustible de los vehculos. El combustible total
utilizado por un vehculo cuando ste realiza una ruta, depende del consumo en vaco del
vehculo y de la carga transportada. La expresin de los ENC tiene la siguiente forma:
ENC = fc r kr d ij ( fe k xijk + feu k f ijk )
(19)
i = 0 j = 0 k =1 r =1
j i
Donde:
Coste o precio por unidad de combustible del tipo r.
Consumo de combustible del vehculo k en vaco.
Consumo de combustible por unidad adicional de carga para el

vehculo k.
Igual a 1 si el vehculo k usa el combustible del tipo r.
3.3.2.3. Costes Fijos

Los costes fijos son aquellos en los que se incurren por el mero hecho de utilizacin de
los vehculos. La depreciacin, seguros, costes de financiacin, tasas estatalesetc.
Este coste viene determinado por el parmetro
(/ ) que representa el coste fijo
diario del vehculo k. La expresin del FXC tiene la siguiente forma:
43
Captulo 3

n
FXC = fx k x 0ki
(20)
i =1 k =1
3.3.2.4. Costes de Mantenimiento

Los costes de mantenimiento estn asociados con el precio pagado por las acciones a
realizar para el funcionamiento adecuado de los vehculos. A esta categora
perteneceran los costes de neumticos, reparaciones y mantenimientos preventivos.
Este coste viene determinado por el parmetro !" (/#!) que representa el coste de
mantenimiento por km recorrido del vehculo k. El clculo del MNC tiene la siguiente
expresin:
MNC = mn k d ij xijk
(21)
i = 0 j = 0 k =1
j i
3.3.2.5. Costes de Peajes

Existe la posibilidad de que ciertas rutas lleven asociadas unos costes debido a la
existencia de peajes. El parmetro
() representa los costes de peajes existentes
entre los nodos i y j. Por lo tanto, la expresin de los TLC viene dada por:
TLC = tlij xijk
(22)
i = 0 j = 0 k =1
j i
3.3.3. Costes Externos.

Los costes debidos a las externalidades, se estructuran en cuatros componentes que
son: costes de cambio climtico (CCC), costes de emisiones por contaminantes (APC),
costes de ruido (NSC) y coste de accidentalidad (ACC).
3.3.3.1. Costes de Cambio Climtico

Los costes de cambio climtico se han expuesto en el apartado 3.2.1, estando
relacionados con el consumo energtico de los vehculos. La expresin de los mismos
tiene la siguiente forma:
44
Captulo 3

n
CCC = pe CO 2 kr ef CO 2, r d ij ( fe k xijk + feu k f ijk )
(23)
i = 0 j = 0 k =1 r =1
j i
Donde:
$%&
Coste de cada unidad de CO2 emitida.
$%&,
Factor de emisin, cantidad de CO2 emitida por unidad de fuel

consumida.
3.3.3.2. Costes de Contaminacin Atmosfrica

Los costes de emisiones de contaminantes dependern de la tecnologa t de los
vehculos, y de la distancia recorrida por los mismos. La expresin del APC tiene la
siguiente forma:
APC = pe p kt ef
i = 0 j = 0 k =1 t =1 p =1
j i
p ,t
d ij xijk
(24)
Donde:
Coste por tonelada de cada contaminante p emitido.
(,)
Emisiones por kilmetro del contaminante del tipo p emitida por un

vehculo de tecnologa t.
Igual a 1 si el vehculo k es de categora t.
3.3.3.3. Costes de Ruido

Los costes del ruido dependern de la distancia recorrida y de la carga transportada por
todos los vehculos. La expresin del NSC tiene la siguiente forma:
NSC = ne d ij f ijk
(25)
i = 0 j = 0 k =1
j i
Donde:
45
Captulo 3
"
Coste de emisin de ruido por tonelada transportada y km viajado.
3.3.3.4. Costes de Accidentalidad

Los costes de accidentalidad, al igual que los debidos al ruido, dependen de la distancia
recorrida y de la carga transportada. La expresin del ACC tiene la siguiente forma:
ACC = ae d ij f ijk
(26)
i = 0 j = 0 k =1
j i
Donde:
Coste de accidentes por tonelada transportada y km viajado.
3.3.4. Funcin Objetivo del Problema.

El objetivo del modelo es disear o proponer rutas para diferentes vehculos de tal forma
que se minimicen la suma de los costes internos y los costes externos. La funcin
objetivo del problema viene determinada por la siguiente expresin:
Min CI + CE = ( DRC + ENC + FXC + MNC + TLC ) + (CCC + APC + NSC + ACC)
(27)
46
Captulo 4
Problema Multiobjetivo
CAPTULO 4:
MTODO DEL PROBLEMA MULTIOBJETIVO
4.1. INTRODUCCIN.
En la vida real, existen numerosas situaciones y problemas que son reconocidos como
problemas multiobjetivo, es decir, no poseen un nico criterio medible por el cual pueda
declararse que una solucin sea completamente satisfactoria. Dicho de otra forma, este
tipo de problemas contiene mltiples criterios que han de satisfacerse o que han de ser
tenidos en cuenta. A menudo dichos criterios entran en conflicto unos con otros y no
existe una nica solucin que simultneamente satisfaga a todos. Por tanto, la solucin
que se pretenda obtener debe estar en concordancia con las preferencias del decisor.
Los problemas de optimizacin de rutas de vehculos (VRP) se modelan normalmente

como un problema de optimizacin con un nico objetivo, que minimiza el coste de llevar
alguna mercanca a unos destinos, al tiempo que se satisfacen ciertas restricciones. No
obstante, en la vida real se pueden tener en cuenta otros factores, como son: la
minimizacin de distancias, minimizar tiempos de espera, buscar un equilibrio en las
cargas de trabajo (tiempo, distancia,) o minimizar emisiones de CO2 o de partculas
contaminantes, stas ltimas de gran inters en este PFM.
A diferencia de los muchos estudios que se han realizado sobre el tema de optimizacin
de rutas de vehculos, la incorporacin de aspectos medioambientales a los problemas es
un tema relativamente nuevo y de gran inters. La logstica verde puede llevar asociado
ms de un criterio de eficiencia en el problema, convirtindolo en un problema
multiobjetivo. En nuestra formulacin del problema, los niveles de emisiones de CO2 y de
partculas contaminantes van a constituir objetivos adicionales, los cuales se desean
minimizar.
En este captulo se introducen los aspectos ms relevantes de los problemas

multiobjetivo. Para una revisin ms detallada sobre el tema y sobre las diferentes
tcnicas de resolucin de este tipo de problemas, ver el artculo de Marler y Arora (2004).
47
Captulo 4
4.2. PROBLEMA MULTIOBJETIVO.

4.2.1. Definicin.
Los problemas de optimizacin multiobjetivo (POM) pueden formularse de la siguiente
manera:
min 3( ) = ( 4 ( ), & ( ), ,
+,- = /

7. . :
6(
))
;
(28)
Donde:
n 2 es el nmero de funciones objetivo.

x = ( 4 ,
& , ,
) es el vector de variables de decisin.
: es el espacio de soluciones factibles. : es definido habitualmente como el

conjunto de restricciones < |> ( ) 0, A = 1,2, ! ( ) = 0, D = 1,2, E.
3( ) es el vector objetivo.
y = ( 4 ,
& , , 6 ),
soluciones factibles.
con
= ( ), es el valor de una solucin en el espacio de
4.2.2. Optimalidad de Pareto.

Sin ningn tipo de informacin sobre las preferencias del decisor y con igualdad de
importancia en los objetivos, no se puede decir que una solucin es mejor que otra si no
la domina. La solucin a un problema de optimizacin multiobjetivo (POM) es el conjunto
de soluciones no dominadas llamadas conjunto de Pareto, que cumplen la propiedad de
Optimalidad de Pareto (Pareto, 1906):
Definicin: Un punto,
: es ptimo de Pareto si no existe otro punto, :, tal que
3( ) 3( ), y 3 ( ) < 3 ( ) al menos en una funcin.

Esta definicin dice que
es un ptimo de Pareto si no existe ningn vector factible
:, que decremente algn criterio sin causar un incremento simultneo en al menos
otro criterio.
48
Captulo 4
Si se representan en una grfica, las funciones objetivo del conjunto de soluciones

formarn lo que se denomina Frente de Pareto y representa la frontera del espacio entre
las soluciones factibles y no factibles. (Figura 4.1)
A menudo, las herramientas informticas o algunos algoritmos, pueden proporcionar

soluciones que satisfacen el objetivo global del problema, pero que no cumplen con la
propiedad de Optimalidad de Pareto. As surge la definicin de ptimo de Pareto dbil.
Definicin: Un punto,
que 3( ) < 3( ).
: es ptimo de Pareto dbil si no existe otro punto, :, tal
Un punto es ptimo de Pareto dbil si no existe otro punto que mejore todas las funciones
objetivo simultneamente.
4.2.3. Matriz de Pagos, Puntos Ideal, Utpico y Nadir.

Para la resolucin de los problemas de optimizacin multiobjetivo es necesario introducir
en primer lugar varios conceptos de gran utilidad para comprender e interpretar el
problema planteado, como son la matriz de pagos y los puntos ideal, utpico y nadir.
La matriz de pagos es una matriz que nos permite cuantificar el nivel de conflicto
existente entre los objetivos que se estn considerando. Se construye a partir de las
soluciones que optimizan independientemente cada objetivo. Con cada solucin obtenida,
se construye un vector formado por los valores que toman las funciones objetivo en ese
problema y los valores que resultaran para los dems objetivos con esa solucin. Se
obtiene as una matriz cuadrada en cuya diagonal principal se encuentra el punto ideal,
formado por los valores ptimos de cada uno de los objetivos. Este punto es en general
inalcanzable, a no ser que los objetivos no se encuentren en conflicto en cuyo caso el
problema multiobjetivo tendra una nica solucin. Igualmente, se puede definir el punto
utpico, como un punto inalcanzable, cuyas componentes de las diferentes funciones
objetivo poseen valores ms ambiciosos que el del punto ideal. Por otra parte, el punto
Nadir representa una solucin no deseada. Este vector se define por los peores valores
de las funciones objetivo en la matriz. De esta forma se conocer para cada funcin
objetivo su rango de variacin dentro del conjunto factible. Estos puntos son utilizados
comnmente para la normalizacin de los objetivos en los mtodos de optimizacin
multiobjetivo.
49
Captulo 4
NADIR
FRENTE DE PARETO
IDEAL
UTPICO
Figura 4.1- Frente de Pareto y puntos Ideal, Utpico y Nadir para el caso en que n=2
4.2.4. Funciones de Transformacin.

Con el fin de poder comparar las diferentes funciones objetivo, es necesario obtener
funciones objetivo adimensionales y de similar orden de magnitud. Esto es especialmente
til cuando se utilizan mtodos con articulacin de preferencias a priori, donde el decisor
muestra sus preferencias en trminos de metas o importancia relativa entre los diferentes
objetivos. (Marler y Arora, 2004).
Las tres funciones ms utilizadas vienen representadas en las ecuaciones 29, 30 y 31, en
las que los valores 3
respectivamente.
y 3 HIJ representan generalmente a los puntos ideal y nadir
Fi
trans
(x) =
Fitrans (x ) =
Fi
trans
(x ) =
Fi ( x )
Fi 0
; Fi 0 > 0
Fi ( x) Fi 0
Fi 0
Fi (x ) Fi 0
Fi max Fi 0
(29)
(30)
(31)
Suponiendo que el problema sea de minimizar, la primera de las aproximaciones (29)

impone un lmite inferior igual a la unidad, mientras que la aproximacin (30) lo establece
en el valor cero, no existiendo cota para el lmite superior. La funcin de transformacin
(31) adopta valores entre cero y uno y es por ello que se suele denominar como funcin
de normalizacin.
50
Captulo 4
4.3. MTODO DE LOS PESOS AUMENTADOS DE TCHEBYCHEFF.

4.3.1. Descripcin del Mtodo
Para la resolucin de un problema multiobjetivo, existen cuatro tipos de enfoques:
Mtodos sin articulacin de preferencias
Mtodos de articulacin de preferencias a priori
Mtodos de articulacin de preferencias a posteriori
Mtodos interactivos
En los mtodos sin articulacin de preferencias no existe decisor, es decir, no se

determinan preferencias por los diferentes objetivos involucrados. En los enfoques a
priori, el decisor establece de antemano las preferencias por los diferentes objetivos para
a continuacin el proceso tratar de encontrar ptimos de Pareto. Alternativamente, en los
enfoques a posteriori, se genera primero una serie de soluciones no dominadas,
normalmente variando los parmetros del problema, y luego el decisor elige entre esas
soluciones. Por otra parte, en los enfoques interactivos, las preferencias del decisor se
realizan durante el proceso de resolucin de los problemas.
Para la resolucin del POM del HVRP con aspectos medioambientales, se ha utilizado un
mtodo con articulacin de preferencias a priori, en concreto el Mtodo de los Pesos
Aumentados de Tchebycheff, una variante del mtodo de Tchebycheff (Weighted
Tchebycheff) que cumple las condiciones necesarias y suficientes para la Optimalidad de
Pareto (Steuer and Choo, 1983).
En este caso se busca una solucin equilibrada, de modo que ninguno de los objetivos
se desve en exceso de su valor ptimo. Para ello se utiliza una variante del mtodo Min
Max, en la que se minimiza la mxima distancia a cualquiera de dichos objetivos. Dichas
distancias son ponderadas por los pesos asignados a priori. Por otra parte, para
garantizar las condiciones de Optimalidad de Pareto, se introduce en la funcin objetivo
un segundo trmino de varios rdenes de magnitud menor, consistente en la suma de las
diferencias de cada funcin objetivo con respecto a sus puntos ideales. El problema se
formula de la siguiente forma:
51
Captulo 4
-D"D!DK
U = max wi Fi ( x ) Fi 0 + F j ( x ) F j 0
i
(32)
j =1
Donde:
M es el peso asignado a la funcin objetivo i.
3 (x) es el valor de la funcin objetivo i en la solucin x.

3 es el valor ptimo de la funcin objetivo i.
N es el nmero de funciones objetivo del problema.
O es un factor suficientemente pequeo para garantizar que el segundo trmino

sea de varios rdenes de magnitud menor que el primero.
Una aproximacin muy extendida para tratar dicho problema es introducir un parmetro
adicional P, y aumentar el nmero de restricciones del problema, una por cada funcin
objetivo. Haciendo el cambio de variable P = !
formulado de la siguiente manera:
<M Q3 ( ) 3 SE, el problema sera
Minimizar
+ ( F j ( x) F j0 )
(33)
j =1
s.a.
W j ( F j ( x) F j0 ) 0
j = 1,2,..., k
4.3.2. Formulacin del Modelo del POM para el HVRP con Aspectos
Medioambientales
La optimizacin de las rutas de vehculos no se puede limitar nicamente a la
minimizacin de costes o distancias. Existen otros factores que pueden ser tenidos en
cuenta. En concreto, el POM desarrollado en este PFM ha considerado los siguientes
objetivos:
Minimizar los costes internos (34 ( , , ))
Minimizar las emisiones de CO2 (3& ( , ))
Minimizar las emisiones de contaminantes, como el NOx (3T ( ))

52
Captulo 4
Para el planteamiento del modelo del POM, se han mantenido los mismos parmetros y
variables del modelo del problema monoobjetivo introducido en el captulo 3.
Adicionalmente, se han aadido los parmetros wV , FV , y mencionados en el apartado
anterior. Las expresiones de las diferentes funciones objetivo del problema se presentan
a continuacin:
F1 ( x, y , f ) = p k y 0k + fc r kr d ij ( fe k x ijk + feu k f ijk ) + fx k x 0ki +

k =1
i = 0 j = 0 k =1 r =1
j i
mn
(34)
d ij x + tl ij x
k
ij
i = 0 j = 0 k =1
j i
i =1 k =1
i = 0 j = 0 k =1
j i
k
ij
F2 ( x, f ) = kr ef CO 2,r d ij ( fe k xijk + feu k f ijk )

i = 0 j = 0 k =1 r =1
j i
(35)
F3 ( x) = kr kt ef
p ,t
i = 0 j = 0 k =1 r =1 t =1 p =1
j i
d ij xijk
(36)
El modelo se formulara de la siguiente manera:

3
Minimizar + ( F j ( x, y, f ) F j0 )
(37)
j =1
s.a.
W j ( F j ( x, y, f ) F j0 ) 0
j = 1,2,3
0
restricciones
(1) (17)
53
Captulo 5
Formulacin de Heursticas
CAPTULO 5:
FORMULACIN DE HEURSTICAS
5.1. INTRODUCCIN.
El problema VRP, y por tanto su variante con flota heterognea, son problemas de
optimizacin combinatoria complejos que caen en la categora de NP-completo (Choi and
Tcha, 2007), lo que significa que el esfuerzo computacional requerido para resolverlos se
incrementa exponencialmente con el tamao del problema. Este tipo de problemas no
tienen un algoritmo exacto que pueda resolverlo en un tiempo razonable, y por ello es
necesario poseer herramientas que puedan encontrar soluciones aproximadas de un
modo fcil y en un tiempo suficientemente rpido. Por lo general, esta tarea se lleva a
cabo mediante el uso de heursticas y metaheursticas.
Como se ha indicado anteriormente, la utilizacin de heursticas tiene lugar cuando no

existen mtodos exactos de resolucin, o el tiempo de clculo requerido es desorbitado.
Otras veces su utilizacin se debe a que el objetivo se centra simplemente en la
bsqueda de una solucin de calidad aceptable y no se requiere el punto ptimo.
Tambin se utilizan las soluciones obtenidas de las heursticas como punto de partida en
la utilizacin de otros algoritmos ms exhaustivos, como las metaheursticas.
Este captulo se centra en describir la heurstica implementada para la resolucin del

modelo del problema HVRP con estimacin de los costes externos, as como su
adaptacin para la resolucin del problema multiobjetivo.
5.2. HEURSTICA PARA EL MTODO DE LA ESTIMACIN DEL COSTE

ASOCIADO A LAS EXTERNALIDADES.
El algoritmo implementado para la resolucin del problema HVRP sin ventanas de tiempo
ni backhauls, se basa en la heurstica de ahorros propuesto originalmente por Clarke and
Wright (1964). Aunque dicha heurstica no fue diseada para una flota heterognea con
limitaciones de capacidad, se ha realizado una ampliacin donde se evala el ahorro
54
Captulo 5
obtenido de la fusin de dos rutas y la posterior asignacin a un vehculo con capacidad

disponible.
Sea Z el conjunto de los vehculos, N el conjunto de clientes con demanda conocida y R

el conjunto de rutas. El algoritmo se inicializa con la formacin de una ruta para cada
cliente, que es conectado con el almacn, obteniendo un conjunto R de N rutas. A
continuacin, estas rutas irn fusionndose iterativamente hasta que el conjunto R tenga
una sola ruta o hasta que nicamente se produzcan fusiones de rutas que den lugar a
soluciones no factibles en trminos de capacidad de vehculos y nmero de vehculos
disponibles.
El proceso iterativo consiste en calcular para todos los vehculos, independientemente de

cumplir o no con la condicin de capacidad, los costes asociados de las rutas existentes,
y por tanto, los ahorros asociados a la fusin de cada pareja de rutas. Posteriormente,
entre el conjunto de parejas de rutas candidatas a ser fusionadas, se elegir aquella
pareja con un ahorro promedio ms alto entre todos los vehculos.
Cuando se fusionan dos rutas, si el nmero de rutas es menor o igual al nmero de

vehculos, se resuelve un problema de asignacin para obtener la mejor asignacin de
vehculos a las rutas.
En el proceso de iteracin inicial, cualquier solucin generada tiene una alta probabilidad
de ser inviable, porque el nmero de rutas puede exceder el nmero de vehculos
disponibles. Igualmente, en las ltimas iteraciones del algoritmo, las rutas no se podrn
fusionar porque las demandas de las rutas excedern las capacidades de los vehculos.
Por este motivo, en cada iteracin la heurstica registra la mejor solucin admisible
encontrada hasta el momento.
Por ltimo, es posible que en el proceso de formacin de rutas, se lleve a cabo una fusin
que haga que el problema no sea factible, por capacidad de vehculos, es decir, que no
conduzca a una solucin con altas demandas en los puntos de entrega y unos vehculos
de baja capacidad. Teniendo en cuenta este caso, el algoritmo dispone de un proceso de
verificacin de fusin de rutas. El diagrama de algoritmo se representa en la figura 5.1.
55
Captulo 5
5.2.1. Clculo de Ahorros.

Despus de cada proceso de fusin de rutas, el algoritmo calcula para cada vehculo, el
ahorro de costes entre cada par de rutas del conjunto R, obtenindose una matriz de
ahorros para cada vehculo. En el clculo de los ahorros, no se tienen en cuenta las
restricciones de capacidad o de disponibilidad del vehculo. El clculo de los ahorros tiene
la siguiente expresin:
IZ
= [I + [Z [IZ N ^; , ` a
(38)
Donde:
IZ
es el ahorro entre las rutas a y b cuando se realiza con el vehculo k.
[IZ es el coste de fusionar las rutas a y b cuando se realiza con el vehculo k
Una vez obtenida la matriz de ahorros para cada vehculo, se calculan los valores
medios. El elemento mayor de esta matriz designa las dos rutas candidatas a ser unidas.
IZ
f cde f
H
N ^; , ` a
(39)
5.2.2. Comprobacin de la Fusin de Rutas.

Para garantizar que el algoritmo converge a una solucin, se ha implementado un
procedimiento de comprobacin de fusin de rutas. Dicho procedimiento consiste en que
posteriormente a la eleccin de una pareja de rutas para fusionarse, se comprobar si
dicha fusin puede conducir a una solucin vlida. Para ello, se ordenan las posibles
rutas de mayor a menor demanda y se asignan secuencialmente las demandas de las
rutas al vehculo con menor capacidad disponible. Finalmente, si todas las rutas estn
vinculadas a los vehculos, la solucin es factible y las rutas candidatas a la fusin se
unen, de lo contrario, se escoge el siguiente valor ms grande de la matriz de ahorros y
se repite el procedimiento de verificacin.
56
Captulo 5
Figura 5.1- Diagrama de flujo del algoritmo heurstico para la resolucin del problema HVRP.
5.2.3. Almacenamiento de la Mejor Solucin Encontrada.

En cada iteracin en el que el nmero de rutas en R es menor o igual que el nmero de
vehculos disponibles, se puede obtener una nueva solucin para el problema, asignando
cada ruta a un vehculo. Para este propsito, se utiliza el algoritmo hngaro propuesto por
Kuhn (1955). Se trata de un algoritmo de optimizacin combinatoria que resuelve el
problema de asignacin en un tiempo de clculo polinomial.
Cuando se fusionan dos rutas y se satisface la condicin para obtener una solucin, el
algoritmo resuelve el problema de asignacin ptima de las rutas generadas a los
vehculos disponibles y guarda la solucin si es mejor que la anteriormente encontrada.
5.2.4. Movimientos Lambda Intercambio.

Una vez acabado el algoritmo, se ejecuta una bsqueda local sobre la solucin
encontrada aplicando los procedimientos 2-opt y 3-opt a cada una de las rutas
encontradas para mejorar la solucin factible.
El movimiento -opt, formalmente conocido como operador -intercambio, es un algoritmo

de bsqueda local que elimina arcos (>1) y reconecta los segmentos restantes, hasta
57
Captulo 5
alcanzar una solucin que no pueda ser mejorada utilizando dichos intercambios.
(Figuras 5.2 y 5.3)
Figura 5.2- Ejemplo de movimiento 2-opt
Figura 5.3- Ejemplo de movimiento 3-opt
5.3. HEURSTICA PARA EL PROBLEMA MULTIOBJETIVO.

El algoritmo heurstico para la resolucin de los problemas multiobjetivo es una extensin
del algoritmo descrito en el apartado anterior. En esta ampliacin, el clculo para
identificar las rutas candidatas a fusionarse no es tan sencillo ya que intervienen ms de
una funcin objetivo.
Para la adaptacin de la heurstica se necesita calcular en cada iteracin, la matriz de

ahorros final asociada a cada vehculo, ya que a partir de este paso el algoritmo acta de
igual forma. El clculo de dicha matriz para el problema multiobjetivo se limita a los
siguientes puntos:
1. Se calcula para cada vehculo, la matriz de ahorros de fusin de rutas que

corresponde a cada objetivo. Por tanto, el nmero de matrices de ahorros
asociadas a cada vehculo coincidir con el nmero de objetivos que tenga el
problema.
58
Captulo 5
2. Para poder comparar los ahorros de la fusin entre los distintos objetivos, los
valores de cada matriz han de ser normalizados, dividindolos por el elemento
mayor de su matriz.
3. Ponderar dichas matrices, multiplicndolas respectivamente por los diferentes
pesos asignados a priori por parte del decisor.
4. La matriz final de ahorros asociada a cada vehculo estar formada por los valores
mximos de los ahorros de las diferentes matrices de las funciones objetivo.
59
Captulo 6
Experimentos Computacionales
CAPTULO 6:
EXPERIMENTOS COMPUTACIONALES
6.1. INTRODUCCIN.
Este captulo presenta los resultados de los experimentos computacionales realizados
para el anlisis del diseo de rutas con aspectos medioambientales y para la evaluacin
de las heursticas desarrolladas. En primer lugar, se describe un problema de distribucin
de mercancas basado en un caso real, identificando todos los parmetros del problema.
A continuacin, se presentan los diferentes escenarios y resultados.
6.2. DESCRIPCIN DEL PROBLEMA.

El problema consiste en la distribucin de mercancas de una importante cadena de
supermercados a nivel nacional en la provincia de Huelva. El problema consta de un
centro logstico de distribucin (Depot), y 17 supermercados o puntos de entrega, que se
encuentran repartidos por toda la provincia.
Los datos referentes a la localizacin de los puntos de reparto y entrega se presentan en

la Tabla 6.1, pudindose contemplar la ubicacin geogrfica de los mismos en la figura
6.1. Las distancias y el tiempo de viaje entre cada pareja de clientes, se han obtenido con
la aplicacin Google Maps (https://maps.google.es/maps). Los datos obtenidos son
mostrados en el Anexo 1.
6.2.1. Descripcin de la Flota de Vehculos

La flota de vehculos para realizar el reparto est constituida por 3 vehculos diferentes
(Tabla 6.2). Dos de los vehculos (1 y 3), tienen una capacidad de 9,5 toneladas y
nicamente se diferencian en la tecnologa del motor, donde el vehculo 1 tiene menores
factores de emisin de contaminantes que el 3, al pertenecer a una tecnologa ms
reciente. (Euro IV vs Euro II). El vehculo 2, posee una capacidad mayor que el resto, 18
ton, un mayor coste interno unitario y pertenece a una tecnologa de motor ms reciente
(Euro IV).
60
Captulo 6
Nodo
Denominacin
Coordenadas Geogrficas
Depot
37.36777,-6.251307
Aljaraque
37.269481,-7.028072
Almonte
37.2602,-6.515853
Aracena
37.897758,-6.56756
Ayamonte
37.22076,-7.399118
Bollullos Par del Condado
37.350237,-6.540298
Cartaya
37.291339,-7.131093
Gibralen
37.376795,-6.963138
Huelva 1
37.262245,-6.959466
Huelva 2
37.264112,-6.942893
10
Huelva 3
37.278407,-6.930155
11
Huelva 4
37.25542,-6.932226
12
La Palma del Condado
37.385996,-6.556054
13
Lepe 1
37.258957,-7.196568
14
Lepe 2
37.206551,-7.235068
15
Moguer
37.279747,-6.834899
16
Punta Umbra
37.187369,-6.975337
17
Valverde del Camino
37.578435,-6.752129
Tabla 6.1 Localizacin de los puntos de distribucin y entrega
Los parmetros asociados a los costes de combustibles por unidad, costes de las
externalidades y factores de emisin para cada vehculo, se resumen en la Tabla 6.3.
Dichos valores han sido tomados del estudio (INFRAS/IWW, 2004), sobre estudios
realizados en el ao 2000, y han sido actualizados al ao 2010 mediante la relacin
2.010 / 2.000 = 1,323. (IPC, 2013)
La estimacin de los factores de emisiones de cada contaminante en el transporte por

carretera se basa en el mtodo Tier 2 de la metodologa EMEP/CORINAIR (EMEP / EEA
2010).
61
Captulo 6
Figura 6.1- Ubicacin geogrfica del almacn y de los diferentes puntos de entrega de la mercanca.
Vehculos (k)
q (tons)
9.5
18
9.5
p (/h)
19.89
21.40
19.89
Tipo combustible (r)
Diesel
Diesel
Diesel
17.50
19.80
17.50
1.05
0.75
1.05
42.65
54.60
42.65
0.0590
0.0787
0.0590
Rgida; 12-14_T;
Rgida; 20-26_T;
Rgida; 12-14_T;
Euro_IV
Euro_IV
Euro_II
fe (l/100km)
k
feu (l/ton100km)
k
fx (/da)
k
mn (/km)
Tecnologa (t)
Tabla 6.2 Datos de la flota basados en (ACOTRAM, 2010)
62
Captulo 6
fc DIESEL (2010/l)
0.9009
pe CO2 (2010/ton)
25
ef CO2,DIESEL (kg/l)
2.67
Contaminante (p)
NOx
COVNM
PM
pep (2010/ton)
3439.8
529.2
76337.1
efp,1 (gr/km)
5.50
0.207
0.1040
efp,2 (gr/km)
2.65
0.008
0.0161
efp,3 (gr/km)
3.83
0.010
0.0239
ne (2010/ton-km)
0.00648
ae (2010/ton-km)
0.00635
Tabla 6.3 Costes de combustible por unidad, factores de emisiones y costes de las externalidades.
6.3. MTODO DE LA ESTIMACIN DE LOS COSTES ASOCIADOS A LAS

EXTERNALIDADES.
En este apartado se van a mostrar las diferencias encontradas en el diseo de rutas al
utilizar tres funciones objetivos diferentes: minimizar la distancia total viajada (1),
minimizar los costes internos (2) y minimizar la suma de los costes internos y externos
(3), teniendo en cuenta las restricciones de capacidad en cada una.
Se han realizado diversas versiones del problema en las que se han variado las
dimensiones del mismo. Se han diseado las rutas para problemas de 8, 10, 13 y 17
nodos. As mismo, se compara la resolucin de este problema (tipo a), frente a la
inclusin de un tiempo mximo permitido de conduccin de 8 horas (tipo c). Se ha
considerado un tiempo de servicio de 1 hora en todos los nodos y la ausencia de peajes
en todos los problemas.
La resolucin ptima del modelo para todos los problemas, se ha realizado con el
programa CPLEX_11.1 con los parmetros por defecto. Adicionalmente, se han impuesto
respectivamente, unos tiempos mximos de ejecucin de 3600 y 7200 segundos para los
problemas tipo a y c. Igualmente, se van a mostrar y comparar los resultados obtenidos al
aplicar la heurstica basada en ahorros a los problemas sin restricciones de tiempo
mximo de conduccin (tipo a).
63
Captulo 6
6.3.1. Problema de 8 Nodos

En la tabla 6.4 se representa los nodos seleccionados para este problema, con sus
demandas correspondientes.
Las tablas 6.5 y 6.6 representan respectivamente las rutas y los valores solucin
obtenidos de optimizar las distintas funciones objetivos del problema.
Nodo
Denominacin
Demanda (Ton)
Depot
Aljaraque
2,00
Almonte
2,50
Gibralen
1,50
Huelva 1
4,00
Palma del Condado
1,00
Lepe 1
3,00
Moguer
2,50
Valverde del Camino
1,50
Tabla 6.4 Puntos de reparto y demandas para el problema de 8 nodos.
En las Figuras 6.2, 6.3 y 6.4 se muestran respectivamente, las soluciones obtenidas al
minimizar distancias, costes internos y costes totales para el problema tipo c. Las rutas
de los vehculos 1, 2 y 3 se asocian a los colores azul, rojo y amarillo respectivamente.
Las marcas en los dibujos muestran los diferentes puntos de entrega y su numeracin se
corresponde con el orden de visita del vehculo que le suministra. La marca de color
verde representa el almacn.
Al minimizar distancias, la solucin ptima busca utilizar el menor nmero de vehculos y

por tanto usa los vehculos de mayor capacidad de la flota, no siendo dichas soluciones
ptimas en costes.
Al minimizar los costes internos, se observa que las rutas obtenidas en la solucin son
realizadas por los vehculos de menor capacidad. Esto es debido a que en este tipo de
64
Captulo 6
vehculos, los costes de conductores, consumo y coste de fuel, costes fijos y costes de
mantenimiento, son menores que en el vehculo de mayor capacidad.
PROBLEMA
FUNCIN OBJETIVO
VEHICULO
RUTA
TIEMPO (h)
0-7-4-1-6-3-8-5-0
10,75
0-2-0
2,06
0-4-1-6-0
5,33
1
DISTANCIAS
TIPO a
(SIN TIEMPO
MXIMO DE
CONDUCCIN)
COSTES INTERNOS
COSTES INTERNOS +
EXTERNOS
2
3
0-2-7-3-8-5-0
8,17
0-2-7-3-8-5-0
8,17
0-4-1-6-0
5,33
0-4-1-6-3-7-0
7,83
0-2-8-5-0
5,33
0-4-7-8-5-0
6,85
0-2-3-6-1-0
6,90
2
3
1
DISTANCIAS
TIPO c
(CON TIEMPO
MXIMO DE
CONDUCCIN DE 8
HORAS)
COSTES INTERNOS
2
3
COSTES INTERNOS +
EXTERNOS
0-2-5-8-0
5,35
0-7-4-1-6-3-0
7,83
Tabla 6.5 Rutas solucin de las tres funciones objetivo para todos los tipos de problemas de 8 nodos.
PROBLEMA
TIPO a
TIPO c
DIST.
FUNCIN
OBJETIVO
(KMS)
COSTES
COSTES
INTERNOS () EXTERNOS ()
COSTES
TOTALES ()
GAP
TIEMPO
EJEC. (s)
DISTANCIAS
328,80
462,09
34,33
496,43
0,01%
COSTES
INTERNOS
406,50
457,04
34,10
491,14
0,01%
2.247
COSTES
INT+EXT
406,50
457,04
33,92
490,95
0,01%
2.922
DISTANCIAS
365,10
470,92
34,21
505,12
0,01%
22
COSTES
INTERNOS
429,10
468,69
37,59
506,27
0,01%
1.144
COSTES
INT+EXT
365,20
470,05
29,50
499,55
0,01%
2.361
Tabla 6.6 Valores solucin de las tres funciones objetivo para todos los tipos de problema de 8 nodos.
La inclusin de los costes externos en la funcin objetivo del problema tiene como
resultado la bsqueda de soluciones con una menor longitud total en distancias, ya que
suponen menores costes de emisiones de gases invernadero, partculas, ruidos y
65
Captulo 6
accidentes. Por otra parte, debido a que la aportacin de los costes externos en la
funcin objetivo es relativamente menor que la de los costes internos (menor del 10%), el
optimizar la suma de ambos costes tiene como resultado la bsqueda de soluciones
prximas a la solucin que optimiza los costes internos, pero con un menor nmero de
emisiones. Por ello, la solucin ptima del caso (c) es un caso intermedio a las soluciones
ptimas en distancia y en costes internos.
Figura 6.2- Solucin ptima del caso (c) obtenida al minimizar distancias.
Figura 6.3- Solucin ptima del caso (c) obtenida al minimizar costes internos.
66
Captulo 6
Figura 6.4- Solucin ptima del caso (c) obtenida al minimizar costes internos + externos.

Nodo
Denominacin
Demanda (Ton)
Depot
1,00
Aljaraque
1,00
Almonte
1,00
Cartaya
1,00
Gibralen
1,00
Huelva 1
1,00
Palma del Condado
1,00
Lepe 1
1,00
Moguer
1,00
Punta Umbra
1,00
10
Valverde del Camino
1,00
67
Captulo 6
obtenidos de optimizar las distintas funciones objetivos del problema con los tiempos
mximos de ejecucin establecidos. Como puede observarse, las soluciones obtenidas
no se aseguran que sean ptimas, ya que los valores del GAP indican que el espacio de
bsqueda no ha sido totalmente explorado. Como muestra de ello, la solucin encontrada
para el problema tipo c de minimizar los costes totales posee un valor ms bajo de costes
internos que la solucin encontrada que optimizaba dichos costes.
PROBLEMA
FUNCIN OBJETIVO
VEHICULO
RUTA
TIEMPO (h)
0-2-8-5-1-9-7-3-4-10-6-0
14,88
0-6-10-4-7-3-1-9-5-8-2-0
14,80
0-2-8-5-9-1-3-7-4-10-6-0
14,80
0-6-10-4-8-0
6,66
1
DISTANCIAS
2
3
1
TIPO a
(SIN TIEMPO MXIMO
DE CONDUCCIN)
COSTES INTERNOS
2
3
1
COSTES INTERNOS +
EXTERNOS
2
3
1
DISTANCIAS
TIPO c
(CON TIEMPO
MXIMO DE
CONDUCCIN DE 8
HORAS)
COSTES INTERNOS
COSTES INTERNOS +
EXTERNOS
0-2-0
2,06
0-5-1-9-7-3-0
7,95
0-2-8-4-10-0
7,18
0-6-0
1,80
0-5-9-1-7-3-0
7,87
0-5-9-1-7-3-0
7,87
0-2-0
2,06
0-6-10-4-8-0
6,66
PROBLEMA
TIPO a
TIPO c
DIST.
FUNCIN
OBJETIVO
(KMS)
COSTES
INTERNOS ()
COSTES
EXTERNOS ()
COSTES
TOTALES ()
GAP
TIEMPO
EJEC. (s)
DISTANCIAS
296,50
459,37
28,32
487,69
0,01%
COSTES
INTERNOS
297,80
457,81
28,00
485,81
59,31%
3.600
COSTES
INT+EXT
297,80
458,07
28,51
486,58
58,08%
3.600
DISTANCIAS
478,70
589,44
26,07
615,51
22,21%
7.200
COSTES
INTERNOS
486,10
594,20
27,18
621,38
64,10%
7.200
COSTES
INT+EXT
481,00
588,57
25,94
614,52
56,89%
7.200
68
Captulo 6

obtenidos de optimizar las distintas funciones objetivos del problema con los tiempos
mximos de ejecucin establecidos. Al igual que en el caso anterior, las soluciones
obtenidas no se aseguran que sean ptimas.
Nodo
Denominacin
Demanda (Ton)
Depot
1,00
Aljaraque
1,00
Almonte
1,00
Aracena
1,00
Ayamonte
1,00
1,00
Cartaya
1,00
Gibralen
1,00
Huelva 1
1,00
Palma del Condado
1,00
10
Lepe 1
1,00
11
Moguer
1,00
12
Punta Umbra
1,00
13
Valverde del Camino
1,00
69
Captulo 6
PROBLEMA
FUNCIN OBJETIVO
VEHICULO
RUTA
TIEMPO (h)
DISTANCIAS
0-2-11-8-12-1-6-10-4-7-3-13-9-5-0
20,29
0-5-9-2-11-8-12-1-6-10-4-7-13-3-0
20,15
0-11-7-4-10-6-1-12-8-0
11,88
0-5-2-9-13-3-0
8,96
1
3
1
TIPO a
COSTES INTERNOS
(SIN TIEMPO MXIMO

DE CONDUCCIN)
2
3
1
COSTES INTERNOS +
EXTERNOS
DISTANCIAS
TIPO c
(CON TIEMPO
MXIMO DE
CONDUCCIN DE 8
HORAS)
COSTES INTERNOS
COSTES INTERNOS +
EXTERNOS
2
1
0-8-1-6-7-11-0
7,63
0-4-10-12-2-0
7,55
0-3-13-9-5-0
7,44
0-2-8-4-11-0
7,26
0-3-13-9-5-0
7,44
0-12-1-6-10-7-0
8,00
0-5-9-13-3-0
7,44
0-11-8-1-7-2-0
7,85
0-6-10-4-12-0
7,20
PROBLEMA
TIPO a
TIPO c
DIST.
FUNCIN
OBJETIVO
(KMS)
COSTES
INTERNOS ()
COSTES
EXTERNOS ()
COSTES
TOTALES ()
GAP
TIEMPO
EJEC. (s)
DISTANCIAS
453,40
624,33
50,22
674,54
0,03%
85
COSTES
INTERNOS
456,60
616,79
39,71
656,50
66,54%
3.600
COSTES
INT+EXT
541,30
631,83
37,31
669,13
63,61%
3.600
DISTANCIAS
710,20
781,93
45,97
827,90
31,53 %
7.200
COSTES
INTERNOS
726,60
784,05
44,69
828,74
70,89%
7.200
COSTES
INT+EXT
698,50
768,93
37,49
806,42
67,34%
7.200
70
Captulo 6

En este caso, se ha escogido la misma flota heterognea de los casos anteriores, salvo
que los vehculos de cada clase se han duplicado para garantizar la existencia de
soluciones, siendo los vehculos n 4, 5 y 6 iguales a los 1, 2 y 3 respectivamente. Las
tablas 6.13 y 6.14 ilustran las soluciones obtenidas.
PROBLEMA
FUNCIN
OBJETIVO
VEHICULO
RUTA
TIEMPO (h)
0-5-0
1,60
0-12-17-3-7-4-14-13-6-1-16-8-9-11-10-15-2-0
23,86
1
2
DISTANCIAS
3
4
5
6
TIPO a
COSTES
INTERNOS
0-5-2-12-17-3-0
8,96
0-15-7-10-11-9-8-16-1-6-13-14-4-0
16,61
0-9-8-11-10-7-15-17-3-0
12,99
0-5-2-4-14-13-6-1-16-12-0
13,43
0-5-12-17-3-0
7,44
0-16-1-8-9-11-0
7,55
0-15-10-7-2-0
6,45
0-13-6-14-4-0
7,14
0-6-13-4-14-0
7,01
0-5-2-9-11-15-0
7,47
0-7-1-16-8-10-0
7,57
0-12-17-3-0
6,39
0-6-13-14-4-0
6,84
0-5-12-17-3-0
7,44
0-15-7-16-1-0
6,79
0-10-11-9-8-2-0
7,31
3
4
5
6
1
2
COSTES
INT+EXT
3
4
5
6
1
2
DISTANCIAS
2
TIPO c
COSTES
INTERNOS
3
4
5
2
COSTES
INT+EXT
71
Captulo 6
PROBLEMA
TIPO a
TIPO c
DIST.
FUNCIN
OBJETIVO
(KMS)
COSTES
INTERNOS ()
COSTES
EXTERNOS ()
COSTES
TOTALES ()
GAP
TIEMPO
EJEC. (s)
DISTANCIAS
520,80
801,97
75,55
877,52
8,61%
3.600
COSTES
INTERNOS
567,60
779,88
39,13
819,01
74,39%
3.600
COSTES
INT+EXT
628,60
768,51
44,65
813,15
70,91%
3.600
DISTANCIAS
859,10
1.000,41
47,59
1.048,01
45,70%
7.200
COSTES
INTERNOS
851,20
965,12
47,41
1.012,53
77,46%
7.200
COSTES
INT+EXT
852,20
963,09
42,21
1.005,30
73,82%
7.200
6.3.5. Resultados obtenidos de la Heurstica

6.3.5.1. Caso de distribucin Real
En esta seccin se van a comparar los resultados obtenidos por nuestro algoritmo
heurstico con las soluciones obtenidas tras resolver el modelo de los problemas de
distribucin tipo a, con un tiempo mximo de computacin de 1 hora.
La tabla 6.15 refleja dichos resultados, donde se observa que en la mayora de los
problemas el algoritmo alcanza los mismos resultados que la resolucin del modelo, o
incluso los mejora en un caso. La desviacin media con respecto a las soluciones
obtenidas con CPLEX en el tiempo establecido es del 0,54%.
6.3.5.2. Problemas de Taillard

Para evaluar el rendimiento de una heurstica, es importante estudiar su aplicacin en
problemas de grandes dimensiones. En concreto, se ha escogido el conjunto de 8
problemas Taillard (13-20), mencionados en la seccin 2.3.1 de este PFM, y se han
comparado las soluciones obtenidas con los mejores resultados alcanzados en la
literatura.
Como se ilustra en la Tabla 6.16, el algoritmo heurstico basado en ahorros, parece

funcionar bien, con una diferencia porcentual media de la mejor solucin conocida de
72
Captulo 6
11,09%. Es importante mencionar que la heurstica propuesta ha sido desarrollada para

resolver el HVRP con costes internos y externos basada en una heurstica muy bsica
como es la de ahorros de Clarke and Wright (1964), mientras que los problemas de
Taillard estn preparados para resolver el HVRP con los costes dependientes de la ruta y
han sido resueltos mediante metaheursticas.
PROBLEMA
CPLEX (MAX 3600 s)
FUNCION
OBJETIVO
COSTE ()
TIEMPO(s)
GAP
COSTE ()
% ERROR
328,8
0,01%
339,60
3,28%
DISTANCIAS
8
10
13
17
HEURSTICA
COSTES INTERNOS
457,04
2.247
0,01%
467,27
2,24%
COSTES INT+EXT
490,95
2.921
0,01%
495,09
0,84%
DISTANCIAS
296,5
0,01%
296,50
0,00%
COSTES INTERNOS
457,81
3.600
59,31%
457,81
0,00%
COSTES INT+EXT
486,58
3.600
58,08%
486,58
0,00%
DISTANCIAS
453,4
85
0,03%
453,40
0,00%
COSTES INTERNOS
616,79
3.600
66,54%
616,79
0,00%
COSTES INT+EXT
669,13
3.600
63,61%
656,50
-1,89%
DISTANCIAS
520,8
3.600
8,61%
520,80
0,00%
COSTES INTERNOS
779,88
3.600
74,39%
786,78
0,88%
COSTES INT+EXT
813,15
3.600
70,91%
822,03
1,09%
Tabla 6.15 Comparacin de las soluciones halladas por la heurstica, con la resolucin del modelo con Tmax=3600 s.
PROBLEMAN NODOS
MEJOR
SOLUCIN
ENCONTRADA
HEURSTICA
COSTE
(u.m.)
% ERROR
13
50
1.517,84
1.720,57
13,36%
14
50
607,53
661,02
8,80%
15
50
1.015,29
1.110,21
9,35%
16
50
1.144,94
1.248,78
9,07%
17
75
1.061,96
1.159,59
9,19%
18
75
1.823,58
1.990,70
9,16%
19
100
1.117,51
1.327,57
18,80%
20
100
1.534,17
1.702,80
10,99%
Tabla 6.16 Comparacin de las soluciones encontradas por la heurstica, con las mejores encontradas en la literatura.
73
Captulo 6
6.4. MTODO DE LA OPTIMIZACIN MULTIOBJETIVO.

La otra variante presentada en este PFM para la resolucin del problema de distribucin,
es el tratamiento del mismo como un problema de optimizacin multiobjetivo. En
concreto, en este apartado, se van a disear las rutas de distribucin de mercancas
resolviendo el modelo de optimizacin multiobjetivo de los Pesos Aumentados de
Tchebycheff, donde se han planteado tres funciones objetivos diferentes: minimizar los
costes internos (1), minimizar las emisiones de CO2 (2) y minimizar las emisiones de
contaminantes como el NOx (3), teniendo en cuenta las restricciones del problema. Se
han diseado las rutas para los problemas de 8, 10, 13 y 17 nodos, presentados en el
apartado anterior.
El mtodo de los Pesos Aumentados de Tchebycheff pertenece a la categora de

problemas a priori en los que se conoce de antemano los pesos asignados a cada
criterio. Por ello, se han realizado seis versiones para cada problema (T00T05) en las
que se han variado las ponderaciones en los criterios, para analizar su repercusin en la
solucin final. (Tabla 6.17). Como puede observarse, los tres primeros problemas
resuelven el problema ideal para cada funcin objetivo, formando la matriz de pagos. El
valor de O = 1 ha sido adoptado para todos los problemas.
PESO
PROBLEMA C.INTERNOS
(W0)
PESO
PESO
EMIS. CO2
EMIS. NOx
(W1)
(W2)
0
T00
100
T01
100
T02
100
T03
70
20
10
T04
80
15
T05
90
Tabla 6.17 Ponderaciones en los criterios para cada tipo de problema.
Para resolver el modelo de Pesos Aumentados de Tchebycheff (AWT), es necesario

obtener los valores que optimizan cada funcin objetivo por separado. En la Tabla 6.18
se muestran los valores ptimos encontrados en la resolucin de cada problema por
separado y los valores utpicos utilizados. Estos ltimos se han escogido de manera que
no se distancien mucho de sus valores ptimos conocidos. Los valores marcados con un
asterisco, simbolizan que la solucin ha sido encontrada usando el programa CPLEX en
74
Captulo 6
un periodo de 3600 segundos, no habindose explorado en su totalidad el espacio de

soluciones.
PROBLEMA
COSTES INTERNOS ()
EMISIONES CO2 (Kg)
EMISIONES NOx (gr)
(3 )
(34 )
(3& )
NODOS
V_OPTIMO
V_UTPICO
V_OPTIMO
457,04
457,00
206,04
V_UTPICO V_OPTIMO
206,00
1164,67
V_UTPICO
1164,00
10
457,81*
450,00
185,13
185,00
1019,36
1019,00
13
616,79*
600,00
281,67
280,00
1678,38
1600,00
17
779,88*
750,00
316,74
315,00
1606,96
1600,00
Tabla 6.18 Valores ptimos y utpicos de cada funcin objetivo para cada problema.
Con la finalidad de poder comparar las diferentes funciones objetivo entre s, se ha

realizado la siguiente funcin de transformacin para todas las funciones objetivo, con el
objetivo de normalizarlas, en la que se ha utilizado el valor utpico escogido para los
valores de 3 .
Fitrans (x ) =
Fi ( x ) Fi 0
Fi 0
(40)
La resolucin ptima del modelo para todos los problemas, se ha realizado con el
programa CPLEX_11.1 con los parmetros por defecto. Los tiempos de computacin
mximos han sido establecidos respectivamente en 1, 4, 7 y 10 horas para los problemas
de 8, 10, 13 y 17 nodos. Igualmente, se van a mostrar y comparar los resultados
obtenidos al aplicar la heurstica basada en ahorros a todos los problemas.
6.4.1. Resolucin del modelo.

Los resultados obtenidos de la resolucin del modelo se para los problemas de 8, 10, 13
y 17 nodos, se muestran en las tablas 6.19, 6.20, 6.21 y 6.22 respectivamente. Para los
casos de 13 y 17 nodos, se ha acelerado el proceso de bsqueda de ptimos,
estableciendo un parmetro relativo de diferencia al objetivo ( = 0,05). Dicho parmetro,
desecha cualquier posible solucin que no mejore un porcentaje de la mejor solucin
encontrada hasta el momento. Esto posibilita que el programa se salte un intervalo en el
que se pueda encontrar el verdadero ptimo entero, por lo que se debilita la garanta de
optimalidad encontrada en un 5%. Para estos problemas se observa, que aun incluyendo
este parmetro, no se garantiza la optimalidad de las soluciones encontradas.
75
Captulo 6
En el problema de 8 nodos, las versiones T01, T02, T03, T04 y T05 se observa que
domina una nica solucin y sta difiere de la encontrada para el caso T00 donde
nicamente se minimizan los costes internos. El cambio en la solucin se produce al
tener ligeramente en cuenta las emisiones de NOx. Los valores de asociados a las
emisiones de NOx para la solucin que minimiza los costes internos en el resto de
problemas, son mayores que el valor de determinado por la otra solucin. La resolucin
de este problema demuestra que slo considerando los costes internos como funcin
objetivo, la solucin encontrada difiere al caso de tener en cuenta otros factores, como
son las emisiones de CO2 y NOx.
En contraposicin al caso anterior, en los problemas de 10 y 13 nodos, se observa que la

solucin obtenida en los problemas T03, T04 y T05, en los que se tienen en cuenta las
tres funciones objetivo variando los pesos asignados, la solucin coincide con la que
minimiza los costes internos.
76
MTODO
TIPO
PROBLEMA
T00
T01
T02
AWT
T03
T04
T05
F. OBJ. A
MINIMIZAR
PESOS
VEH
RUTA
TIEMPO
(H)
C. INTERNOS
100
0-2-7-3-8-5-0
8,17
EMIS. DE CO2
EMIS. DE NOX
0-4-1-6-0
5,33
C. INTERNOS
0-2-0
2,06
EMIS. DE CO2
100
0-7-4-1-6-3-8-5-0
10,75
EMIS. DE NOX
C. INTERNOS
0-2-0
2,06
EMIS. DE CO2
0-7-4-1-6-3-8-5-0
10,75
EMIS. DE NOX
100
C. INTERNOS
70
0-2-0
2,06
EMIS. DE CO2
20
0-7-4-1-6-3-8-5-0
10,75
EMIS. DE NOX
10
C. INTERNOS
80
0-2-0
2,06
EMIS. DE CO2
15
0-7-4-1-6-3-8-5-0
10,75
EMIS. DE NOX
C. INTERNOS
90
0-2-0
2,06
EMIS. DE CO2
0-7-4-1-6-3-8-5-0
10,75
EMIS. DE NOX
F.OBJ
FO_0 ()
(C.INT)
FO_1 (Kg)
(EMIS.CO2)
FO_2 (gr)
(EMIS.NOX)
DIST
(KMS)
GAP
TIEMPO
EJEC (s)
0,558
0,008
457,04
234,84
1.640,96
406,50
0,00%
488
0,032
0,020
462,09
206,04
1.164,67
328,80
0,00%
0,069
0,057
462,09
206,04
1.164,67
328,80
0,00%
0,792
0,780
462,09
206,04
1.164,67
328,80
0,00%
0,903
0,891
462,09
206,04
1.164,67
328,80
0,00%
1,014
1,003
462,09
206,04
1.164,67
328,80
0,00%
45
Tabla 6.19 Resultados obtenidos de la resolucin del modelo para los diferentes tipos de problemas y pesos asignados para el problema de 8 nodos.
77
MTODO
TIPO
PROBLEMA
T00
T01
T02
AWT
T03
T04
T05
RUTA
TIEMPO
(H)
F.OBJ
FO_0 ()
(C.INT)
FO_1 (Kg)
(EMIS.CO2)
FO_2 (gr)
(EMIS.NOX)
DIST
(KMS)
GAP
TIEMPO
EJEC (s)
0-6-10-4-7-3-1-95-8-2-0
14,80
1,882
1,735
457,81
186,87
1.140,57
297,80
90,60%
14.400
0-6-10-4-5-1-3-79-8-2-0
15,13
0,225
0,071
464,33
185,13
1.142,87
298,40
0,00%
81
0-2-8-5-1-9-7-3-410-0
13,89
0-6-0
1,80
0,267
0,035
503,81
205,89
1.019,36
357,50
0,00%
29
EMIS. DE NOX
100
C. INTERNOS
70
EMIS. DE CO2
20
0-6-10-4-7-3-1-95-8-2-0
14,80
1,361
1,215
457,81
186,87
1.140,57
297,80
0,00%
123
EMIS. DE NOX
10
C. INTERNOS
80
EMIS. DE CO2
15
0-6-10-4-7-3-1-95-8-2-0
14,80
1,535
1,389
457,81
186,87
1.140,57
297,80
0,00%
537
EMIS. DE NOX
C. INTERNOS
90
EMIS. DE CO2
0-6-10-4-7-3-1-95-8-2-0
14,80
1,708
1,562
457,81
186,87
1.140,57
297,80
0,00%
3.173
EMIS. DE NOX
F. OBJ. A
MINIMIZAR
PESOS
VEH
C. INTERNOS
100
EMIS. DE CO2
EMIS. DE NOX
C. INTERNOS
EMIS. DE CO2
100
EMIS. DE NOX
C. INTERNOS
EMIS. DE CO2
78
MTODO
TIPO
PROBLEMA
T00
T01
T02
AWT
T03
T04
T05
RUTA
TIEMPO
(H)
F.OBJ
FO_0 ()
(C.INT)
FO_1 (Kg)
(EMIS.CO2)
FO_2 (gr)
(EMIS.NOX)
DIST
(KMS)
GAP
TIEMPO
EJEC (s)
0-5-9-2-11-8-121-6-10-4-7-13-3-0
20,15
2,924
2,797
616,79
281,67
1.748,78
456,60
100,00%
25.200
0-5-9-2-11-8-121-6-10-4-7-13-3-0
20,15
0,725
0,598
616,79
281,67
1.748,78
456,60
0,00%
2.717
0-8-12-1-6-10-47-13-3-0
15,05
0-9-5-2-11-0
6,13
5,196
4,899
670,92
316,49
1.678,38
564,60
0,00%
4.062
EMIS. DE NOX
100
C. INTERNOS
70
EMIS. DE CO2
20
0-5-9-2-11-8-121-6-10-4-7-13-3-0
20,15
2,085
1,958
616,79
281,67
1.748,78
456,60
0,00%
22.032
EMIS. DE NOX
10
C. INTERNOS
80
EMIS. DE CO2
15
0-5-9-2-11-8-121-6-10-4-7-13-3-0
20,15
2,365
2,238
616,79
281,67
1.748,78
456,60
61,20%
25.200
EMIS. DE NOX
C. INTERNOS
90
EMIS. DE CO2
0-9-5-2-11-8-121-6-10-4-7-13-3-0
20,18
2,754
2,625
617,50
281,87
1.749,16
456,70
100,00%
25.200
EMIS. DE NOX
F. OBJ. A
MINIMIZAR
PESOS
VEH
C. INTERNOS
100
EMIS. DE CO2
EMIS. DE NOX
C. INTERNOS
EMIS. DE CO2
100
EMIS. DE NOX
C. INTERNOS
EMIS. DE CO2
79
MTODO
TIPO
PROBLEMA
T00
T01
T02
AWT
T03
T04
T05
F. OBJ. A
MINIMIZAR
PESOS
VEH
RUTA
TIEMPO
(H)
C. INTERNOS
100
0-2-6-13-14-4-717-3-0
14,03
EMIS. DE CO2
2
0-5-12-9-16-1-811-10-15-0
12,18
EMIS. DE NOX
C. INTERNOS
0-5-2-12-17-3-0
8,96
0-15-10-11-9-816-1-6-13-14-4-70
16,50
EMIS. DE CO2
100
EMIS. DE NOX
C. INTERNOS
EMIS. DE CO2
EMIS. DE NOX
100
C. INTERNOS
70
0-5-2-12-17-3-0
8,96
0-15-7-4-14-13-61-16-8-9-11-10-0
16,50
0-7-4-14-13-6-116-17-3-0
15,42
EMIS. DE CO2
20
EMIS. DE NOX
10
C. INTERNOS
80
EMIS. DE CO2
15
EMIS. DE NOX
C. INTERNOS
90
EMIS. DE CO2
EMIS. DE NOX
0-16-1-6-13-14-47-17-3-0
0-12-10-8-9-1115-2-5-0
0-5-12-8-9-11-1015-2-0
0-4-14-13-6-1-167-17-3-0
0-5-15-10-11-9-82-12-0
F.OBJ
FO_0 ()
(C.INT)
FO_1 (Kg)
(EMIS.CO2)
FO_2 (gr)
(EMIS.NOX)
DIST
(KMS)
GAP
TIEMPO
EJEC (s)
1,898
1,395
760,47
348,17
2.213,99
616,50
100,00%
36.000
0,782
0,605
774,12
316,91
1.822,74
555,40
100,00%
36.000
14,544
14,226
795,30
351,19
1.827,62
606,00
37,23%
36.000
2,883
2,659
778,49
329,85
1.822,74
555,40
83,16%
36.000
2,301
1,803
764,81
351,91
2.177,19
618,10
99,59%
36.000
2,440
1,932
766,10
356,14
2.170,24
615,80
100,00%
36.000
15,33
10,99
10,94
15,38
10,98
80
Captulo 6
6.4.2. Resultados obtenidos de la Heurstica

En este apartado se van a comparar los resultados obtenidos por la heurstica para el
problema multiobjetivo, con las soluciones del modelo de programacin lineal.
En la tabla 6.23 se representan las rutas obtenidas por la heurstica para todas las
variantes de problemas, mientras que en la tabla 6.24 se reflejan los valores de las
funciones objetivo, as como las obtenidas mediante la resolucin del modelo. Igualmente
se muestran las diferencias porcentuales relativas entre los valores de las funciones
objetivo de ambas soluciones. Se observa que para las versiones que nicamente tienen
en cuenta una funcin objetivo (T00, T01 y T02), las diferencias mximas encontradas
para los problemas de 8, 10, 13 y 17 nodos son respectivamente 3,55%, 7,07%, 3,46% y
5,60%, valores que se consideran aproximados. Para el resto de problemas, se observa
que en ocasiones, la solucin aportada por la heurstica coincide con la obtenida por el
modelo, como ocurre en los problemas T03, T04 y T05 de los problemas de 8 y 13 nodos.
En el resto de problemas, los valores de las diferentes funciones objetivo del problema no
se diferencian en exceso de las encontradas por el modelo.
Por otro lado, en la tabla 6.24 se ha computado para todos los problemas, la diferencia
del valor del parmetro obtenido con la heurstica, con el valor obtenido de la resolucin
del modelo de programacin lineal en el tiempo establecido (MAX - CPLEX).
Pghi P$jkli =
mnopqr (J)smnt
mnt
vwxpy
mu
(J)smut
mut
(41)
Donde i y j representan las funciones objetivo para las cuales se producen los valores de
Pghi . Este valor adimensional, nos da una idea de la desviacin de la solucin
encontrada por la heurstica con respecto a la solucin obtenida mediante el modelo.

Para el caso en el que los valores de vengan determinados por la misma funcin
objetivo, esta diferencia representa la proporcin que supone dicha desviacin respecto
al valor ideal, multiplicada por el peso asignado a priori:
Pghi P$jkli = M
mnopqr (J)smnt
mnt
vwxpy
mn
(J)smnt
mnt
=M
vwxpy
mnopqr (J)smn
mnt
(J)
(42)
81
Captulo 6
N NODOS
PROBLEMA
T00
VEHICULO
RUTA
0-2-0
0-7-4-1-6-3-8-5-0
3
T01
0-2-0
0-7-4-1-6-3-8-5-0
3
T02
0-2-0
0-4-1-6-3-7-8-5-0
8
T03
0-2-0
0-7-4-1-6-3-8-5-0
3
T04
0-2-0
0-7-4-1-6-3-8-5-0
3
T05
0-2-0
0-7-4-1-6-3-8-5-0
3
1
T00
0-2-8-5-9-1-3-7-4-10-6-0
3
1
T01
0-2-6-8-4-3-7-1-9-5-10-0
3
T02
0-10-4-3-7-1-9-5-8-2-0
0-6-0
10
1
T03
0-8-5-9-1-3-7-4-10-6-2-0
3
1
T04
0-2-8-5-9-1-3-7-4-10-6-0
3
1
T05
0-2-8-5-9-1-3-7-4-10-6-0
3
1
T00
0-5-9-2-11-8-12-1-6-10-4-7-13-3-0
3
1
T01
0-2-5-9-11-8-12-1-6-10-4-7-13-3-0
3
1
13
T02
0-5-9-13-3-7-4-10-6-1-12-8-11-2-0
3
1
T03
0-5-9-2-11-8-12-1-6-10-4-7-13-3-0
3
1
T04
0-5-9-2-11-8-12-1-6-10-4-7-13-3-0
82
Captulo 6
1
T05
0-5-9-2-11-8-12-1-6-10-4-7-13-3-0
3
T00
0-5-12-2-0
0-15-10-11-9-8-16-1-6-13-14-4-7-17-3-0
3
T01
0-2-0
0-5-12-15-10-11-9-8-16-1-6-13-14-4-7-17-3-0
3
T02
0-5-0
0-12-17-3-7-4-14-13-6-1-16-8-9-11-10-15-2-0
17
T03
0-5-0
0-12-2-15-10-11-9-8-16-1-6-13-14-4-7-17-3-0
3
T04
0-5-12-2-0
0-15-10-11-9-8-16-1-6-13-14-4-7-17-3-0
3
T05
0-5-12-2-0
0-15-10-11-9-8-16-1-6-13-14-4-7-17-3-0
Tabla 6.23 Rutas solucin obtenidas por la heurstica para todos los tipos de problema.
83
CPLEX
HEURSTICA
DIFERENCIAS RELATIVAS
N NODOS PROB.
T00
10
13
17
CPLEX
C.INT ()
0,008
457,04
EMIS. CO2 EMIS NOX

EMIS. CO2 EMIS NOX
EMIS. CO2 EMIS NOX
C.INT ()
C.INT ()
(Kg)
(gr)
(Kg)
(gr)
(Kg)
(gr)
234,84
1.640,96
462,09
206,04
1.164,67
1,10%
-12,26%
-29,03%
VALORES DE CALCULADOS
CON LA SOLUCION DE LA
HEURSTICA
DESVIACIN
C.INT
EMIS_CO2
EMIS_NOX
MAX- CPLEX
1,114
0,000
0,000
1,106
T01
0,02
462,09
206,04
1.164,67
462,09
206,04
1.164,67
0,00%
0,00%
0,00%
0,000
0,020
0,000
0,000
T02
0,057
462,09
206,04
1.164,67
467,27
214,42
1.206,03
1,12%
4,07%
3,55%
0,000
0,000
3,611
3,554
T03
0,78
462,09
206,04
1.164,67
462,09
206,04
1.164,67
0,00%
0,00%
0,00%
0,780
0,004
0,006
0,000
T04
0,891
462,09
206,04
1.164,67
462,09
206,04
1.164,67
0,00%
0,00%
0,00%
0,891
0,003
0,003
0,000
T05
1,003
462,09
206,04
1.164,67
462,09
206,04
1.164,67
0,00%
0,00%
0,00%
1,003
0,001
0,003
0,000
T00
1,735
457,81
186,87
1.140,57
458,07
187,63
1.140,57
0,06%
0,41%
0,00%
1,793
0,000
0,000
0,058
T01
0,071
464,33
185,13
1.142,87
471,11
198,21
1.226,75
1,46%
7,07%
7,34%
0,000
7,142
0,000
7,071
T02
0,035
503,81
205,89
1.019,36
504,61
212,58
1.025,45
0,16%
3,25%
0,60%
0,000
0,000
0,633
0,598
T03
1,215
457,81
186,87
1.140,57
458,59
189,15
1.151,30
0,17%
1,22%
0,94%
1,335
0,449
1,298
0,120
T04
1,389
457,81
186,87
1.140,57
458,07
187,63
1.140,57
0,06%
0,41%
0,00%
1,434
0,214
0,597
0,045
T05
1,562
457,81
186,87
1.140,57
458,07
187,63
1.140,57
0,06%
0,41%
0,00%
1,614
0,071
0,597
0,052
T00
2,797
616,79
281,67
1.748,78
616,79
281,67
1.748,78
0,00%
0,00%
0,00%
2,798
0,000
0,000
0,001
T01
0,598
616,79
281,67
1.748,78
619,07
284,62
1.759,50
0,37%
1,05%
0,61%
0,000
1,649
0,000
1,051
T02
4,899
670,92
316,49
1.678,38
626,23
301,53
1.736,52
-6,66%
-4,73%
3,46%
0,000
0,000
8,533
3,634
T03
1,958
616,79
281,67
1.748,78
616,79
281,67
1.748,78
0,00%
0,00%
0,00%
1,958
0,120
0,930
0,000
T04
2,238
616,79
281,67
1.748,78
616,79
281,67
1.748,78
0,00%
0,00%
0,00%
2,238
0,090
0,465
0,000
T05
2,625
617,50
281,87
1.749,16
616,79
281,67
1.748,78
-0,11%
-0,07%
-0,02%
2,518
0,030
0,465
-0,107
T00
1,395
760,47
348,17
2.213,99
779,08
316,74
1.911,15
2,45%
-9,03%
-13,68%
3,877
0,000
0,000
2,482
T01
0,605
774,12
316,91
1.822,74
784,17
319,13
1.921,86
1,30%
0,70%
5,44%
0,000
1,312
0,000
0,707
T02
14,226
795,30
351,19
1.827,62
801,97
362,70
1.930,00
0,84%
3,28%
5,60%
0,000
0,000
20,625
6,399
T03
2,659
778,49
329,85
1.822,74
786,78
325,82
1.942,26
1,06%
-1,22%
6,56%
3,433
0,687
2,139
0,774
T04
1,803
764,81
351,91
2.177,19
779,08
316,74
1.911,15
1,87%
-9,99%
-12,22%
3,102
0,083
0,972
1,299
T05
1,932
766,10
356,14
2.170,24
779,08
316,74
1.911,15
1,69%
-11,06%
-11,94%
3,490
0,028
0,972
1,558
Tabla 6.24 Comparacin de las soluciones obtenidas por la resolucin del modelo y heurstica para todos los problemas
84
Captulo 7
Conclusiones y Lneas Futuras
CAPTULO 7:
CONCLUSIONES Y LNEAS FUTURAS
7.1. CONCLUSIONES.
En el presente trabajo se ha abordado el estudio del efecto de la incorporacin de
aspectos medioambientales en la optimizacin de rutas de vehculos, donde se incluyen
las restricciones de capacidad, programacin temporal de entregas y recogidas (ventanas
de tiempo) y flota heterognea entre los aspectos ms importantes.
Se ha analizado la problemtica ambiental asociada a las externalidades derivadas del

transporte como son las emisiones de gases de efecto invernadero, las emisiones de
contaminantes, los ruidos y los accidentes. Dicho anlisis se ha realizado en el captulo 1.
En l, se concluye que la incorporacin de los aspectos medioambientales en la
optimizacin de las rutas de vehculos es de vital importancia para la reduccin de las
externalidades.
Se han incorporado los aspectos medioambientales para la resolucin del problema VRP
tradicional, en el que se han considerado criterios ms realistas, tales como un nmero
limitado de vehculos heterogneos, limitaciones de ventanas de tiempo y backhauls
(HVRPTWB). La incorporacin de estos aspectos medioambientales se han llevado a
cabo de dos maneras muy diferenciadas: mediante la estimacin de los costes externos
asociados al transporte (Captulo 3), y mediante la formulacin de un problema
multiobjetivo (Captulo 4). Para ambos casos, se han formulado modelos de
programacin lineal entera mixta para su resolucin. Con estos modelos, las compaas
de transporte pueden no solo conocer la ruta sino que les permite seleccionar los
vehculos ms apropiados para satisfacer la demanda reduciendo los costes y
externalidades, alcanzando un balance de sostenibilidad entre los objetivos econmicos,
sociales y medioambientales.
En el captulo 2, se ha llevado a cabo una revisin de la literatura existente sobre el

problema VRP con flota heterognea, VRP con criterios de sostenibilidad y VRP y
85
Captulo 7
multiobjetivo. La investigacin en problemas de enrutamiento de vehculos requiere an

un estudio ms extenso en el mbito de las cuestiones medioambientales y de flota
heterognea con restricciones de ventanas de tiempo. Existen pocas publicaciones que
aborden los objetivos de eco-eficiencia en problemas de enrutamiento de vehculos. La
necesidad de las empresas de incorporar estos factores externos como parte de su
proceso de planificacin est obligando a los estudios tradicionales del VRP de modelar
el consumo de combustible, las emisiones de contaminantes y otros impactos externos
dentro de la funcin objetivo.
La dificultad de este tipo de problemas provoca que la bsqueda de soluciones se lleve a

cabo a travs de algoritmos heursticos o metaheursticos. En el captulo 5 de este PFM,
se ha desarrollado exitosamente, una nueva heurstica basada en el algoritmo de ahorro
de Clarke and Wright, para resolver el problema HVRP y se ha adaptado para su
utilizacin en el problema multiobjetivo.
Por ltimo, en el captulo 6, se ha presentado un caso de aplicacin real para la

resolucin del problema HVRP y se ha resuelto utilizando un software de optimizacin y
con la heurstica propuesta. Se ha examinado y discutido el efecto de la incorporacin de
los costes medioambientales en la configuracin de las rutas. Los resultados obtenidos
de la aplicacin de la heurstica muestran que las soluciones son de buena calidad y se
pueden utilizar para resolver el nuevo modelo de eco-eficiencia sin ventanas de tiempo.
Igualmente, se ha comprobado el rendimiento de la heurstica en los problemas de

Taillard, de grandes dimensiones, donde el nmero de nodos es mayor o igual a 50. Los
resultados obtenidos difieren de media un 11% de los mejores valores presentados en la
literatura.
7.2. LNEAS FUTURAS.

Las lneas futuras de investigacin pueden conducir al desarrollo de una nueva
metaheurstica con la incorporacin de las restricciones de las ventanas de tiempo y
obtenga mejores resultados computacionales.
Por otra parte, este estudio tiene que estar unido a la utilizacin de una herramienta web
para la gestin de flotas de transporte. Dicha herramienta debe ayudar a los gestores de
flotas a ser ms eficientes desde los puntos de vista energtico y medioambiental. Con
86
Captulo 7
esta herramienta, se puede obtener valores ms precisos de los parmetros asociados a

las rutas y a los vehculos (consumo de combustible, distancias recorridas, etc).
Otro aspecto a tener en cuenta es que el volumen de emisiones de CO2 y de

contaminantes aumenta con los niveles bajos de velocidad. Por lo tanto, la incorporacin
del factor de congestin en el trfico se asume un factor importante en futuras
investigaciones.
Por otro lado, se pueden incorporar las variables de velocidad en el modelo, para una
mejor estimacin de las duraciones de los viajes entre nodos y para una mejor estimacin
del factor de emisiones. Este hecho aumentara considerablemente la complejidad del
problema y los tiempos de computacin.
A veces se imponen restricciones en los modelos que hacen desechar soluciones que
podramos considerar como vlidas. Por ejemplo, por qu no considerar como vlida
una ruta cuya duracin sea de 8,1 horas o cuya capacidad total exceda un pequeo
porcentaje de la mxima? En este contexto aparecen las metodologas existentes para
problemas multiobjetivo basadas en programacin matemtica fuzzy. Un trabajo futuro
puede ser la consideracin de esta herramienta para modelar el diseo de rutas de
vehculos.
Es posible que el planificador de rutas, por directrices de la empresa, requiera que las
rutas realizadas por los conductores no estn descompensadas en tiempo. El equilibrio
en la duracin o distancias de las rutas, puede ser otro objetivo a tener en cuenta en el
problema multiobjetivo.
7.3. PONENCIAS Y PUBLICACIONES.

El desarrollo, implementacin y los resultados de este trabajo forman parte del proyecto
de investigacin de excelencia P10-TEP-6332, titulado SIGESFLOT: Sistema Integrado
para la Gestin Sostenible de Flotas de Transporte, financiado por la Consejera de
Economa, Innovacin y Ciencia de la Junta de Andaluca. Los resultados alcanzados por
el proyecto de investigacin hasta el momento se reflejan en las siguientes publicaciones
y ponencias en congresos:
87
Captulo 7
Egua, I., Racero, J., Molina, J.C. and Guerrero, F. (2013). Environmental issues in
vehicle routing problems. In: EcoProduction. Sustainability Appraisal: Quantitative
Methods and Mathematical Techniques for Environmental Performance Evaluation
(ISBN: 978-3-642-32080-4). Springer-Verlag, Berlin, pp. 215-241.
Molina, J.C., Racero, J., Egua, I., and Guerrero, F. (2013). Algoritmo de
Bsqueda Tab para el HVRP con ventanas de tiempo y criterios de
sostenibilidad.
CAEPIA
2013
Actas
del
IX
Congreso
Espaol
de
Metaheursticas, Algoritmos Evolutivos y Bioinspirados (MAEB) (ISBN: 978-84695-8348-7), Madrid (Espaa), pp. 398-407.
Molina, J.C., Egua, I., Lozano, S. and Racero, J. (2013). Multi-objective vehicle
routing problem with cost and emission functions. 26th European Conference on
Operational Research (EURO 2013), Rome (Italy).
Molina, J.C., Racero, J., Egua, I., and Guerrero, F. (2012). El problema de diseo
de rutas con costes energticos y medioambientales. X Congreso de Ingeniera
del Transporte. Transporte Innovador y Sostenible de Cara al Siglo XXI (ISBN:
978-84-338-5402-5), Granada (Espaa).
Egua, I., Racero, J., Molina, J.C. and Guerrero, F. (2012). Routing heterogeneous
fleet with time windows and environmental objectives. Proceedings of the 4th
World Conference on Production and Operation Management- P&OM (ISBN:
9789491621000), Amsterdam (The Netherlands).
Egua, I., Racero, J., and Guerrero, F. (2012). Evaluating vehicle routing problems
with sustainability costs. ICORES 2012 - Proceedings of the 1st International
Conference on Operations Research and Enterprise Systems (ISBN: 978989842597-3). SciTePress, Vilamoura (Portugal), pp. 175-180.
Egua, I., Racero, J., and Guerrero, F. (2011). Eco-Efficiency Models for Vehicle
Routing Problem with Heterogeneous Freight Fleet. ICOVACS 2011-International
Conference on Value Chain Sustainability Value Chain Services: Achieving
Higher Performance in Health Care (ISBN: 978-94-6018-478-9), Leuven
(Belgium), pp. 81-90.
88
REFERENCIAS BIBLIOGRFICAS
1. Akelik, R. (1982), Progress in fuel consumption modelling for urban traffic

management, Australian Road Research Board Report 124.
2. Akelik, R., Biggs, D.C. (1985). A discussion on the paper on fuel consumption
modeling by post et al. Transportation Research Part B: Methodological 19, 529533
3. Altinkemer K. and Gavish. B. (1987) A parallel savings heuristic for the delivery
problem with a log q error guarantees. Operations Research Letters, 6:149-158.
4. Anaya, J.J. (2009). El transporte de mercancas. (Enfoque logstico de la distribucin).
(Primera edicin). Pozuelo de Alarcn (Madrid, Espaa): ESIC Editorial. pp. 178. ISBN
978-84-76356-612-4.
5. Azi N., Gendreau M. & Potvin J.Y. (2007). An exact algorithm for a single-vehicle
routing problem with time windows and multiple routes. European Journal of
Operational Research 178: 755766
6. Baldacci R, Mingozzi A (2009) A unified exact method for solving different classes of
vehicle routing problems Math. Program 120:347380
7. Baldacci R, Battarra M, Vigo D (2008) Routing a heterogeneous fleet of vehicles. In:
The vehicle routing problem: latest advances and new challenges. Springer, Berlin, pp
1135
8. Balinski M, Quandt R (1964). On an integer program for a delivery problem.
Operations & Research 12, 300304.
9. Bartholdi J.J. and Platzman L.K. (1982) An O(n log n) travelling salesman heuristic
based on spacefilling curves. Operation Research Letters, 1(4):121-125.
10. Beasley J.E. (1983). Route-first cluster-second methods for vehicle routing. Omega,
11: 403-408.
11. Beham, A. (2007) Parallel tabu search and the multiobjective vehicle routing problem
with time windows. In 21th International Parallel and Distributed Processing
Symposium, pages 18. IEEE Computer Society, 2007.
12. Bektas, T. and Laporte, G. (2011). The Pollution-Routing Problem. Transportation
Research Part B, doi:10.1016/j.trb.2011.02.004.
13. Bickel P, Friedrich R, Link H, Stewart L, Nash C (2006) Introducing environmental
externalities into transport pricing: measurement and implications. Transp Rev
26(4):389415
14. Bowyer, D. P., Biggs, D. C. and Akelik, R. (1985), Guide to fuel consumption
analysis for urban traffic management, Australian Road Research Board Transport
Research 32.
89
15. Brando, J. (2009): A deterministic tabu search algorithm for the fleet size and mix
vehicle routing problem. Eur.J. Oper. Res. 195, 716728
16. Brando, J. (2011): A tabu search algorithm for the heterogeneous fixed fleet vehicle
routing problem. Computers & Operations Research 38, 140-151.
17. Brysy O, Dullaert W, Hasle G, Mester D, Gendreau M (2008) An effective multirestart
deterministic annealing methauristic for the fleet size and mix vehicle routing problem
with time windows. Transp Sci 42(3):371386
18. CE Delft; Infras; Fraunhofer ISI (2011). External Costs of Transport in Europe- Update
Study for 2008. Delft: CE Delft.
19. Choi E, Tcha D (2007) A column generation approach to the heterogeneous fleet
vehicle routing problem. Computers & Operations Research 34(7):20802095
20. Christie, J. S. and Satir, S. (2006), Saving our energy sources and meeting Kyoto
emission reduction targets while minimizing costs with application of vehicle logistics
optimization, in 2006 Annual Conference and Exhibition of the Transportation
Association of Canada: Transportation without boundaries, Charlottetown, Prince
Edward Island.
21. Clarke G. and Wright J. (1964) Scheduling of vehicles from a central depot to a
number of delivery points. Operations Research, 12(4):568-581, 1964.
22. Cordeau J-F, Laporte G, Savelsbergh MWP, Vigo D (2007) Vehicle routing. In:
Barnhart C, Laporte G (eds) Transportation, handbooks in operations research and
management science, vol 14. Elsevier, Amsterdam, pp 367428
23. Dantzig G.B., Ramser J.H. (1959) The truck dispatching problem. Manage Sci
6(1):8091.
24. DellAmico M, Monaci M, Pagani C, Vigo D (2006) Heuristic approaches for the fleet
size and mix vehicle routing problem with time windows. Technical report, DISMI,
University of Modena and Reggio Emilia, Italy
25. Desrochers M. and Verhoog. T.W. (1991) A new heuristic for the fleet size and mix
vehicle- routing problem. Computers & Operations Research, 18(3):263-274.
26. Dullaert W, Janssens GK, Srensen K, Vernimmen B (2002) New heuristics for the
fleet size and mix vehicle routing problem with time windows. J Oper Res Soc
53(11):12321238
27. Dyckhoff H, Lackes R, Reese J (2004) Supply chain management and reverse
logistics. Springer, Berlin
28. Eguia, I., Racero, J., Guerrero F. (2012): Evaluating Vehicle Routing Problems with
Sustainability Costs. ICORES (2012).
29. EMEP/EEA (2010) Emission inventory guidebook 2009, updated June 2010. European
Environment Agency (EEA)
30. Erdogan S, Miller-Hooks E (2012) A green vehicle routing problem. Transp Res Part E
48:100114
90
31. Felea, M., & Albastroiu, I. (2013) Defining the Concept of Supply Chain Management
and its Relevance to Romanian Academics and Practitioners. The Amfiteatru
Economic Journal, 15(33), 74-88.
32. Figliozzi M (2010) Vehicle routing problem for emissions minimization. Transp Res
Rec: J Transp Res Board 2197:1-7. Transportation Research Board of the National
Academies, Washington, D.C. doi: 10.3141/2197-01
33. Fisher M. and Jaikumar R. (1981) A generalized assignment heuristic for vehicle
routing. Networks, 11:109-124.
34. Gambardella, L.M., Taillard, E. and Agazzi, G. (1999) MACS-VRPTW: A multiple ant
colony system for vehicle routing problems with time windows, in edited by David
Corne, Marco Dorigo, and Fred Glover, New Ideas in Optimization, McGraw-Hill:
London, 1999, pp. 6376.
35. Gendreau M., Laporte G., Musaraganyi C. and Taillard E.D. (1999) A tabu search
heuristic for the heterogeneous fleet vehicle routing problem. Computers & Operations
Research, 26(12):1153-1173, 1999
36. Gheysens F.G., Golden B.L. and Assad A.A. (1983). A relaxation heuristic for the fleet
size and mix vehicle routing problem. In Proceedings of SE AIDS Meeting,
Williamsburg, Virginia.
37. Gheysens F.G., Golden B.L. and Assad A.A. (1984) A comparison of techniques for
solving the fleet size and mix vehicle routing problem. OR Spectrum, 6(4):207-216.
38. Gheysens F.G., Golden B.L. and Assad A.A. (1986) A new heuristic for determining
fleet size and composition. Mathematical programming studies, 26:233-236.
39. Golden B., Assad A., Levy L. and Gheysens F.G. (1984), The Fleet Size and Mix
Vehicle Routing Problem, Computers and Operation Research, Vol 11, pp. 49-66.
40. Ghoseiri, K. and Ghannadpour, S. F. (2010). Multi-objective vehicle routing problem
with time windows using goal programming and genetic algorithm. Appl. Soft.
Comput., 10(4):10961107.
41. Hoff A, Andersson H, Christiansen M, Hasle G, Lkketangen A (2010) Industrial
aspects and literature survey: fleet composition and routing. Comput Oper Res
37(12):20412061
42. Imran, A., Salhi, S., Wassan, N.A. (2009): A variable neighborhood-based heuristic for
the heterogeneous fleet vehicle routing problem. Eur. J. Oper. Res. 197, 509518
43. INFRAS/IWW. (2004). External costs of transport: update study, INFRAS, Zurich.
44. INFRAS, CE Delft, ISI and University of Gdansk. (2008). Handbook on estimation of
external cost in the transport sector. Produced within the study: Internalisation
Measures and Policies for All external Cost of Transport (IMPACT), Delft, CE.
45. IPC. 2013. Calculo del porcentaje de cambio del ndice de Precio del Consumo (IPC
sistema base 2006). http://www.ine.es/varipc/index.do?L=1& (ltimo acceso 03.10.13).
91
46. Jabali O, Van Woensel T, de Kok AG (2009) Analysis of travel times and CO2
emissions in timedependent vehicle routing. Technical report Eindhoven University of
Technology
47. Jozefowiez, N., Semet, F., Talbi, (2008) E-G. Multi-objective vehicle routing problems.
European Journal of Operational Research, 189, 293-309
48. Jozefowiez, N., Semet, F. and Talbi, E.-G. (2009) An evolutionary algorithm for the
vehicle routing problem with route balancing. European Journal of Operational
Research, 195(3): 761769.
49. Kara, I., Kara, B.Y., Yetis, M.K., (2007). Energy minimizing vehicle routing problem. In:
Dress, A., Xu, Y., Zhu, B. (Eds.), Combinatorial Optimization and Applications, Lecture
Notes in Computer Science, vol. 4616. Springer, Berlin/Heidelberg, pp. 6271.
50. Kuhn, H.W. (1955) The Hungarian Method for the Assignment Problem, Naval
Research Logistics Quarterly 2 (1955) 8397.
51. Lee, Y., Kim, J., Kang, K., Kim, K. (2008): A heuristic for vehicle fleet mix problem
using tabu search and set partitioning. J. Oper. Res. Soc.. 59, 833841
52. Li F., Golden B.L. and Wasil E.A. (2007). A record-to-record travel algorithm for
solving the heterogeneous fleet vehicle routing problem. Computers & Operations
Research, 34(9) : 2734-2742.
53. Lima, C.M.R.R., Goldbarg, M.C., Goldbarg, E.F.G. (2004): A memetic algorithm for the
heterogeneous fleet vehicle routing problem. Electron. Notes Discrete Math. 18, 171
176
54. Liu F.H. and Shen S.Y. (1999). The fleet size and mix vehicle routing problem with
time windows. Journal of the Operational Research Society, 50(7):721-732, 1999
55. Liu, S., Huang, W., Ma, H. (2009): An effective genetic algorithm for the fleet size and
mix vehicle routing problems. Transp. Res., Part B, Methodol. 45, 434445
56. Maden W, Eglese RW, Black D (2010) Vehicle routing and scheduling with time
varying data: a case study. J Oper Res Soc 61(3):515522
57. Marler R.T. and Arora J.S. (2004). Struct Multidisc Optim 26, 369395 (2004) doi
10.1007/s00158-003-0368-6
58. Miller CE, Tucker AW, Zemlin RA (1960) Integer programming formulation of traveling
salesman problems. J ACM 7(4):326329
59. Murata, T., Itai, R. (2005). Multi-objective vehicle routing problems using two-fold EMO
algorithm to enhance solution similarity on non-dominated set, in: C.A. Coello Coello,
A.H. Aguirre, E. Zitzler (Eds.), Evolutionary Multi-Criterion Optimization. Third
International Conference, EMO 2005, Lecture Notes in Computer Science, vol. 3410,
Springer.
60. Ochi L.S., Vianna D.S., Drummond L.M.A., and Victor A.O. (1998a). An evolutionary
hybrid metaheuristic for solving the vehicle routing problem with heterogeneous fleet.
Lecture notes in computer science, 1391:187-195.
92
61. Ochi L.S., Vianna D.S., Drummond L.M.A., and Victor A.O. (1998b) A parallel
evolutionary algorithm for the vehicle routing problem with heterogeneous fleet.
Parallel And Distributed Processing, 1388:216-224, 1998b.
62. Ombuki, B., Ross, B. J. and Hanshar, F. (2006) Multi-objective genetic algorithms for
vehicle routing problem with time windows. Appd. Intel., 24(1):1730.
63. Osman I.H. and Salhi S. (1996) Local search strategies for the vehicle fleet mix
problem. In V.J. Rayward-Smith, I.H. Osman, C.R. Reeves, and G.D. Smith, editors,
Modern Heuristic Search Methods, pages 131-153. Wiley: Chichester.
64. Penna P, Subramanian A., Ochi L., (2011), An Iterated Local Search heuristic for the
Heterogeneous Fleet Vehicle Routing Problem, Journal of Heuristics,
doi:10.1007/s10732-011-9186-y
65. Pacheco J. and Mart R. (2006). Tabu search for a multi-objective routing problem. J.
Oper. Res. Soc., 57(1):2937.
66. Palmer A (2007) The Development of an integrated routing and carbon dioxide
emissions model for goods vehicles. Ph.D. thesis, Cranfield University, School of
Management
67. Pareto, V. (1906): Manuale di Economica Politica, Societa Editrice Libraria. Milan;
translated into English by A.S. Schwier as Manual of Political Economy, edited by A.S.
Schwier and A.N. Page, 1971. New York: A.M. Kelley
68. Penna P, Subramanian A, Ochi L (2011) An iterated local search heuristic for the
heterogeneous fleet vehicle routing problem. J Heuristics. doi:10.1007/s10732-0119186-y
69. Pessoa A, Uchoa E, de Arago MP (2009) A robust branch-cut-and-price algorithm for
the heterogeneous fleet vehicle routing problem. Network 54(4):167177
70. Prins, C. (2002): Efficient heuristics for the heterogeneous fleet multitrip vrp with
application to a large-scale real case. J. Math. Model. Algorithms 1, 135150
71. Prins, C. (2009): A GRASP evolutionary local search hybrid for the Vehicle Routing
Problem. In: Bio-inspired Algorithms for the Vehicle Routing Problem, Studies in
Computational Intelligence, vol. 161, pp. 3553. Springer, Berlin
72. Renaud J. and Boctor F.F. (2002) A sweep-based algorithm for the fleet size and mix
vehicle routing problem. European Journal of Operational Research, 140(3):618-628.
73. Salhi, S. and Rand, G.K. (1993). Incorporating vehicle routing into the vehicle fleet
composition problem. European Journal of Operational Research, 66:313-330.
74. Sbihi A, Eglese RW (2007) The relationship between vehicle routing and scheduling
and green logisticsa literature survey. Management school working paper,
2007/027, Lancaster University, Lancaster
75. Siu W.S:H., Chan, C-K and Chan H.C.B. (2012) Green cargo routing using genetic
algorithms. In Proceedings of the International MultiConference of Engineers and
Computer Scientists, volume 1, Hong Kong, March 2012.
93
76. Sniezek J, Bodin L (2002) Cost models for vehicle routing problems. In: Proceedings
of the 35th Hawaii international conference on system sciences. pp 14031414
77. Solomon MM (1987) Algorithms for the vehicle routing and scheduling problems with
time window constraints. Oper Res 35(2):254265
78. Steuer, R.E.; Choo, E.-U. (1983): An interactive weighted Tchebycheff procedure for
multiple objective programming. Math. Program. 26, 326344
79. Suzuki, Y. (2011), A new truck-routing approach for reducing fuel consumption and
pollutants emission, Transportation Research Part D: Transport and Environment
16(1), 7377.
80. Teodorovic D., Krcmarnozic E., and Pavkovic G.. (1995) The mixed fleet stochastic
vehicle- routing problem. Transportation Planning and Technology, 19(1):31-43.
81. Taillard E.D. (1999) A heuristic column generation method for the heterogeneous fleet
vrp. RAIRO Recherche Oprationnelle, 33(1):1-14, 1999.
82. Tan, K. C., Chew, Y. H and Lee, L. H. (2006a). A hybrid multiobjective evolutionary
algorithm for solving vehicle routing problem with time windows. Comput. Optim. and
Appl., 34(1):115151, 2006.
83. Tan, K. C., Chew, Y. H and Lee, L. H. (2006b). A hybrid multiobjective evolutionary
algorithm for solving truck and trailer vehicle routing problems. Eur. J. Oper. Res.,
172(3):855885, 2006.
84. Tarantilis C.D., Kiranoudis C.T. and Vassiliadis V.S. (2003) A list based threshold
accepting metaheuristic for the heterogeneous fixed fleet vehicle routing problem.
Journal of the Operational Research Society, 54(1):65-71.
85. Tarantilis C.D., Kiranoudis C.T. and Vassiliadis V.S. (2004). A threshold accepting
metaheuristic for the heterogeneous fixed fleet vehicle routing problem. European
Journal of Operational Research, 152(1):148-158.
86. TERM (2011) Transport indicators tracking progress towards environmental targets in
Europe. European Environment Agency (EEA). doi: 10.2800/82592
87. Toth, P., Vigo, D. (2000) An Overview of Vehicle Routing Problems. Monographs on
Discrete Mathematics and Applications. In: The Vehicle Routing Problem. SIAM 126
88. Toth P. & Vigo D. (2002). The vehicle routing problem. SIAM Monographs on Discrete
Mathematics and Applications, SIAM, 195-224.
89. Ubeda, S., F. J. Arcelus, and J. Faulin. (2011) "Green logistics at Eroski: A case
study." Int. J. Production Economics 131, 2011: 44 51.
90. Urquhart, N., Scott, C. and Hart, E. (2010), Using an Evolutionary Algorithm to
Discover Low CO2 Tours within a Travelling Salesman Problem, Applications of
Evolutionary Computation pp. 421430.
91. Wassan N.A. and Osman I.H. (2002) Tabu search variants for the mix fleet vehicle
routing problem. Journal of the Operational Research Society, 53(7):768-782.
94
92. Xiao Y, Zhao Q, Kaku I, Xu Y (2012) Development of a fuel consumption optimization

modelfor the capacitated vehicle routing problem. Comput and Oper Res 39(7):1419
1431
93. Yaman H.D. (2006). Formulations and valid inequalities for the heterogeneous vehicle
routing problem. Mathematical Programming, 106(2):365-390.
94. Yepes V. y Medina, J.R. (2002). Optimizacin de rutas con flotas heterogneas y
mltiples usos de vehculos VRPHEMSTW, en Goicolea, J.M. et al. (Eds.). Actas del V
Congreso de Mtodos Numricos en Ingeniera. Madrid, 3-6 de junio. 20 pp. Depsito
Legal: B-27.295-02. ISBN: 84-95999-03-X.
95. Yong, P. and Xiaofeng, W. (2009), Research on a vehicle routing schedule to reduce
fuel consumption, in Measuring Technology and Mechatronics Automation, Vol. 3, pp.
825 827.
95
ANEXOS
ANEXO 1. DISTANCIAS Y TIEMPOS DEL PROBLEMA REAL.

En este apartado se muestran los datos referentes a las distancias y tiempos obtenidos
por la aplicacin Google Maps, (https://maps.google.es/maps) entre los diferentes nodos
del problema expuesto en el captulo 6. La tabla A1 muestra la denominacin de cada
nodo, mientras que en la tabla A2 se reflejan los datos obtenidos.
Nodo
Denominacin
Depot
Aljaraque
Almonte
Aracena
Ayamonte
Cartaya
Gibralen
Huelva 1
Huelva 2
Huelva 3
Huelva 4
La Palma del Condado
Lepe 1
Lepe 2
Moguer
Punta Umbra
Valverde del Camino
Tabla A.1 Denominacin de los puntos de distribucin y entrega
96
i-j
Kms
Tiempo(h)
i-j
Kms
Tiempo(h)
i-j
Kms
Tiempo(h)
D-a
85,4
0,87
b-q
47,7
0,88
e-p
59,4
0,83
D-b
40,1
0,53
c-D
111
1,47
e-q
34,8
0,65
D-c
111
1,47
c-a
125
1,88
f-D
84,2
0,85
D-d
113
1,07
c-b
107
1,85
f-a
14
0,30
D-e
27,4
0,30
c-d
150
2,07
f-b
68,9
0,82
D-f
84,2
0,85
c-e
134
1,67
f-c
122
1,87
D-g
69,8
0,72
c-f
122
1,87
f-d
34,9
0,48
D-h
69,1
0,78
c-g
96
1,65
f-e
59,6
0,67
D-i
66
0,72
c-h
105
1,77
f-g
27,7
0,33
D-j
64,6
0,67
c-i
102
1,73
f-h
21,5
0,38
D-k
66,5
0,75
c-j
101
1,68
f-i
23,5
0,48
D-l
30,5
0,40
c-k
103
1,73
f-j
27,9
0,43
D-m
98,4
0,95
c-l
87,2
1,53
f-k
31,3
0,52
D-n
107
1,12
c-m
135
1,95
f-l
61,7
0,70
D-o
60,3
0,65
c-n
144
2,13
f-m
8,4
0,20
D-p
85,3
1,03
c-o
97,2
1,65
f-n
16,7
0,45
D-q
60,8
0,93
c-p
122
2,03
f-o
36,6
0,50
a-D
85,4
0,87
c-q
57,3
1,00
f-p
27,9
0,50
a-b
69,8
0,82
d-D
113
1,07
f-q
66,3
0,93
a-c
125
1,88
d-a
43,7
0,53
g-D
69,8
0,72
a-d
43,7
0,53
d-b
96,9
1,02
g-a
22
0,37
a-e
59,9
0,65
d-c
150
2,07
g-b
53,3
0,67
a-f
14
0,30
d-e
87,5
0,85
g-c
96
1,65
a-g
22
0,37
d-f
34,9
0,48
g-d
49,5
0,57
a-h
8,4
0,20
d-g
49,5
0,57
g-e
44
0,50
a-i
10,4
0,28
d-h
50,9
0,63
g-f
27,7
0,33
a-j
12,5
0,32
d-i
57,8
0,72
g-h
14,2
0,33
a-k
12
0,35
d-j
56,7
0,65
g-i
14,4
0,35
a-l
62,9
0,72
d-k
60,2
0,73
g-j
13,3
0,28
a-m
21,9
0,40
d-l
90,5
0,92
g-k
16,7
0,37
a-n
37,8
0,60
d-m
27
0,37
g-l
47,3
0,57
a-o
37,8
0,52
d-n
28,3
0,47
g-m
34,6
0,43
a-p
14,9
0,32
d-o
65,4
0,72
g-n
43
0,62
a-q
67,6
0,95
d-p
57,4
0,75
g-o
22,2
0,37
b-D
40,1
0,53
d-q
95,2
1,15
g-p
30,6
0,58
b-a
69,8
0,82
e-D
27,4
0,30
g-q
41,1
0,72
b-c
107
1,85
e-a
59,9
0,65
h-D
69,1
0,78
b-d
96,9
1,02
e-b
14,5
0,30
h-a
8,4
0,20
b-e
14,5
0,30
e-c
134
1,67
h-b
52,3
0,73
b-f
68,9
0,82
e-d
87,5
0,85
h-c
105
1,77
b-g
53,3
0,67
e-f
59,6
0,67
h-d
50,9
0,63
b-h
52,3
0,73
e-g
44
0,50
h-e
43
0,57
b-i
49,6
0,68
e-h
43
0,57
h-f
21,5
0,38
0,33
b-j
48,3
0,65
e-i
40,2
0,53
h-g
14,2
b-k
50,5
0,70
e-j
39
0,48
h-i
2,7
0,13
b-l
17,5
0,37
e-k
41,2
0,53
h-j
5,4
0,17
b-m
82,5
0,90
e-l
4,6
0,15
h-k
4,2
0,17
b-n
91
1,08
e-m
73,2
0,75
h-l
46,6
0,63
b-o
44,5
0,63
e-n
81,7
0,93
h-m
29,6
0,53
b-p
68,7
0,98
e-o
35,2
0,48
h-n
45,5
0,73
97
i-j
Kms
Tiempo(h)
i-j
Kms
Tiempo(h)
i-j
Kms
Tiempo(h)
h-o
21,5
0,43
k-n
58,6
0,85
n-l
84,1
0,97
h-p
17,9
0,32
k-o
18,9
0,42
n-m
8,3
0,25
h-q
51,3
0,87
k-p
20,5
0,45
n-o
59,1
0,77
i-D
66
0,72
k-q
48,7
0,83
n-p
51,1
0,80
i-a
10,4
0,28
l-D
30,5
0,40
n-q
88,9
1,20
i-b
49,6
0,68
l-a
62,9
0,72
o-D
60,3
0,65
i-c
102
1,73
l-b
17,5
0,37
o-a
37,8
0,52
i-d
57,8
0,72
l-c
87,2
1,53
o-b
44,5
0,63
i-e
40,2
0,53
l-d
90,5
0,92
o-c
97,2
1,65
i-f
23,5
0,48
l-e
4,6
0,15
o-d
65,4
0,72
i-g
14,4
0,35
l-f
61,7
0,70
o-e
35,2
0,48
i-h
2,7
0,13
l-g
47,3
0,57
o-f
36,6
0,50
i-j
31,1
0,13
l-h
46,6
0,63
o-g
22,2
0,37
i-k
1,9
0,12
l-i
43,5
0,57
o-h
21,5
0,43
0,38
i-l
43,5
0,57
l-j
42,1
0,52
o-i
18,4
i-m
30,6
0,58
l-k
44
0,60
o-j
17
0,32
i-n
46,5
0,78
l-m
75,6
0,78
o-k
18,9
0,42
i-o
18,4
0,38
l-n
84,1
0,97
o-l
37,6
0,52
i-p
18,9
0,37
l-o
37,6
0,52
o-m
50,8
0,60
0,77
i-q
48,1
0,80
l-p
61,9
0,87
o-n
59,1
j-D
64,6
0,67
l-q
30,3
0,52
o-p
37,8
0,70
j-a
12,5
0,32
m-D
98,4
0,95
o-q
42,4
0,72
j-b
48,3
0,65
m-a
21,9
0,40
p-D
85,3
1,03
j-c
101
1,68
m-b
82,5
0,90
p-a
14,9
0,32
j-d
56,7
0,65
m-c
135
1,95
p-b
68,7
0,98
j-e
39
0,48
m-d
27
0,37
p-c
122
2,03
j-f
27,9
0,43
m-e
73,2
0,75
p-d
57,4
0,75
j-g
13,3
0,28
m-f
8,4
0,20
p-e
59,4
0,83
j-h
5,4
0,17
m-g
34,6
0,43
p-f
27,9
0,50
j-i
31,1
0,13
m-h
29,6
0,53
p-g
30,6
0,58
j-k
4,4
0,13
m-i
30,6
0,58
p-h
17,9
0,32
j-l
42,1
0,52
m-j
43
0,57
p-i
18,9
0,37
j-m
43
0,57
m-k
50,1
0,65
p-j
20,9
0,43
j-n
51,5
0,75
m-l
75,6
0,78
p-k
20,5
0,45
j-o
17
0,32
m-n
8,3
0,25
p-l
61,9
0,87
j-p
20,9
0,43
m-o
50,8
0,60
p-m
29,1
0,60
j-q
46,8
0,75
m-p
29,1
0,60
p-n
51,1
0,80
k-D
66,5
0,75
m-q
80,6
1,03
p-o
37,8
0,70
k-a
12
0,35
n-D
107
1,12
p-q
67,4
1,12
k-b
50,5
0,70
n-a
37,8
0,60
q-D
60,8
0,93
k-c
103
1,73
n-b
91
1,08
q-a
67,6
0,95
k-d
60,2
0,73
n-c
144
2,13
q-b
47,7
0,88
k-e
41,2
0,53
n-d
28,3
0,47
q-c
57,3
1,00
k-f
31,3
0,52
n-e
81,7
0,93
q-d
95,2
1,15
k-g
16,7
0,37
n-f
16,7
0,45
q-e
34,8
0,65
k-h
4,2
0,17
n-g
43
0,62
q-f
66,3
0,93
k-i
1,9
0,12
n-h
45,5
0,73
q-g
41,1
0,72
k-j
4,4
0,13
n-i
46,5
0,78
q-h
51,3
0,87
k-l
44
0,60
n-j
51,5
0,75
q-i
48,1
0,80
k-m
50,1
0,65
n-k
58,6
0,85
q-j
46,8
0,75
98
i-j
Kms
Tiempo(h)
i-j
Kms
Tiempo(h)
i-j
Kms
Tiempo(h)
q-k
48,7
0,83
q-m
80,6
1,03
q-o
42,4
0,72
q-l
30,3
0,52
q-n
88,9
1,20
q-p
67,4
1,12
Tabla A.2 Distancias y tiempos entre todos los nodos del problema
99

Problema de Optimización de Rutas de Vehículos Con Aspectos Medioambientales.

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Problema de Optimización de Rutas de Vehículos Con Aspectos Medioambientales.

Încărcat de

Drepturi de autor:

Formate disponibile

TRABAJO FIN DE MSTER

Autor: Jos Carlos Molina Gmez.

Mster en Organizacin Industrial

2.3. Revisin de la Literatura. ............................................................................................. 22

Captulo 3: Mtodo de Estimacin de los Costes asociados a las Externalidades....................... 35

3.3. Modelado del Problema. ............................................................................................. 39

Captulo 4: Mtodo del Problema Multiobjetivo ..................................................................... 47

4.3. Mtodo de los Pesos Aumentados de Tchebycheff. ...................................................... 51

Captulo 5: Formulacin de Heursticas ................................................................................... 54

5.3. Heurstica para el Problema Multiobjetivo. .................................................................. 58

6.2. Descripcin del Problema. ........................................................................................... 60

6.3. Mtodo de la Estimacin de los Costes Asociados a las Externalidades. ........................ 63

6.4. Mtodo de la Optimizacin Multiobjetivo.................................................................... 74

Captulo 7: Conclusiones y Lneas Futuras ............................................................................... 85

Tabla 2.1- Variantes del HFVRP presentados en la literatura ...................................................24

Introduccin y Objeto del Proyecto

La gestin de la cadena de suministro consiste en la bsqueda de las mejores prcticas,

La gestin de la cadena de suministro se puede dividir en tres actividades principales:

Dentro de las actividades logsticas, el transporte se presenta como una de las

Introduccin y Objeto del Proyecto

Como se observa en la Figura 1.3, en el periodo 1990-2008 la actividad del transporte de

La creciente preocupacin ambiental relacionada con la actividad econmica ha sido

Por otra parte, las externalidades ambientales asociados al transporte en la Unin

Introduccin y Objeto del Proyecto

Introduccin y Objeto del Proyecto

Introduccin y Objeto del Proyecto

Otra consecuencia derivada de estas normativas ambientales ha sido el aumento de los

El problema de la distribucin de productos desde ciertos almacenes a los usuarios

Introduccin y Objeto del Proyecto

En este proyecto se pretende incorporar los aspectos medioambientales en el problema

1.2. OBJETO DEL PROYECTO.

La incorporacin de los aspectos medioambientales al problema VRP se ha llevado a

La estimacin de los costes asociados a las externalidades (emisiones de gases

Mediante la formulacin de un problema Multiobjetivo.

A continuacin, se enumeran los objetivos que se pretenden alcanzar en este PFM:

1. Anlisis de la problemtica ambiental asociada a las externalidades derivadas del

Introduccin y Objeto del Proyecto

monetario, aadindose stos a la funcin objetivo del modelo de programacin

1.3. MARCO DE REALIZACIN.

Introduccin y Objeto del Proyecto

Acabar con los automviles de combustible convencional en las ciudades y

Lograr que el 40% del combustible de aviacin sea sostenible y de bajas

En cuanto al transporte interurbano, transferir el 50% de todo el transporte de

Reduccin del 40% de las emisiones del transporte martimo.

Introduccin y Objeto del Proyecto

emisiones de los principales contaminantes del aire. Los mayores descensos

La incorporacin de los aspectos medioambientales en las actividades de transporte, en

Mediante la internalizacin de los aspectos medioambientales derivados del transporte se

Este PFM se enmarca dentro del proyecto de investigacin de excelencia P10-TEP-6332

Introduccin y Objeto del Proyecto

1.4. FASES DEL PROYECTO.

Estudio del estado del arte, donde se ha procedido a la bsqueda y posterior

Modelado de los problemas de programacin lineal.

Experimentacin sobre un caso real. Se ha realizado la ejecucin de los

Desarrollo e implementacin de heursticas. Se ha desarrollado e implementado

Anlisis de resultados. Estudio de la incorporacin de aspectos medioambientales

1.5. ESTRUCTURA DE LA MEMORIA.

En el captulo 2, se abordan los antecedentes del problema de enrutamiento de

Posteriormente, en el captulo 3, se analizan los impactos ambientales de las actividades

Introduccin y Objeto del Proyecto

En el captulo 4, se introducen los elementos ms destacados de los problemas

En el captulo 5, se describen las metodologas heursticas desarrolladas para obtener

En el captulo 6 se presentan varios casos asociados a un problema de distribucin de

Finalmente, en el captulo 7, se extraen las conclusiones a partir de los fenmenos