Documente Academic
Documente Profesional
Documente Cultură
PROBLEMA DE OPTIMIZACIN DE
RUTAS DE VEHCULOS CON ASPECTOS
MEDIOAMBIENTALES.
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
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 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
Tabla 6.20 Resultados obtenidos de la resolucin del modelo para los diferentes tipos de
problemas y pesos asignados para el problema de 10 nodos ...................................................78
Tabla 6.21 Resultados obtenidos de la resolucin del modelo para los diferentes tipos de
problemas y pesos asignados para el problema de 13 nodos ...................................................79
Tabla 6.22 Resultados obtenidos de la resolucin del modelo para los diferentes tipos de
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
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.
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)
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.
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.
Captulo 1
12
Captulo 1
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:
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
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)
15
Captulo 1
16
Captulo 1
17
Captulo 2
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.
Captulo 2
Captulo 2
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.
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 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.
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.
VRP y multiobjetivo.
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 (
Golden et al. (1984) propuso una formulacin similar para el FSMF pero aplicando las
23
Captulo 2
PROBLEMA
FLOTA
COSTE FIJO
COSTE VARIABLE
Referencias
Limitada
HVRPFD
Considerado
Dependiente
Limitada
HVRPD
No Considerado
Dependiente
Ilimitada
(2011)
Gheysens et al. (1984), Gheysens et al. (1986),
Ferland and Michelon (1988), Teodorovic et al.
FSMFD
Considerado
Dependiente
Ilimitada
FSMD
No Considerado
Dependiente
Ilimitada
FSMF
Considerado
Independiente
24
Captulo 2
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).
Captulo 2
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.
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
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.
Captulo 2
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.
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.
Captulo 2
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
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.
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.
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.
33
Captulo 2
34
Captulo 3
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).
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
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)
36
Captulo 3
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).
Captulo 3
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
39
Captulo 3
x
j =1
k
0j
1 (k = 1,..., m)
(1)
40
Captulo 3
j =0
j i
j =0
j i
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)
j = 0,..., n;
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
(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)
(17)
42
Captulo 3
DRC = p k y 0k
(18)
k =1
(19)
i = 0 j = 0 k =1 r =1
j i
Donde:
43
Captulo 3
FXC = fx k x 0ki
(20)
i =1 k =1
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
entre los nodos i y j. Por lo tanto, la expresin de los TLC viene dada por:
(22)
i = 0 j = 0 k =1
j i
Captulo 3
(23)
i = 0 j = 0 k =1 r =1
j i
Donde:
$%&
$%&,
APC = pe p kt ef
i = 0 j = 0 k =1 t =1 p =1
j i
p ,t
d ij xijk
(24)
Donde:
(,)
NSC = ne d ij f ijk
(25)
i = 0 j = 0 k =1
j i
Donde:
45
Captulo 3
"
ACC = ae d ij f ijk
(26)
i = 0 j = 0 k =1
j i
Donde:
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.
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.
47
Captulo 4
Problema Multiobjetivo
6(
))
;
(28)
Donde:
& , ,
3( ) es el vector objetivo.
y = ( 4 ,
& , , 6 ),
soluciones factibles.
con
Definicin: Un punto,
otro criterio.
48
Captulo 4
Problema Multiobjetivo
Definicin: Un punto,
que 3( ) < 3( ).
Un punto es ptimo de Pareto dbil si no existe otro punto que mejore todas las funciones
objetivo simultneamente.
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
Problema Multiobjetivo
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
Las tres funciones ms utilizadas vienen representadas en las ecuaciones 29, 30 y 31, en
las que los valores 3
respectivamente.
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)
50
Captulo 4
Problema Multiobjetivo
Mtodos interactivos
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
Problema Multiobjetivo
-D"D!DK
U = max wi Fi ( x ) Fi 0 + F j ( x ) F j 0
i
(32)
j =1
Donde:
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 = !
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:
Captulo 4
Problema Multiobjetivo
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.
anterior. Las expresiones de las diferentes funciones objetivo del problema se presentan
a continuacin:
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
(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)
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.
Captulo 5
Formulacin de Heursticas
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
Formulacin de Heursticas
IZ
= [I + [Z [IZ N ^; , ` a
(38)
Donde:
IZ
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)
56
Captulo 5
Formulacin de Heursticas
Figura 5.1- Diagrama de flujo del algoritmo heurstico para la resolucin del problema HVRP.
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.
Captulo 5
Formulacin de Heursticas
alcanzar una solucin que no pueda ser mejorada utilizando dichos intercambios.
(Figuras 5.2 y 5.3)
58
Captulo 5
Formulacin de Heursticas
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.
Captulo 6
Experimentos Computacionales
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
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
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
37.578435,-6.752129
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)
61
Captulo 6
Experimentos Computacionales
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
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)
62
Captulo 6
Experimentos Computacionales
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.
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
Experimentos Computacionales
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
1,00
Lepe 1
3,00
Moguer
2,50
1,50
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 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
Experimentos Computacionales
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
Experimentos Computacionales
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
Experimentos Computacionales
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
1,00
Lepe 1
1,00
Moguer
1,00
Punta Umbra
1,00
10
1,00
67
Captulo 6
Experimentos Computacionales
Las tablas 6.8 y 6.9 representan respectivamente las rutas y los valores solucin
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
Tabla 6.8 Rutas solucin de las tres funciones objetivo para todos los tipos de problemas de 10 nodos.
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
Tabla 6.9 Valores solucin de las tres funciones objetivo para todos los tipos de problema de 10 nodos.
68
Captulo 6
Experimentos Computacionales
Las tablas 6.11 y 6.12 representan respectivamente las rutas y los valores solucin
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
1,00
10
Lepe 1
1,00
11
Moguer
1,00
12
Punta Umbra
1,00
13
1,00
69
Captulo 6
Experimentos Computacionales
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
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
Tabla 6.11 Rutas solucin de las tres funciones objetivo para todos los tipos de problemas de 13 nodos.
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
Tabla 6.12 Valores solucin de las tres funciones objetivo para todos los tipos de problema de 13 nodos.
70
Captulo 6
Experimentos Computacionales
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
Tabla 6.13 Rutas solucin de las tres funciones objetivo para todos los tipos de problemas de 17 nodos.
71
Captulo 6
PROBLEMA
TIPO a
TIPO c
Experimentos Computacionales
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
Tabla 6.14 Valores solucin de las tres funciones objetivo para todos los tipos de problema de 17 nodos.
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%.
Captulo 6
Experimentos Computacionales
PROBLEMA
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
Experimentos Computacionales
PESO
PESO
EMIS. CO2
EMIS. NOx
(W1)
(W2)
0
T00
100
T01
100
T02
100
T03
70
20
10
T04
80
15
T05
90
74
Captulo 6
Experimentos Computacionales
PROBLEMA
COSTES INTERNOS ()
(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.
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.
75
Captulo 6
Experimentos Computacionales
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.
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
Tabla 6.20 Resultados obtenidos de la resolucin del modelo para los diferentes tipos de problemas y pesos asignados para el problema de 10 nodos.
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
Tabla 6.21 Resultados obtenidos de la resolucin del modelo para los diferentes tipos de problemas y pesos asignados para el problema de 13 nodos.
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
Tabla 6.22 Resultados obtenidos de la resolucin del modelo para los diferentes tipos de problemas y pesos asignados para el problema de 17 nodos.
80
Captulo 6
Experimentos Computacionales
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
mnopqr (J)smnt
mnt
vwxpy
mn
(J)smnt
mnt
=M
vwxpy
mnopqr (J)smn
mnt
(J)
(42)
81
Captulo 6
N NODOS
Experimentos Computacionales
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
Experimentos Computacionales
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
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
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 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.
85
Captulo 7
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
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.
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
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
95
ANEXOS
Nodo
Denominacin
Depot
Aljaraque
Almonte
Aracena
Ayamonte
Cartaya
Gibralen
Huelva 1
Huelva 2
Huelva 3
Huelva 4
Lepe 1
Lepe 2
Moguer
Punta Umbra
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