Documente Academic
Documente Profesional
Documente Cultură
RESUMEN
La planificacin del transporte pblico urbano colectivo (TPUC) basada en herramientas de apoyo
a la decisin cobra cada vez ms importancia, tanto en los pases desarrollados como en los en vas
de desarrollo. Una proporcin importante de los viajes en las ciudades medianas y grandes son
efectuados utilizando transporte pblico colectivo. Problemas como la asignacin de flota y
personal, han recibido amplio tratamiento, contndose con modelos de optimizacin para los
cuales se dispone de algoritmos eficientes de resolucin. En cambio el problema de optimizacin
de rutas y frecuencias posee varias fuentes de complejidad (no linealidad, no convexidad, mltiples
objetivos) que dificultan tanto su formulacin como la derivacin de algoritmos eficientes de
resolucin. En este trabajo se releva el estado del arte respecto a modelos y algoritmos para el
problema de optimizacin de rutas y frecuencias, seleccionados en el contexto del desarrollo de
una herramienta de apoyo a la planificacin del sistema de TPUC para la ciudad de Montevideo,
Uruguay (1.500.000 habitantes). Todos los trabajos relevados resuelven el problema utilizando
algoritmos heursticos, encontrndose varias aplicaciones de la tcnica algoritmos genticos. Las
dimensiones de los casos de prueba son generalmente pequeas, y no se hallaron abordajes para el
problema con requerimientos de demanda variable en el tiempo, aspectos de inters para el caso
de estudio que motiva este trabajo.
La planificacin del transporte pblico urbano colectivo (TPUC) basada en herramientas de apoyo
a la decisin, cobra cada vez ms importancia, tanto en los pases desarrollados como en los en
vas de desarrollo. Una proporcin importante de los viajes en las ciudades medianas y grandes
son efectuados utilizando transporte pblico colectivo. En la ciudad de Montevideo, Uruguay, de
aproximadamente 1.500.000 habitantes, alrededor del 50% del total de los viajes demandados, son
efectuados en mnibus [Interconsult, 1997].
La optimizacin de un sistema de TPUC plantea objetivos del tipo: maximizar la calidad del
servicio (minimizar tiempos de viaje y espera), maximizar el beneficio de las empresas
transportistas. La solucin global al problema depende de la solucin de cada una de las etapas del
proceso; es razonable pensar que las soluciones factibles de las tres ltimas etapas del proceso
estn condicionadas por las soluciones obtenidas en las dos primeras [Ceder y Wilson, 1986].
Los problemas de la asignacin de flota y personal han sido muy estudiados con resultados
publicados [Wren, 1999]; se modelan como problemas clsicos de optimizacin combinatoria,
programacin lineal entera, y, en muchos casos, se resuelven en forma exacta.
El problema del diseo y optimizacin de rutas y frecuencias ha sido menos estudiado y es NP-
difcil [Ceder y Israeli, 1998]. Baaj y Mahmassani (1991) enumeran las siguientes dificultades:
1) Formulacin del problema: en definir las variables de decisin (en particular la eleccin de
lnea por parte del que viaja) y la funcin objetivo.
2) No linealidad y no convexidad del problema.
3) Naturaleza combinatoria del problema, con variables discretas.
4) Mltiples objetivos: existe un trade-off principalmente entre los objetivos de los usuarios
(pasajeros) del sistema, y los operadores (empresas de transporte), lo que hace que pueda
no existir nica solucin ptima, sino varias soluciones no dominadas. Una solucin es no
dominada cuando no existe otra solucin que mejore la funcin en algn objetivo sin
empeorar el resto.
5) Disposicin espacial de las rutas: formalizacin de una buena disposicin de ellas.
Las primeras herramientas de diseo ptimo de rutas y frecuencias surgen en la dcada del 70,
basados en ideas intuitivas, sin una formulacin del modelo y su funcin objetivo, en algunos casos
sin exploracin del espacio de soluciones. En la dcada del 80 se formulan algunas funciones
objetivo, y se incorporan nuevos parmetros tales como el cubrimiento de la demanda, factor de
carga (proporcin de pasajeros parados respecto a la cantidad de asientos) y transferencias de los
buses [Axhausen y Smith,1984]. En la dcada del 90 aparecen otros enfoques, como ser la
utilizacin de metaheursticas y la exploracin del espacio de soluciones. La facilidad de integrar
mdulos existentes y de incorporar interfases grficas, estimulan el desarrollo de nuevos mtodos,
los que se diferenciarn por su:
a) adaptabilidad: respecto de los datos disponibles, principalmente aquellos relativos a la
topologa de la red de trnsito y a la demanda de viajes (matrices origen-destino);
b) interactividad: con el usuario, de modo de permitir la incorporacin de conocimiento
humano (tcnico humano) en el proceso de toma de decisiones;
c) eficiencia: calidad en los resultados y tiempos de procesamiento razonables;
d) flexibilidad: en cuanto al horizonte de planificacin, los primeros mtodos refirieron a
planificaciones de corto y mediano plazo.
Este modelo es similar al propuesto por Baaj y Mahmassani (1991), pero se formula como un
problema de optimizacin multiobjetivo.
min Z 1 = a1 PH ij + a 2 WH ij + a 3 EH r
i , jN i , j N rR
min Z 2 = FS
PH ij : cantidad de pasajeros/hora, entre los nodos i y j (mide el tiempo de viaje en vehculo de los
pasajeros);
WH ij : tiempo de espera de pasajeros entre los nodos i y j;
EH r : tiempo de viaje vaco, que refleja la utilizacin de los buses;
FS : tamao de la flota;
R : conjunto de rutas para una solucin dada;
a1 , a2 y a3 : pesos que reflejan la importancia relativa de los trminos de la funcin Z1 .
Con una formulacin similar a la propuesta por Baaj y Mahmassani (1991), este modelo permite
calcular frecuencias de rutas; aunque requiere del uso de coeficientes de conversin a la misma
unidad ($/hora) de todas las componentes de la funcin objetivo.
w R m m
UWC =
2
qij ijk hk (costo de espera de los usuarios)
k =1 i =1 j =1
con
m : cantidad de nodos de la red;
R : cantidad de rutas de una solucin determinada;
CV : costo por hora de operacin de los buses;
V : velocidad de los buses en la red;
d k : largo de la ruta k;
qij : demanda entre los nodos i y j (cantidad de viajes por hora);
Dij : largo de la ruta ms corta seleccionada por los pasajeros viajando de i a j;
ijk : ijk = 1 si la ruta k utiliza el arco (i,j), ijk = 0 en caso contrario;
v y w : coeficientes que reflejan el valor subjetivo de los tiempos de viaje y espera;
hk : espaciamiento temporal del servicio operante en la ruta k (inverso de la frecuencia),
4d k C v
max
hk = min m m
, hk
wV q ij ijk
i =1 j =1
donde hkmax depende del factor de carga y del arco con mayor flujo en la ruta k.
Este modelo difiere de todos los anteriores en la especificacin de los componentes del sistema.
Propone un modelo de asignacin alternativo, que usa el mtodo logit mediante el clculo de
utilidades de cada lnea para cada par origen-destino (i,j). No se contemplan aspectos tales como
la determinacin de frecuencias y dimensionamiento de flota; requiere la utilizacin de coeficientes
de conversin y de valores subjetivos del tiempo. La funcin objetivo del modelo es:
Los trabajos que se presentan en esta seccin, se basan en modelos de programacin matemtica
resueltos con mtodos aproximados, heursticas y metaheursticas. La Tabla 2 resume las
principales caractersticas de los algoritmos estudiados. En particular varias aplicaciones utilizan
algoritmos genticos, metaheurstica que ha probado ser flexible en otros contextos (Goldberg,
1989). Los algoritmos parten de una solucin inicial (conjunto de rutas), que se mejora
iterativamente, generalmente avanzando segn tres fases bien diferenciadas: 1) generacin, 2)
evaluacin y 3) mejora de soluciones, con algunas variantes en cada una de ellas.
La evaluacin de la solucin implica calcular la funcin objetivo del modelo. En la eleccin del
mtodo habr un compromiso entre eficiencia (en tiempos de ejecucin) y nivel de agregacin de
los elementos del sistema. La mayora de los mtodos consideran los pasajeros a un alto nivel de
agregacin de tipo cantidad de pasajeros para cada par origen-destino. En cuanto a la asignacin
de pasajeros a rutas, los mtodos utilizados en el marco del trnsito privado no son aplicables
directamente al caso de transporte pblico [Ortzar y Willumnsen, 1996].
La mejora de soluciones se realiza a distintos niveles. A nivel de sistema, puede implicar, por
ejemplo, un ajuste de los parmetros de generacin de las soluciones iniciales; a nivel de
componente, se implementa usualmente realizando intercambios de nodos entre las distintas rutas.
En esta fase es donde mayormente se aplican tcnicas de bsqueda local y metaheursticas.
Estos autores proponen una extensin del mtodo de Baaj y Mahmassani (1991) que se adecua
particularmente a la planificacin de servicios coordinados de transporte multimodal, en modalidad
de flota heterognea. Utilizan como base los mismos procedimientos heursticos, agregndoles el
concepto de centro de transferencia (comerciales y de empleo). Un centro de transferencia se
detecta en base a los datos de produccin y atraccin de viajes, y tomando en cuenta mtricas
descriptoras de nodos, computadas por el procedimiento de evaluacin de rutas, o manualmente.
Una vez identificados los centros, las rutas se construyen considerndolos. Para las rutas que
pasan por los centros, las frecuencias se determinan como mltiplos enteros de una frecuencia
base, de manera de permitir coordinacin entre rutas que comparten centros de transferencia. Los
ensayos se realizan con los casos de prueba de Baaj y Mahmassani (1991).
En base al modelo de Baaj y Mahmassani (1991) del Captulo 2, estos autores proponen un
algoritmo que inicialmente genera un conjunto de rutas en base a los caminos ms cortos entre
todo par de nodos y caminos alternativos. Se chequean rutas superpuestas que no cumplan con
ciertas restricciones (por ejemplo, de mnimo largo) y se almacenan como conjunto de rutas
candidatas. Se utilizan algoritmos genticos para seleccionar subconjuntos del conjunto de rutas
candidatas, siendo este un aporte en cuanto a la utilizacin de metaheursticas en la resolucin del
problema. El procedimiento de evaluacin de soluciones, as como la determinacin de frecuencias
es similar al utilizado por Baaj y Mahmassani (1991). El caso de prueba es un subconjunto de la
red de transporte de la ciudad de Madras, India, de 25 nodos.
Basado en el modelo propuesto por los mismos autores (Captulo 2), este mtodo genera rutas sin
tener en cuenta la matriz de demandas; pero alcanzando a todos los nodos de la red. Dado que
utiliza algoritmos genticos, inicialmente se crea una poblacin de una cantidad determinada de
conjuntos de rutas. En cada iteracin, un integrante de la poblacin es mejorado a travs de la
aplicacin de una serie de operadores genticos cuya particularidad es que son especficos del
problema, no utilizndose los estndares (reproduccin, cruzamiento y mutacin). La funcin
objetivo se evala a travs de una formulacin explcita que incluye los tiempos de viaje y espera
para pasajeros y el costo de operacin de la flota (convertidos a la misma unidad). Las frecuencias
se determinan de forma de minimizar el valor de la funcin objetivo (formulacin explcita,
obtenida en forma analtica). La implementacin es ensayada con una red de 19 nodos. Una
limitacin de este mtodo es que parte de soluciones iniciales que no tienen en cuenta la matriz de
demandas. Un aporte es la propuesta de nuevos operadores genticos que buscan mejorar las
soluciones generando nuevas subrutas, a partir de rutas en las que existe variacin de flujo mayor
o igual que un parmetro dado.
La metodologa propuesta requiere de un conjunto inicial de rutas (las actuales del sistema de
TPUC) a ser mejoradas. Utilizan algoritmos genticos, donde la poblacin es de cardinalidad
prefijada, y cada gen corresponde a una lnea; su valor allico es un par, el primer componente
indica el estado de la ruta en esa configuracin (prendida o apagada) y el segundo un valor para su
frecuencia. El enfoque es similar al utilizado por Pattnaik, Mohan, y Tom (1998). La
particularidad de este trabajo es que utiliza una red neuronal para la evaluacin de la funcin
objetivo. El entrenamiento de la red se realiza off-line en base a un cierto nmero de casos de
prueba, donde para cada uno se efecta un procedimiento de asignacin y de anlisis multicriterio
para determinar el valor de la funcin objetivo. En las pruebas se utiliza como caso de estudio el
sistema de TPUC de la ciudad de Parma (norte de Italia), con un total de 80 posibles lneas de
mnibus. Este artculos se centra en el aporte de las redes neuronales y algoritmos genticos en la
aproximacin al subconjunto ptimo de rutas, sin dar mas detalles del modelo y mtodos.
Los autores utilizan algoritmos genticos en el sentido clsico. La asignacin de pasajeros a rutas
se efecta utilizando un modelo logit, calculando previamente la utilidad de cada lnea para cada
tipo de pasajero (cada par (i,j)) y la evaluacin de la calidad de las soluciones tiene en cuenta los
tiempos de viaje y de espera. Una dificultad importante, es la implementacin de los operadores
genticos, en particular los de cruzamiento y mutacin; dado que las soluciones estn formadas
por rutas, estas deben ser conexas (secuencias vlidas de nodos), y esta condicin debe chequearse
al momento de aplicar los operadores. Se mencionan resultados obtenidos segn la variacin de
los parmetros que regulan el trade-off entre los distintos objetivos, consistiendo en rutas largas
concentradas en zonas de alta demanda cuando se prioriza al operador, y muchas rutas dispersas
cuando se prioriza a los usuarios. El caso de prueba utilizado es la red de la ciudad de Los Angeles
(Chile) cuya dimensin no se especifica
4. CONCLUSIONES
Este trabajo es una puesta al da en cuanto a modelos y algoritmos para la optimizacin de rutas y
frecuencias de buses, necesario en el marco del desarrollo de herramientas de apoyo a la toma de
decisiones para el diseo de sistemas de transporte pblico urbano colectivo. El problema es NP-
difcil, por lo que diversos procedimientos heursticos para resolverlo han sido propuestos en la
literatura. Se percibe una evolucin hacia la utilizacin de algoritmos genticos, similar a la
ocurrida en otras reas de la optimizacin combinatoria. Los mtodos que aparentan ser ms
aplicables son aquellos que permiten interactividad. La calidad de las soluciones solo pueden
probarse luego de su implantacin. La eficiencia en cuanto a tiempo de procesamiento de los
algoritmos es un aspecto que no est claramente reflejado en los trabajos publicados, y los casos
de prueba consisten en redes de a lo mximo 140 nodos, por lo que no podemos afirmar que
puedan ser aplicables a la ciudad de Montevideo. El problema de la determinacin de frecuencias
variables en el tiempo (a partir de requerimientos de demanda tambin variables en el tiempo) est
tambin abierto.
REFERENCIAS
Baaj, M. H. y Mahmassani, H. S. (1990) TRUST: A LISP program for the analysis of transit route
configurations. Transportation Research Record, Vol 1283, 125-135.
Baaj, M. H. y Mahmassani, H. S. (1995) Hybrid route generation heuristic algorithm for the
design of transit networks. Transportation Research , Vol 3C(1), 31-50.
Ceder, A. e Israeli, Y. (1998) User and Operator Perspectives in Transit Network Design.
Transportation Research Record, Vol 1623, 3-7.
Gruttner, E., Pinninghoff, M. A., Tudela, A. y Daz, H. (2002) Recorridos Optimos de Lneas de
Transporte Pblico Usando Algoritmos Genticos. Jornadas Chilenas de Computacin.
Noviembre de 2002, Copiap, Chile.
Interconsult (1997) Estudio sobre utilizacin del Transporte Colectivo Urbano de Pasajeros
en la ciudad de Montevideo.
Israeli, Y. Y Ceder, A. (1993) Transit Route Design Using Scheduling and Multiobjective
Programming Techniques. Computer-Aided Transit Scheduling, Julio de 1993, Lisboa,
Portugal, 56-75.
Ngamchai, S., y Lovell, D. J. (2000) Optimal Time Transfer in Bus Transit Route Network Design
Using a Genetic Algorithm. Computer-Aided Scheduling of Public Transport. 21-23 Junio
2000, Berlin, Alemania.
Ortzar, J. de D. y Willumnsen, L. (1996) Modelling transport. John Wiley and Sons, Inc.
Pattnaik, S. B., Mohan, S. y Tom, V. M. (1998) Urban Bus Transit Route Network Design Using
Genetic Algorithm. Journal of Transportation Engineering, Vol 124(4), 368-375.
Shih, M. C., Mahmassani, H. S., & Baaj, M. H. (1998) Planning and Design Model for Transit
Route Netwoks with Coordinated Operations. Transp. Research Record, Vol 1623, 16-23.
Wren, A. (1999) Heuristics Ancient and Modern; Transport scheduling through the ages. Leeds
Artificial Intelligence Seminar Series, University of Leeds.
(http://www.scs.leeds.ac.uk/seth/seminars/nov-17-99b.DOC, Mayo 2003)