INFORME PROFESIONAL

MII 505 Métodos de

Optimización Aplicados

 Grupo : Grupo N° 4
 Integrantes : - Claudio Jara N.
: - Rodrigo Labarca N.
: - Daniel Lazo P.
 Fecha : 28-04-2019
INTRODUCCIÓN

Cada año, las empresas invierten muchos de recursos en investigar e innovar respecto
a la resolución de problemáticas de optimización de recursos y disminución de costos de
producción.

Para entender aquellas problemáticas, es que a lo largo de la historia, se han

identificado y generado distintos planteamientos e investigaciones, sobre los diversos
métodos de optimización que ayudan, en algunos casos, a modelar algunos problemas del
quehacer cotidiano de las organizaciones.

Dentro de la clasificación de problemas antes señalados, es que ya desde el año 1959

(Dantzing y Ramser, 1959) se han planteado los primeros artículos sobre problemas de
enrutamiento de vehículos, donde se plasman los primeros modelos matemáticos y
algoritmos que proporcionan aproximaciones para la solución del problema.

Según Diana Salas R. (2012), en su investigación “Estudio de un problema de

distribución de productos alimenticios permitiendo particionar las entregas”, señala: “En
general, el VRP consiste en diseñar las rutas óptimas para la distribución de productos a
clientes que se encuentran dispersos geográficamente”.

En el marco de los problemas de enrutamiento de vehículos (VRP) por sus siglas en

Ingles, se encuentra el llamado SDVRP (Split Delivery VRP) el cual propone básicamente
dividir la demanda del cliente, permitiendo que estos puedan ser abastecidos una cantidad
“n” de veces por distintos vehículos repartidores.

Dentro de este contexto, es que Según Dror y Trudeau (1989, 1990), en el problema
SDVRP, el problema planteado y que varía desde el VRP, es que, a diferencia del segundo,
en donde la restricción de que cada cliente debe ser visitado sólo una vez por el proveedor,
en el primer caso se elimina.

En virtud de los antecedentes antes señalados, es que se ha decidido guiar la presente

investigación en torno al SDVRP, de forma tal de lograr explicar a partir del caso solicitado,
cuáles son las variables que intervienen, como actúan dentro del contexto del problema
planteado, además de cuáles son las posibles soluciones para lograr optimizar.

En primera instancia se brindará una introducción al problema del enrutamiento con

entrega dividida (SDVRP), explicando parte de sus funciones principales, algunas de sus
restricciones, su objetivo principal y diferencias que se pueden identificar en virtud de otros
problemas asociados a VRP.
 Seguido de aquello, se expondrá el caso encomendado por la jefatura y que abarca la
sección repartidora de Licores, quienes deben surtir a una cartera de 4 clientes con demandas
fijas dentro de la ciudad.

La empresa como tal, cuenta con un número ilimitado de camiones de reparto, pero
su capacidad está restringida a 20 unidades (cajas) por camión. Por otra parte, el costo de
abastecimiento por rutas se encuentra definido, en virtud de los costes de personal,
combustible entre otros.

Es viable señalar que para este caso, se analizará un modelo sencillo, esto dado que,
para un número mayor de clientes, el problema tardaría días en brindar una solución (o más
de una) para resolver el caso.

A fin de lograr un óptimo resultado del planteamiento del problema y encontrar una
solución eficiente y a menor costo para la empresa, es que se aplicará el modelo matemático,
planteado por Archetti et al. (2006), integrando las variables del problema de reparto de
licores, introduciendo, además, valores teóricos para la situación propuesta, con el fin
comprender cómo incidirán cada una de las variables dentro del conjunto problema.

Habiéndose reconocido esto, el objetivo del modelo matemático, será explicar el

fenómeno y sus variables, donde se muestra que existe una solución óptima para la
𝑑
determinación del número de los vehículos no más grandes que 2 [ ∑𝑛𝑖=1 𝑄𝑖 ], que entregue un
costo mínimo de traslado de los productos.

Una vez aplicado el modelo en cuestión, se procederá a realizar un esquema de las

rutas óptimas a seguir por los camiones repartidores, a fin de encontrar el mínimo número de
vehículos de transporte a utilizar, obteniendo los más bajos costos de traslado para el reparto
a todos los proveedores.

Como resultado final de la presente investigación, se establecerán algunas

conclusiones respecto del problema que se ha planteado, para resolver el caso de la empresa
surtidora de licores.

Dentro de aquello, es importante atender que únicamente para el caso de estudio son
soluciones válidas las planteadas, dado que de darse otros factores y variables que puedan
restringir al caso, el modelo debería ajustarse a dicha realidad, pudiendo éstas, incluso asomar
y dar atisbos a nuevas soluciones como las planteadas por Dror y Trudeau (1989), respecto
de las soluciones tabú y algunos algoritmos guiados por la heurística.
 Finalmente, y en relación al caso del cual el SDVRP varía (entendiéndose el que SDVRP
es una variante del VRP), se establecerán algunas comparaciones en relación a la aplicación
de uso entre uno y otro, revisando cómo se comporta uno por sobre el otro en algunos casos.
1. DESCRIPCIÓN DE LOS PROBLEMAS SDVRP

Los problemas SDVRP (Split Delivery Vehicle Routing Problem), responden a una
variante de los problemas VRP (Vehicle Routing Problem) o problemas de enrutamiento
vehicular. Básicamente, y como su sigla en inglés lo plantea, es que en el presente caso, se
pueda dividir la entrega del producto a proveer a los clientes.

Se establece para este tipo de ejercicios, que se eliminen algunas de las restricciones
existentes en los casos tradicionales del VRP, como lo son por ejemplo, que un cliente sea
visitado por más de un vehículo de reparto o que la entrega pueda ser fraccionada cuidando,
además, que la demanda de los clientes deba ser satisfecha en un 100%, y que los vehículos
deben terminar su jornada en el aparcadero.

Dror y Trudeau, indican en su artículo, que, pese a que el SDVRP es una variación un
tanto más “relajada” del VRP, este caso sigue respondiendo a un problema NP-Hard, siendo
estos de difícil resolución en forma óptima para instancias mayores a 15 clientes. Es viable
indicar que, los problemas de este tipo (Problemas NP-Hard) son problemas de decisión para
los cuales existe un algoritmo de solución que se ejecuta en tiempo polinomial en una
(hipotética) máquina no determinista.

En niveles concretos, la problemática planteada en la variante SDVRP busca resolver el

dilema de encontrar una ruta óptima, que minimice los costos de transporte, considerando si,
que la demanda total de los clientes del servicio (Qi), no supere la capacidad total que sumen
los vehículos componentes de la flota, es decir que la suma de los requerimientos de producto
de todos los clientes, no sobrepase a la capacidad de carga transportable de la flota de
vehículos disponible para entregar el producto pudiendo ser, la demanda individual de un
cliente, superior a la capacidad de carga de un vehículo de reparto.

Para ello, el modelo SDVRP permite como herramienta, que las cargas (entregas) sean
divididas, esto quiere decir, que un cliente (o más de uno, según el caso) sean abastecido por
más de un proveedor, para satisfacer su demanda.

En virtud de lo anterior es que, el SDVRP permite disminuir los costos con respecto al
VRP (C. Archetti, M. G. Speranza y M. Savelsbergh, 2008).

A lo largo de la historia, el modelo SDVRP ha sido estudiado en diversos casos y

aplicaciones concretas. Es así, como lo señala Salas (2012) en su investigación, que surgen
aplicaciones en la vida real para el estudio del caso, ya sea en 1997 con una aplicación de
SDVRT con ventanas de tiempo (Mullaseril, P., M. Dror y J. Leung) donde se hace un estudio
de la distribución de alimento para el ganado en un rancho mayor en Arizona, que cuenta con
100,000 cabezas. El ganado se mantiene en corrales grandes que están conectados por una
red de carreteras y se dispone de seis tractores para hacer el reparto de la comida en los
corrales, el cual se debe hacer dentro de la ventana de tiempo en cada día.

Por otra parte, Sierksma, G. y G. Tijssen, (1998), realizaron una aplicación del SDVRP,
la cual se basaba en la búsqueda de encontrar los vuelos de helicópteros hacia plataformas
marinas con el fin de intercambiar las tripulaciones de la ellas.

Todas las aplicaciones antes señaladas, se han generado a partir de la búsqueda por
mejorar los modelos e ir obteniendo soluciones más óptimas en la medida que las
restricciones a cada caso lo vayan permitiendo.

2. EXPLICACIÓN DEL CASO A TRATAR

Para entender de mejor forma lo planteado por los autores, es que a continuación se
modelará el caso solicitado por la jefatura, donde, con las variables y restricciones descritas
en los párrafos anteriores, se generará un Modelo de enrutamiento vehicular con entregas
divididas.

La empresa distribuidora de licores APUNTO, posee una cartera de clientes, dentro de la

ciudad de Talca, 4 clientes habituales a quienes debe mantener abastecidos en todo momento
de los licores que ellos necesitan, Discoteca Z, Discoteca Y, Pub X y Pub W.

Las demandas a abastecer para cada uno de los clientes, responderán a lo siguiente:

a) Discoteca Z : demanda 10 cajas de licores.

b) Discoteca Y : demanda 20 cajas de licores.
c) Pub X : demanda 15 cajas de licores.
d) Pub W : demanda 15 cajas de licores.

Los Kilometrajes asociados al transporte desde el punto de distribución hacia cada uno
de los clientes, están dados por los siguientes valores:

a) Discoteca Z : 3 km
b) Discoteca Y : 3 km
c) Pub X : 4 km
d) Pub W : 3 km
 Ahora bien, es conocido por la distribuidora que, las distancias entre los clientes están
dadas por:

a) Discoteca Z a Discoteca Y : 1 Km
b) Discoteca Y a Pub X : 1 Km
c) Pub X a Pub Y : 1 Km

Por su parte, APUNTO cuenta con una flota homogénea de vehículos, capaz de
transportar un máximo de 20 cajas de licores.

No existe una restricción por parte de los clientes respecto del horario de entrega durante
el día, dado que los locales atienden público durante la noche. Por otra parte, no existe
restricción por parte de los locales, para ser abastecidos por más de un vehículo.

APUNTO cuenta con un staff de trabajadores suficientes para realizar la carga y descarga
de los vehículos durante el día, por lo cual, la variable de dotación de personal es fija y no
influirá en los costos de transporte.

Dado los antecedentes anteriores, APUNTO busca minimizar los costos de entrega y
utilización de flota vehicular, cuidando mantener abastecidos a sus clientes, procurando que
la flota deba regresar a diario al punto de distribución.

2.1 VARIABLES QUE INTERVIENEN EN EL CASO

a) Demanda de los Clientes (Di)

Para el caso en cuestión, las demandas de cada uno de los clientes, responden a la
necesidad diaria de abastecerse con licores para su funcionamiento. Es importante señalar
y recalcar, que como se indica en los puntos anteriores, dichos requerimientos deben ser
cubiertos por la distribuidora a punto en un 100%, por lo cual, la demanda total DT, estará
dada por la suma de las demandas individuales de los clientes (Di).
4

𝐷𝑇 = ∑ 𝐷𝑖
𝑖=1

b) Capacidad de carga de los vehículos de la Flota (Qn)

Este factor a considerar, responde a la cantidad de unidades de cajas máximas que

puede transportar 1 vehículo de la flota. En el caso de los vehículos que posee la
Distribuidora APUNTO, su capacidad máxima de reparto será de 20 unidades.
 Para el caso de los problemas de enrutamiento con entrega dividida, la capacidad de
carga individual, deberá ser homogénea (igual para cada vehículo), y podrá ser menor a
la Demanda Individual (Di) requerida por los clientes, dado que los clientes podrán ser
abastecidos por más de 1 vehículo (fraccionamiento de entrega).

c) Punto de Salida y de llegada de los vehículos de transporte.

En relación a esta variable, es importante señalar que, durante el día, los vehículos de
encargados de la distribución de los licores, deberán realizar su salida desde el punto del
depósito de licores, realizando su ruta, según bitácora, debiendo terminar dicho recorrido
en el mismo punto.

d) Distanciamiento entre los puntos de entrega y el deposito.

Dentro de este punto, se analizan los distanciamientos existentes entre el depósito de

licores y cada uno de los clientes, en forma individual, valorizándose dichos puntos en
km recorridos por el vehículo de entrega.

e) Distanciamiento entre clientes.

Corresponde a las distancias en kilómetros que separa a cada uno de los clientes entre
sí, a fin de definir una ruta óptima para cada vehículo de reparto, satisfaciendo las
necesidades de cada uno de ellos.

f) Flota necesaria para atender a los clientes.

Para el estudio de los modelos en cuestión, se considera que la compañía cuenta con
la flota necesaria para abastecer los puntos de los clientes.

La determinación del número de vehículos mínimos para abastecer, estará dada por:

∑𝑖 𝐷𝑖
= 𝐹𝑙𝑜𝑡𝑎 𝑀í𝑛𝑖𝑚𝑎 𝑁𝑒𝑐𝑒𝑠𝑎𝑟𝑖𝑎
𝑄𝑖
3. APLICACIÓN DE DIAGRAMA DE RUTA SEGÚN CASO EN ESTUDIO

El siguiente diagrama refleja una entrega dividida de transporte desde el punto de

distribución hacia cada uno de los clientes.

Diagrama de enrutamiento vehicular con entregas divididas

Fuente: Elaboración propia.

Gráfico de ruta con entregas divididas

Fuente: Elaboración propia.

Formulación que relaciona la demanda del cliente y la capacidad del vehículo.

∑𝑛𝑖=1 𝑑𝑖
, 𝑖 ∈ 𝑉 − {0} ,
𝑄𝑖

Donde,

V= Vértice o cliente.
{0}= Equivale al vértice del depósito.
N= número necesario para servir, decir la cantidad de clientes a despachar.

Así, el SDVRP para la minimización del consto puede ser formulado como:

𝑛 𝑛 𝑚

min ∑ ∑ ∑ 𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗𝑣

𝑖=0 𝑗=0 𝑣=1
En donde:

n= Numero de vértices o clientes.

m= Cantidad de dotación de vehículos a disposición para satisfacer a los clientes.
i= Punto inicial del trayecto, entre clientes o deposito a cliente o viceversa.
j= Punto final del trayecto, entre clientes o depósito a cliente o viceversa.
v= Vehículo usado para el viaje o para cubrir el trayecto.
C= Costo a recorrer el tramo de i a j.

Entonces para nuestro ejemplo:

4 4 3

min ∑ ∑ ∑ 𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗𝑣

𝑖=0 𝑗=0 𝑣=1

Desarrollando se tiene:
4 4 3

min ∑ ∑ ∑ 𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗𝑣 =

𝑖=0 𝑗=0 𝑣=1
4 4
1
min ∑ ∑(𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗 + 𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗2 + 𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗3 )
𝑖=0 𝑗=0
Pero:
1
(𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗 + 𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗2 + 𝐶𝑖𝑗 ∗ 𝑋𝑖𝑗3 ) = 𝐶𝑖𝑗 ∗ (𝑋𝑖𝑗
1
+ 𝑋𝑖𝑗2 + 𝑋𝑖𝑗3 )
Así,
4
1 2 3) 1 2 3)
min ∑ [(𝐶𝑖0 ∗ (𝑋𝑖0 + 𝑋𝑖0 + 𝑋𝑖0 ) + (𝐶𝑖1 ∗ (𝑋𝑖1 + 𝑋𝑖1 + 𝑋𝑖1 )
𝑖=0
1 2 3) 1 2 3)
+ (𝐶𝑖2 ∗ (𝑋𝑖2 + 𝑋𝑖2 + 𝑋𝑖2 ) + (𝐶𝑖3 ∗ (𝑋𝑖3 + 𝑋𝑖3 + 𝑋𝑖3 )
1 2 3)
+ (𝐶𝑖4 ∗ (𝑋𝑖4 + 𝑋𝑖4 + 𝑋𝑖4 )]

1 2 3 )) 1 2 3 ))
min{[(𝐶00 ∗ (𝑋00 + 𝑋00 + 𝑋00 + (𝐶01 ∗ (𝑋01 + 𝑋01 + 𝑋01
1 2 3 )) 1 2 3 ))
+ (𝐶02 ∗ (𝑋02 + 𝑋02 + 𝑋02 + (𝐶03 ∗ (𝑋03 + 𝑋03 + 𝑋03
1 2 3 )) 1 2 3 ))
+ (𝐶04 ∗ (𝑋04 + 𝑋04 + 𝑋04 + (𝐶10 ∗ (𝑋10 + 𝑋10 + 𝑋10
1 2 3 )) 1 2 3 ))
+ (𝐶11 ∗ (𝑋11 + 𝑋11 + 𝑋11 + (𝐶12 ∗ (𝑋12 + 𝑋12 + 𝑋12
1 2 3 )) 1 2 3 ))
+ (𝐶13 ∗ (𝑋13 + 𝑋13 + 𝑋13 + (𝐶14 ∗ (𝑋14 + 𝑋14 + 𝑋14
1 2 3 )) 1 2 3 ))
+ (𝐶20 ∗ (𝑋20 + 𝑋20 + 𝑋20 + (𝐶21 ∗ (𝑋21 + 𝑋21 + 𝑋21
1 2 3 )) 1 2 3 ))
+ (𝐶22 ∗ (𝑋22 + 𝑋22 + 𝑋22 + (𝐶23 ∗ (𝑋23 + 𝑋23 + 𝑋23
1 2 3 )) 1 2 3 ))
+ (𝐶24 ∗ (𝑋24 + 𝑋24 + 𝑋24 + (𝐶30 ∗ (𝑋30 + 𝑋30 + 𝑋30
1 2 3 )) 1 2 3 ))
+ (𝐶31 ∗ (𝑋31 + 𝑋31 + 𝑋31 + (𝐶32 ∗ (𝑋32 + 𝑋32 + 𝑋32
1 2 3 )) 1 2 3 ))
+ (𝐶33 ∗ (𝑋33 + 𝑋33 + 𝑋33 + (𝐶34 ∗ (𝑋34 + 𝑋34 + 𝑋34
1 2 3 )) 1 2 3 ))
+ (𝐶40 ∗ (𝑋40 + 𝑋40 + 𝑋40 + (𝐶41 ∗ (𝑋41 + 𝑋41 + 𝑋41
1 2 3 )) 1 2 3 ))
+ (𝐶42 ∗ (𝑋42 + 𝑋42 + 𝑋42 + (𝐶43 ∗ (𝑋43 + 𝑋43 + 𝑋43
1 2 3 ))]}
+ (𝐶44 ∗ (𝑋44 + 𝑋44 + 𝑋44
 De lo anterior se deberá considerar que:
𝑖≠𝑗
Ya que no hay existencia de recorrido de un vehículo desde el mismo puto, es decir
que, debe recorrer de ir o recorrer, a un cliente o depósito y moverse otro cliente o depósito.

Entonces todos los subíndices que tengan la misma, 𝑖 = 𝑗, serán de valor 0

Así la ecuación quedará:

1 2 3 )) 1 2 3 ))
min{[(𝐶01 ∗ (𝑋01 + 𝑋01 + 𝑋01 + (𝐶02 ∗ (𝑋02 + 𝑋02 + 𝑋02
1 2 3 )) 1 2 3 ))
+ (𝐶03 ∗ (𝑋03 + 𝑋03 + 𝑋03 + (𝐶04 ∗ (𝑋04 + 𝑋04 + 𝑋04
1 2 3 )) 1 2 3 ))
+ (𝐶10 ∗ (𝑋10 + 𝑋10 + 𝑋10 + (𝐶12 ∗ (𝑋12 + 𝑋12 + 𝑋12
1 2 3 )) 1 2 3 ))
+ (𝐶13 ∗ (𝑋13 + 𝑋13 + 𝑋13 + (𝐶14 ∗ (𝑋14 + 𝑋14 + 𝑋14
1 2 3 )) 1 2 3 ))
+ (𝐶20 ∗ (𝑋20 + 𝑋20 + 𝑋20 + (𝐶21 ∗ (𝑋21 + 𝑋21 + 𝑋21
1 2 3 )) 1 2 3 ))
+ (𝐶23 ∗ (𝑋23 + 𝑋23 + 𝑋23 + (𝐶24 ∗ (𝑋24 + 𝑋24 + 𝑋24
1 2 3 )) 1 2 3 ))
+ (𝐶30 ∗ (𝑋30 + 𝑋30 + 𝑋30 + (𝐶31 ∗ (𝑋31 + 𝑋31 + 𝑋31
1 2 3 )) 1 2 3 ))
+ (𝐶32 ∗ (𝑋32 + 𝑋32 + 𝑋32 + (𝐶34 ∗ (𝑋34 + 𝑋34 + 𝑋34
1 2 3 )) 1 2 3 ))
+ (𝐶40 ∗ (𝑋40 + 𝑋40 + 𝑋40 + (𝐶41 ∗ (𝑋41 + 𝑋41 + 𝑋41
1 2 3 )) 1 2 3 ))]}
+ (𝐶42 ∗ (𝑋42 + 𝑋42 + 𝑋42 + (𝐶43 ∗ (𝑋43 + 𝑋43 + 𝑋43

Según nuestro ejemplo:

Demanda Demanda
20 Cajas n=3 15 Cajas

1 Km.
PUP X
Discoteca
Y n=2
1 Km. Demanda
15 Cajas
Demanda
1 Km.
10 Cajas

4 Km.
PUP W
Discoteca 3 Km.
Z n=4

n=1
fdg
3 Km. 3 Km.

Depósito de la
distribuidora de
Licores
APUNTO v=1 v=2 v=3
Del gráfico y de la ecuación se tiene:

1 2 3 )) 1 2 3 )) 1 2 3 ))
min{[(3 ∗ (𝑋01 + 𝑋01 + 𝑋01 + (3 ∗ (𝑋02 + 𝑋02 + 𝑋02 + (4 ∗ (𝑋03 + 𝑋03 + 𝑋03
1 2 3 )) 1 2 3 ))
+ (3 ∗ (𝑋04 + 𝑋04 + 𝑋04 + (3 ∗ (𝑋10 + 𝑋10 + 𝑋10
1 2 3 )) 1 2 3 ))
+ (1 ∗ (𝑋12 + 𝑋12 + 𝑋12 + (2 ∗ (𝑋13 + 𝑋13 + 𝑋13
1 2 3 )) 1 2 3 ))
+ (3 ∗ (𝑋14 + 𝑋14 + 𝑋14 + (3 ∗ (𝑋20 + 𝑋20 + 𝑋20
1 2 3 )) 1 2 3 ))
+ (1 ∗ (𝑋21 + 𝑋21 + 𝑋21 + (1 ∗ (𝑋23 + 𝑋23 + 𝑋23
1 2 3 )) 1 2 3 ))
+ (2 ∗ (𝑋24 + 𝑋24 + 𝑋24 + (4 ∗ (𝑋30 + 𝑋30 + 𝑋30
1 2 3 )) 1 2 3 ))
+ (2 ∗ (𝑋31 + 𝑋31 + 𝑋31 + (1 ∗ (𝑋32 + 𝑋32 + 𝑋32
1 2 3 )) 1 2 3 ))
+ (1 ∗ (𝑋34 + 𝑋34 + 𝑋34 + (3 ∗ (𝑋40 + 𝑋40 + 𝑋40
1 2 3 )) 1 2 3 ))
+ (3 ∗ (𝑋41 + 𝑋41 + 𝑋41 + (2 ∗ (𝑋42 + 𝑋42 + 𝑋42
1 2 3 ))]}
+ (1 ∗ (𝑋43 + 𝑋43 + 𝑋43

Lo anterior no sería efectivo si no consideramos las restricciones como:

 La necesidad de imponer que cada vértice o cliente se visita al menos una vez.

𝑛 𝑚

∑ ∑ 𝑋𝑖𝑗𝑣 ≥ 1 , 𝑗 = 0, … , 𝑚
𝑖=0 𝑣=1
Para el caso sería:
𝑛
1
∑[(𝑋𝑖𝑗 + 𝑋𝑖𝑗2 + 𝑋𝑖𝑗3 )] ≥ 1
𝑖=0
1 2 3 1 2 3 1 2 3
[(𝑋0𝑗 + 𝑋0𝑗 + 𝑋0𝑗 ) + (𝑋1𝑗 + 𝑋1𝑗 + 𝑋1𝑗 ) + (𝑋2𝑗 + 𝑋2𝑗 + 𝑋2𝑗 )
1 2 3 1 2 3
+ (𝑋3𝑗 + 𝑋3𝑗 + 𝑋3𝑗 ) + (𝑋4𝑗 + 𝑋4𝑗 + 𝑋4𝑗 )] ≥ 1
Para j=0,
1
[(𝑋00 2 3 ) 1 2 3 ) 1 2 3 )
+ 𝑋00 + 𝑋00 + (𝑋10 + 𝑋10 + 𝑋10 + (𝑋20 + 𝑋20 + 𝑋20
1 2 3 ) 1 2 3 )]
+ (𝑋30 + 𝑋30 + 𝑋30 + (𝑋40 + 𝑋40 + 𝑋40 ≥1

Pero i =j=0 (no se puede ir y volver al mismo nodo o cliente), entonces,

1
[(𝑋10 2 3 ) 1 2 3 ) 1 2 3 )
+ 𝑋10 + 𝑋10 + (𝑋20 + 𝑋20 + 𝑋20 + (𝑋30 + 𝑋30 + 𝑋30
1 2 3 )]
+ (𝑋40 + 𝑋40 + 𝑋40 ≥1

Para j=1,
1
[(𝑋01 2 3 ) 1 2 3 ) 1 2 3 )
+ 𝑋01 + 𝑋01 + (𝑋11 + 𝑋11 + 𝑋11 + (𝑋21 + 𝑋21 + 𝑋21
1 2 3 ) 1 2 3 )]
+ (𝑋31 + 𝑋31 + 𝑋31 + (𝑋41 + 𝑋41 + 𝑋41 ≥1
 Pero i =j=0 (no se puede ir y volver al mismo nodo o cliente), entonces,
1
[(𝑋01 2 3 ) 1 2 3 ) 1 2 3 )
+ 𝑋01 + 𝑋01 + (𝑋21 + 𝑋21 + 𝑋21 + (𝑋31 + 𝑋31 + 𝑋31
1 2 3
+ (𝑋41 + 𝑋41 + 𝑋41 )] ≥ 1

Para j=2 y considerando que no puede existir i=j, entonces

1
[(𝑋02 2 3 ) 1 2 3 ) 1 2 3 )
+ 𝑋02 + 𝑋02 + (𝑋12 + 𝑋12 + 𝑋12 + (𝑋32 + 𝑋32 + 𝑋32
1 2 3 )]
+ (𝑋42 + 𝑋42 + 𝑋42 ≥1

Para j=3 y considerando que no puede existir i=j, entonces

1
[(𝑋03 2 3 ) 1 2 3 ) 1 2 3 )
+ 𝑋03 + 𝑋03 + (𝑋13 + 𝑋13 + 𝑋13 + (𝑋33 + 𝑋33 + 𝑋33
1 2 3 )]
+ (𝑋43 + 𝑋43 + 𝑋43 ≥1

 Se debe considerar, es la que se le conoce como la ecuación de conservación del flujo,

ecuación de balance o ecuación de Kirchhoff e indica que el flujo de salida menos el
flujo de entrada debe ser igual a la oferta o demanda en el nodo o vértice o cliente.
𝑛 𝑛
𝑣 𝑣
∑ 𝑋𝑖𝑝 − ∑ 𝑋𝑝𝑗 , 𝑝 = {0, … , 𝑛} ; 𝑣 = {1, … , 𝑚}
𝑖=0 𝑗=0
𝑣 𝑣 𝑣 𝑣 𝑣 𝑣 𝑣 𝑣 𝑣 𝑣
(𝑋0𝑝 + 𝑋1𝑝 + 𝑋2𝑝 + 𝑋3𝑝 + 𝑋4𝑝 ) − (𝑋𝑝0 + 𝑋𝑝1 + 𝑋𝑝2 + 𝑋𝑝3 + 𝑋𝑝4 )

 Las ecuaciones que permiten dar a la solución de este problema, pueden crear o
establecer ciertos tour que no pasan por todos los vértices o clientes. Muchas veces
se debe descartar estos ciclos o tour. Miller y Tucker (1960), desarrollaron una
fórmula para eliminar o evitar los subtour.
∑ ∑ 𝑋𝑖𝑗𝑣 ≤ |𝑆 − 1| , 𝑣 = 1, … , 𝑚 ; 𝑆 ⊆ 𝑉 − {0}
𝑖∈𝑆 𝑗∈𝑆

Se requiere además imponer que el vehículo “v” atiende al cliente “i” sólo si
“v” visita “i”, entonces,
𝑛

𝑌𝑖𝑣 ≤ 𝑑𝑖 ∑ 𝑋𝑖𝑗𝑣 , 𝑖 = 1, … , 𝑛 𝑣 = 1, … , 𝑚
𝑗=0

Reemplazando, se tiene:
1 1 1 1 1 )
𝑌11 ≤ 𝑑𝑖 (𝑋10 + 𝑋11 + 𝑋12 + 𝑋13 + 𝑋14
2 2 2 2 2 )
𝑌12 ≤ 𝑑𝑖 (𝑋10 + 𝑋11 + 𝑋12 + 𝑋13 + 𝑋14
3 3 3 3 3 )
𝑌13 ≤ 𝑑𝑖 (𝑋10 + 𝑋11 + 𝑋12 + 𝑋13 + 𝑋14
1 1 1 1 1 )
𝑌21 ≤ 𝑑𝑖 (𝑋20 + 𝑋21 + 𝑋22 + 𝑋23 + 𝑋24
 2 2 2 2 2 )
𝑌22 ≤ 𝑑𝑖 (𝑋20 + 𝑋21 + 𝑋22 + 𝑋23 + 𝑋24
3 3 3 3 3 )
𝑌23 ≤ 𝑑𝑖 (𝑋20 + 𝑋21 + 𝑋22 + 𝑋23 + 𝑋24
1 1 1 1 1
𝑌31 ≤ 𝑑𝑖 (𝑋30 + 𝑋31 + 𝑋32 + 𝑋33 + 𝑋34 )
2 2 2 2 2 )
𝑌32 ≤ 𝑑𝑖 (𝑋30 + 𝑋31 + 𝑋32 + 𝑋33 + 𝑋34
3 3 3 3 3 )
𝑌33 ≤ 𝑑𝑖 (𝑋30 + 𝑋31 + 𝑋32 + 𝑋33 + 𝑋34
1 1 1 1 1 )
𝑌41 ≤ 𝑑𝑖 (𝑋40 + 𝑋41 + 𝑋42 + 𝑋43 + 𝑋44
2 2 2 2 2 )
𝑌42 ≤ 𝑑𝑖 (𝑋40 + 𝑋41 + 𝑋42 + 𝑋43 + 𝑋44
3 3 3 3 3 )
𝑌43 ≤ 𝑑𝑖 (𝑋40 + 𝑋41 + 𝑋42 + 𝑋43 + 𝑋44

 Otra restricción necesaria para que los clientes puedan satisfacer toda su demanda,
por la entrega de los vehículos, se tiene:
𝑚

∑ 𝑌𝑖𝑣 = 𝑑𝑖 , 𝑖 = 1, … , 𝑛
𝑣=1
Desarrollando,

(𝑌𝑖1 + 𝑌𝑖2 + 𝑌𝑖3 ) = 𝑑𝑖

Para i=0
(𝑌01 + 𝑌02 + 𝑌03 ) = 𝑑0
Para i=1
(𝑌11 + 𝑌12 + 𝑌13 ) = 𝑑1
Para i=2
(𝑌21 + 𝑌22 + 𝑌23 ) = 𝑑2
Para i=3
(𝑌31 + 𝑌32 + 𝑌33 ) = 𝑑3
Para i=4
(𝑌41 + 𝑌42 + 𝑌43 ) = 𝑑4

 Se debe garantizar que la cantidad entregada por cada vehículo no exceda la

capacidad del mismo, entonces:
𝑛

∑ 𝑌𝑖𝑣 ≤ 𝑄 , 𝑣 = 1, … , 𝑚
𝑖=1

(𝑌1𝑣 + 𝑌1𝑣 + 𝑌2𝑣 + 𝑌3𝑣 + 𝑌4𝑣 ) ≤ 𝑄

Para el vehículo 1 (v=1),

(𝑌11 + 𝑌11 + 𝑌21 + 𝑌31 + 𝑌41 ) ≤ 𝑄

Para el vehículo 2 (v=2),

(𝑌12 + 𝑌12 + 𝑌22 + 𝑌32 + 𝑌42 ) ≤ 𝑄
 Para el vehículo 3 (v=3),
(𝑌13 + 𝑌13 + 𝑌23 + 𝑌33 + 𝑌43 ) ≤ 𝑄

 Además, la variable que está relacionada con los trayectos, es decir con los viajes, es:

𝑋𝑖𝑗𝑣 ∈ {0,1} , 𝑖 = 0, … , 𝑛; 𝑗 = 0, … , 𝑛; 𝑣 = 1, … 𝑚.

Donde,

V= Vehículo usado para el viaje o para cubrir el trayecto.

i= Punto inicial del trayecto, entre clientes o deposito a cliente o viceversa.
j= Punto final del trayecto, ente clientes o deposito a cliente o viceversa.

Y tendrá valores binarios, en relación a:

Corresponde que el vehículo viaja de i a j.

𝑋𝑖𝑗𝑣 = 1

Corresponde que el vehículo no viaja de i a j.

𝑋𝑖𝑗𝑣 = 0

 La restricción que nos permite saber la cantidad de la demanda entregada por el

vehículo “v”, se tiene:

𝑌𝑖𝑣 ≥ 0 , 𝑖 = 1, … , 𝑛; 𝑣 = 1, … , 𝑚

Entonces quedaría expresado como:

Para el cliente 1 y el vehículo 1:

𝑌11 ≥ 0

Para el cliente 2 y el vehículo 1:

𝑌21 ≥ 0

Para el cliente 3 y el vehículo 1:

𝑌31 ≥ 0
Para el cliente 4 y el vehículo 1:

𝑌41 ≥ 0

Para el cliente 1 y el vehículo 2:

𝑌12 ≥ 0

Para el cliente 2 y el vehículo 2:

𝑌22 ≥ 0

Para el cliente 3 y el vehículo 2:

𝑌32 ≥ 0

Para el cliente 4 y el vehículo 2:

𝑌42 ≥ 0

Para el cliente 1 y el vehículo 3:

𝑌13 ≥ 0

Para el cliente 2 y el vehículo 3:

𝑌23 ≥ 0

Para el cliente 3 y el vehículo 3:

𝑌33 ≥ 0

Para el cliente 4 y el vehículo 3:

𝑌43 ≥ 0
METODOLOGÍA DE RESOLUCIÓN

Para la realización del modelo, se plantea la metodología de resolución planteado por

Archetti et al, a través de un algoritmo Multi-Arranque, los cuales, según lo planteado por
Salas (2012), dichos algoritmos generan soluciones iniciales factibles y luego una segunda
fase donde se mejoran dichas soluciones. Dicho proceso se repetirá cuantas veces sea
necesario hasta encontrar un algoritmo que cumpla con los criterios de parada.

Una base inicial del algoritmo será la siguiente:

𝑐𝑖 ≔ ∞
Repetir (condición de parada)
Fase 1 Generación de una Solución
Construir Solución X0
Fase 2 Mejora de la Solución
Aplicar método de mejora a la Solución X0
Sea X0 la solución obtenida
′)
If 𝑓 𝑥0 < 𝑐 ∗ entonces
(
𝒙∗ ≔ 𝒙′𝟎
𝒄∗ ∶= 𝑓(𝑥0′ )

Se señala que el método propuesto genera un recorrido que inicia y termina en el

punto del depósito del proveedor, donde se incluyen a todos los clientes que debe abastecer
la licorería.

Luego el método, se encarga de dividir (fraccionar) las rutas, en las que sean más óptimas.

La segunda etapa o “fase de mejora”, se basada en la Búsqueda Tabú (B.T) propuesta

por Archetti et al. Esta es una meta heurística que guía un procedimiento heurístico de
búsqueda local para explorar el espacio de solución más allá de la búsqueda del optimo local.

El algoritmo basado, en relación al ejemplo aplicado respondería a lo siguiente:

- Crear viajes directos hacia los 4 clientes, considerando las demandas de cada uno de
ellos
- Si existen Clientes con demanda 0, se deben remover del modelo.
- Una vez conseguidos los clientes con demanda > 0, entonces crear una solución
factible con el Método Beasley.
 Como el problema es amplio para este caso, se generará una instancia reducida (Ir) en la
cual, la demanda de los clientes estará dada, según cada caso en particular.

Luego de ello, y dado que se generó un Ir y un conjunto de rutas directas hacia los clientes
que cumplen con la característica que su demanda es mayor que 0 o igual a la capacidad de
los móviles de transporte, se buscará mejorar la solución ya planteada.

En la fase de mejora de la situación inicial, se utilizará una búsqueda Tabú planteada por
Arichetti et al. donde dicha búsqueda alcanzará un número Nmaz de iteraciones, hasta que el
algoritmo no logre encontrar una mejor solución que la encontrada hasta ese entonces.

El movimiento utilizado para generar un vecino a partir de una solución consiste en

insertar un cliente i en una ruta r y eliminarlo de un subconjunto de rutas que lo
visitan. Para ello, el conjunto de rutas que visitan a cada cliente se ordena de acuerdo
al ahorro que se obtendría si ese cliente fuera eliminado de esa ruta. A este
procedimiento lo llamaremos Order Routes(i) y el conjunto ordenado se denotará Oi.
La inserción de un cliente i en una ruta r se hace de acuerdo a la heurística de inserción
más barata.
Cuando un cliente i es insertado en una ruta r se considera tabú eliminar al cliente i
de la ruta r por θ iteraciones y también se considera que la ruta r es tabú para el cliente
i. También, cuando un cliente i es eliminado de una ruta u se considera tabú volver a
reinsertar al cliente i en la ruta u por θ iteraciones y se dice que u es tabú para i.
Las restricciones tabú definidas anteriormente puede ser muy fuertes y prohibir
buenas soluciones vecinas. Por esta razón, se considera la posibilidad de eliminar a
un cliente i de rutas que son tabú para i e insertar i en una ruta r que es tabú para i. El
vecino solo es aceptado si conduce a una mejor solución que la encontrada hasta el
momento (Criterio de aspiración por calidad).
De acuerdo a las pruebas realizadas por los Arichetti et al [4] los valores de θ
dependen de la cantidad n de clientes y de la cantidad g de rutas en la solución actual
se producen mejores soluciones. (Salas, 2012, p.32)

Luego de lo planteado, el algoritmo realizará lo que se determina la “Búsqueda del

Mejor Vecino”, Best Neighbor realizando iteraciones hasta que la solución buscada sea la
“mejor” que las anteriores planteadas, obteniendo así el nivel de rutas deseado para obtener
el mínimo costo asociado.
SOLUCIÓN PRÁCTICA.

Una solución simple, al ya expuesto al caso sería:

 Para el abastecimiento de los clientes, el recorrido del vehículo 1:

Demanda cliente= 20
cajas
Entonces:
Q-10=10-20=-10
Le falta por entregar 10
cajas más

v=1 Discoteca
Capacidad disponible
10 cajas
Y

v=1
1 Km. Capacidad actual
Q=0 cajas

Discoteca
3 Km.
Z

fdg
Demanda cliente= 10
3 Km.
cajas
Entonces: Depósito de la
Q-10=20-10=10 v=1 distribuidora de
Cliente ok Capacidad=Q
Q=20 cajas Licores
APUNTO
 Para el abastecimiento de los clientes, el recorrido del vehículo 2:

Demanda actual cliente= 15 cajas

Entonces:
Q-10=10-15=-5
Falta por entregar a cliente 5 cajas
Demanda actual cliente= 10 cajas
Entonces:
Q-10=20-10=10
Cliente listo

PUP X

1 Km.

Discoteca v=2
Capacidad actual
Y Q=10 cajas

v=2
Capacidad actual
Q=20 cajas v=2
3 Km.
Capacidad actual
Q=0 cajas
4 Km.

Depósito de la
distribuidora de
Licores
APUNTO
 Para el abastecimiento de los clientes, el recorrido del vehículo 3:

Demanda actual cliente= 5 cajas

Entonces:
Q-5=20-5=-15
Cliente ok

PUP X Demanda actual cliente= 5 cajas

Entonces:
Q-5=20-5=-15
Cliente ok

v=3 1 Km.
Capacidad actual
Q=15 cajas
PUP W
3 Km.

v=3
Capacidad actual
Q=20 cajas
3 Km. v=3
Capacidad actual
Q=0 cajas
Depósito de la
distribuidora de
Licores
APUNTO
CONCLUSIONES

Tras un análisis completo del problema en estudio, y una vez logradas identificar las
variables que intervienen en el SDVRP, se advierten situaciones dentro del caso que, según
lo plantea Salas (2012), se puede comparar con el modelo principal de VRP, del cual se
pueden extraer situaciones como que:

a) Mediante la utilización de SDVRP, y en comparación al VRP, disminuye el número

de móviles utilizados para el reparto por ende, disminuye también el costo del
resultado final.

Para este caso, se demostró que para satisfacer la demanda de los 4 clientes, fue
necesario la participación de sólo 3 vehículos de reparto, lo cual tendrá una
implicancia directa en la cantidad de choferes y horas hombre, por lo que la empresa
surtidora realizará ahorros significativos en dichos puntos.

b) Para el presente caso, si la demanda de los clientes es muy pequeña, comparada con
la capacidad de los vehículos, se podrá disminuir aún más la cantidad de vehículos en
operación.

Dentro de este punto, es sólo analizable el ahorro en flota. Lo que no se podría

determinar es que, si dicha demanda es tan pequeña, puede que no sea capaz de
reportar utilidad a la empresa al momento del reparto, dado que el costo de operar la
flota obedecerá a un valor no rentable para la compañía. Por lo que se haría muy
necesario integrar dichos costos al modelo.

En relación a este punto, plantea Salas (2012) que, la demanda de los clientes debe
estar en el intervalo [0.5*Q, 0.75*Q], donde Q es la capacidad de los vehículos.

c) Para los casos de SDVRP en que los costos relacionados con las distancias entre los
Clientes entre sí (discoteca Y, Discoteca Z, Pub X y Pub W) sea mayor a los costos
relacionados con las distancias recorridas por los vehículos para llegar desde el punto
de reparto hacia el Cliente, el Modelo SDVRP no reportará menores que el VRP, por
lo que el ahorro en número de uso de flota, se podría traducir en mayor costo en
distancias de traslado.

d) Lo óptimo para este tipo de repartos, será buscar siempre, que cada vehículo, al
término de su recorrido, haga entrega de la totalidad de su carga, a fin de evitar
traslados de mercadería sin entregar o sin recepción, o bien costos en almacenaje
innecesarios.
 Como resultado de la investigación, se logran dar atisbos de sus usos generales dentro de
la industria del reparto, pero es un modelo restringido para pequeñas empresas, donde su uso
podría resolver gran parte de sus problemas para lograr recorridos óptimos.

La realidad de las grandes empresas dista de aquello, donde se deben satisfacer a un gran
número de clientes, y es donde el modelo se torna más ineficiente en su implementación, y
donde se deben aplicar métodos heurísticos para complementar el modelo con las
restricciones que el mercado les impone.

A medida que se sumen más clientes a satisfacer, se harán necesarios nuevos mecanismos
para poder interpretar las necesidades con las que ellos cuenten, y por ende, se generaran
matrices de datos que complementen la información de reparto, además de las necesidades
de cada cliente en específico.

Por otra parte se harán necesarios el conocer otras variables que influyan directamente en
el modelo, como lo son las variables de tráfico, clima, condiciones de tránsito, restricciones
horarias para entrega.

Es aquí donde las nuevas técnicas de uso de datos como Big Data toman roles
protagónicos, donde por un lado, se pueda realizar el cruzamiento de datos de variables, con
el modelo matemático, y así poder construir soluciones más optimas de reparto.

Dado para el presente ejemplo, no se consideraron factores como el antes señalado,

respecto de las condiciones de tráfico, puesto que, en el modelo “puro” de SDVRP, no se
incluyen como una variable.

En general, el Modelo SDVRP es una potente herramienta para pequeñas compañías

en la optimización de costos de flota, dado que como se observa, para casos con una cantidad
de clientes reducidos, entrega menores costos a nivel de traslado, desgaste vehicular, uso de
flota y uso de mano de obra.

Por otra parte, se puede visualizar que el SDVRP entrega herramientas potentes
incluso para el manejo de personal, dado que su objetivo principal es la minimización de
costos, por ende, si lo llevamos al plano de recursos humanos, podría ser aplicable para la
destinación de tareas dentro de una organización, evaluando por ejemplo, si distribuir una
labor, llámese la fabricación de algún componente, o el diseño de un elemento, entre tantos,
es más eficiente que entregar dicha tarea a un solo colaborador.

Otro de los campos de aplicación, podría darse en el ámbito del manejo de

contingencias y emergencias, donde se podría evaluar, según las magnitudes y cantidades de
eventos que se puedan dar en una determinada zona geográfica, generar un método de
clasificación según prioridades, a fin de atender a cada llamado de forma óptima,
minimizando los recursos asociados.

BIBLIOGRAFÍA

- Dror and P. Trudeau, “Savings by Split Delivery Routing,” Transportation Science,

Vol. 23, No. 2, 1989, pp. 141-145.
- Diana Salas R. (2012), “Estudio de un problema de distribución de productos
alimenticios permitiendo particionar las entregas”, Universidad Autónoma de Nuevo
León Facultad de Ingeniería Mecánica y Eléctrica, División de Estudios de Posgrado,
San Nicolás de los Garza, Nuevo León, ciudad de México.
- Dror, M. y P. Trudeau, (Savings by split delivery routing), Transportation Sciense,
23(1), págs. 141–145, 1989.
- Archetti, C., M. W. P. Savelsbergh y M. G. Speranza, (To Split or Not to Split: That
is the Question), Elsevier, 44(1), p´ags. 114–126, 2008.
- Archetti, Speranza, M.G., Savelsbergh, M. “An Optimization-Based Heuristic for the
Split Delivery Vehicle Routing Problem”. Transportation Science Vol. 42, No. 1,
February 2008, pp. 22-31.
- Mullaseril, P., M. Dror y J. Leung, (Split-delivery routing heuristics in livestock feed
distribution), Operation Research, 48(1), p´ags. 107–116, 1997.
- Sierksma, G. y G. Tijssen, (Routing Helicopters for Crew Exchanges on Offshore
Locations), Annals of Operations Research, 76(5), p´ags. 261–286, 1998.