RevistaAvancesenSistemaseInformtica,Vol.5No.

3,Diciembrede2008,Medelln,ISSN16577663
Unametaheursticahbridaaplicadaaunproblemade
planificacinderutas
Ahybridmetaheuristicappliedtoarouteplanning
problem
Recibido para revisin: 20 de Septiembre de 2008, Aceptado: 28 de Noviembre de 2008, Versin final: 19 de Diciembre de 2008
ResumenEl problema de planeacin de rutas en el mbito del
enrutamientodetransportehasidountemadegranintersdebido
a su alta complejidad computacional.Algunas de las variaciones
a este problema son: el problema del agente viaj ero Travel
Salesman Problem (TSP) , el problema de enr utamiento de
vehculos Vehicle Routing Problem (VRP) y el mltiple
problema del agente viajero Multiple Travel Salesman Problem
(mTSP) . Dent r o del VRP se encuent r a el pr oblema de
recoleccin,elcual ademsdedesignarvarias rutasparaprestar
un servicio de recoleccin a var ios usuarios, tiene en cuenta la
capacidadde laflotayla cantidadodemandade capacidadpor
usuario. En este artculo se propone un algoritmo hbrido entre
unalgoritmogenticoyunalgoritmodecoloniadehormigaspara
tratarelproblemaderecoleccinbsicoconunaflotadecapacidad
homognea, mlt iples depsit os y un per iodo de m das.
Finalment e, est e t r abaj o muest r a exper iment alment e, el
comportamiento delalgoritmo hbridoen encontraruna solucin
ptima para el problema particular de recoleccin.
Palabras Cla veInt eligencia ar t ificial, Opt imizacin
combinatorial, Metaheursticas.
AbstractTheproblemofrouteplanninginthetransportrouting
researchfieldhasbeenatopicofthemostinterestduetoitshigh
computationalcomplexity.Somevariantsofthisproblem are:the
Travel Salesman Problem (TSP), the Vehicle Routing Problem
(VRP)andtheMultipleTravelSalesmanProblem(mTSP).Within
theVRPwecanfindthepickupproblem,whichmainlyfixseveral
routes for renderinga pickup service to severalusers taking into
account the fleet capacity and the capacity on demands user. In
this paper to propose a hybr id algor ithm between a genet ic
algorithmandantcolonyalgorithmtodealwiththepickupbasic
problem with homogeneous fleet capacity, multiple depots and a
per iod of m days. Finally, this work shows exper imentally, the
performance ofhybrid algorithm for finding anoptimal solution
fortheparticular pickupproblem.
DanielSoto,Ing.
1
WilsonSoto,Esp.
2
,YoanPinzn,PhD.
2
1.UniversidadSanMartnSedeBogot.2.GrupodeAlgoritmiayCombinatoriaALGOSUN,Universidad
NacionaldeColombiaSedeBogot
dsoto.7@gmail.com,{wesotof,ypinzon}@unal.edu.co
I. INTRODUCCI N
E
lproblemadeplaneacinderutasesunodelosprincipales
problemasenlaoptimizacindeoperacioneslogsticas
en sistemas de transporte que buscan primordialmente la
reduccin de costos. Este problema en el enrutamiento de
transportehasidocatalogadocomoNPCompletodebidoala
gran cantidadde consumoen recursoscomputacionales para
encontrarunasolucinoptimaquecrecedeformaexponencial
conrespectoaltamaodelproblema,raznporlacualestratado
conalgoritmosquenotienenlanecesidaddeexplorartodoel
espacio de bsqueda asociado para dar una respuesta
aproximada.Losalgoritmosmetaheursticossonunafamiliade
algoritmos cuya meta es precisamente dar soluciones
aproximadasaproblemasgeneralesdetipoNP,sinnecesidadde
recorrertodoelespaciodebsqueda[15].
Las metaheursticas son una derivacin de las heursticas
clsicas. Las heursticas clsicas realizan una exploracin
limitada sobre el espacio de bsqueda y normalmente las
soluciones producidas son buenas en poco tiempo. Su
implementacin es sencilla y son fcilmente adaptadas a
problemas del mundo real. Existen dos tipos de heursticas:
constructivas y de mejoramiento o de bsqueda local. Las
metaheursticas, por el contrario de las heursticas, son un
conjuntodeconceptosdiseadosparaguiaraotrasheursticas
enregionesespecficasdelespaciodebsqueda.Suventajaes
laexploracinmsprofundaenelespaciodebsquedaperoa
costademayortiempodeprocesamiento [1].
KeywordsAr tificial intelligence, Combinator ial optimization,
Metaheur istics.
RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663
136
Principalmente, las metaheursticas a menudo usan la
experienciaganadaenbsquedasprevias(memoria)paraguiar
nuevasbsquedasconelfindeencontrarsolucionescercanas
a las ptimas y tienen la opcin de incorporar mecanismos
para evitarcaer enreas limitadasdel espaciode bsqueda.
Paraevitarcaerenestasreas,lasmetaheursticasbalancean
dinmicamentelaexploracindelaexperienciapreviamente
ganada,llamadaintensificacinylaexploracindelespacio
de bsqueda, llamada diversificacin. Este balance es
necesario,porunlado,pararpidamenteidentificarlaregin
en el espacio de bsqueda donde las soluciones son buenas,
porotraparte,paranoperdermuchotiempobuscandodentro
delasregionesqueyahansidoexploradasoquealparecerno
tienenbuenassoluciones[11].
Enlasltimasdcadaseldesarrollodemtodosnoexactos
paralaplaneacinderutassehafocalizadoenlosalgoritmos
metaheursticos: Recocido Simulado, Bsqueda Tab,
AlgoritmosGenticosyColoniadeHormigas.
Este trabajo se centra en los algoritmos genticos y en el
algoritmodecoloniadehormigasysoloporcitaralgunosde
lostrabajosrelacionadosconestosalgoritmosmetaheursticos
aplicados al problema de planificacin de rutas tenemos
[1][6][11][14][16].
Unodelosproblemasrelacionadosalaplanificacinderutas
es el problema de recoleccin. Este problema consiste en
planificarlas rutaspara prestarun serviciode recoleccina
variosusuarios,teniendoencuentalacapacidaddelaflotay
lademandadecadausuario.Enparticularparaestetrabajose
adicionaron las restricciones de una flota de vehculos con
capacidad uniforme, mltiples depsitos y un periodo de m
dasparaelprestarelservicio.
Las contribuciones originales de este trabajo son: la
implementacin del algoritmo hbrido propuesto como
resultadodeunalgoritmogenticoconunalgoritmodecolonia
de hormigas para la bsqueda de una solucin ptima al
problemaderecoleccinparticular,desarrollodeunainterfaz
graficaquesirveparamostrarlasrutasobtenidasbasadasen
las restricciones parametrizadas y con los resultados
experimentalesmostrarelcomportamientodelalgoritmo.
Esteartculotienelasiguienteestructura:laseccinIIexplica
los antecedentes sobre la planeacin de rutas, sus variantes y
algunosdelostrabajosrealizadosenestarea.Ademsincluyela
descripcindelosconceptosdealgoritmosgenticosyalgoritmos
decoloniadehormigas.LaseccinIIIexplicaendetalleelalgoritmo
propuesto. Las ltimas secciones detallan la metodologa
experimental,losresultadosobtenidosylasconclusiones.
II. ANTECEDENTES
Elproblemadelaplaneacinderutasesunodelosproblemas
mscomunesenlaoptimizacin deoperacioneslogsticasy
porendeunodelosmsestudiados.Elplanteamientoinicial
delproblemaconsisteenbuscarlasolucinmsptimacon
diversos parmetros proporcionados por el usuario como el
nmerodevehculos,lacapacidaddelosvehculos,lugaresa
visitar(clientes)ysudemanda.Eldesarrollodesolucionesal
problema de planeacin de rutas en el rea de operaciones
logsticashasidodegranayudaalahoradehacerplaneaciones
detiempo,distanciaseinversin.
Losproblemasmsconocidosenelmbitodelaplaneacin
derutasson:elproblemadelagenteviajero TravelSalesman
Problem (TSP) y el problema de planeacin de rutas
vehiculares VehicleRoutingProblem(VRP),paraloscuales
se han desarrollado diversos algoritmos que buscan una
solucin ptima con el menor costo computacional, e.g.
[2][5][12].
Elproblemadelagenteviajero(TSP)consisteenencontrar
elcaminomscortoposibleentreunnmerovariabledevillas
ositiosquesedebenvisitaryporloscualessolamentesedebe
pasarunasolavez,conlacondicinquealfinaldelrecorrido
sedeberetornaralpuntodeorigen.Sehademostradoquela
complejidaddelproblemaes(n1)!,e.g.,sisetienen6villas
setienen120posiblessoluciones[9].
UnadelasvariantesdelTSPeselproblemadelosmltiples
agentesviajerosMultipleTravelingSalesmanProblem(mTSP)
,elcualconsisteenconstruir mrutasparalosdiferentesagentes
viajerosqueinteractanconelmismomapadepuntosdevillas
[13].OtrosproblemasrelacionadosconTSPson:OLTSPOn
Line TSP,DTSP Deadline TSPyKTSPK DeliveryTSP
.
Elproblemadeplaneacinderutasvehiculares(VRP)tiene
porobjetivoencontrarlasrutasquerecorrancadaunodelos
vehculos(ubicadosenundepsito)demaneraquesesatisfagan
losrequerimientosdelosclientes,lasrestriccionesoperativas
yseminimiceelcostototaldetransporte.Lassiguientesson
algunasdelasvariantesmsimportantesdelproblemaVRP.
El problema de planeacin de rutas vehiculares con
capacidadesCapacitatedVehicleRoutingProblem(CVRP)
tratadedeterminarlosrecorridosdeunaflotadevehculos
concapacidadhomogneaquepartendeunorigencomny
deben pasar porun conjunto de lugaresde inters (clientes)
pararecogerodistribuirmercancassegnlademandayvolver
de nuevo al origen de manera que la distancia recorrida (el
costeoeltiempoempleado)porlaflotadevehculosseamnima.
Elproblemadeplaneacinderutasvehicularesconventanas
de tiempo Vehicle Routing Problem with Time Window
(VRPTW)esunVRPqueimplicaunintervalodetiempoo
lapsoparacadaclienteenelcualdebeseratendido.
El problema de planeacin de rutas vehiculares con
capacidades y ventanas de tiempo Capacitated VRP with
timeWindows(CVRPTW)busca disearunmnimocosto
paralasrutasenunflotadevehculosconcapacidadhomognea
Una metaheurstica hbrida aplicada a un problema de planificacin de rutas Soto, Soto y Pinzn 137
que sirvena diversos clientes conun lmite de tiempoen la
atencin.
El problema de planeacin de rutas vehiculares con flota
heterognea Fleet Size and Mix Vehicle Routing Problem
(FSMVRP)esunVRPdondeloscostosylacapacidaddela
flotadevehculosvaran.
El problema de planeacin de rutas vehiculares con
recoleccin y entrega VRP with Pickup and Deliveries
(VRPPD)esunVRPconlaposibilidadquelosclientepueden
devolverdeterminadosbienes,portanto,sedebetenerpresente
lacapacidaddelvehculo.Estarestriccinhacemsdifcilel
problema de planificacin lo que puede causar una mala
utilizacin de las capacidades de los vehculos, aumento en
distanciasrecorridasounnumeromayordevehculos.Aeste
problemaselepuedeadicionarventanasdetiempoasociadas
alarecoleccinyentrega,problemaconocidocomoVRPPDTW
VRPwithPickupandDeliveriesandTimeWindows.
Elproblemadeplaneacinderutasvehicularesconmltiples
depsitosMultipleDepotVRP(MDVRP)es unVRPde
depsito mltiple (cada uno con una flota de vehculos
independiente)quedebeserviratodoslosclientes.Unadelas
variantesaesteproblemasurgealtenerencuentaventanasde
tiempo asociadas a cada cliente llamado MDVRPTW
MultipleDepotVRPwithTimeWindows .
El problema de planeacin de rutas vehiculares con
periodicidad Periodic VRP(PVRP) contemplaensuespacio
deoperacinunrangodemdas,periododuranteelcualcada
clientedebeservisitadounavez.Elmismoplanteamientodel
problema PVRP puede ser usado con ventanas de tiempo
PVRPTWPeriodicVRPwithTimeWindows.
Elproblemadeplaneacinderutasvehicularesestocstico
Stochastic VRP (SVRP) es un VRP con uno o varios
componentes aleatorios clientes, demandas y tiempos
estocsticos son las principales inclusiones en este tipo de
problemas.
Elproblemadelaplaneacinderutasconentregadividida
SplitDeliveryVRP(SDVRP)esunVRPdondesepermite
que un cliente pueda ser atendido por varios vehculos si el
costototalsereduce,locualesimportantesieltamaodelos
pedidosexcedelacapacidaddeunvehculo.Alproblemadel
SDVRPtambinselepuedecontemplarventanasdetiempo
SplitDelivery VRP withTimeWindows.
Elproblemaderecoleccinbsicosepuederelacionarcon
elCVRP.As,sepuededefinirelproblemadelarecoleccin
comoendesignarvariasrutasparaprestarunservicioavarios
usuarios teniendo en cuenta la capacidad de la flota y la
cantidad o demanda de capacidad por cada usuario. En la
Figura1sepuedeobservarlarepresentacindeunproblema
bsicoderecoleccinconmltiplesdepsitos.
Figura 1.RepresentacindelProblemadeRecoleccin.
RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663
138
Las investigaciones ms recientes para los problemas de
planeacin de rutas se centran especialmente con las
metaheursticas de algoritmos genticos y de algoritmos de
coloniadehormigas.
A.AlgoritmosGenticos
Losalgoritmosgenticosestncreadosapartirdelasteoras
deCharlesDarwinsobrelaevolucinporseleccinnaturaly
sobrelosresultadosdelainvestigacindecrucegenticode
Gregory Mendel. Al fusionar la teora de la evolucin por
seleccinnatural,lasleyesdeherenciadeMendelylahiptesis
germinal de Weismann surge el concepto llamado neo
darwinismo [18].
Enlaactualidadlosalgoritmosgenticosestncompuestos
detresetapasfundamentales:
Seleccin: se escogen a los individuos ms aptos para
resolverelproblematratado.
Cruce:tieneporobjetivomezclarlainformacingentica
de los padres escogidos para dar nacimiento a nuevos
individuosmsaptospararesolverelproblematratado.
Mutacin:sebuscacambiaraleatoriamentelainformacin
genticadeunindividuoparatratardedarlemshabilidad
enresolverelproblematratado.
En los algoritmos genticos hay funciones importantes a
tener en cuentapara obtener una respuestaptima, como lo
son, la funcin de evaluacin o fitness y la funcin de
diversidad.
Funcindeevaluacino fitness:apartirdeestafuncinel
algoritmogenticodaelindicadordeadaptabilidaddecada
individuo, es decir, aqu cada individuo demostrar su
capacidadpararesolverelproblematratado.
Funcindediversidad:estanoesindispensable,peropuede
serdesarrolladaparamejorarlaexploracindelespaciode
bsqueda del problema particular. Esta funcin tiene por
objetivo la identificacin de cada individuo para no
permitirle estar dentro de la poblacin ni en la misma
generacin.Esdecir,conlafuncindediversidadsevaa
garantizar la unicidad de todos los individuos presentes
dentrodelapoblacinenunageneracindeterminada.
B.AlgoritmodeColoniadeHormigas
Losalgoritmosdecoloniasdehormigasfueroncreadospor
Marco Dorigo y estn basados en el comportamiento de las
hormigas naturales. Los bilogos y los entomlogos han
descubiertolafacilidaddelashormigasparaencontrarsiempre
el camino ms corto entre el hormiguero y la fuente de
alimento, este comportamiento ha sido estudiado y se ha
encontrado que las hormigas mantienen una comunicacin
indirectaconunasustanciavoltilllamadaferomona.Conla
feromonalashormigassoncapacesdecrearunarutayatravs
deltiempooptimizarsusrecorridosobteniendoasuncamino
cortosinunavisinglobaldelterreno [3][4].
Loscomponentesdeunalgoritmodecoloniadehormigasson:
Hormigas:tienenporobjetivorealizarunrecorrido(Ciclo
CompletoCerrado)dentrodelproblemadadoporelusuario.
Memoriadeferomonas:esutilizadaparatenerunahistoria
delosrecorridosefectuadosporlashormigasypodercambiar
laintensidaddecadaposiblerutaacadanuevaiteracin.
Probabilidaddeseleccindeuncamino:tomadedecisin
de cada hormigaal momento de escogerun camino para
pasar de una villa a otra. La frmula que define la
probabilidad es llamada regla de transicin de estados
aleatoriosoregladeBonabeau[4]:









=

k
i
k
i
J l
il il
ij ij
k
ij
J j
J j
t t
t t
t p k
i
si 0
si
) ( ) (
) ( ) (
) (
b a
b a
h t
h t
(1)
La regla de Bonabeau (1) est basada en los conceptos de
visibilidad (la visibilidad esel numeroinverso dela distancia
entredosvillas i y j,
ij
ij
d
1
= h
)ydelatrazadeferomonadejada
sobreunarcodelcamino,esdecir,latrazadeferomonadejada
entreunavilla i yuna j enunaiteracin t es
a
t ) (t
ij
,yb sondos
parmetrosquetieneelcontrolsobrelaimportanciarelativade
laintensidaddelaferomonaylavisibilidad,assepuededecir
quecon=0solamentelavisibilidadesevaluada,porelcontrario
si b =0solamentelaintensidaddelasferomonasesevaluada.
Como resultado de la evaluacin de la regla se tiene una
probabilidad para cada posible camino, ) (t p
k
ij
es la
probabilidadquelahormigaktomelarutahaciajdesde ien
laiteracint,laprobabilidadsolamenteescalculadaparalas
villasjquenohansidovisitadasanporlahormigak.
Despus de haber completado los recorridos de todas las
hormigas escogidas es necesario dejar una cantidad de
feromonasobrecadaarcodecadarecorridoenfuncindela
calidad de la solucin encontrada para cada recorrido, esta
funcinesllamadaimpregnacindelasferomonas,paraello
seusalaregladeintensificacin[4]:







= D
k
k
k
k
ij
T j i
T j i
t L
Q
t
) , ( si 0
) , ( si
) (
) ( t
(2)
En(2), ) (t L
k
eslalongituddelrecorridodelahormiga k en
laiteracint y Q esunaconstante,lareglaesaplicadaatodos
losarcosquepertenecenalrecorridorealizadoporlahormiga
kenlaiteracint.
Una metaheurstica hbrida aplicada a un problema de planificacin de rutas Soto, Soto y Pinzn 139
Otra funcin importante es la funcin de atenuacin de las
feromonas,procesoqueevaporalastrazasdeferomonasgarantizando
que la memoria global del sistema olvida las malas soluciones
encontradasconlaregladeevaporacinenunciadaen[4]:
) ( ) ( ) 1 ( ) 1 ( t t t
ij ij ij
t t r t D + - = + (3)
En(3) r eselndicedeevaporacindelaferomona,esdecir,el
ndiceconelcuallatrazadeferomonassevaaevaporarenrelacin
conlasiteracionesy ) (t
ij
t D eslafuncindeimpregnacin.
III. ALGORITMOHBRIDOPROPUESTO
Losalgoritmoshbridostienenpormetaexplotarlasmejores
caractersticasdecadaalgoritmo para un determinadopedazo
delproblematratadoydarunarespuestamsptimadeforma
global. Con los algoritmos hbridos se trata de establecer una
colaboracinentredosomsalgoritmosindependientes,teniendo
encuentalasventajasydesventajasdecadaunodeellos.
Algunasdelasinvestigacionesqueusanalgoritmoshbridos
enlaplaneacinderutasenTSPes[19]yenVRPsepueden
enumerar[7][8][10][17].
Enestetrabajoseproponeunalgoritmohbridoconelobjetivo
deminimizarlasdistanciasrecorridasenlasrutasderecoleccin
desde mltiples centros de acopio o depsitos a los lugares a
visitaroclientes,teniendoencuentalacapacidaddecargadela
flota, la demanda de cada unode los usuarios y el periodo de
tiempo asignado. El algoritmo hbrido desarrollado esta
compuesto de un algoritmo gentico como clasificador y un
algoritmo de colonia de hormigas como optimizador local de
cadasubruta.
A.AlgoritmoGentico
1)Representacindelcromosoma
Larepresentacindelcromosomaeslabasedeldesarrollo
delalgoritmogentico.Entrelasformasmsconocidasson
lacodificacinbinaria,lacodificacinrealylacodificacin
Gray.Eneldesarrollodel algoritmohbridopropuestose
usalacodificacinreal,porquelosdatossontratadoscomo
una representacin real del problema, es decir, los
parmetrosyelproblemanosontransformados.
2)FuncindeFitness
Elobjetivoprincipaldelafuncinde fitness esdisminuirla
longituddelrecorridototalparalasumadetodosloscaminos
posibles. Las distancias son evaluadas como distancias
euclidianas.Larepresentacindel fitness eslasumadetodos
losrecorridosdescritosdentrodelcromosomaevaluado.
3)SeleccinElitista
A partir de la evaluacin del recorrido se organizan los
individuosdelapoblacinenordenascendente,esdecirque
elindividuoqueharealizadoelmenorrecorridosercolocado
enlaprimeraposicindentrodelvectordeindividuos,despus
la primera mitad de la poblacin va a pasar a la siguiente
generacinylasegundamitadsereliminada.
4)Cr uce
Unavezquelosindividuossonorganizadosytodalapoblacin
hasidocortada,esnecesariocompletarlaparacontinuarcon
la ejecucin del algoritmo, para eso, los individuos son
cruzados unos con otros para dar nacimiento a nuevos
individuosquedebenpasaralamutacin.Elcrucesehace
entrelacabezaylacoladelapoblacin,paradarnacimiento
aindividuosmsdiversosynoproporcionartodalaventajaa
losprimerosindividuosquesonmscapaces.
5)Mutacin
Lamutacinsehacecomofactoraleatoriodecadanuevo
individuo, esto favorece la exploracin en el espacio de
bsqueda y la diversidad de los individuos dentro de la
totalidad de la poblacin, adems permite alcanzar un
espaciomsgrandeevitandounaconvergenciamuyrpida
hacia una solucin local. El algoritmo propuesto usa la
mutacinporreemplazo,esdecir,quesevaaintercambiar
dosvaloresdentrodelmismocromosoma.
6)Creacindegr upos
Unavezelcromosomahapasadoporelprocesodeseleccin,
crucey mutacinsecrean losgruposque representanlas
posiblesrutasrespetandoladificultaddelademandayla
capacidaddecarga.Losgrupossonmarcadosalfinalcon
unmenosuno(1)ysoncreadossumandolademandade
cada cliente hasta llegar a un valor menor o igual a la
capacidaddecarga,sielvalordedemandaesmayorala
capacidaddecargasedejaelgrupoconunnicoelemento
alcualsedebeirvariasveces(verFigura2).
Figura 2.Ejemplodecreacindinmicadegrupos
7)FuncindeDiver sidad
El objetivo de la funcin de diversidad es garantizar la
posible individualidad de cada individuo dentro de cada
generacin,esdecir,nopermitirindividuosigualesdentro
RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663
140
deunamismageneracin.Unadelasventajasdelalgoritmo
propuesto es ahorrar operaciones al momento de la
comparacin entre individuos, para ello cada individuo
tiene un nmero asociado que se calcula con la ecuacin
(4).Estenmerosegeneraposteriormentealacreacinde
los grupos dinmicos, as la diversidad va a ser posible
comparandosolamenteestosnmeros.

<
=
- N i
i
v
i
v
0
1
donde v=c[i]y N=|c| (4)
Para(4)c eselcromosoma,Neseltamaodelcromosoma
y veselvalordelaposicinisimadentrodelcromosomac.
B.AlgoritmodeColoniadeHormigas
1)Recepcindelosdatos
Loscromosomascreadosdebenpasarporelalgoritmode
colonia de hormigas para ser optimizados localmente y
tratar de obtener la mejor respuesta de la distribucin
obtenidaconelalgoritmogentico.Cadacromosomadela
poblacinesenviadounoporunocomounvectoralquse
leaplicaelalgoritmodecoloniadehormigas.
2)MultiHilos
Paramejorarelrendimientodelalgoritmoseimplement
unavariacinmultihiloscapazdeponervariashormigas
a recorrer varias veces y por diferentes rutas del grafo
asociadoalvectorenviadodesdeelalgoritmogentico.
3)Flujodelosdatos
Una vezel cromosomaha sido optimizadolocalmente es
necesario enviarlo de regreso hacia la poblacin del
algoritmogentico,paraesosecopianlosdatosdelvector
obtenidoyelvalordeladistanciaasociadaquehacenparte
delaestructuradelapoblacin.
Unarepresentacinimplcitadelalgoritmohbridosepuede
observarenlaFigura3.
Figura 3.RepresentacinimplcitadelAlgoritmo
El algoritmo hbrido se puede observar en detalle a
continuacin(Algoritmo1):
Algor itmo1Metaheursticahbrida
Creacindelapoblacin.
Evaluacindefitness.
Par atg=1,...,tgmax
Seleccindelapoblacin,seleccionalos
(tampoblacion/2)mejoresindividuos.
Par atamaodelapoblacin
Cruzalospadresyobtiene2hijosporcada
parejadepadreshastacompletareltamao
delapoblacin(CruceUniforme).
FinPar a
Par anmerodeindividuosgenerados
Mutacindecadaindividuoporintercambio.
FinPar a
Creacindegruposdinmicos,segnlasrestricciones
decargayasignacindepuntodeacopioparacada
grupocreado.
Evaluacindediversidadsegnecuacin(4).
Envodecadasubgrupoalalgoritmodecoloniasde
hormigasparaoptimizacinlocal.
Par at=1,...,tmax
Par acadahormigak=1,...,m
Escogerunavillainicialaleatoriamente.
Par acadavillanovisitadai
Escogerunavillaj,dentrodelalistade
villasrestantes,segnlaecuacin(1).
FinPar a
Poner una pista de feromona sobre el
trayecto conformealaecuacin(2).
FinPar a
Evaporarlaspistassegnlaecuacin(3).
FinPar a
Evaluacindefitness.
FinPar a
IV.MARCOEXPERIMENTAL
Se desarroll una aplicacin empleando el lenguaje C++
sobreelIDEBorlandTurboC++Explorer2006enlaquese
implementa la simulacin del algoritmo hbrido. La
experimentacin fue realizada sobre una mquina con
procesadorIntelCore2Duode2Ghzy3GbdememoriaRAM.
Losdatosdeentradadelalgoritmosedefinendeacuerdoa
unformatoentextoplanoseparadoporcomas(verFigura4),
donde, el primer valor representa la etiqueta del punto o el
nombrequeidentificaacadapunto,tantoenlapresentacin
graficacomoenlarepresentacinenmodotextodelarutaa
seguir.Elsegundoytercervalorsonlascoordenadas Xe Yen
Una metaheurstica hbrida aplicada a un problema de planificacin de rutas Soto, Soto y Pinzn 141
unplanocartesiano.Elcuartovaloreselindicadordecentrode
acopio(10),1paracentrodeacopiodelocontrarioesun
cliente al cual se le debeprestar el servicio. El quinto valor
representalademandadecargaenlasmismasunidadesenla
cualesseespecficalacapacidaddecargadeloscamiones.El
quinto valor es la frecuencia de recoleccin que se puede
especificar de dos formas, con un nmero que indica la
frecuenciasemanaloconunvectorbinarioqueindicalosdas
exactosenloscualessedeberealizarlarecoleccin.Elnmero
deregistrosen losdatosdeentradaidentifican loslugaresa
visitarquerepresentanunclienteouncentrodeacopio.
Figura4. Datosdeentradaparaelalgoritmohbrido.
Elproblemaderecoleccinparaestetrabajoademsdeser
unVRPbsicocontemplaunaflotadevehculosconcapacidad
homognea, mltiples depsitos y un periodo de1 a 7 das,
estosignifica queesteproblema particulartiene unamezcla
de los siguientes tipos de problemas de ruteo de vehculos:
CVRP,MDVRPyPVRP.
DebidoalamezcladediferentestiposdeVRPenelproblema
presentadoenestetrabajo,paralaexperimentacinseusaron
conjuntosdedatosespecficosyconcaractersticasparticulares
resumidasenla Tabla1.
Laaplicacinenlaqueseimplementelalgoritmopermite
ademsseleccionarlaopcindeejecucinentresecuencialy
multihilos,loquepermiteaprovecharcomputadoresencuya
arquitecturasepuedenobtenermejoresresultadosdetiempos
derespuestaconunmtodomultihilos.
Tabla1.Conjuntosdeexperimentacin.
La aplicacin implementada muestra los resultados del
algoritmoconlositinerariosptimosporcadada(ver Figura
5),ademssepuedeobservarlaevolucinydiversidadpara
cadadadetalladaporiteracin(verFigura6).
Figura5.Representacindelasolucinmsptimaencontradaporda.
N=clientes,t =numerodedepsitos, d=rangodedemandade
losclientes, Q=capacidadhomogneadelosvehculosdela
flota yelCostoeslamejorsolucinconocida
TipoVRP
Conjunto
dedatos
N t d Q Costo
CVRP
1
An32k5 32 1 124 100 784
MDVRP
2
P07 100 4 150 100 885.8
PVRP
2
P07 100 4 150 100 885.8
RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663
142
V.RESULTADOS
1) Elresultadodelcomportamientodelalgoritmohbridopara
el CVRP con el conjunto An32k5 (ver Tabla 1) con la
siguienteconfiguracindeparmetrossepuedeobservarenla
Figura7.
Algoritmogentico:
NmerodeIteraciones=2000
NmerodeIndividuos=50
AlgoritmodeColoniadeHormigas:
NmerodeIteraciones=10
Nmerodehormigas=4
a =1b=5
CVRP:
NmerodePuntosAcopio=1
Figura6.Representacindelaevolucinydiversidaddeunaiteracin.
La Tabla 2. muestra el resumen de los resultados del
algoritmohbridodespusde10iteraciones.LaFigura8.yla
Figura 10. presentan el tiempo empleado a medida que se
encuentran mejores soluciones paracada caso en particular.
Este tiempo crece debido al aumento en el nmero de
generaciones.
Tabla 2. ResumenderesultadosdealgoritmohbridoCVRP.
700
800
900
1000
1100
1200
1300
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Generaci ones
C
o
s
t
o

Figura7.Costovs.GeneracionesparaCVRP.
700
800
900
1000
1100
1200
1300
1400
100 500 1000 1500 2000 2500 3000
Ti emp o
C
o
s
t
o

Figura8.Costovs.TiempoparaCVRP.
2) Elresultadodelcomportamientodelalgoritmohbridopara
elMDVRPyPVRPconelconjuntoP07(verTabla1)con
lasiguienteconfiguracindeparmetrossepuedeobservar
enlaFigura9.
Algoritmogentico:
NmerodeIteraciones=2000
NmerodeIndividuos=50
AlgoritmodeColoniadeHormigas:
NmerodeIteraciones=10
Nmerodehormigas=4
a =1b=5
MDVRPyPVRP:
Das=4
NmerodePuntosAcopio=4
Tabla 3. ResumenderesultadosdealgoritmohbridoMDVRPyPVRP.
MejorSolucin Promedio
Costo 803,6 822,18
Tiempo(seg.) 2603 2734,83
MejorSolucin Promedio
Costo 923,7 984,6
Tiempo(seg.) 3571 3597,7
Una metaheurstica hbrida aplicada a un problema de planificacin de rutas Soto, Soto y Pinzn 143
700
800
900
1000
1100
1200
1300
1400
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Generaci ones
C
o
s
t
o

Da 1
Da 2
Da 3
Da 4
Figura9.Costovs.GeneracionesparaMDVRPyPVRP.
800
900
1000
1100
1200
1300
1400
1500
500 1500 2000 2500 3000 3500 4000
Ti empo
C
o
s
t
o

Figura10.Costovs.TiempoparaMDVRPyPVRP.
Basadoenlosanterioresexperimentossepuedeanalizarque
elalgoritmo propuestoescapaz delograr buenassoluciones
paraelproblemadeenrutamientodevehculos.Paraelprimer
caso experimental con datos asociados a CVRP, la mejor
solucinencontradatieneuncostode803,6mientrasquela
solucin ptima tiene un costo de 784. El segundo caso
experimentalcondatosasociadosalacombinacindeMDVRP
yPVRPseencontrquelamejorsolucines923,7mientras
quelaptimatieneuncostode885,8.
VI.CONCLUSIONES
El desarrollo del algoritmo propuesto en un problema de
recoleccinbuscaplanificarlasrutasmsptimasentretodos
los lugares a visitar teniendo en cuenta su demanda y
considerandounaflotadevehculosconcapacidadhomognea,
mltiples centros de acopio o depsitos y un periodo de m
das,estosignificunabuenaaproximacinenlaaplicacin
demetaheursticashbridasparaencontrarsolucionesptimas.
Es importante realizar estudios ms profundos para aadir
ms restricciones que se puedan presentar en sistemas de
recoleccin.
Lainterfazgrficarealizadaesunaherramientaimportante
paravisualizarlasrutasobtenidas,seguirelcomportamiento
y la diversidad del algoritmo que se generan a lo largo del
nmerode iteracionesque fueroningresadas porel usuario,
suministrar informacin de los resultados, configurar
manualmentelosparmetrosdelalgoritmoyservircomoapoyo
estadsticoenlatomadedecisionesparaempresasconsistemas
derecoleccin.
Enesteartculosepresentaronresultadospreliminaresque
demuestran experimentalmente que el comportamiento del
algoritmohbridoatravsdelasgeneracionesmejoraelcosto.
Sepuedeobservarquelasmejoressolucionesencontradasdel
algoritmo hbrido son cercanas a las soluciones ptimas
conocidas para cada uno de los tipos de VRP usados en la
experimentacin.
REFERENCIAS
[1] Balseiro,S.,2007.Logsticaydistribucin:Algoritmosparaproblemasde
ruteo de vehculos con restriccionesde capacidad y ventanas de tiempo.
TesisdeMaestra.UniversidaddeBuenosAires,Argentina.
[2] Berbeglia,G.,Cordeau,J.F.,Gribkovskaia,I.yLaporte,G.,2007.Static
Pickup and Delivery Problems:A Classification Scheme and Survey.
JournalTOP,Vol.15(1),pp.4547.
[3] Dro, J., 2003.Adaptation de la mthode des colonies de fourmis pour
loptimisationenvariablescontinues.Applicationengniebiomdical.Tesis
dePhD.UniversidaddeParisXII,Francia.
[4] Dro, J., Ptrowsky,Al., Siarry, P. yTaillard,., 2003. Mtaheuristiques
pourloptimisationdifficile.Paris:EyrollesEditions,Francia.
[5] Gonzlez,G.yGonzlez,F.,2006.Metaheursticasaplicadasalruteode
vehculos.Uncasodeestudio.Parte1:formulacindelproblema. Ingeniera
eInvestigacin,Vol.26(3),pp.149156.
[6] Hanshar,F.,yOmbukiBerman,B.,2007.Dynamicvehicleroutingusinggenetics
algorithms. AppliedIntelligence,Vol.27(1),pp.8999.
[7] Ho.,W.,Ho,G.,Ji,P.yLau,H.,2008.Ahybridgeneticalgorithmforthe
multidepotvehicleroutingproblem. EngineeringApplicationsofArtificial
Intelligence,Vol.21,pp.548557.
[8] Kammarti,R.,Hammadi,S.,Borne,P.yKsouri,M.,2004.Anewhybrid
evolutionary approach for the pickup and delivery problem with time
windows. En: IEEE International Conference on Systems, Man and
Cybernetics,Vol.2,pp.14981503.
[9] Larson, R. y Odoni,A., 1981. Urban Operation Research. New Jersey:
PrenticeHall,USA.
[10] Le Bouthillier,A., Crainic,T. y Kropf, P., 2005.A Guided Cooperative
SearchfortheVehicleRoutingProblemwithTimeWindows. JournalIEEE
IntelligenceSystems,Vol.20(4),pp.3642.
[11] Manfrin, M., 2004.Ant Colony Optimization for the Vehicle Routing
Problem.TesisdeMaestra.UniversidadLibredeBruselas,Blgica.
[12] Martello,S.,Osman,I.H.,Voss,S.yRoucairol,C.,1999.MetaHeuristics:
AdvancesandTrendsinLocalSearchParadigmsforOptimization.Boston:
KluwerAcademicPublishers,USA.
[13] Miller, C. yTucker, R., 1960. Integer programming formulation of traveling
salesmanproblems. JournaldeACM,Vol.7(4),pp.326329.
[14]Potter,T. yBossomaier,T.,1995.Solving vehiclerouting problemswith
genetic algorithms. En: IEEE International Conference on Evolutionary
Computation,Vol.2(29),pp.788793.
[15] Rebreyend, P., 1999. Algorithmes gentiques hybrides en optimisation
combinatoire.TesisdePhD,EscuelaNormalSuperiordeLyon,Francia.
[16] Rizzoli,A.,Montemanni,R.,Lucibello,E.yGambardella,L.M.,2007.Ant
colony optimization for realworld vehicle routing problems. Swarm
Intelligence,Vol.1(2),pp.135151.
[17] Tan, K. C., Chew, Y. H. y Lee ,L. H., 2006. A hybrid multiobjective
RevistaAvancesenSistemaseInformtica,Vol.5No.3,Diciembrede2008,Medelln,ISSN16577663
144
evolutionary algorithm for solving truck and trailer vehicle routing
problems. European Jour nal of Operational Research, Vol. 172,
pp. 855 885.
[18] Toscano,G.,2001.OptimizacinMultiobjetivousandounMicroAlgoritmo
Gentico.TesisdeMaestra.UniversidadVeracruzana,Mxico.
[19]Wang,Y. P., Li,Y. H. yDang, C.Y., 2004.A novel globally convergent
hybrid evolutionary algorithm for travelling salesman problem. En:
InternationalConferenceonMachineLearningandCybernetics.Vol.4,pp.
24852489.
Daniel Sot o. Obtuvo su ttulo de Ingeniero de Sistemas en la Universidad
San Martn.Actualmente trabaja en proyectos de robtica para la empresa
privada. Sus reas de inters son los algoritmos y las metaheursticas.
Wilson Sot o. Ingeniero de Sistemas y Especialista en Ingeniera de
Software.Actualmente esta desarrollando su tesis de Maestra en Ingeniera
de Sistemas y Computacin en la Universidad Nacional de Colombia.
Hace parte del grupo Algoritmia y Combinatoria ALGOSUN de la
Universidad Nacional de Colombia. Sus principales reas de inters son la
algoritmia, bioinformtica e ingeniera del software.
Yoan Pinzn Ingeniero de Sistemas, Especialista en Ingeniera de Software,
MasterenIngenieradeSistemasyComputacinAvanzadadelaUniversidadde
Londres,ReinoUnidoyDoctordeFilosofadelaUniversidaddeLondres,Reino
Unido. Director del grupo Algoritmia y Combinatoria ALGOSUN de la
UniversidadNacionaldeColombia.Actualmentesedesempeacomoprofesor
asociadoenelDepartamentodeIngenieradeSistemasenlaUniversidadNacional
deColombia.Susprincipalesreasdeinterssonlaalgoritmia,bioinformticay
criptografa.