CAPÍTULO 3.

OPTIMIZACIÓN DE LA GENERACION DE HORARIOS DE

TRENES.

En este capitulo se ilustran los resultados obtenidos en lo concerniente al

mantenimiento y gestión de la base de datos, la cual quedó soportada por el

sistema de gestión de bases de datos Microsoft Access 2003. Además se

describe el establecimiento de los parámetros iniciales y otras características

para la ejecución del método de solución del modelo genético diseñado a tal

efecto.

3.1. Mantenimiento y gestión de la base de datos

Para desarrollar con éxito la tarea del scheduling de los horarios de los trenes del

Metro de Caracas, se debe de mantener actualizado un conjunto de tablas que

pertenecen a la base de datos del sistema de planificación de esta tarea, pues la base

de datos es la encargada de suministrar la información inicial necesaria para que el

método de solución al modelo genético comience su labor de búsqueda de soluciones.

A continuación se muestran los diálogos correspondientes a las diferentes entidades

que se mantienen en la base de datos. Este mantenimiento esta dirigido a tres

operaciones fundamentales que son: ALTA, mediante la cual se adicionan registros,

BAJA, donde se eliminan los diferentes registros de las tablas, y MODIFICACION,

donde se modifican datos incorrectos que persistan en las diferentes tablas de la base

de datos.

La entidad LINEAS es la primera que se ilustra en la figura 3.1 que aparece a

continuación.

71
 Figura 3.1 Formulario que contiene las Líneas

Otra entidad es TRENES, la cual aporta al método la información relativa a los

trenes y datos importantes como lo son las velocidades máxima y mínima a

que se puede desplazar cada tren, los valores de estas velocidades se utilizan

también para el cálculo de los diferentes tiempos. El diálogo correspondiente a

esta entidad aparece en la figura 3.2.

Figura 3.2. Formulario que contiene los Trenes

Otra entidad que aporta información importante es ESTACIONES.

Figura 3.3. Formulario que contiene las Estaciones

Existe una entidad que recogerá la información que genera el método de

solución del modelo genético propuesto, esta es la tabla HORARIOS

72
 Figura 3.4. Formulario que contiene los datos de los Horarios

Se debe destacar la tipificación del tratamiento de las tablas de la base de

datos, con el sistema de gestión de bases de datos, lo cual redundó en una

adecuada productividad en el desarrollo de este módulo del sistema.

Como se aprecia en la tabla HORARIOS quedará registrada, luego que se

ejecute el módulo que soluciona el modelo genético, la información relativa al

scheduling del horario de los trenes del Metro de Caracas. Esta información

que aquí queda registrada es la base para la generación de los gráficos del

timetable, de gran utilidad en los puestos de mando de operación y control de

trenes.

A partir de los datos que contiene la base de datos también se puede en un

futuro realizar diferentes estudios estadísticos para analizar el

comportamiento de variables de interés por parte de las empresas

ferroviarias en Venezuela.

3.2. Enlace entre el Módulo de Base de Datos y el de Optimización.

Un aspecto importante dentro de la concepción misma de este trabajo lo

constituye el enlace entre las diferentes partes de software involucrados en la

solución del problema planteado. Solo se presenta en este momento los

referidos al SGBD y al módulo de optimización. No se discute o presentan

73
aspectos de índole organizativos a las empresas ferroviarias de Venezuela

debido a que estos elementos se considerarán en una etapa de implantación

del sistema en dichas empresas.

Una vista esquemática de esta integración donde se incluye una arquitectura

del sistema, así como el parte del flujo de la información que intercambian el

módulo de optimización y la base de datos, es la que se ilustra en la figura3.5:

Figura 3.5. Esquema de la arquitectura y el flujo de la información del sistema

En la Figura 3.5. se aprecian los tres elementos principales como son:1) la

base de datos, 2) el modelo matemático y 3) el módulo de optimización con los

algoritmos genéticos que integran la arquitectura del sistema propuesto. Estos

elementos se conjugan con las entradas de datos técnicos elaborados por las

empresas ferroviarias para la preparación de los horarios de trenes, los

horarios programados para cada línea y una relación integrada del despacho

de trenes y el control de tráfico de trenes en las distintas líneas que conforman

el sistema, y así poder mejorar el nivel de servicio prestado a los pasajeros.

3.3. Selección de los datos de la Base de Datos para ser enviados al

Módulo de Optimización.

Ha sido necesario el desarrollo de métodos de selección de información de la

base de datos para ser enviados al módulo de optimización. Esta interface

74
 en su componente más profunda se desarrolló en lenguaje SQL. Para ello

se crearon varias consultas que recuperan los datos según requiere el

módulo de optimización. Una del tipo de creación de tablas es la que

aparece a continuación:

SELECT
ESTACIONES.IDEstacion, ESTACIONES.TipoDeEstacion
INTO
OpzEstaciones
FROM
ESTACIONES;

Este caso lo constituye el envío de información relativa a las estaciones del

metro, pera lo cual se utilizó la consulta anterior. En la misma se han resaltado

en negrita los elementos del lenguaje SQL que constituyen palabras

reservadas del mismo. Este aspecto facilita la mejor comprensión del

significado de la sentencia. Se pueden observar entre otros aspectos el

aprovechamiento de las relaciones entre las tablas involucradas y la

explotación efectiva de la misma por estar en 3FN.

De igual manera ocurre con la selección de las LINEAS:

SELECT
LINEAS.IDLinea, LINEAS.NombreLinea
INTO
OtzLinea
FROM
LINEAS;

Una consulta más compleja la constituye la que crea la tabla que recoge los

datos del scheduling de los horarios de los trenes por líneas. Esta se ilustra a

continuación:

75
SELECT
LINEAS.IDLinea,
TRENES.IDTrenes,
TRENES.VelMax,
TRENES.VelMin,
HORARIOS.IDEstacion,
HORARIOS.TiempoLlegada,
HORARIOS.TiempoSalida,
HORARIOS.TiempoSalida,
HORARIOS.TiempoTransferencia,
HORARIOS.TiempoTransferencia,
ESTACIONES.EstacionNombre,
ESTACIONES.TipoDeEstacion

INTO
[Entrada a la Optimizacion]

FROM
(LINEAS INNER JOIN TRENES ON LINEAS.IDLinea = TRENES.Linea)
INNER JOIN ([TIPO DE ESTACION]
INNER JOIN (ESTACIONES INNER JOIN HORARIOS
ON ESTACIONES.IDEstacion = HORARIOS.IDEstacion)
ON [TIPO DE ESTACION].TipoEstacion = ESTACIONES.TipoDeEstacion)
ON TRENES.IDTrenes = HORARIOS.IDTren;

Otro aspecto de interés a observar es lo referido a que varios campos de la

misma quedarán temporalmente vacíos, pues luego serán llenados en la

corrida del modulo de optimización que es el encargado de calcular los mejores

tiempos de transferencia y espera en las estaciones para cada tren de cada

línea en cada estación.

No es ocioso destacar que todas las consultas se realizaron al utilizar el

Sistema de Gestión de Bases de Datos de Microsoft Access por lo que la

generación de las sentencias SQL puede que difieran sintácticamente con las

versiones propias de otros SGBD e incluso con la referencia estándar del

lenguaje SQL.

76
3.4. Empleo de los Algoritmos Genéticos.

Para el ejemplo del timetable discutido en este trabajo, se utilizó la biblioteca en

C++ de algoritmos genéticos GAlib, desarrollada por Mathew Bartschi Wall [6],

también otras herramientas de software como el MatLab 2007 de The

MathWorks, y el Microsoft Excel 2003 del MS Office. Se selecciona el caso del

Metro de Caracas, el cual es representativo dada la cantidad de variantes que

se presentan para ser analizadas. Se tomó en consideración el número de

trenes, el número de líneas, el número de estaciones. La población inicial se

generará aleatoriamente como es propio de este método.

Los parámetros del algoritmo genético empleados se muestran en la tabla 3.1.

Tabla 3.1 Parámetros del algoritmo genético.

Tamaño de Probabilidad de Probabilidad Número de

Población Cruzamiento de Mutación Generaciones
50 45% 5% 1000

Los valores de ponderación w1, w2, w3 fueron: 0.31, 0.42 y 0.27

respectivamente. Los valores de w1, w2 y w3 se fijan por el usuario en

dependencia del peso deseado para cada uno de los criterios de

optimización.

Cada nueva descendencia producto del cruzamiento, representa una nueva

secuencia de horario que es evaluada por la función de aptitud (F) en

dependencia de la factibilidad de la secuencia y de los criterios de

77
 optimización que se han definido en el modelo genético por medio de los

valores de ponderación (w1, w2, w3).

La mutación es controlada para evitar que se introduzcan valores no factibles

producto de la aplicación de ese operador. En la sección 1 del cromosoma la

mutación consiste en intercambiar uno de sus genes por otro, ambos

seleccionados al azar. En el caso de que existan genes duplicados dentro de la

secuencia de la sección 1 del cromosoma, la mutación consiste en corregir la

duplicación. El cambio realizado producto de la mutación es seguido por una

actualización del resto de las otras secciones del cromosoma, para garantizar

que la nueva secuencia sea válida también en las otras secciones. Para las

otras secciones del cromosoma, la mutación consiste en el cambio del valor de

un gen, escogido aleatoriamente, por uno de los restantes valores posibles

para el mismo, elegido también al azar. La mutación potencia la diversidad en

la población y evita la convergencia hacia una solución local del espacio de

soluciones.

La mutación en la sección de secuencia de horarios consiste en intercambiar

uno de sus genes por otro sin permitir duplicados. Por tanto la mutación del gen

de horarios para un tren solo puede tener uno de esos valores. La mutación

consiste en sustituir un horario por otro valor seleccionado aleatoriamente de

los posibles valores de horario para ese elemento.

3.4.1. Cromosomas de las Secuencias de Solución.

Las secuencias de solución están formadas por una población de

secuencias soluciones del horario modelado. Estas son ordenadas de forma

descendente en función de su valor de aptitud. La tabla 3.2. representa las

78
salida de los resultados que se obtendrá para el caso de varias secuencias

de horarios de varios trenes que van en un sentido y otro de las vías férreas

de la línea 1. Estas son resultados gráficos que brindará el módulo de la

optimización.

Tabla 3.2 Soluciones para el horario de trenes

La justificación del empleo del método de los Algoritmos Genéticos se hace

más evidente en situaciones de mayor complejidad, donde el gran número

de alternativas a analizar, hace que no sea práctico el uso de softwares

estándares, ni tampoco generar y analizar todas las variantes existentes.

Este método permite la reducción del tiempo computacional.

Al utilizar una función de aptitud con la cual se evalúan a los individuos de la

población, se logra, además de garantizar la factibilidad del scheduling del

horario de trenes, la convergencia del método hacia secuencias de horarios

optimizados.

79
3.4.2. Resultados que se esperan del método propuesto.

Al utilizar los Algoritmos Genéticos para resolver cualquier problema, es

necesario tener en cuenta que, por ser un método no determinista, se

pueden obtener distintos caminos de soluciones para un mismo caso en

distintas ejecuciones. Esto ocurre porque, entre otras razones, el azar

desempeña un papel importante en la evolución de las soluciones.

La velocidad de convergencia del método de solución para la optimización

de secuencias de horarios de trenes, por medio de algoritmos genéticos,

depende de los parámetros y restricciones impuestas al método. Existe

una relación directa entreel número de generaciones y el mejoramiento

del valor de aptitud de susindividuos.

El modelo propuesto se empleará una vez concluida su programación e

integración con la base de datos del sistema como banco de prueba con

los datos completos del Metro de Caracas durante un periodo piloto

donde se comprueben los resultados del sistema con los que diariamente

realizan manualmente el Departamento de Planificación y Control de

trenes del metro de Caracas.

En las líneas con menor número de trenes, los Algoritmos Genéticos

pueden llegar a encontrar la solución óptima, como si se realizara un

estudio de todas las posibles secuencias de horarios. Sin embargo, se ha

de tener en cuenta que para llegar a la mejor solución, cuando el número

de componentes es elevado, esta solución óptima puede no ser

alcanzada en un tiempo razonablemente corto, debido a que, no solo el

número de generaciones es mayor, sino que también lo es el tiempo de

80
cálculo de cada generación. A pesar de todo, incluso para líneas férreas

de gran complejidad, los Algoritmos Genéticos no solo son capaces de

encontrar una solución válida, sino que el nivel de cumplimiento de los

factores de optimización es muy elevado y cercano a la solución ideal. De

todas formas esta pequeña reducción de la calidad de la solución, queda

compensada con la enorme reducción en tiempo de cálculo.

Se espera dadas la pruebas realizadas que mientras mayor sea el número

de generaciones ejecutadas por el método de optimización, mayor

probabilidad existe de encontrar el mínimo de la función aptitud. Al

hacerse mínima la función de aptitud, se minimiza la función objetivo (Z),

que es uno de los objetivos principales del método de optimización

propuesto. Al mismo tiempo, se garantizará la selección de las mejores

variantes de tiempos, según las restricciones impuestas al modelo de

optimización y a los valores de ponderación seleccionados por el usuario.

3.4.3. Comparación del método actual utilizados por el Metro de

Caracas con el método propuesto en esta tesis.

Actualmente el cálculo de los horarios de trenes en el Metro de Caracas

es elaborado por la Gerencia Ejecutiva de Transporte Metro, y la

Coordinación de Apoyo Técnico para la Planificación y Control de

Operaciones de una manera casi manual donde solo utiliza el software

Microsoft Excel 2003 del MS Office para dicho propósito. Se plasman

allí datos como: Salida Programada, Rango, Número de Trenes, Hora de

Despacho, e Intervalos entre trenes.

81
 La asignación de los tiempos obedece a un caudal de experiencia del

personal a cargo de esta tarea, mas no existe garantía alguna de que

estos tiempos asignados para cada tren, de cada línea, no puedan ser

mejorados.

Todos estos datos generan unas planillas donde también se obtiene como

resultado a la cantidad de despachos por hora en una línea determinada.

A continuación se muestra un fragmento del modelo de planilla con la

información utilizada por esta empresa:

Tabla 3.3 Planilla tipo usada en el metro de Caracas.

ZONA RENTAL

SAL. RANGO M.T. NUM.TRE HOR.DESP INTER MAN

P
1 C 221 5:00:00 DEL
2 C 223 5:35:00 35:00 DEL

3 C 204 5:46:00 11:00 DEL

4 C 206 6:01:00 15:25 DEL
6 C 221 6:06:25 05:00 DEL
7 C 202 6:16:25 10:00 DEL
8 C 203 6:26:25 10:00 DEL

CANTIDAD DESPACHO X HORA 6

En esta labor la empresa emplea varios empleados para realizar la tarea

antes expuesta. Con el uso de la nueva propuesta de solución a este

problema, se reduciría la cantidad de hombres directos en el desarrollo

de estos horarios. Se espera una mayor productividad y precisión de

82
 los resultados, con el correspondiente incremento de la utilización de

los recursos humanos y materiales.

Los datos comparativos en término económicos se realizarán una vez se

concluya completamente el módulo de optimización propuesto en este

trabajo.

3.5. Conclusiones del Capítulo 3.

Los Algoritmos Genéticos son una poderosa herramienta para la

optimización multiobjetivo del problema del scheduling o timetable. Son

capaces de encontrar una solución válida con un elevado nivel de

cumplimiento de los factores de optimización en poco tiempo, aún

cuando el número de líneas y trenes sea elevado, con una significativa

reducción del tiempo de cálculo.

Una buena solución será fácilmente determinada y se podrá verificar el

resultado obtenido. En todos los casos, el modelo encontrará la mejor

solución en un menor número de iteraciones que otros métodos

estudiados.

83