Vous êtes sur la page 1sur 9

Aplicacin de TSP para Planificacin de Rutas de Trabajo de una Empresa Distribuidora

RESUMEN En el mundo de hoy cualquier empresa distribuidora que cumple con entregar sus productos mediante planificacin de rutas debe estar en constante estudio de sus gastos de transporte, tales como gasolinas, gastos operacionales, mantenciones, entre otras, lo cual est en directa relacin con la ruta empleada, ya que al hacer una buena eleccin de esta, podremos obtener un ahorro de materia prima, tiempo y gastos. En este trabajo nos enfocaremos en la poltica de rutas empleada por la empresa, con el fin de hacer una comparacin de la ruta ptima obtenida mediante el estudio y aplicacin del TSP. Teniendo en cuenta que a pesar de lo complejo de estos problemas que pertenecen al rea de Optimizacin Combinatoria, estos son de suma importancia a lo que se refiere la logstica de trasporte, y como un correcto y riguroso estudio puede marcar grandes diferencias, a lo que optimizar recursos se refiere.

Palabras clave: Planificacin de ruta, TSP (Travelling Salesman Problem), Ruta optima, Optimizacin Combinatoria, logstica de trasporte, optimizar recursos

2012

1.

INTRODUCCIN

La dificultad de distribuir los productos de cierta empresa a todos sus usuarios juega un papel fundamental en lo que es gestin de logstica ya que al poder realizar una adecuada planificacin de sus rutas puede significar considerables ahorros, pues se estima que los costos de transporte representan entre un 10% y un 20% del costo final de los bienes . Es por esto que se ha dedicado un enorme esfuerzo en la investigacin de problemas de optimizacin combinatoria, ya que estos resultan de inters no solo por su complejidad de resolucin, sino que tambin por la gran cantidad de situaciones prcticas en las que suelen ser aplicadas. Uno de los ms conocidos e importantes problemas de esta rea son los Routing Problems cuya traduccin al espaol es Problemas de Ruta, siendo este uno de los ms interesantes en el estudio de la logstica de transportes, el cual ser el centro de este paper. Al querer clasificar los problemas de ruta dependiendo del lugar donde se produce la demanda distinguimos dos tipos: los Problemas por Vrtice y los Problemas por Arco. Nuestro problema corresponde al primero ya que este consiste esencialmente en visitar por medio de un vehculo a todos los clientes los cuales estn situados en los nodos o vrtices de un grafo, tal es el caso de obtener un ciclo que pase por todos los vrtices de un grafo de forma que la distancia total recorrida sea la mnima posible. Clasificndose esta interrogante como el conocido TSP (Travelling Salesman Problem o Problema del Vendedor Viajero) lo cual para este caso debemos tener en cuenta que existe un nico vehculo que realiza el viaje. Segn Larson y Odoni (1981), el clsico TSP consiste en encontrar, a partir de un punto dado de una red, la ruta de mnima distancia necesaria para visitar un set especfico de nodos solamente una vez, y eventualmente retornar al nodo inicial. La especificacin de que cada punto puede ser visitado una sola vez implica asumir que es posible encontrar una ruta que puede cumplirla, para lo cual se requiere que la red 1 est completamente conectada. Para el caso especial en que la capacidad de los vehculos sea limitada y nos obligue a la necesidad de hacer ms de una ruta, o que nos encontremos con restricciones de distancias, carga o capacidad, ventanas de tiempo, restricciones de precedencia, entre otras, las cuales ocurren comnmente en la vida real, nos obliga a enfocarnos en un caso particular del TSP que es el VRP (Vehicle Routing Problem o Problemas de Ruteo de Vehculos), la variedad de situaciones que se presentan en la vida real pueden ser verdaderamente difciles, por lo que la solucin optima puede ser ms compleja que los problemas clsicos estudiados, trayendo consigo cada situacin sus restricciones y condiciones ya que al querer encontrar una solucin a un problema debemos considerar todas las restricciones que este tiene. El VRP es una generalizacin natural del TSP en donde la demanda total requiere ms de un vehculo. Siendo este el problema, es ms difcil que el anterior, ya que al igual que el TSP corresponde a un problema difcil de resolver ptimamente, perteneciendo ambos a la clase de problemas NP-Hard (NPDifcil), esta dificultad radica en que no es posible construir un algoritmo que en tiempo polinomial resuelva cualquier instancia del problema.

Universidad Politcnica de Catalunya. Temas de Trasporte y Territorio. (en lnea) <http://www.edicionsupc.es/ftppublic/pdfmostra/OE04202M.pdf> (citado en abril de 2005).

Nuestro problema consistir en encontrar una buena ruta para nuestro distribuidor cuyo sector de reparticin est ubicado en la comuna de San Pedro de la Paz y est conformada por 12 clientes a los cuales se debe abastecer de confites durante la jornada de trabajo. Como las empresas estn sujetas a las incertidumbres del mercado (en trminos de consumo, costo de combustibles, complejidad de planificacin, etc.) resulta particularmente interesante la integracin de las herramientas ms adecuadas para la resolucin de sus problemas de gestin de rutas. En general este problema servir para demostrar como las tcnicas de investigacin operativa relativas al diseo de rutas pueden ayudar a contrarrestar los desequilibrios existentes entre la importancia del sector y su capacidad calidad-servicio. Es importante mencionar que luego de aplicar nuestras tcnicas de optimizacin para el diseo de rutas se espera mejorar entre un 3% y un 20% del costo total de transporte. Adems es necesario tener claro que en este problema, que vamos a proceder a analizar, ser idealizado ya que ignoraremos cualquier limitacin que pueda presentarse en la cotidianeidad, con el fin de simplificar y facilitar los procedimientos de resolucin, ya que por el momento las herramientas que poseemos no son lo suficientemente completas para poder aplicarlas en su totalidad, con esto nos reduciremos a la aplicaciones de las tcnicas de resolucin para el TSP. Con el fin de todo lo anteriormente descrito, a continuacin detallaremos los mtodos a utilizar para encontrar nuestra anhelada solucin ptima la cual responda a que si nuestro distribuidor parte de un punto origen (depsito) y las distancias a los clientes son conocidas Cul es la ruta optima que debe elegir para visitar a todos los clientes y volver al punto de partida? 2. MTODO DE RESOLUCIN

Ya hemos dicho que el problema del vendedor viajero posee una dificultad superior, en especial este problema ha sido clasificado como los problemas de la Clase-Difcil (NP-hard y NP-completo), pero a pesar de no haber encontrado un algoritmo resolutivo bueno, no podemos afirmar que este no exista, lo que podemos afirmar del TSP es que este s tiene solucin, pues podemos evaluar todas las alternativas posibles y escoger la de menor costo. El problema radica en que el nmero posible de soluciones aumenta de manera significativa cuando incrementamos el tamao del problema obteniendo como nmero total de rutas posibles: (n-1)! Lo cual implicara para nuestro caso particular de 13 nodos, por medio de fuerza bruta evaluar un total de 6.227.020.800 rutas posibles, aunque el problema puede resolverse en un nmero finito de pasos esto no es suficiente, ya que el tiempo necesario para resolverlo puede tomar aos o incluso siglos, lo cual nos llevara a buscar otra estrategia u otros algoritmos que reduzcan nuestro tiempo de bsqueda. 2.1. FORMULACIN MATEMTICA Nuestro TSP puede ser descrito segn la teora de grafos de la siguiente forma: Sea G(V,A) un grafo completo, en donde V= 1,,12 siendo los nodos del grafo que representan a nuestros clientes, donde V = 0 ser en especial el nodo deposito. A es el conjunto de arcos. A cada arco (i,j) le asociaremos un valor no negativo cij, que representara la distancia en metros del vrtice i al j. Denotaremos por +(i) y (i) al conjunto de nodos adyacentes e incidentes al nodo i, es decir, +(i) = {j V | (i, j) A} y (i) = {j V | (j, i) A}. De manera similar, el conjunto de arcos incidentes hacia el exterior e interior del nodo i se definen como +(i) = {(i, j) A} y (i) = {(j, i) A}.

El problema del TSP puede formularse de la siguiente forma:

Esta formulacin fue propuesta por Dantzig, Fulkerson y Johnson. Las variables binarias indican si el arco (i, j) es utilizado en la solucin. La funcin objetivo (1) establece que el costo total de la solucin es la suma de los costos de los arcos utilizados. Las restricciones (2) y (3) indican que la ruta debe llegar y abandonar cada nodo exactamente una vez. Finalmente, las restricciones (4) son llamadas restricciones de eliminacin de sub-tours e indican que todo subconjunto de nodos S debe ser abandonado al menos una vez. Esta formulacin no sigue resultando fcil para problemas de tamao considerable. En nuestra bsqueda de encontrar soluciones tenemos que plantearnos que es lo que arriesgamos, utilizamos buenos algoritmos que nos entreguen una solucin optima, pero arriesgndonos a invertir demasiado tiempo, o preferimos la bsqueda de soluciones rpidas pero aceptando la posibilidad que estas no sean optimas. En nuestro desarrollo nos enfocaremos en las del segundo tipo, siendo estas las ms populares y escogidas en los casos prcticos, nos referimos a los mtodos o algoritmos que reciben el nombre de heursticas. 2.2. HEURSTICAS Estos algoritmos dan soluciones casi ptimas, esta estrategia es la ms popular cuando se trabaja con TSP, por ser esta la ms prctica. Las heursticas suelen ser divididas en dos grupos: los que buscan una nica solucin factible y los que tratan de mejorar una solucin dada. En los del primer grupo encontramos al conocido algoritmo del vecino ms cercano y entre las del segundo encontramos los mtodos 2-opt y 3-opt. Los algoritmos heursticos son actualmente uno de los campos ms fructferos en la resolucin de problemas combinatorios entre los que se encuentran los problemas de rutas. A pesar de no garantizar la resolucin optima, la heurstica suele producir soluciones de calidad demostrada, estos se ha comprobado en aquellos ejemplos en donde por su tamao es posible resolverlos con exactitud, donde la distancia con el costo optimo no suele sobrepasar el 1% en muchos ejemplos. 2.2.1. HEURSTICA DEL VECINO MS CERCANO

La relevancia de este mtodo se debe a su simplicidad. Este algoritmo esta dentro del grupo de los algoritmos llamados Greedy, traducido al espaol codicioso. Pues en cada iteracin se busca la mejor

opcin, aunque este implique que la solucin final no sea la ptima, ya que por lo general este tipo de algoritmos no entrega la solucin ideal. De manera general el pseudocdigo de este algoritmo se describe en el siguiente esquema: 1. 2. { ( 3. { } ) } { }

En el caso de nuestro grafo buscaremos la solucin aplicando el mtodo del vecino ms cercano. 2.3. MODELAMIENTO DEL PROBLEMA En nuestro ejercicio nos encontramos con un grafo simtrico, completo que contiene 13 nodos que corresponden a nuestros clientes ubicados geogrficamente en el sector de San Pedro de la Costa, a los cuales se debe abastecer de confites mediante un vehculo (furgn) el cual recorrer las calles necesarias para poder cumplir con el abastecimiento de sus clientes. El mapa en el cual podemos identificar las calles o rutas, por donde se puede transitar, se presenta en la siguiente figura :

Figura 1: Mapa extrado de google maps.

Los costos que se muestran a continuacin en la tabla 1 muestra las distancia que hay entre cada nodo teniendo claro que estas corresponden a las distancias entre las calles presentes y no a la lnea recta entre cada nodo, ya que nos restringen la existencia de las vas.
0 0 1 2 3 4 5 6 7 8 9 10 11 12 1400 1600 1500 1700 700 600 700 650 540 315 260 400 120 210 300 850 800 900 1000 1100 1200 1100 1700 110 220 1000 900 850 900 1000 1300 1200 1900 230 750 850 770 800 950 1200 1200 1800 1000 1100 1000 1070 1200 1400 1400 1900 120 120 170 300 600 450 1100 210 260 350 450 300 950 50 190 450 450 1100 140 400 400 1000 280 350 900 130 700 600 1 1400 2 1600 120 3 1500 210 110 4 1700 300 220 230 5 700 850 1000 750 1000 6 600 800 900 850 1100 120 7 700 900 850 770 1000 120 210 8 650 1000 900 800 1070 170 260 50 9 540 1100 1000 950 1200 300 350 190 140 10 315 1200 1300 1200 1400 600 450 450 400 280 11 260 1100 1200 1200 1400 450 300 450 400 350 130 12 400 1700 1900 1800 1900 1100 950 1100 1000 900 700 600

Tabla 1. Costos (en metros) entre cada par de vrtices

3.

RESULTADOS

3.1. RESOLUCIN MEDIANTE EL MTODO DEL VECINO MS CERCANO Antes de comenzar tenemos que dejar en claro que la ruta existente (ruta utilizada por el distribuidor), va en el mismo orden que el nmero de nodos siendo esta nuestra referencia inicial, 0-1-2-3-45-6-7-8-9-10-11-12-0, dando un peso total de 4790[m]. En la Figura 2 se muestra el grafo completo, totalmente conectado, siendo los pesos de estos los mostrados anteriormente en la Tabla 1. A continuacin de esta se muestra la Figura 3 en donde est representada la ruta utilizada actualmente por el repartidor.

Figura 2. Grafo completamente conectado.

Figura 3. Situacin real de la ruta a optimizar.

Ahora procederemos a detallar los pasos y resultados obtenidos luego de aplicar la heurstica del vecino ms prximo, con la intencin de mejorar la actual ruta (con peso total de 4790[m]).

Comenzando en el nodo 0 (deposito) buscamos la arista adyacente a este que tenga el menor peso conectndolo con el nodo siguiente y repitiendo este paso con cada nodo que vayamos tomando (pseudocdigo de este algoritmo detallado anteriormente), teniendo presente que el nodo final tendr que ser el mismo en el cual iniciamos el recorrido. Los datos seleccionados a partir de este procedimiento estn destacados en la siguiente tabla:
0 0 1 2 3 4 5 6 7 8 9 10 11 12 1400 1600 1500 1700 700 600 700 650 540 315 260 120 210 300 850 110 220 1000 900 850 900 1000 1300 1200 230 750 850 770 800 950 1200 1200 1000 1100 1000 1070 1200 1400 1400 120 1 1400 2 1600 3 1500 210 4 1700 300 220 5 700 850 1000 750 1000 6 600 800 900 850 1100 7 700 900 850 770 1000 120 210 210 260 350 450 300 8 650 1000 900 800 1070 170 260 50 9 540 1100 1000 950 1200 300 350 190 140 10 315 1200 1300 1200 1400 600 450 450 400 280 11 12 400 1700 1900 1800

260
1100 1200 1200 1400 450 300 450 400 350 130

120

110

230

1900
1100 950 1100 1000 900 700 600

120 120
170 300 600 450

800
900 1000 1100 1200 1100

50
190 450 450

140
400 400

280
350

130

950 1100 1000 900 700 600 400 1700 1900 1800 1900 1100 Tabla 2. Tabla de costos, desatancndose los costos solucin en negrita, y los costos originales con subrayado.

En la Figura 4 se nos muestra el grafo correspondiente a la solucin obtenida mediante el mtodo del vecino ms cercano.

Figura 4. Grafo solucin.

Mediante el procedimiento anterior se obtiene un costo total de 4660[m], optimizndose en un 3% la ruta original. Las tcnicas de programacin lineal como lo son CPLEX o LINGO hacen posible una resolucin exacta de un problema, aunque este proceso ha sido importante aun tienen varias limitaciones con respecto a tener un tiempo razonable. A pesar que resuelve problemas que hace 10 aos serian impensados, aun resulta insuficiente para cubrir las necesidades reales. En esta ocasin utilizaremos el software LINGO 9.0 para as verificar y/o chequear nuestro resultado anterior. Detallaremos que la estructura de datos para el grafo asociado al problema utilizamos

una matriz de 13x13 correspondiente a la matriz de caminos del grafo. Usamos el lenguaje computacional c++, en un computador con procesador Intel dual-core T4400 de 2.40 Ghz y 2 Gb de memoria ram. ram.

Figura 5. Breve anlisis que se realizo en el software LINGO, en donde podemos verificar la coherencia de resultados.

4.

ANLISIS DE RESULTADOS Luego de utilizar el algoritmo del vecino ms cercano, procederemos a analizar los resultados.

Primero tener en cuenta que para el mapa de la figura 1, complementada con la figura 2, podemos visualizar al grafo completo, siendo a simple vista bastante difcil encontrar su solucin, pero al momento de optar por el mtodo heurstico del vecino ms cercano, en nuestro problema se simplifica considerablemente la dificultad para encontrar una ruta optimizada, donde al momento de utilizar la tabla 1, de costos, el tiempo para encontrar tal ruta se reduce a unos minutos. En la tabla 2 se destacan con letra negrita los valores con los cuales hacemos uso del algoritmo, y se subrayan los valores en los cuales la ruta se trabajaba antes de ser optimizada. En la figura 4 encontramos el grafo con la ruta optimizada luego de aplicar el algoritmo del vecino ms cercano, vemos como es bastante ms simple si la comparamos con la figura 2 del grafo completo. En la figura 5 encontramos el anlisis del programa LINGO, aplicada a la tabla 1, de costos del grafo completo, y como este encuentra una solucin global optima. En la figura 3, encontramos la ruta a optimizar. El orden en que esta es recorrida, comenzando por el nodo 0 (deposito) es: |0-1-2-3-4-5-6-7-8-9-10-11-12-0| la cual al complementarla con la Tabla 1 encontramos que el costo total recorrido por medio de esta ruta es 4790[m]. Al aplicar el algoritmo, modificamos la ruta y obtenemos una ruta optimizada, la cual encontramos en la figura 4. En esta el recorrido es seguido en el siguiente orden: |0-11-10-9-8-7-5-6-1-2-3-4-12-0|, lo cual al complementar con la tabla 1 se tiene que el costo total recorrido por esta ruta es de 4660[m]. Tabla Resumen: Total ruta sin optimizar Total ruta optimizada Total de diferencia

4790 m 4660 m 130 m

En la tabla mostramos la comparacin de los resultados obtenidos, dando un total de 130[m] de diferencia de la ruta optimizada, este valor corresponde a un 2.72% menos de metros recorridos (costo), lo que trae consigo un ahorro diario de tiempo y combustible. Este valor es muy cercano al 3% de optimizacin que generalmente trae consigo la aplicacin del algoritmo del TSP para la optimizacin de rutas, y si lo aplicamos a la cantidad de veces en el ao en que se debiera realizar el recorrido tendramos un total de 6,5[km] ahorrados en el ao. Al utilizar LINGO, este arrojo valores muy cercanos a los cuales nosotros tambin llegamos. Si consideramos la ruta inicial, y la ruta optimizada notamos que la diferencia no es mucha, con lo cual podemos decir que la ruta utilizada por el distribuidor no era mala en comparacin con la que nosotros obtuvimos. 5. CONCLUSIONES

Como primer objetivo nos planteamos ser capaces de encontrar un mtodo simple, rpido y que no necesite tantos recursos, ya que al existir este mtodo nos facilitara el estudio de optimizacin. En nuestra bsqueda nos encontramos con los mtodos heursticos, convirtindose estos en nuestro elegido para ser aplicado, ya que cumplan con las condiciones, en especial nos enfocamos en el algoritmo del vecino ms cercano, donde este al no ser el ms exacto, resulto ser el mejor. Despus de obtener nuestros resultados podemos sacar distintas conclusiones, optimizamos, pero no considerablemente, pero aun as logramos el objetivo. Lo importante es que sea la ruta que sea, al hacer un pequeo estudio, sencillo como fue el vecino ms prximo, se obtuvo un ahorro. Todas estas herramientas debiesen ser conocidas masivamente en las empresas, ya que su buen uso puede producir cambios positivos para la enorme cantidad de aplicaciones a las cuales podemos citar.

6.

REFERENCIA BIBLIOGRFICAS [1] Aida Calvio Martnez . Cooperacin en los problemas del viajante (TSP) y de rutas de vehculos (VRP): una panormica. <http://eio.usc.es/pub/mte/descargas/ProyectosFinMaster/Proyecto_762.pdf>. Junio 2011. [2] Vicente Campos Aucejo, Universidad de Valencia. Problemas de Rutas. <http://www-eio.upc.es/~elena/Tutoriales/rutas.pdf> [3] Alfredo Olivera, Universidad de la Republica, Montevideo, Uruguay. Heursticas para Problemas de Ruteo de Vehculos. <http://www.fing.edu.uy/inco/pedeciba/bibliote/reptec/TR0408.pdf>. Agosto 2004. [4] ngela Fernndez Pascual, Irene Rodrguez Lujn. ANLISIS DE ALGORITMOS Prctica 1: Algoritmos codicioso sobre grafos: TPS y Kruskal. <http://arantxa.ii.uam.es/~aa/practicas/recursos/modelo_memoria.pdf>. [5] Vanesa Puchades Cortes, Alejandro Rodrguez Villalobos, Josefa Mula Bru. Aplicacin de la Teora de Grafos para mejorar la planificacin de rutas de trabajo de una empresa del sector de la distribucin automtica. <http://arantxa.ii.uam.es/~aa/practicas/recursos/modelo_memoria.pdf>. 21 de octubre de 2008.