Revisin y programacin de modelos de optimizacin como una plataforma en GAMS-CPLEX para problemas de ruteo de vehculos.

C. E. Torres Prez, E. Olivares-Bentez, J. L. Martnez Flores Universidad Popular Autnoma del Estado de Puebla Puebla, Puebla, Mxico

Resumen: Este documento presenta la revisin de modelos de optimizacin para problemas de ruteo de vehculos: VRP (Ruteo Simple), FSMVRP (VRP con determinacin de composicin y tamao de la flota) y HFVRPTW (VRP con Ventanas de Tiempo y Flota Heterognea). Los modelos se revisaron y se corrigieron o complementaron para programarlos en GAMS. En este trabajo se muestran las modificaciones realizadas a los modelos. Se resolvieron instancias de 7 a 100 clientes. De esta manera se desarroll una plataforma computacional para resolver instancias reales con este alcance en tamao, con el propsito de usarla como herramienta en proyectos de investigacin y consultora. Palabras clave: Problema de Ruteo de Vehculos, Flota heterognea, Ventanas de tiempo Abstract: This paper presents a review of optimization models for vehicle routing problems: VRP (Simple Vehicle Routing Problem), FSMVRP (Fleet Size and Mix Vehicle Routing Problem), and HFVRPTW (Heterogeneous Fleet Vehicle Routing Problem with Time Windows). The models were reviewed and corrected or complemented, to be programmed in GAMS. This work shows the modifications done to the models. Instances of 7 to 100 customers were solved. In this way, a computational platform was developed to solve real instances within this scope in size, with the goal of use it as a tool in research and consulting projects. Key words: Vehicle Routing Problem, Heterogeneous fleet, Time windows

Introduccin
El problema de ruteo de vehculos (Vehicle Routing Problem o VRP, por sus siglas en ingls), es un problema de optimizacin combinatoria bien conocido en Investigacin de Operaciones. Consiste en determinar un conjunto de rutas para una flota de vehculos que parten de uno o ms depsitos o almacenes para satisfacer la demanda de varios clientes dispersos geogrficamente en una regin [1]. El objetivo principal es entregar la demanda a todos los clientes minimizando el costo total involucrado que generan las rutas, disponiendo de una flota de vehculos con una cierta capacidad de transportacin. Cada ruta es realizada por un solo vehculo que inicia y termina en el depsito, de tal forma que se satisfagan los requerimientos de los clientes y las restricciones operacionales. Existe un gran nmero de variantes del problema de ruteo de vehculos. Entre las ms conocidas destacan: Capacitated VRP (CVRP) Capacitated VRP with time windows (CVRPTW) Periodic VRP (PVRP) Periodic VRP with Time Windows (PVRPTW) Heterogeneous Fleet Vehicle Routing Problem (HF-VRP) Vehicle Routing Problem with Time Windows (VRPTW) Vehicle Routing Problem with Pick-up and Deliveries (VRPPD) Capacitated VRP with Pick-up and Deliveries and Time Windows (CVRPPDTW) Multiple Depot VRP (MDVRP) Multiple Depot VRP with Time Windows (MDVRPTW)

4to Taller Latino Iberoamericano de Investigacin de Operaciones 16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, Mxico.

Modelo matemtico
Bsicamente, el VRP es una extensin del TSP (Traveling Salesman Problem), y lo podemos expresar en su forma simple como lo describe [2] de la siguiente manera. La red de transporte por la que circulan los vehculos se modela mediante [3] un grafo ponderado G = (V,E,C). Los nodos del grafo representan a los clientes y depsitos. Para el caso de un solo depsito, ste se representa por el nodo {0}. Los nodos {1,..., n} V representan a los clientes, y el conjunto K representa a los vehculos de la flota. En algunos casos se agrega una copia del depsito etiquetada con {n+1} para simplificar la formulacin. Cada arco (i,j) E representa el mejor camino para ir desde el nodo i hacia el nodo j en la red de transporte y tiene asociado un costo cij y un tiempo de viaje tij. Denotaremos por y al conjunto de nodos adyacentes e incidentes al nodo i, es decir, y . Cada cliente tiene asociada una demanda di, y cada vehculo tiene una capacidad (cuando la flota es Homognea), una formulacin bsica puede verse en [2]. En este problema la cantidad de rutas no es fijada de antemano. Utilizando como base los modelos de [2], podemos formular de la siguiente manera: Las variables xij indican si el arco (i, j) es recorrido por un vehculo tomando el valor de 1, y de cero en otro caso. La funcin objetivo (1) es el costo total de las rutas. Las restricciones (2) y (3) indican que m es la cantidad de vehculos utilizados en la solucin y que todos los vehculos que parten del depsito deben regresar. Las restricciones (4) y (5) aseguran que todos los clientes deben ser visitados. La restriccin (6) acta como restriccin de eliminacin de sub-tours y a la vez impone que la demanda total de los clientes visitados por un vehculo no exceda su capacidad C; La restriccin (7) asegura que el nmero de vehculos a utilizar sea positivo y al menos uno. Por ltimo la restriccin (8) hace a xij una variable binaria tal como se indica al principio. Para implementar el modelo anterior hay que determinar el valor de r(S), donde K es un conjunto con suficientes vehculos para satisfacer la demanda. Esta demanda total se puede expresar como , para un conjunto de clientes S. La variable acta como una variable de decisin si el vehculo es utilizado. Entonces, determinar el valor de r(S), requiere resolver el siguiente problema Sujeto a: Sujeto a:

La solucin de este problema genera una cota inferior para atender la demanda completa de un conjunto de clientes que pertenecern a una ruta, con el mnimo de transportes . Su funcin objetivo es minimizar el nmero de rutas, y no existe un lmite superior. La restriccin (8) no permite que la demanda exceda la capacidad del vehculo y en (9) se requiere que cada cliente sea

Pag.

4to Taller Latino Iberoamericano de Investigacin de Operaciones 16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, Mxico.

asignado solo a un vehculo. Las variables de decisin son y .

En donde cambia el dominio de la funcin. Este modelo determina tambin el tamao ptimo de la flota.

Discusin
Utilizamos los modelos base que propone [2] Olivera, en su trabajo de Heursticas para Problemas de Ruteo de Vehculos , para las versiones del VRP (Problema de Ruteo de Vehculos), FSMVRP (Problema de Ruteo de Vehculos con una Flota Heterognea) y HFVRPTW (Problema de Ruteo de Vehculos con ventanas de Tiempo y Flota Heterognea). Se estudiaron tales modelos y se reformularon parcialmente para corregir algunos errores y para mejorar la implementalidad en el lenguaje del software de optimizacin. A continuacin las propuestas por modelo: VRP (Problema de Ruteo Simple) Para el VRP la restriccin propuesta por Olivera en la eliminacin de sub tours se cambi por la propuesta de Miller Tucker y Zemlin [4] bajo la aplicacin de [5] para un modelo similar pero se adapt a este problema.

VRPTW (Ruteo con Ventanas de Tiempo) Para el problema de VRPTW que propone [2], las restricciones representadas como:

Las cuales determinan que cada vehculo recorra un camino de 0 a n+ 1. Estas se complementaron con dos restricciones, (7) bajo la propuesta que hace [6] para evitar que regresen al nodo copia n+ 1, y (8) que se gener para evitar que salgan del mismo.

Este modelo tiene la capacidad de ajustarse a un tamao de flota dado previamente por un parmetro m con capacidad . bien de otra forma puede estimarse el nmero ptimo de la flota definiendo m como una variable entera positiva con capacidad q. FSMVRP (Ruteo con Flota Heterognea) Para el FSMVRP en [2] se propone

Experimentacin Se realizaron experimentos sobre diferentes instancias resolviendo los modelos con usando GAMS [7] versin 22.9 y el optimizador CPLEX Versin 11.2 en una computadora Lanix Neuron PX con procesador Pentium(R) Dual-Core CPU, T4300 a 2.10 GHz con 3 GB de RAM. Se reportan en las Tablas 1, 2 y 3 los tamaos de las instancias, el nmero de rutas, el tiempo en segundos que tarda CPLEX en resolverlo y la funcin objetivo obtenida.

Problema de Ruteo de Vehculos (VRP) Como una restriccin de eliminacin de sub-tours, la cual despus de ser revisada y programada con el modelo, fall y se cambi por esta: La Tabla 1 presenta resultados para 4 instancias probadas con el modelo del VRP. Este tipo de problemas se aborda actualmente de muchas formas [8].

Pag.

4to Taller Latino Iberoamericano de Investigacin de Operaciones 16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, Mxico.

Tabla 1:

Resultados obtenidos sobre instancias propuestas para el modelo de VRP.

Tabla 2:

Resultados obtenidos sobre instancias propuestas para el modelo de FSMVRP.

Tamao 5 10 17 30

# Rutas 3 4 4 3

Tiempo [seg] 0.183 07.089 6028.91 4818.273

F.O. 9656 32964 21299 21618.78

Tamao 6 10 14

# Rutas 2 2 3

Tiempo [seg] 1.036 10845.108 25397.073

F.O. 618.7 2616 7086.78

En la Figura 1 se representan las dos rutas trazadas por el modelo del VRP. En esta, q1 representa la ruta que el transporte 1 recorre y que vista a los clientes 4, 3 y 2, en esa secuencia. Y q2 representa la ruta que el transporte 2 recorre, y que visita a los clientes 1 y 5 en esa secuencia. La instancia fue resuelta bajo la propuesta de una flota homognea.
7 6 5 4 3 2 1 0 0 2 4 6 8 5 1 10 12 0, n+1 2 q2 3 4 q1

Problema de Ruteo de Vehculos con Ventanas de Tiempos VRPTW La Tabla 3 muestra los resultados obtenidos para 4 instancias que van de los 7 a los 20 clientes con una capacidad de flota de hasta 3 tipos de vehculos. El VRPTW puede resolverse bajo otras propuestas como en [9] mediante relajacin Lagrangiana, con algoritmos de dos fases como el de barrido que usa [10], o con heursticas diferentes como en [11]. Entre las ventajas de esta propuesta se puede mencionar primero que ofrece la ventaja de una flota heterognea, o bien puede tratarse como homognea si no se hace diferencia en la entrada de datos correspondientes a los tipos de vehculos. El modelo puede resolver tambin problemas de Flota Heterognea (FSMVRP) si los valores de las ventanas de tiempo son suficientemente grandes. La entrada de datos y la simplicidad del modelo lo hacen ver como una generalidad que puede atacar ms de un tipo de problemas o que bien permite ajustarse a casos especficos. Tabla 3:
Resultados obtenidos sobre instancias propuestas para el modelo de VRPTW.

Figura 1: Solucin grfica para la instancia 2 de tamao 7

dos transportes con el modelo de VRP.

Problema de Ruteo de Vehculos con una flota Heterognea FSMVRP La tabla 2 muestra los resultados para las instancias probadas para el modelo del VRP con una flota heterognea. Debe decirse que la capacidad del equipo computacional con el que se realiz, solo es suficiente para una instancia no mayor a 15 nodos, ya que en instancias de mayor tamao indic error de memoria insuficiente. En [8] se hace una revisin de los modelos heterogneos, sobre su complejidad y propuestas para resolverlos, mencionando que aun no hay algoritmos exactos para la solucin de este tipo de problemas probados con instancias ms grandes.

Tamao 7 10 15 20

# Rutas 2 3 3 3

Tiempo [seg] 0.203 7.143 829.708 1320.501

F.O. 267.31 470.8 547.86 617.32

En la Figura 2 se representan las tres rutas trazadas por el modelo del VRPTW con flota heterognea. En sta, q1 representa la ruta que el transporte 1 recorre y que vista a los clientes 11, 9 y 5, en esa secuencia. La segunda q2 representa la ruta que el transporte 2 recorre, y que visita a los clientes 4, 8 y 3 en esa secuencia. Y q3 que representa la ruta que el transporte 3 recorre, visita a los clientes 2, 6, 10 y 7 en ese orden. La instancia fue resuelta bajo la propuesta de una flota heterognea.

Pag.

4to Taller Latino Iberoamericano de Investigacin de Operaciones 16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, Mxico.

10 9 8 7 6 5 4 3 2 1 0 0

7 8 4 5 11 6 10 5 1 2 10 15 3 9

diferentes variantes del problema de ruteo para su aplicacin en casos reales. La decisin sobre el diseo de rutas en la Cadena de Suministros es importante como un rea de oportunidad en la reduccin de costos y optimizacin de los recursos, y en el mejoramiento del nivel de servicio. La solucin de los modelos presentados en este documento pretende aportar simplicidad a la solucin de casos similares sin perder confiabilidad en los resultados.

Referencias
[1] [2] [3] H. F. Lieberman, G. Introduccin a la investigacin de operaciones. Ed. McGraw-Hill. 5 ed. 1994. A. Olivera, Heursticas para Problemas de Ruteo de Vehculos. Uruguay: Montevideo, 2004. P. Toth, D. Vigo, The Vehicle Routing Problem. Monographs on Discrete Mathematics and Applications. Society of Industrial and Applied Mathematics. Philadelphia. USA, 2002 Miller, A.W. Tucker, R.A. Zemlin, Integer programming formulations and traveling salesman problems, Journal of the Association for Computing Machinery 7, 1960. Y. Lion, I. Wan Rosmanira, O. Khairuddin and M. Zirour, Vehicle Routing Problem, Models and Solutions, Journal of Quality Measurement and Analysis JQMA 4(1), 205-218, 2008. B. Kallehauge, J. Larsen , y O.B.G. Madsen. Lagrangian duality applied to the vehicle routing problem with time windows. Computers and Operations Research, 33(5), 1464-1487, 2006 Rosenthal R. GAMS Users Guide. Tutorial by GAMS Development Corporation. USA: Washington, DC, (2008) B. Golden, S. Raghavan and E. Wasil, The Vehicle Routing Problem: Latest Advances and New Challenges, Springer Science + Business Media, LLC, pp. 3- 25, USA, 2008. N. Kohl and O. B. G. Madsen, An Optimization Algorithm for the Vehicle Routing Problem with Time Windows Based on Lagrangian Relaxation, JSTOR Operational Research, Vol. 45 No. 3, pp. 345-406. Lingby, Denmark, 1997.

q1
Figura 2: Solucin

q2

q3

grfica para la instancia 2 de tamao 10 y tres tipos de transportes con el modelo de VRPTW.

Conclusiones
Durante la revisin de la literatura se encontraron propuestas muy interesantes para modelar y resolver diferentes versiones de los problemas de ruteo. Se modific un grupo de modelos para problemas de los tipos VRP, FSMVRP y HF-VRP-TW. La contribucin principal de este trabajo se presenta simplificando restricciones, agregando restricciones y cambiando dominios que no se contemplan en otros modelos y que benefician su desempeo. Se us por ejemplo la propuesta de [4] como base para la eliminacin de subtours en el VRP, sin embargo vale la pena revisar y probar propuestas como la de [12] que prometen mejores soluciones. Las pruebas con los modelo en GAMS arrojan resultados coherentes y ptimos. La solucin de este tipo de problemas se vuelve ms compleja al aumentar el nmero de clientes y transportes, as como el tiempo en el que el sistema computacional puede resolverlo. El desempeo en el tiempo de ejecucin del modelo con GAMS depende mucho del hardware con el que se cuenta, representando este una limitante para el tamao de las instancias que se pueden probar. Una de las ventajas del estudio de estos modelos es el manejo de flotas heterogneas en problemas de ruteo, ya que la mayora de los documentos revisados se basan en flotas homogneas. Es relativamente fcil probar ms instancias una vez que ya se cuenta con la plataforma diseada en GAMS. Uno de los propsitos de este trabajo es desarrollar una plataforma computacional de modelos de optimizacin para
[4]

[5]

[6]

[7] [8]

[9]

[10] R. Bent, P.V. Hentenryck, A Two -Stage Hybrid Algorithm For Pickup and Delivery Vehicle Routing Problems With Time Windows, Computers & Operations Research 33, pp. 875893. 2006 [11] J. H. Restrepo, P. Medina, E. Cruz, Un problema logstico de programacin de vehculos con ventanas de tiempo (VRPTW), Scientia et Technica Ao XIV, No 39, Universidad Tecnolgica de Pereira. ISSN 0122-1701, 2008. [12] I. Kara, G. Laporte and T. Bektas, A note of the lifted MillerTucker - Zemlin subtour elimination constraints for de Capacitated Vehicle Routing Problem, European Journal of Operational Reseach 158, 793-795, 2004.

Pag.

4to Taller Latino Iberoamericano de Investigacin de Operaciones 16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, Mxico.

Autores
Torres Prez Carlos Edoardo Estudiante investigado tiempo completo de la Maestra en Logstica y Direccin de la Cadena de Suministros de la Universidad Popular Autnoma del Estado de Puebla. Sus trabajos estn relacionados al modelado y revisin de modelos de Problemas de Ruteos de Vehculos. Su experiencia laboral est relacionada a la implementacin de sistemas ERP en la industria metal mecnica. Direccin: Universidad Popular Autnoma del estado de Puebla, 21 sur 1103, Puebla, Pu. Mxico. Email: edoado.torres@yahoo.com.mx Elias Olivares Benitez Doctor en Ciencias de Ingeniera con especialidad en Logstica y Optimizacin por el Tecnolgico de Monterrey, campus Monterrey. Es profesor investigador de la Universidad Popular Autnoma del Estado de Puebla. Sus trabajos estn relacionados al diseo de cadenas de suministro, diseo de territorios de venta y distribucin, y problemas de ruteos de vehculos. Direccin: Universidad Popular Autnoma del Estado de Puebla, 21 sur 1103, Puebla, Pue. Mxico.

Tel: (222) 229-94-00 ext. 7783 Email: elias.olivares@upaep.mx

Jos Luis Martnez Flores Licenciado en Matemticas y Doctor en Ingeniera por la Universidad Autnoma de Nuevo Len. Actualmente es profesor-investigador y coordinador del Posgrado en Logstica y Direccin de la Cadena de Suministro de la Universidad Popular Autnoma del Estado de Puebla. Es miembro de la Society for Industrial and Applied Mathematics (SIAM) y de la American Mathematical Society (AMS). Ha publicado en diferentes revistas internacionales y ha participado en diferentes foros como ponente. Sus actuales reas de investigacin y consultora son Optimizacin, Diseo de Redes Logsticas y Administracin de la Cadena de Suministro. Miembro del SNI Nivel I. Direccin: Universidad Popular Autnoma del Estado de Puebla, 21 sur 1103, Puebla, Pue. Mxico. Tel: (222) 229-94-00 ext. 7704 Email: joseluis.martinez01@upaep.mx

Pag.