Beruflich Dokumente
Kultur Dokumente
RESUMEN
El
NDICE DE TABLAS
INDICE DE GRFICOS
ii
NDICE GENERAL
CAPTULO 1. MARCO TERICO................................................................... 1
1.1.
Programacin Lineal ....................................................................... 1
1.1.1. Simbologa ............................................................................... 2
1.1.2. Modelo de Asignacin ............................................................. 3
1.2.
Problemas de Ruteo de Vehculos (VRP) ...................................... 4
1.2.1. El Problema de los m Agentes Viajero (m-TSP) ...................... 6
1.2.2. El Problema con Flota Heterognea (FSMVRP)...................... 9
1.2.3. El problema con Ventanas de Tiempo (VRPTW)................... 11
1.3.
Heursticas Tradicionales para el VRP ......................................... 12
1.3.1. Heurstica de Clark Wright ..................................................... 12
1.3.2. Algoritmo de Ptalos.............................................................. 14
1.3.3. Cluster First Route second ................................................. 15
1.3.3.1.
Algoritmo de Barrido o Sweep ..................................... 15
1.3.3.2.
Heurstica de Fisher y Jaikumar .................................. 16
1.3.4. Route First Cluster second ................................................. 17
CAPTULO 2. DESCRIPCIN Y ANLISIS DE LA SITUACIN ACTUAL ... 19
2.1.
Descripcin de la situacin actual ................................................ 19
2.2.
Descripcin de la problemtica..................................................... 20
2.2.1. Supuestos y limitaciones ....................................................... 21
2.3.
Desempeo del sistema actual..................................................... 22
2.3.1. Indicadores ............................................................................ 22
CAPTULO 3. DESARROLLO DE MODELOS .............................................. 23
3.1.
Mapeo de clientes ........................................................................ 23
3.2.
Propuestas de Ruteo .................................................................... 25
3.2.1. Propuesta 1: Por cercana de Puntos .................................... 25
3.2.2. Propuesta 2: Mtodo del Barrido ........................................... 31
3.2.3. Propuesta 3: Route First Cluster Second (Gran Ruta)........ 38
3.2.4. Propuesta 4: Modelo Matemtico por Cercana de Puntos ... 41
3.2.5. Propuesta 5: Modelo Matemtico por el mtodo del Barrido . 46
3.2.6. Propuesta 6: Modelo Computacional ..................................... 49
CAPTULO 4. EVALUACIN DE RESULTADOS ......................................... 52
4.1
Factor de Linealidad ..................................................................... 52
4.2
Dimensionamiento Real ............................................................... 54
4.3
Diferencias y similitudes entre modelos ....................................... 57
4.4
Evaluacin cuantitativa de las propuestas .................................... 59
4.5
Seleccin del mejor modelo.......................................................... 61
CAPTULO 5. CONCLUSIONES Y RECOMENDACIONES ......................... 62
5.1
Conclusiones ................................................................................ 62
5.2
Recomendaciones ........................................................................ 63
REFERENCIAS BIBLIOGRFICAS.............................................................. 64
iii
1.1.1. Simbologa
Para la formulacin de problemas de programacin lineal (PL) se
procede de la siguiente manera, segn Winston (2006), consta de tres
partes:
1. La funcin objetivo o tambin llamada la funcin lineal la cual est
compuesta por las variables de decisin (por ejemplo: X1, X2,, Xn).
Esta funcin se puede maximizar o minimizar.
2. Un conjunto de restricciones, conformadas por una igualdad lineal o
desigualdad lineal, que limita los valores que podran asumir las
variables de decisin.
3. Las restricciones de signo o tambin conocido como el rango de
existencia, que consiste en restringir todas las variables Xj que sean
mayores o iguales a cero.
Variables de Decisin:
Funcin Objetivo:
Maximizar o Minimizar
Restricciones:
Rango de existencia
Variables de decisin:
1 si el individuo se asigna a la tarea
xij
0 en otro caso.
Funcin Objetivo:
Restricciones:
Rango de existencia:
tareas, siendo
, el costo de asignar al
Tambin conocido como TSP por sus siglas en ingls (Travelling Salesman
Problem) tiene sus inicios en los aos 1930 en el estudio de la Universidad
de Princeton llamado 48 States Problem presentado por Hassler Whitney1,
quien planteaba encontrar la ruta (tour) ms corta para el agente viajero
comenzando desde una ciudad (estado) dada, visitando cada una de las
ciudades (estados) de un grupo especfico. Luego regresando al punto
original de partida.
A partir del estudio realizado por Hassler podemos definir hoy en da al TSP
como la visita de un solo vehculo a todos los clientes en una sola ruta y a un
costo mnimo, y de esta manera encontrar una aplicabilidad a nuestro
contexto actual. Entonces el problema puede formularse como:
c x
( i , j )E
ij ij
s.a.
ij
i V
ij
j V
j ( i )
i ( j )
ij
iS , j ( j ) \ S
xij {0,1}
1
S V
(i, j ) E
Min
s. a.
c x
( i , j )E
0j
j ( 0 )
ij
ij
j ( i )
i ( j )
(1.1)
ij ij
ui u j pxij p 1
(1.2)
i V \ {0}
(1.3)
j V \ {0}
(1.4)
(i, j ) E, i 0, j 0
(1.5)
xij {0,1}
(i, j ) E
uj 0
(1.6)
i V \ {0}
(1.7)
En el caso que
clientes.
copias del
depsito tales que la distancia entre ellas es infinita. Las soluciones a ese
TSP no utilizaran arcos que conectan dos copias del depsito y por lo tanto,
pueden ser interpretadas como soluciones del m-TSP.
tiene
asociada una demanda d i y cada vehculo tiene una capacidad C (la flota es
homognea). En este problema la cantidad de rutas no es fijada de
antemano como en el TSP y en el m-TSP.
iS
ij
Min
c x
( i , j )E
ij ij
(1.8)
s. a.
(1.9)
(1.10)
0j
j ( 0 )
i0
i ( 0 )
ij
i V \ {0}
(1.11)
ij
j V \ {0}
(1.12)
r (S )
S V \ {0}
(1.13)
j ( i )
i ( j )
ij
iS , j ( i ) \ S
m 1
xij {0,1}
(1.14)
(i, j ) E
(1.15)
que todos los vehculos que parten del depsito deben regresar. Las
restricciones 1.11 y 1.12 aseguran que todo cliente es un nodo intermedio de
alguna ruta.
Finalmente, la restriccin 1.13 acta como restriccin de eliminacin de subtours y a la vez impone que la demanda total de los clientes visitados por un
vehculo no puede superar la capacidad C.
(1.16)
(1.17)
(1.18)
Donde
xik {0,1}
iS ,k K
(1.19)
yk {0,1}
kK
(1.20)
conocido como Bin Packing Problem (BPP). Una cota inferior para la
cantidad de vehculos est dada por el valor ptimo de la relajacin lineal del
BPP, que es d ( S ) .
C
cijk y tijk
k1.k2 T , k1 k2 ).
Z fk
kT
j ( 0 )
xqk
kT ( i , j )E
k
ij
xijk
(1.21)
s. a.
k
ij
j V \ {0}
(1.22)
i V , k T
(1.23)
r0 0
(1.24)
ri r j (d j q |T | ) xijk q |T |
i V \ {0}, j (i)
(1.25)
ri
j V \ {0}
(1.26)
xijk {0,1}
(i, j ) E , k T
(1.27)
rj 0
j V
(1.28)
kT i ( j )
j ( i )
k
ij
j ( i )
k
ij
kT
q x
k kTT i ( j )
k
k ij
ri
10
ri
y actan
Para este caso asumimos que los lmites de la ventana de tiempos son
, utilizando los nodos 0 y n + 1 para representar al depsito y el
conjunto K para representar a los vehculos (no a los tipos de vehculos
como en la seccin anterior), entonces segn Cordeau et. al. (1999), el
problema se formula para una flota de vehculos posiblemente heterognea,
de la siguiente manera:
11
(1.34)
(1.35)
(1.36)
(1.37)
Las variables xij indican si el arco (i, j) es recorrido por el vehculo k. Las
k
yi si tijk ,
12
clculo moderado. Las soluciones luego pueden ser mejoradas con los
algoritmos de mejora del TSP (como 2-opt).
pueden ser
como se muestra en el
grfico 1.2, el ahorro (en distancia) obtenido por dicha unin es:
no seran utilizados y se
Deposito
s i* j *
= mx.
r j*
ri*
r j* y la combinacin de
r j* es factible, combinarlas.
13
Paso 4 Eliminar
s i* j *
(1.38)
(1.39)
k S
(1.40)
Cada columna del SPP representa una ruta de R. Cuando en toda columna
los ceros aparecen de forma consecutiva, el problema verifica la propiedad
de Columnas Circulares y el SPP correspondiente puede ser resuelto en
tiempo polinomial. Trasladada al problema la propiedad establece que, para
14
1.3.3.1.
15
Paso 1 (inicializacin).
Escoger un vehculo no usado k
Paso 2 (seleccin).
Ordenar los clientes segn i de manera creciente. Si dos clientes tienen
igual valor de i , colocar primero el de menor valor p, y asignar los
clientes a la ruta hasta que se llene la capacidad del camin o no se
extienda la longitud de la ruta. Si todos los clientes pertenecen a algn
cluster, y no se pueden agregar ms nodos a la ruta por las restricciones
ya dichas, ir a 3.
Paso 3 (optimizacin).
Optimizar las rutas utilizando un algoritmo que resuelva el TSP para cada
cluster.
1.3.3.2.
sk
(1.41)
k 1
s.a.
K
x
k 1
ik
i V \ {0}
(1.42)
16
iV \ {0}
x Q
k 1,......., K
ik ik
X IK {0,1}
Las variables
xik
(1.43)
Paso 1 (inicializacin).
sk
(k = 1,. . ., K).
Paso 2 (asignacin).
Paso 3 (ruteo).
17
w(vi , v j ) c0, vi 1 cv j ,0
j 1
k i 1
v k , v k 1
(1.45)
dicho camino.
18
CAPTULO 2.
DESCRIPCIN Y ANLISIS DE LA
SITUACIN ACTUAL
2.1. Descripcin de la situacin actual
19
20
21
El sistema debe estar medido bajo ciertos indicadores para obtener la eficiencia
del sistema, as tambin como la utilizacin de los recursos, como combustible y
capacidad por ejemplo.
2.3.1. Indicadores
A continuacin observaremos los indicadores a tomar en cuenta para nuestra
investigacin, con el propsito de que mediante estos se pueda elegir ms
adelante la mejor solucin luego de la comparacin de mtodos:
Distancia recorrida:
Distancia recorrida por cada cluster entre la distancia recorrida total
por cada transporte.
Coeficiente de cumplimiento:
Se mide como el porcentaje de veces que el transportista entreg la
mercadera a tiempo en fecha, hora, cantidad, conservacin de la
misma, para esto medimos Eficacia de Traslado.
Factor de uso:
Es el tiempo que la unidad de transporte se encuentra en movimiento
dividido entre el tiempo total (tiempo en movimiento + tiempo parada).
Frecuencia de entrega:
Indica la cantidad de veces que se puede realizar entregas en un
periodo de tiempo dado, para esto medimos los Pedidos a Tiempo.
22
23
Los clientes se diferencian en tipo 1 y tipo 2 debido a que estos poseen distintas
ventanas de tiempo con respecto a la recepcin de mercadera, entonces esta
distincin nos ayudar a identificar los clientes en los que debemos dar prioridad
en caso estemos sujetos al tiempo.
24
G
D
25
En el grfico 3.2 mostramos los siete (7) grupos que se han formado para
esta primera propuesta tomando en cuenta la cercana entre ellos. Cada
grupo est conformado por seis (6) puntos excepto por los clusters A y B, lo
cuales poseen cinco (5) y siete (7) respectivamente. Para esta primera
propuesta y para la siguiente se tomar en cuenta slo siete (7) puntos por
grupo como mximo, esto debido a la capacidad del tipo de transporte que
utilizan en la empresa.
4
1.46
1.46
3.07
4.04
5.08
3
3.07
1.53
1.53
3.16
4.37
2.98
4.91
5
4.04
3.16
2.98
5.08
4.37
4.91
4.04
4.04
Elaboracin propia
PUNTOS
1
2
3
4
5
C0j
3.70
5.02
9.85
7.82
10.30
Elaboracin propia
26
AHORROS
Sij
1
2
4
3
5
j
4
2
7.26
7.26
8.45
9.51
8.92
11.32
11.71
10.95
2
2
2
2
1
8.45
11.32
14.69
13.21
2
2
2
1
1
9.51
11.71
14.69
8.92
10.95
13.21
16.11
16.11
2
2
1
0
0
2
1
0
0
0
2
1
1
1
0
Elaboracin propia
AP
27
Primera interaccin:
3
4
AP
RUTA
0-1-0
0-2-0
0-3-0
0-4-0
0-5-0
Segunda interaccin:
Para esta interaccin se ha tomado en cuenta el mayor ahorro, el cual
fue, segn la tabla 3.4, de 16.11 que se dio entre los puntos 3 y 5.
3
4
RUTA
0-1-0
0-2-0
0-3-5-0
0-4-0
AP
28
Tercera interaccin:
Para esta interaccin se ha tomado en cuenta el siguiente mayor ahorro
posible que cumpla con las condiciones, el cual fue de 14.69 que se dio entre
los punto 4 y 3.
3
4
RUTA
0-1-0
0-2-0
0-4-3-5-0
AP
Cuarta interaccin:
3
4
RUTA
0-1-0
0-2-4-3-5-0
AP
29
Quinta interaccin:
RUTA PTIMA
5
0 - 2 - 4 - 3 - 5 -1 - 0
AP
30
, en donde
ser el almacn y
C1
C2
C3
C4
C7
C5
C6
Grfico 3.10. Formacin de clusters Propuesta 2
Fuente: Google Maps (2011)
31
aplicacin.
34
33
34
35
36
37
40
35
3.44
36
3.99
1.01
37
4.70
2.01
1.04
40
5.10
6.08
5.55
5.20
4.18
7.26
7.44
7.69
4.44
Elaboracin propia
PUNTOS
33
34
35
36
37
40
C0j
22.72
16.16
16.38
16.90
27.29
30.80
Elaboracin propia
32
AHORROS
Sij
33
34
35
36
37
40
33
34
35.44
35
35.12
31.54
36
34.92
31.04
32.24
37
44.92
37.37
38.13
38.99
40
49.34
39.70
39.75
40.01
53.66
2
2
1
1
0
0
2
2
2
2
1
1
2
2
2
2
2
1
2
2
2
1
1
0
2
1
1
0
0
0
2
1
0
0
0
0
Elaboracin propia
Modelo inicial.
36
35
37
34
40
33
AP
33
Primera interaccin:
36
35
37
34
40
33
RUTA
0 - 33 - 0
0 - 34 - 0
0 - 35 - 0
0 - 36 - 0
0 - 37 - 0
0 - 40 - 0
AP
Segunda interaccin:
36
35
37
34
40
33
AP
RUTA
0 - 33 - 0
0 - 34 - 0
0 - 35 - 0
0 - 36 - 0
0 - 37 - 40 - 0
Tercera interaccin:
Para esta interaccin se ha tomado en cuenta el siguiente mayor ahorro
posible que cumpla con las condiciones, el cual fue de 49.34 que se dio entre
los punto 40 y 37.
34
36
35
37
34
40
33
RUTA
0 - 37 - 40 - 33 - 0
0 - 34 - 0
0 - 35 - 0
0 - 36 - 0
AP
Cuarta interaccin:
Para esta interaccin se ha tomado en cuenta el siguiente mayor ahorro
posible que cumpla con las condiciones, el cual fue de 38.99 que se dio entre
los punto 36 y 37.
36
35
37
34
40
33
RUTA
0 - 36 - 37 - 40 - 33 - 0
0 - 34 - 0
0 - 35 - 0
AP
Quinta interaccin:
Para esta interaccin se ha tomado en cuenta el siguiente mayor ahorro
posible que cumpla con las condiciones, el cual fue de 35.44 que se dio entre
los punto 33 y 34.
35
36
35
RUTA
0 - 36 - 37 - 40 - 33 - 34 - 0
0 - 35 - 0
37
34
40
33
AP
Sexta interaccin:
RUTA PTIMA
0 - 36 - 37 - 40 - 33 - 34 - 35 - 0
36
35
37
34
40
33
AP
36
En el grfico 3.18 observamos la ruta ptima en el plano de la ciudad de Lima, una vez elaborado el algoritmo de Clark y
Wright para esta propuesta. La distancia total recorrida sera de 34.58 km (sin considerar las calles ni el trfico).
37
38
Una vez aplicado el mtodo del ahorro obtenemos la siguiente gran ruta:
39
40
CLUSTER A:
41
O-1-2-4-3-5-O,
42
CLUSTER B:
43
44
La interpretacin del reporte nos indica que la ruta ptima para el cluster B,
segn el modelo de la programacin lineal, es la siguiente: O-33-32-40-31-4230-29-O, recorriendo una distancia de 61.19 Km.
El mismo procedimiento es seguido para los dems clusters, tanto para la
propuesta 1 (por cercana de punto) como para la propuesta 2 (mtodo del
barrido), lo que finalmente nos lleva a la siguiente tabla de resultados:
45
CLUSTERS
DISTANCIA
KM
CLUSTER A: O-1-2-4-3-5-O
CLUSTER B: O-33-32-40-31-42-30-29-O
CLUSTER C: O-21-22-24-23-41-37-O
CLUSTER D: O-15-18-13-12-14-17-O
CLUSTER E: O-36-39-38-35-34-28-O
CLUSTER F: O-19-20-25-26-27-9-O
CLUSTER G: O-6-8-16-10-11-7-O
17.01
61.19
39.9
35.16
25.13
26.44
28.18
TOTAL
233.01
Elaboracin propia
tomara como ejemplo el cluster 3 formado por el mtodo del barrido, para
ello tenemos el siguiente PL:
46
CLUSTER 3:
47
48
La interpretacin del reporte nos indica que la ruta ptima para el cluster 3,
segn el modelo de la programacin lineal, es la siguiente:
O-39-22-24-23-41-38-O, recorriendo una distancia de 34.50 Km.
El mismo procedimiento es seguido para los dems clusters para la propuesta 2
(mtodo del barrido), lo que finalmente nos lleva a la siguiente tabla de
resultados:
Tabla 3-8. Resultados Propuesta: Mtodo del Barrido
CLUSTERS
DISTANCIA
KM
CLUSTER 1: O-28-29-30-42-31-32-O
CLUSTER 2: O-34-33-40-37-36-35-O
CLUSTER 3: O-39-22-24-23-41-38-O
CLUSTER 4: O-1-19-26-25-21-20-O
CLUSTER 5: O-8-17-18-15-27-9-O
CLUSTER 6: O-4-6-12-13-14-16-O
CLUSTER 7: O-2-7-10-11-3-5-O
TOTAL
56.42
34.57
34.5
26.21
25.4
32.07
28.72
237.89
Elaboracin propia
49
Los input necesario para compilar el programa son las coordenadas de los
42 puntos ms el almacn, adems los posibles arcos que existe como
variable de unin. En el anexo electrnico Coordenadas dentro de la
carpeta Propuesta 5 observamos el clculo realizado para obtener los
datos de entradas del programa. En el grfico 3.26 se muestra cmo es que
los datos deben ser ingresados al programa para que este los ejecute.
50
51
la
presente
investigacin
hemos
utilizado
nos
hemos
basado
En donde tenemos:
: Distancia real recorrida por la ruta propuesta
: Distancia ideal recorrida por la ruta propuesta
52
RESUMEN
Media
Propuesta 1
Propuesta 2
Propuesta 3
Propuesta 4
Propuesta 5
Propuesta 6
Promedio Total
1.407
1.410
1.330
1.402
1.398
1.351
1.383
Desviacin
Estndar
0.146
0.171
0.199
0.155
0.051
0.057
0.130
Elaboracin propia
El detalle de todos los clculos hechos para llegar a los resultados planteados
en la tabla 4-1 se pueden apreciar en el anexo electrnico Factor de linealidad.
53
54
55
56
Ahora presentamos el cuadro resumen final de las distancias reales para cada
propuesta, la tabla 4-2 muestra el total de distancia (Km) recorrida por el
transporte.
Tabla 4-2. Cuadro resumen del dimensionamiento real
PROPUESTA
PROPUESTA 1
PROPUESTA 2
PROPUESTA 3
PROPUESTA 4
PROPUESTA 5
PROPUESTA 6
DISTANCIA
KM
345.30
355.40
362.59
333.70
334.54
388.70
Elaboracin propia
57
Primero Asignar:
Las propuestas por cercana de puntos (1), el mtodo del barrido (2) y la del
modelo matemtico (4), en primer lugar armar los clusters para luego llegar una
solucin con un mtodo determinado, el cual analizaremos ms adelante.
Primero Rutear:
Mtodo de solucin.
Las propuestas por cercana de puntos, mtodo del barrido y la gran ruta
plantean solucin el problema por el mtodo de ahorros, mientras que el modelo
matemtico plantea justamente una programacin lineal para llegar a la solucin
ptima. Adems, el modelo computacional propone llegar a un resultado
mediante la utilizacin de un software.
Propuesta
PROPUESTA 4
PROPUESTA 5
PROPUESTA 1
PROPUESTA 2
PROPUESTA 3
PROPUESTA 6
Descripcin
Modelo matemtico - Cercana de ptos
Modelo matemtico - Mtodo del barrido
Cercana de puntos - Mtodo del ahorro
Mtodo del barrido - Mtodo del ahorro
Gran ruta - Mtodo del ahorro
Modelo computacional
Elaboracin propia
58
Las distancias ideales como mencionamos no toman en cuenta las calles ni las
carreteras ni el sentido de estas, por ende resultan ser menores que las
distancias reales, es por ello que previamente hallamos el factor de linealidad.
En la tabla 4-4 observamos la distancia total ideal recorrida por cada modelo,
adems cabe resaltar que la para distancias ideales la propuesta 4.1 es la que
menor distancia total recorre con 233.01 Km.
PROPUESTA
PROPUESTA 1
PROPUESTA 2
PROPUESTA 3
PROPUESTA 4
PROPUESTA 5
PROPUESTA 6
DISTANCIA
KM
239.95
247.21
267.43
233.01
237.89
286.74
Elaboracin propia
59
PROPUESTA
IDEAL
KM
REAL
KM
DIFERENCIA
KM
VAR
%
PROPUESTA 1
PROPUESTA 2
PROPUESTA 3
PROPUESTA 4
PROPUESTA 5
PROPUESTA 6
239.95
247.21
267.43
233.01
237.89
286.74
345.30
355.40
362.59
333.70
334.54
388.70
105.35
108.19
95.16
100.69
96.65
101.96
43.90%
43.76%
35.58%
43.21%
40.63%
35.56%
Elaboracin propia
60
Puesto
1
2
3
4
5
6
Propuesta
PROPUESTA 4
PROPUESTA 5
PROPUESTA 1
PROPUESTA 2
PROPUESTA 3
PROPUESTA 6
Descripcin
Km Total
333.70
334.54
345.30
355.40
362.59
388.70
Elaboracin propia
La tabla 4-6 nos muestra que la mejor propuesta es la del modelo matemtico,
realizado a partir de una formacin de cluster por cercana de puntos
(propuesta 4), el cual recorre una distancia real de 333.70 Km, siendo as la
menor distancia y por ende para nuestro estudio la ptima.
61
CAPTULO 5. CONCLUSIONES Y
RECOMENDACIONES
5.1
Conclusiones
El mejor modelo para nuestro estudio y que debera ser elegido es la
propuesta 4, la cual realiza la formacin de clusters a travs de la cercana
de los puntos y resuelve los mismos mediante una programacin lineal
aplicada que en este caso fue la del Agente Viajero, es elegida debido a
que recorre la menor distancia no slo ideal sino tambin real, lo cual lo hace
nuestra mejor opcin. Las distancias ideales y reales fueron de 239.95 y
345.30 kilmetros respectivamente.
El ruteo por las calles y las direcciones de las mismas influyen directamente
en el resultado, ya que esto hace que la distancia total recorrida incremente
o disminuya. Es por ello que la solucin no permite que un vehculo vaya por
una calle en contra del sentido original o que atraviese parques o divisiones
que no estn asfaltadas.
62
5.2
Recomendaciones
Sera til calcular los tiempos totales, desde que el transporte llega al
Almacn para la carga hasta que despacha la mercadera en la ltima tienda
asignada, adems de calcular los tiempos promedio de carga y descarga en
las tiendas. Este un factor clave, ya que puede ayudar a aumentar o reducir
los puntos mximos de visita por cada transporte, haciendo que el modelo se
ajuste mucho ms a la realidad.
63
REFERENCIAS BIBLIOGRFICAS
ROS, Sixto
1996
APPLEGATE, David
2006
Dantzig, Fulkerson, and Johnson. The traveling salesman
problem: a computational study. New Jersey: Princeton
University Press. pp. 81 - 93.
MARTELLO, S. y TOTH, P.
1990
Knapsack problems: algorithms and computer
implementations. John Wiley and Sons
OLIVERA, Alfredo.
2004
Heursticas para Problemas de Ruteo de Vehculos.
Montevideo: Instituto de Computacin, Facultad de Ingeniera,
Universidad de la Repblica.
MUNICIPALIDAD DE LIMA
2009
Plan de desvo vehicular. s/l: Gobierno del Per, Municipalidad
de Lima. Consulta: 06 de abril de 2010.
<http://www.munlima.gob.pe/Mapas/ListaMapa.aspx>
WINSTON, Wayne
2006
Programacin Lineal. Investigacin de operaciones: aplicaciones y
algoritmos. Mxico: Thomson.
64
BALINSKI, M. y QUANDT, R.
1964
On an Integer Program for a Delivery Problem. Operations
Research. Vol. 12, pp. 300-304
GILLET, B. y MILLER, L.
1974
A Heuristic Algorithm for the Vehicle Despatch Problem. Operations
Research 22, 340-9
FISHER, M. y JAIKUMAR, R.
1981
A generalized assignment heuristic for the vehicle
routing problem. Networks 11 pp. 109124
65