Resolucin de 2 modelos de localizacin mediante Bsqueda Dispersa

Jess Alegre, Alberto Aragn, Silvia Casado, Cristina Delgado y Joaqun Pacheco Departamento de Economa Aplicada , Universidad de Burgos, Plaza Infanta Elena s/n, 09001Burgos email: {jfalegre, aaragon, scasado, cdelgado, jpacheco}@ubu.es Resumen.- En este trabajo se proponen un algoritmo para dos problemas de localizacin de centros de servicio. Este algoritmo est basado en la estrategia denominada Bsqueda Dispersa (Scatter Search, SS). Los problemas de localizacin son el conocido problema de los p-centros, y un modelo que hemos denominado problema del tiempo crtico muy relacionado con problemas de cubrimiento de conjuntos. El algoritmo Scatter Search propuesto incorpora diferentes estrategias, como Bsqueda Local, GRASP y Path Relinking. En principio se desarrolla el algoritmo para el problema de los p-centros y despus se adapta para el problema del tiempo crtico. El objetivo es obtener soluciones de calidad para un nmero bajo de centros de servicio. Se realizan una serie experiencias computacionales que muestran que nuestro algoritmo da mejores resultados que otras recientes estrategias para el problema de los p-centros. Se muestran adems aplicaciones con datos reales a localizacin de recursos sanitarios en la provincia de Burgos. Abstract.- In this work two algorithms for two location problems are proposed. Both algorithms are based in the Scatter Search strategy. The location problems are the wellknown p-center problem and a new model that we are named as "threshold time problem" related with set covering problems. In both cases, the Scatter Search algorithms proposed incorporate different strategies as local search procedures, GRASP and path relinking. The scatter search elements used to solve the threshold time problem are variants of the corresponding scatter search elements used to solve the p-center problem. The proposed algorithms give good solutions specially for problems with small value of p. Instances with real data about location of sanitary resources in the province of Burgos(Spain) are shown. Palabras Clave: Localizacin, p-centros, tiempo crtico, GRASP, Path Relinking, Local Search, Scatter Search.

1.- Introduccin El problema de los p-centros es un problema de localizacin bien conocido. En Kariv y Hakimi, (1979), se demostr que era NP-Hard. Consiste en colocar p centros de servicio y asignar clientes a dichos centros de forma que se minimice la mxima distancia entre un cliente y su facilidad. Sea U = {u1, u2, , um} un conjunto de usuarios y V = {v1, v2, , vn} un conjunto de localizaciones donde colocar los centros de servicio. Considrese conocida la distancia dij entre cada cliente ui y la localizacin vj , el problema consiste en encontrar un subconjunto X de p localizaciones de forma que se minimice max min d ij i =1.. m v j X El problema se puede formular de forma lineal como sigue: Minimizar z s.a.:

j =1.. n

ij

= 1,

i = 1..m; i = 1..m; j = 1..n;

(1) (2) (3) (4) (5)

xij yj, yj = p;
j =1.. n j =1.. n

ij

xij z

i = 1..m; i = 1..m; j = 1..n;

xij , yj {0,1}

donde yj = 1 indica que se ha colocado una facilidad en vj (0 en caso contrario); xij = 1 indica que al usuario ui se le ha asignado la facilidad vj (0 en caso contrario). Este modelo es usado por ejemplo en localizacin de estaciones de bomberos, polica o ambulancias, unidades de urgencias, etc. Centrndonos en los recursos sanitarios hay ocasiones en donde no sea tan importante minimizar la distancia del usuario ms alejado a su facilidad ms cercana, como maximizar el nmero de usuarios potenciales que seran atendidos en un tiempo aceptable (tiempo crtico). Supngase ms concretamente que se quieren poner en una determinada zona o regin unas unidades especiales de atencin a diabticos; ante un ataque por bajada en el nivel de insulina se sabe que el enfermo no debe permanecer ms de 20 sin ser atendido, de lo contrario se corre el riesgo de que los daos puedan ser irreversibles. En esta caso interesa que la mayor parte de los diabticos estn a manos de 20 de su unidad ms cercana. Esto sugiere plantear este nuevo modelo. Considrese que U = {u1, u2, , um} es ahora un conjunto de localidades de una determinada regin o zona, cada una de ellas con una poblacin qi , i=1..m, de demandantes potenciales de un determinado servicio o facilidad (por ejemplo unidad de atencin a diabticos); V sigue siendo el conjunto de localizaciones donde ubicar p centros; considrese que la matriz dij es una matriz de tiempos y el tiempo mximo en atender a los clientes no conviene que supere una

cantidad t_crtico. Se trata de encontrar el subconjunto X V de tamao p de forma que se minimice qi , donde C ( X ) = d ij > t _ umbral i / min . v X j iC ( X ) El problema se pueda formular de forma lineal de la siguiente manera: Minimizar s. a.:

q z
i i, j

ij

(1), (2), (3), (5) zij = sijxij zij {0,1} i = 1..m; j = 1..n;

(6) (7)

donde sij es una matriz de parmetros que toma el valor 1 si dij > t_crtico y 0 en caso contrario; xij e yj tienen el mismo significado que en el modelo anterior; zij toma el valor 1 si xij = 1 y dij > t_crtico, y 0 en caso contrario. Tambin puede ser formulado de forma ms eficiente como un Maximal Set Covering Problem (Love, et al., 1988) Este trabajo se inserta en un proyecto en el que se quiere desarrollar un sistema para analizar las localizaciones donde se deben colocar determinadas recursos sanitarios especiales (unidades de quemados, geritricos, diabetes...) en las provincias de Castilla y Len. Se consideran 2 criterios, el econmico (determinado por el nmero de unidades que se abren), y el social determinado por diferentes funciones objetivos segn el tipo de unidad o servicio. Por ejemplo, si se trata de una unidad de urgencia, el objetivo es minimizar la mxima distancia de cada cliente a su unidad ms cercana; si es una unidad de diabetes interesa, segn se ha comentado, maximizar el nmero de pacientes que podran ser atendidos en un determinado tiempo. Por tanto, para cada tipo de unidad, nos enfrentamos a un problema bi-criterio: econmico (nmero de unidades) y social. Se trata de desarrollar un sistema que aporte soluciones que se aproximen lo ms posible a la curva de eficiencia. De esta forma el responsable o decisor podr elegir la que estime ms conveniente. Por otra parte el nmero de unidades a aadir de cada tipo va a ser pequeo: nunca superior a 10 en cada provincia. Por tanto se ha credo conveniente que el sistema resuelva los problemas mono-objetivo correspondientes a diferentes nmeros de unidades aadir (desde p = 1 hasta 10). Esta es la razn por la que en este trabajo desarrollamos sendos algoritmos para estos 2 modelos de localizacin, p-centros y tiempo crtico, correspondientes a las 2 objetivos sociales considerados. Nuestro objetivo es que estos algoritmos sean especialmente eficaces para bajos valores de p. En un trabajo reciente, Mladenovic et al. (2000) adaptan al problema de los p-centros varias de los heursticos ms clsicos para el problema de las p-medianas (Hansen y Mladenovic, 1997; Whitaker, 1983), as como diferentes tipos de movimientos y estructuras vecinales (Mladenovic et al., 1995 y 1996). Adems proponen 2 algoritmos basados en las estrategias Bsqueda en Entorno Variable y Bsqueda Tab. No

conocemos, al menos con el planteamiento realizado en esta introduccin, referencias recientes sobre el problema del tiempo crtico. En este trabajo se va a proponer un algoritmo de tipo Bsqueda Dispersa (Scatter Search, SS) para el problema de los p-centros. Este algoritmos incorpora diferentes elementos basados en estrategias GRASP, Bsqueda Local y Path Relinking. Este algoritmo SS y sus elementos, con pequeas adaptaciones, dan lugar a un algoritmo para el problema del tiempo crtico. Para evaluar la eficacia de estas estrategias se analizan instancias de la literatura para el problema de los p-centros, y una serie de instancias basadas en datos reales para ambos modelos, todas con pequeos valores de p. Los datos reales son estimaciones de casos de diabetes en la provincia de Burgos. El trabajo se estructura de la forma siguiente: en el siguiente apartado se describen los heursticos clsicos para el problema de los p-centros de los que haremos uso ms adelante; en el apartado 3 se describe el algoritmo SS propuesto para este modelo, as como sus elementos; en el apartado 4 se muestran los resultados computacionales para ambos modelos considerando instancias con datos de la literatura y con datos reales; finalmente en el apartado 5 se muestran las conclusiones.
2.- Principales Heursticos para el problema de los p-centros

En Mladenovic et al. (2000), se hacen adaptaciones al problema de los p-centros de los 3 heursticos clsicos para el problema de las p-medianas. Estos 3 heursticos son un mtodo constructivo, Greedy, y dos de mejora, Alternate e Interchange. Para describirlos brevemente considrese un problema definido por m, n, d y p (para abreviar identificaremos U y V directamente con los ndices, es decir U = {1,..., m} y V = {1,..., n}). Se denota por X la solucin, total o parcial, en cada momento, es decir, las localizaciones (ndices) donde se han colocado centros de servicio, y f el valor de la funcin objetivo correspondiente a X. Los heursticos se pueden describir como sigue: Procedimiento Greedy Hacer X = Mientras | X | < p hacer - Determinar la localizacin j* que ms disminuya f si se le aade una facilidad - Hacer X = X {j*} Procedimiento Alternate Repetir - Para cada facilidad j de X, determinar el subconjunto de los puntos de U que tienen a j como facilidad ms cercana - Para cada uno de estos subconjuntos de usuarios resolver el problema del 1-centro - Hacer X el conjunto de soluciones de estos p problemas, y f su valor - Si f < f hacer X = X y f = f hasta que no haya cambios en X Procedimiento Interchange

Para cada j V-X y k X determinar el valor de la funcin objetivo vjk si se cambiara la facilidad de k a j - Determinar vj*k* = min { vjk / j V-X y k X } - Si vj*k* < f entonces hacer X = X-{k*}, X = X {j*} y f = vj*k* hasta que no haya mejora En estos algoritmos como los que se describen a continuacin se usa 1 variable auxiliar fundamental, c1(i), que indica para cada usuario i, i=1..m, la localizacin de la facilidad ms cercana en la solucin actual. Adems en Mladenovic et al. (2000), se hace uso de un resultado para este ltimo procedimiento: sea i* el usuario que define el valor de f, es decir, di* c1(i*) = f, (usuario crtico) cualquier movimiento, definido por j V-X y k X, que reduzca el valor de funcin objetivo (vjk < f) debe verificar que di*j < di* c1(i*). Esto hace reducir la bsqueda en cada iteracin y acelerar el procedimiento. Adems en dicho trabajo se definen 2 metaheursticos basados en las estrategias Bsqueda Tab (TS) y Bsqueda en Entorno Variable (VNS).
3.- Algoritmo de Bsqueda Dispersa

Repetir

El mtodo de solucin que se ha desarrollado consiste en una adaptacin de Bsqueda Dispersa. sta es un ejemplo de lo que se conoce como mtodos evolutivos. Pero a diferencia de otros mtodos evolutivos no utiliza la aleatoriedad como principal mecanismo para buscar soluciones. Recientes tutoriales se pueden encontrar en Glover (1998), Glover et al. (2000), Laguna (2002), y Laguna y Mart (2003). SS se caracteriza por el uso de un Conjunto de Referencia (RefSet) de soluciones. Dicho conjunto est formado por dos subconjuntos: Subconjunto de Calidad (RefSet1) formado por las mejores soluciones y Subconjunto de Diversidad (RefSet2) formado por las soluciones ms diferentes con el resto de RefSet. En cada paso o ciclo se generan nuevas soluciones a partir de las del Conjunto de Referencia, que actualizan ste. Se ha diseado una versin que podramos denominar esttica de esta estrategia para este problema. La descripcin en seudocdigo de forma muy general es la siguiente Procedimiento Busqueda_Dispersa_Esttica 1. Generar un conjunto inicial de soluciones con un mtodo Generador-Diversificador 2. Mejorar estas soluciones con un mtodo de mejora 3. Con estas soluciones construir un RefSet inicial 4. Repetir 4.1. Obtener todos los subconjuntos de pares de RefSet 4.2. Combinar estos subconjuntos para obtener nuevas soluciones 4.3. Mejorar estas nuevas soluciones con el mtodo de mejora 4.4. Actualizar RefSet con estas nuevas soluciones hasta que RefSet se estabilice (i.e. no se incluyan nuevas soluciones) 5. Si han trascurrido max_iter iteraciones (pasos 1-4) sin mejora finalizar; sino volver al paso 1 (Reinicializar)

Se va a denotar por n_pob el tamao del conjunto inicial (paso 1). As mismo se denota por Tam_Ref1 y Tam_Ref2 los tamaos de RefSet1 y RefSet2 respectivamente. Para formar el conjunto de Referencia, (paso 3) se comienza por RefSet1, i.e, por los elementos de mayor calidad segn la funcin objetivo. Posteriormente para aadir los elementos de RefSet2, se usa la siguiente funcin o criterio que mide la diversidad de una solucin candidata X a entrar con respecto a los que ya estn en RefSet: Difmin(X, RefSet) = min {dif(X, X) / X RefSet}; donde dif(X, X) = |X-X| La actualizacin de RefSet (paso 4.4.) se realiza slo considerando la calidad de las soluciones. Es decir, se incorporan aquellas nuevas soluciones que mejoren la funcin objetivo de alguna de las soluciones existentes en RefSet. Como mtodo de mejora se usa la combinacin de los procedimientos Alternate e Interchange aplicados en este orden. A continuacin se describen los mtodos de diversificacin y combinacin. 3.1 Mtodo Generador-Diversificador Nuestro mtodo diversificador esta basado en constructivos tipo GRASP, que es una estrategia heurstica que construye soluciones usando una funcin voraz y aleatoriedad controlada. La mayora de las implementaciones GRASP incluyen un procedimiento de bsqueda local para mejorar las soluciones obtenidas por el mtodo avido-aleatorio. GRASP fue originalmente propuesto en el contexto de problemas de cubrimientos de conjuntos (Feo and Resende, 1989). Un clsico tutorial se puede encontrar en Feo y Resende (1995) y ms recientemente en Pitsoulis y Resende (2002). En nuestro caso la funcin voraz j en cada paso es el valor de la funcin objetivo que se obtendra si se aade una facilidad a j. El mtodo diversificador consta de los siguientes pasos: Procedimiento Avido-Aleatorio Hacer X = Mientras | X | < p hacer - Determinar j V-X j el valor de f si se aadiera j a X - Determinar max = max {j / j V-L } y min = min {j / j V-L } - Construir L = {j V-L / j min + (1-)max } - Elegir j* L aleatoriamente - Hacer X = X {j*} El parmetro (0 1) controla el nivel de aleatoriedad. A mayor valor de menor nivel de aleatoriedad. Con esta uso de aleatoriedad controlada se consigue una muestra de soluciones en la que normalmente la mejor de ellas supera a la encontrada con una eleccin totalmente determinstica, (con = 1). Una seleccin adecuada de permite un equilibrio entre diversificacin y calidad de las soluciones. La primera vez que se emplea el mtodo generador-diversificador (paso 1) no hay historia acerca de cuantas veces un elemento ha formado parte de las soluciones del

conjunto de referencia. Sin embargo, esta informacin puede ser utilizable cuando el mtodo se usa para reinicializar el proceso. La informacin se registra en el vector: freq(j) = n de veces la localidad j de V ha pertenecido al conj. de referencia La informacin registrada en freq(j) se usa para modificar los valores j en el mtodo freq( j ) diversificador de la siguiente manera: j = j max , freqmax donde freqmax = max { freq(j) : j }. Con los valores modificados j se calculan min y max y se ejecuta el mtodo diversificador con estos valores para construir la lista de candidatos L. Obsrvese que con = 0, el mtodo diversificador modificado coincide con el original. Altos valores de fuerzan a la seleccin de elementos que menos han aparecido. El uso de informacin de dada por la frecuencia en el mtodo diversificador esta inspirada en Campos y otros, (2001). 3.2 Mtodo de Combinacin Se obtienen nuevas soluciones combinando pares del conjunto de referencia, (paso 4.2). El nmero de soluciones generadas de cada par depende de la relativa calidad de las soluciones que son combinadas. Considerese xp y xq las soluciones del conjunto de referencia que son combinadas, donde p < q. Se asume que el conjunto de referencia est ordenado de forma que x1 es la mejor solucin y xTam_Ref la peor; entonces el nmero de soluciones generadas de cada combinacin es: 3 si p Tam_Ref1 y q Tam_Ref1, 2 si p Tam_Ref1 y q > Tam_Ref1, y 1 si p > Tam_Ref1 y q > Tam_Ref1. Cada par soluciones de RefSet se usa para generar nuevas soluciones. Para ello se usa la estrategia denominada Path Relinking. sta es una estrategia, tradicionalmente asociada a la fase de intensificacin de la Bsqueda Tab. La idea que subyace es que en el camino entre dos buenas soluciones, se espera que haya soluciones de parecida o superior calidad. Para una mayor ilustracin ver Glover et al. (2000). La idea bsica es construir un camino que una las dos soluciones. Un nmero de pasos (soluciones) intermedios en ese camino o cadena son seleccionados como nuevas soluciones. La idea es que esas soluciones intermedias sean lo ms equidistantes entre si. A esas soluciones intermedias se las aplica el procedimiento de mejora (Figura 1).

x1 xp Mejora

x2 xq

x*

x**

Figura 1.- Generacin de nuevas soluciones usando Path Relinking

De cada par de soluciones en el conjunto de referencia, en la figura xp y xq, se construye un camino que las une. Soluciones en los pasos intermedios preseleccionados, en la figura x1 y x2 , son mejoradas. As se generan nuevas soluciones (en la figura x* y x**). El camino que une xp y xq se construye como sigue: Inicialmente se hace x = xp. En los siguientes pasos se toma aade a x un elemento de xq que no est en x y se elimina un elemento que no est en xq. De esta forma la solucin intermedia x en cada paso tiene un elemento ms en comn con xq. En cada paso se elige el mejor entre estos posibles cambios. El algoritmo SS para el problema del tiempo crtico sigue el mismo esquema bsico y estructura del expuesto para el problema del p-centro. Solamente se han realizado pequeas modificaciones que slo afectan a la forma de calcular la funcin objetivo.
4.- Experiencias Computacionales

Para contrastar la eficacia de las estrategias propuesta para ambos problemas se han realizado una serie de pruebas que se describen a continuacin, tanto con instancias reales como ficticias. Todas estas pruebas han sido realizadas en un Pentium 4, 2.4 GHz. Las implementaciones de los algoritmos de este trabajo han sido realizadas en lenguaje Pascal, con el compilador Delphi 5.0.
4.1.- Pruebas con instancias de la literatura

Se comparan los resultados de nuestro algoritmo SS, para el problema de los pcentros, con los obtenidos por los siguientes algoritmos propuestos en Mladenovic et al. (2000): VNS, TS-I (Tabu Search con una lista tab), TS-II (Tabu Search con dos listas tab). Para ello se han usado las instancias de la librera OR-Lib para el problema de las p-medianas correspondientes a valores de p 10. En estas instancias U = V, es decir las localizaciones donde colocar los centros de servicio coinciden con los usuarios. Los valores de los parmetros que usa el procedimiento SS son: n_pob = 12, TamRef1 = TamRef2 = 3; = = 0,8 y max_iter = 5. Estos son los resultados:
n 100 100 100 200 200 300 300 400 400 500 500 600 600 700 p 5 10 10 5 10 5 10 5 10 5 10 5 10 5 P.B.Kn. 127 98 93 84 64 59 51 47 39 40 38 38 32 30 VNS 127 98 93 84 64 59 51 47 39 40 38 38 32 30 TS-I 127 98 93 84 64 59 51 47 39 40 38 38 32 30 TS-II 127 98 93 84 64 59 51 47 39 40 38 38 32 30 SS 121 98 93 82 63 57 49 45 39 40 37 38 32 30 Time 0,98 1,16 1,25 4,39 4,75 6,88 10,69 10,7 16,64 16,91 27,2 23,42 34,78 31,77

n p P.B.Kn. VNS TS-I TS-II SS Time 700 10 29 29 29 29 45,52 28 800 5 30 30 30 30 60,94 29 800 10 27 76,11 27 27 27 27 900 5 29 29 29 29 54,86 28 900 10 24 24 24 24 73,91 23 Tabla 1.- Resultados en las instancias de OR-Lib, con p 10

La tercera columna (P.B.Kn) indica la mejor solucin conocida anteriormente, obtenida en todos los casos en Mladenovic et al. (2000); la ultima columna (Time) indica el tiempo de computacin total usado por SS. El tiempo de computacin empleado por las otras 3 estrategias fue de 2n segundos en una Sun Sparc Station 10. Como se observa SS supera a la mejor solucin conocida en 9 casos, iguala en 8 y solo en 1 es peor. Los tiempos de computacin son en general aceptables. Sin embargo tambin se observa como el tiempo de computacin aumenta notablemente con tamao.
4.2.- Pruebas con datos reales

Se muestran los resultados de las pruebas realizadas con problemas reales considerando las funciones objetivos de ambos modelos. Los datos de los problemas reales se refieren a la provincia de Burgos. Con estas experiencias se quieren analizar donde situar una serie de unidades de diabetes entre las diferentes localidades que pueden acoger las mismas. En principio se consideran 452 poblaciones dentro de la provincia con al menos algn caso declarado de diabetes, (en realidad estos datos son estimaciones, ya que datos exactos por poblacin no se nos ha documentado, en cualquier caso entendemos que estas estimaciones son bastantes aproximadas a la realidad). Dentro de estas poblaciones se considera un subconjunto de 152 localidades capaces de acoger una unidad de este tipo, (por tener algn tipo de instalacin que pueda considerarse adecuada). Se considera la matriz de tiempos (en minutos) entre todos las 452 poblaciones origen, y las 152 poblaciones que, potencialmente, pueden ser destinos. Para hallar estos tiempos de recorrido se ha usado la informacin sobre carreteras suministrada por el CNIG (Centro Nacional de Informacin Geogrfica), considerando diferentes velocidades segn el tipo de tramo (Nacionales, Autonmicas, Provinciales etc). Con esta informacin sobre la red de carreteras se ha calculado la matriz de tiempos usando el conocido algoritmo de Djikstra. Por supuesto, quedan a disposicin del lector interesado los ficheros con todos los datos, (poblaciones origen y destino, matrices de tiempos, casos en cada poblacin) Para ambos modelos se han considerado 3 valores de p, p = 5, 7 y 10. Adems para el modelo del tiempo crtico se ha considerado dos valores de t_crtico, t_crtico = Round(Solucion p-centro/1.5) y t_crtico = Round(Solucion p-centro/2) donde Solucion p-centro es el valor de la mejor solucin del problema del p-centro correspondiente. Por tanto se tiene 3 instancias para el problema de los p-centros y 6

para el problema del tiempo crtico. Con estas instancias se han ejecutado nuestro algoritmo SS y una implemantacin propia del algoritmo VNS utilizado por Mladenovic et al. (2000), mencionado en la seccin 2, (las variantes correspondientes a cada modelo). En todos los casos como criterio de parada se considera un tiempo de computacin de m (=152) segundos. Los valores de los parmetros que usan los procedimientos Scatter Search son : n_pob = 12, TamRef1 = TamRef2 = 3; = = 0,8.

Figura 2.- Poblaciones de la provincia de Burgos con casos de diabetes (azul), y aquellas que pueden acoger unidades especiales (verde).

A continuacin se muestran dos tablas con los resultados (Valor) para ambos modelos as como el tiempo de clculo hasta obtener la mejor solucin (T.C.B.) usado por cada algoritmo. p -> 5 7 10 Valor = 61 46 41 VNS T.C.B = 0,22 14,86 7,20 61 46 41 SS 0,05 0,48 0,05 Tabla 3.- Resultados con datos reales para el problemas de los p-centros
VNS SS T.C. Valor T.C. Valor 41 121 121 0,38 0,22 31 595 595 0,28 0,77 31 262 262 0,77 4,28 7 23 768 768 0,33 0,17 206 206 2,15 0,6 10 27 21 622 622 0,33 1,05 Tabla 4.- Resultados con datos reales para el problemas del tiempo crtico p 5 t_crtico

Se observa que para el problema de los p-centros ambas estrategias dan los mismos resultados. Sin embargo SS alcanza esta solucin mucho ms rpidamente, (no llega a 0,5, mientras que VNS supera los 14 para p = 7). En el problema del tiempo crtico los resultados de las 2 estrategias tambin son los mismos y los tiempos son similares.

El siguiente mapa indica en morado las localizaciones donde se colocan los centros de servicio correspondientes al problema de los p_centros, con la solucin dada por SS, para el caso de p= 10. Cada poblacin va unida mediante lneas a la facilidad asignada. En rojo aparece la poblacin crtica (mximo tiempo a su localidad ms cercana).

Figura 3.- Localizacin de los centros de servicio correspondientes al problema de los p_centros, con la solucin dada por SS. 7.- Conclusiones

La investigacin descrita en este trabajo ha sido motivada por encontrar soluciones al problema de encontrar localizaciones adecuadas de recursos sanitarios en las provincias de Castilla y Len, concretamente en la provincia de Burgos. Esta es una zona, en general, muy rural con poblaciones muy dispersas. De ah la necesidad de desarrollar un mtodo que sea capaz de dar buenas soluciones, para el caso de un numero bajo de recursos a aadir. En este trabajo se han considerado 2 problemas: minimizar la mxima distancia entre usuarios y centros de servicio (p-centro), y minimizar la poblacin que dista ms de su correspondiente facilidad una determinada distancia o tiempo (tiempo crtico). Para ambos casos se ha desarrollado un procedimiento basado en la estrategia Bsqueda Dispersa. Se han analizado instancias con datos reales y con instancias de la literatura. Los datos reales son las estimaciones de casos de diabetes en la provincia de Burgos. Se ha comprobado que para el problema de los p-centros nuestro procedimiento obtiene rpidamente mejores soluciones que un procedimiento VNS reciente. En el problema del tiempo crtico las soluciones son iguales que las del procedimiento VNS. Las pruebas comparativas con instancias ficticias, con los algoritmos propuestos en Mladenovich et al. (2000), han resultado muy satisfactorias.

Referencias bibliogrficas.

Campos,V., Glover,F., Laguna,M. and mart,R. (2001) An Experimental Evaluation of a Scatter Search for the Linear Ordering Problem, Journal of Global Optimization, vol. 21, pp. 397-414. Feo,T.A. and Resende,M.G.C., (1989). A Probabilistic heuristic for a computationally difficult Set Covering Problem. Operations Research Letters, 8, 67-71. Feo,T.A. and Resende,M.G.C., (1995). Greedy Randomized Adaptive Search Procedures. Journal of Global Optimization, vol. 2, pp 1-27. Glover,F. (1998). A Template for Scatter Search and Path Relinking, in Artificial Evolution, Lecture Notes in Computer Science, 1363, J.-K. Hao, E. Lutton, E. Ronald, M. Schoenauer and D. Snyers (Eds.) Springer, pp. 13-54. Glover,F., Laguna,M. and Mart,R. (2000). Fundamentals of Scatter Search and Path Relinking, Control and Cybernetics, vol. 39, no. 3, pp. 653-684. Hansen,P. and Mladenovic,N. (1997) Variable neigborhhod search for the p-Median. Location Science, 5, pp. 207-226. Kariv,O. and Hakami,S.L. (1979) And algorithmic approach to network location problems. Part I: The P-center Problem. SIAM J. Appl. Math., 37, pp. 513-538. Laguna,M. (2002). Scatter Search, in Handbook of Applied Optimization, P. M. Pardalos and M.G.C. Resende (Eds.), Oxford University Press, New York, pp. 183-193. Laguna,M. and Mart,R. (2003). Scatter Search, Kluwer. Love,R.F., Morris,J.G. and Wesolowsky,G.O. (1988) Facilities Location: Models and Methods. North Holland. Mladenovic,N., Labbe,M. and Hansen,P. (2001) Solving the p-Center Problem with Tabu Search and Variable Neigborhood Search. Les Cahiers du GERAD, G-2000-35. Mladenovic,N., Moreno,J.P. and Moreno-Vega,J. (1995) Tabu search in solving the pfacility location-allocation problems. Les Cahiers du GERAD, G-95-38. Mladenovic,N., Moreno,J.P. and Moreno-Vega,J. (1996) A Chain-Interchange Heuristic Method. Yugoslav. Journal Operations Research, 6 (1), pp.41-54. Pitsoulis,L.S. and Resende,M.G.C., (2002). Greedy Randomized Adaptive Search Procedures in Handbook of Applied Optimizaton, P. M. Pardalos and M. G. C. Resende (Eds.), Oxford University Press, pp. 168-182. Whitaker,R. (1983) A fast algorithm for the greedy interchange for large-scale clustering and median location problems. INFOR 21, pp. 95-108.