Ao del Cuadringentsimo Sexagsimo Aniversario de Fundacin de la UNMSM

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS MATEMATICAS E.A.P. Investigacin Operativa

Caso de estudio:

Diseo de Metaheuristicos para problemas de rutas con flota heterogenea: concentracin heurstica
Docente:
Mg. Ricardo Lpez Guevara

Presentado por:
Nuez Peralta, Omar R. Marcial Quijano, Lissette Choque Mallasca, Cecilia Portocarrero Collantes, Lourdes Raez Chirinos, Fressia
Ciudad Universitaria, 15 junio del 2011.

1. Introduccin:
El Problema de Ruteo de Vehculos con Ventanas de Tiempo y Flota heterognea es una generalizacin del VRP. Este problema combina problemas, que sugieren aplicaciones en el mundo real. La solucin al VRPTW debe minimizar el costo mediante el diseo de rutas para los diferentes vehculos, sujeto a [1]: Cada cliente sea visitado solo una vez por alguno de los vehculos Cada ruta debe iniciar y terminar en el origen Satisfacer la demanda de cada cliente de tal forma que la suma de las demandas de una ruta diseada no exceda la capacidad del vehculo asignado a esa ruta. Cada cliente tiene asignado un intervalo de tiempo (ventana de tiempo) en el que puede ser visitado, as como un tiempo de servicio en cada cliente Existen relaciones de precedencia entre los clientes

El uso de los algoritmos genticos (AG) se hizo muy popular ya desde hace muchos aos debido a que estos permiten hallar, si bien es cierto no un ptimo global, pero si encontrar una solucin factible cercano al global. Esto es muy ventajoso si se trabajan con muchas variables ya que las heursticas convencionales suelen tener problemas de clculo computacional. Tambin un algoritmo gentico es muy paralelo, permitiendo trabajar con posibles soluciones al mismo tiempo y hacerlas converger por medio de las leyes de seleccin natural (de Darwin, adaptadas para los algoritmos genticos), descartando las peores y pasando a la siguiente generacin las caractersticas de las mejores. Ahora bien, el uso de los algoritmos genticos tambin se hizo extensivo para el Problema de Programacin de Proyectos con Recursos Limitados (PPRL), conocida tambin como RCPSP (Resource Constrained Project

Scheduling Problem); y ya desde mucho tiempo atrs, debido a la efectividad que demostr, existe mucha literatura que ha ido cambiando buscando volver mas eficientes estos algoritmos para tratar las diversas variantes del problema cuyo objetivo general es minimizar la duracin del proyecto. Este caso bajo estudio, se enfoca en dos variantes del PPRL que son las mas conocidas: la versin nico-modo o Standard y la versin multi-modo, para las cuales se desarrollaron nuevos algoritmos genticos eficientes que mejoran la calidad de las soluciones en cuanto a su codificacin adems de presentar mejorados operadores genticos y otras caractersticas ms que se describirn aqu.

2. Planteamiento del problema bajo estudio

La problemtica del caso es el problema de programacin de proyectos con recursos limitados y sus diversas variantes como son por ejemplo: el nico modo, el multi modo, interrupcin de actividades, etc.

2.1. Formulacin del problema

Bsqueda de nuevos algoritmos genticos para resolver el PPRL de manera ms eficiente, tanto en su versin estndar o "nico-modo" como en la versin "multi-modo; diseando un nuevo tipo de representacin para las soluciones y nuevos operadores genticos, como son los de cruce y mutacin; adems de otras caractersticas que mejoran el tratamiento de la informacin almacenada en estos nuevos tipos de codificacin.

3. Formulacin de objetivos del caso bajo estudio

A nuestro parecer los objetivos del caso estudiado son:

3.1. Objetivo General

Disear un metaheuristico como herramienta de solucin para el problema de ruteo de vehculos con ventana de tiempo y con carga y

descarga simultanea (VRPTW) con el fin de medir y comparar la calidad de las soluciones obtenidas.

3.2. Objetivos especficos

Dar a conocer y adaptar la metaheristica eal problema de

rueto de veheiculos exponer la descripcin general y formulacin del problema de ruteo de vehculos con flota heretrogenea con ventanas de tiempo.

Medir la calidad de las soluciones obtenidas Definir si la metaheuristica es una herramioenta eficeinte para la problemas de ruteos de vehiculos

4. Poblacin del caso bajo estudio

La poblacin de estudio del caso es el problemas de ruteo de vehculos con flota heterogenea : concentracin heurstica el cual consta de dos fases.

5. Identificacin de variables
Las variables identificadas en el caso de acuerdo a los objetivos Variable1.1 Codificacin de soluciones para el modo estndar. Variable1.2 Operador de cruce para el modo estndar. Variable1.3 Operador de mutacin para el modo estndar. Variable1.4 Mecanismo adaptado del procedimiento de bsqueda Local para el modo estndar. Variable1.5 Mecanismo adaptado del procedimiento de Reemplazo aleatorio para el modo estndar. Variable2.1 Codificacin de soluciones para la versin multiModo. Variable2.2 Operador de cruce para la versin multi-modo. Variable2.3 Operador de mutacin para la versin multi-modo. Variable2.4 Mecanismo adaptado del procedimiento de

Reemplazo aleatorio para la versin multi-modo.

6. Fuentes de Informacin
Nuestras fuentes de informacin son las siguientes:

6.1. Primarias
Artculo del Boletn de Estadstica e Investigacin Operativa vol.25, N. 1, Febrero 2009, pp. 22-31; cuyos autores son: Javier Alcaraz Soria y Concepcin Maroto lvarez.

6.2. Secundarias
La informacin obtenida para fortalecer nuestro conocimiento acerca del algoritmo gentico se ha obtenido del internet as como tambin de la tesis de Licenciatura de Paz Franchini, Hermann Orlando Jos, para optar del Grado de Licenciado en Investigacin de Operaciones del ao 2002.

7. Anlisis Descriptivo: Trabajo Realizado

7.1. Concentracin Heurstica: Descripcin del

algoritmo
Esta es una de las mas reciente p en los trabajos de Rosing y Revelle(1997) aplicndola a los problemas de las p-medianas. Consta de dos fases: Algoritmo concentracin heurstica FASE I: Repetir Generar una solucin aleatoria y aplicar Busqueda Local durante varias iteraciones Registrar las m mejores diferentes soluciones obtenidas(donde m es un parmetro preestablecido) FASE II: Definir CS (conjunto de concentracin) como el conjunto de elementos que aparecen en Algunas de dichas soluciones.

Aplicar un mtodo(exacto o heurstico) al problema original pero restringiendo (o concentrando) la seleccin de elementos a CS. Segn Rosing cada optimo local puede ser considerado como una fuente de informacin acerca de la estructura de una parte de la solucin optima.se espera que un conjunto de aquellos den informacin sobre todas las partes de esta Por otra parte CS se espera que sea bastante mas reducido que el conjunto de elementos original,con lo cual la aplicacin de un algoritmo exacto en el ultimo paso no puede no requqerir un tiempo de computacin excesivo. En este sentido Rosing y otros, para el problema de las pmedianas, se una variante consistente

7.1.1. Codificacin de las soluciones

Aqu se utiliza la codificacin por lista de actividades que consiste en que un individuo de la poblacin (solucin) se representa mediante un cromosoma que consiste en un conjunto de genes (actividades, para el caso) que tienen un ordenamiento de forma que cada actividad siempre aparece detrs de sus predecesoras. Para poder secuenciar estas actividades se aade un gen llamado: bit modo de secuenciacin, que toma los valores f/b, que permite secuenciar cada actividad en su fecha factible mas temprama (f: forward) respetando las actividades que le preceden y por consecuencia empezando de la actividad de inicio, o (b: backward) tomando la fecha factible mas tardia y por lo tando iniciando de la actividad final hacia la de inicio. Cabe resaltar nuevamente que cada actividad se podr secuenciar si sus predecesoras ya lo fueron. Se probo la efectividad del gen por parte de los investigadores del estudio teniendo buenos resultados no obstante se aadi otro gen mas: el gen serie/paralelo (gen s/p) que indica si se utiliza el esquema de secuenciacin serie o paralelo para el calendario de ejecucin del proyecto. De aqu entonces, esta combinacin de genes permite construir un nuevo esquema de cromosoma (calendario), el cual tendr 4 formas diferentes.

7.1.2. Cruce
Se utiliza un cruce de dos puntos que segmenta a las posibles soluciones en tres partes. Esta operacin depende de los dos puntos de cruce del gen f/b de los padres. Por otra parte, el gen s/p se hereda de los padres a cada hijo. En general se tienen 16 posibles parejas deferentes en cada cruce, asi:

Para hacerlo ms sencillo podemos ilustrarlo con uno de los 16 casos, as:
Madre Padre 1 3 4 2 6 5 7 8 f s 2 1 4 5 7 3 6 8 b p Hijo A 1 3 2 4 5 7 6 8 f s Hijo 2 1 3 4 2 5 7 6 8 b p

7.1.3. Mutacin
Aqu se imita el proceso aleatorio de mutacin el cual desplaza cada actividad a cualquier posicin aleatoria, con una determinada

probabilidad de mutacin, siempre y cuando esta nueva posicin satisfaga las relaciones de precedencia; por lo que la mutacin nunca generar soluciones no factibles. Adems en una segunda etapa se opto por alterar tambin los genes f/b y s/p, obtenindose buenos resultados.

7.1.4. Otros mecanismos

Se diseo adems un procedimiento de bsqueda local adaptado que realiza una primera pasada forward o backward de acuerdo al gen f/b de la solucin y puede reducir o no la duracin del calendario, logrando mejorar pero no empeorar la calidad de la solucin. Luego se puede realizar otra pasada en sentido contrario al de la 1era pasada para lograr reducir mas la duracin del calendario tratado (solucin). Tambin se utilizo otro mecanismo llamado el procedimiento de reemplazo aleatorio que se desarrollo en un inicio para el multi-modo pero que se logro incorporarlo para la estndar. Esta se detalla en el apartado para versin multi-modo. De todas estas mejoras se consigui obtener buenos resultados y en comparacin con otros algoritmos, el presentado en este estudio para este caso, fue uno de los tres mejores hasta ese momento. 7.2.

Algoritmos genticos para la versin multi-modo del problema

En este caso se busca tambin conocer la fecha de inicio de cada actividad, asi como su modo de ejecucin ya que una actividad se puede realizar de muchas maneras. Tambin se consideran recursos norenovables, los cuales se consumen a medida que se utilizan y doblemente restringidos pues tienen una cantidad mxima de utilizacin por periodo. Este es un caso mucho mas real.

7.2.1. Codificacin de las soluciones

La codificacin de cada actividad se tiene que dar por dos listas. Una lista de actividades con el bit f/b y otra con los modos de ejecucin de las actividades. Aqu ya no se considera el bit s/p.

7.2.2. Cruce
Al igual que en el estndar aqu los bits de las operaciones cruzadas son los que dirigen el cruce. Luego del cruce cada actividad hereda el modo de ejecucin que presentaba en el padre del cual ha sido heredada

7.2.3. Mutacin
Altera el orden de las actividades y del gen f/b con una probabilidad de mutacin determinada. Y en una segunda fase con la misma probabilidad se recorre la lista de modos alterando algunos de estos pero de forma independiente de la lista de actividades.

7.2.4. Otros mecanismos

Se diseo un procedimiento de reemplazo aleatorio que permita introducir variabilidad en la poblacin evitando que se estanque en ptimos locales. Este procedimiento se aplicaba a cada generacin con una determinada probabilidad de reemplazamiento y adems cada solucin de la generacin es sustituida con un probalidad de intercambio dada, por una solucin generada de forma aleatoria. Del estudio de esta variante por parte de los investigadores se desprendi que el algoritmo propuesto es ms eficiente en comparacin con sus pares, hasta ese momento. 8. Conclusiones De lo visto en este caso, se puede concluir que: i. De acuerdo con los resultados de caso en estudio; los algoritmos genticos han demostrado eficiencia para este tipo de problemas NP- duros. ii. Las modificaciones y/o adaptaciones de mecanismos y operadores genticos del algoritmo gentico para los PPRL han

demostrado conseguir soluciones de calidad mas prximos al optimo, adems de reducir tanto la tendencia a ptimos locales como el tiempo de clculo computacional. Est5o en comparacin del algoritmo gentico bsico que considera un solo punto de cruce y una mutacin sencilla. iii. Como grupo de investigacin, hemos logrado aprender acerca de los algoritmos genticos y sus grandes avances por lograr el perfeccionamiento constante de la tcnica. iv. Tambin podemos mencionar que algunos conceptos mostrados en el estudio no se lograron clarificar para nosotros del todo debido a la extensa literatura concerniente a los AGs , a sus diversos conceptos relacionados innovados constantemente y a la disponibilidad de tiempo de los integrantes de grupo.

9. Bibliografa
Links de internet consultados [1]http://eddyalfaro.galeon.com/geneticos.html [2] http://www.nebrija.es/~cmalagon/ia/apuntes/algoritmosgeneticos.pdf [3]http://delta.cs.cinvestav.mx/~ccoello/revistas/genetico.pdf.gz Libro online

[4]http://books.google.com/books? id=pqkQPu7jhV0C&printsec=frontcover&dq=Investigaci%C3%B3n+operativa: +modelos+y+t%C3%A9cnicas+de+optimizaci %C3%B3n&hl=es&ei=C6_JTfjHFZLqgQeZ3P38BQ&sa=X&oi=book_result&ct=resul t&resnum=1&ved=0CC8Q6AEwAA#v=onepage&q&f=false Tesis consultada [5] Hermann Orlando Jos Paz Franchini. (2002). Solucin del problema de nivelacin de recursos en PERT/CPM aplicando un algoritmo gentico. Tesis (Lic.)-- Universidad Nacional Mayor de San Marcos. Facultad de Ciencias Matemticas. EAP. de Investigacin Operativa. Referencias del caso de estudio [6] Brucker P., Drexl A., Mhring R., Neumann K., y Pesch E. (1998). Resourceconstrained project scheduling: Notation, classification, models, and methods. Eur J Opl Res, 112, 3-41. [7] Herroelen W., Demeulemeester E., y De Reyck B. (1998). A classification Scheme for project scheduling, in: Project Scheduling: Recent Models, Algorithms and Applications, Weglarz J. (ed). Kluwer Academic Publishers, 1-26. [8] Hartmann S. (1999). Project Scheduling under Limited Resources. Springer. [9] Alcaraz J., y Maroto C. (2001). A robust genetic algorithm for resource Allocation in project scheduling. Ann Op Res, 102, 83-109. [10] Alcaraz J., y Maroto C. (2006). A hybrid genetic algorithm based on intelligent Encoding for project scheduling, in: Perspectives in Modern Project Scheduling: International Series in Operations Research and Management Science, Jozefowska J., and Weglarz J. (ed). Springer, 249-274. [11] Boctor F.F. (1996). Resource-constrained project scheduling by simulated Annealing. Intl J Prod Res, 34, 2335-2351. [12] Tormos P., y Lova, A. (2001). A competitive heuristic solution technique for Resource-constrained project scheduling. Ann Opns Res, 102, 65-81. [13] Valls V., Ballestin F., y Quintanilla M.S. (2005). Justification and RCPSP: A technique that pays. Eur J Opl Res, 165, 375-386. [14] Alcaraz J., Maroto C., y Ruiz R. (2003). Solving the multi-mode Resourceconstrained project scheduling problems with genetic algorithms. J Opl Res Soc, 54, 614-626. [15] Jozefowska J. (2001).Simulated annealing for multi-mode Resourceconstrained

Project scheduling. Ann Oper Res, 102, 137-155. [16] Hartmann S. (2001). Project scheduling with multiple modes: a genetic algorithm. Ann Oper Res, 102, 111-135. [17] Hartmann S., y Kolisch R. (2006). Experimental investigation of heuristics for resource-constrained project scheduling: an update. Eur J Opl Res, 174, 23-37.

ANEXO :Matriz de operacionalizacin de variables

Objetivos

Variables de estudio

Objetivo General. Disear un algoritmo gentico eficiente que minimice el tiempo de duracin del proyecto con recursos limitados en su modo estndar y multi modo.

O.E.1: Disear una nueva codificacin para las soluciones del AG, una eficiente tcnica de cruce, un mecanismo innovador de mutacin, y un procedimiento de bsqueda local eficiente para la variante nico-modo o estndar.

Variable1.1 Codificacin de soluciones para el modo estndar Variable1.2 Operador de cruce para el modo estndar. Variable1.3 Operador de mutacin para el modo estndar. Variable1.4 Mecanismo adaptado del procedimiento de bsqueda Local. Variable1.5 Mecanismo adaptado del procedimiento de reemplazo aleatorio para el modo estndar.

O.E.2: Disear una nueva codificacin para las soluciones del AG, una eficiente tcnica de cruce, un mecanismo innovador de mutacin, y un procedimiento de bsqueda local eficiente para la variante nico-modo o estndar.

Variable2.1 Codificacin de soluciones para la versin multimodo. Variable2.2 Operador de cruce para la versin multi-modo. Variable2.3 Operador de mutacin para la versin multimodo. Variable2.4 Mecanismo adaptado del procedimiento de reemplazo aleatorio para la versin multi-modo.