RevistaAvancesenSistemaseInformtica,Vol.5 No.

1,EdicinEspecial,Medelln,Mayode2008,ISSN 16577663
IIICongresoColombianodeComputacin3CCC2008
UnModelodeAsignacindeRecursosaRutasenel
SistemadeTransporteMasivoTransmilenio
AModelforResourceAssignmenttoTransitRoutesin
BogotaTransportationSystemTransmilenio
Recibidopararevisin28deNoviembrede2007,aceptado14deFebrerode2008,versinfinal28deFebrerode2008
ResumenEn este tr abajo se presenta un modelo basado en
algor itmos genticos, teor a de colas y teor a de grafos para la
planea cin de sist emas masivos de t r a nspor t e. Ent r e las
ca r act er st ica s pr incipales del modelo se pr opone: i) El
modelamiento real de la troncal de lasAmr icas del sistema de
t r anspor t e masivo Bogot ano Tr ansmilenio ii) Un
pr epr ocesamient o de dat os utilizando teor a de gr afos par a
caracterizar las r utas ms cortas entre todas las combinaciones
posibles de est aciones or igen y dest ino iii) Ut ilizacin de
algor itmos gent icos par a optimizar el t iempo que gast a un
usuar io en el sistema Tr ansmilenio por medio de la asignacin
debusesyfrecuenciasdesalida.iv)Lasimulacindeeventospor
mediodedistribucionesdePoissonyErlang,simulandoelevento
dellegada deun busTransmilenioa unaestacin determinaday
el tiempo de espera de arribo del prximo bus respectivamente.
Adems se desar r olla una met odologa exper imental par a
validar el modelo propuesto y estudiar los r esultados otorgados
por el mismo.
Palabras ClaveSist ema de Tr anspor t e, Teor a de Colas,
Distribucin Erlang, Gr afos, Dijkstra,Algor itmos Genticos.
AbstractIn this work, a model based on genetic algor ithms,
queue theor y and gr aph theor y for r oute planning in a mass
tr anspor tation system is presented. Most impor tant features of
theproposedapproacharei)themodelingoftheAmericaslinein
the mass transportation system Transmilenio in Bogota ii) Data
pr epr ocessing using gr aph theor y to char acter ize the shortest
routes between all the possible combinations of destination and
sour ce stat ions iii) the opt imization of tr avel time by r oute
assignment using genetic algorithms iv) the simulation of events
usingthePoissonandErlangdistributions,correspondingtobus
arrival at specific stations and to users waiting time.
Additionally, an exper imental methodology was developed to
validatetheproposedapproach.
SergioDuarte,Ing.,DavidBecerra,Ing.,LuisFernandoNio,PhD.
Laboratoriode Investigacinen Sistemas Inteligentes,ALGOSUN
UniversidadNacionaldeColombiaSedeBogot
(srduartet,dcbecerrar,lfninov)@unal.edu.co
KeywordsTr anspor t at ion System, Gr aph Theor y, Queue
Theory, GeneticAlgorithm, Dijkstr a.
I . I NTRODUCCIN
E
l desarrollo de estrategias de planeacin de rutas en los
sistemas de transporte masivo es fundamental para la
optimizacin de costos del negocio y del cumplimiento de
necesidadesporpartedelusuariodelossistemasdetransporte.
Laimplementacindedichasestrategiasestenfocadaaevitar
costosoperacionaleselevados,disminuyendolaproporcinde
estoscostos respectoalos logsticos[1].
Laoptimizacindeoperacioneslogsticasdetransportees
unadelasreasdeplaneacinquemsaugehatenidodurante
laltimadcadadebidoalincrementodenecesidadesdecrear
solucionesyoptimizacionesalosproblemasdedistribucin,as
mismosehavistosoportadaporlaimplementacindenuevas
tecnologasquecontribuyenalarealizacindesolucionesms
integrales,confiablesydinmicas.
Eldesarrollodenuevastecnologaspartiendodesistemas
inteligentesparalaplaneacindelaoperacindesistemasde
transporte son herramientas tiles para la optimizacin de
funcionesycostosoperativosdeunsistemadetransporte.[2]
Se espera que al aplicar las nuevas tecnologas de
procesamiento de informacin, comunicaciones, control y
electrnica,lossistemasmasivosdetransportecreencaminos,
vehculosyusuarios"msinteligentes".Seesperatambinque
la aplicacin de estas tecnologas mejore la operacin de los
sistemas de transporte al proveer rutas ms eficientes a los
viajeros.[2]
RevistaAvancesenSistemaseInformtica,Vol.5 No.1,EdicinEspecial,Medelln,Mayode2008,ISSN 16577663
IIICongresoColombianodeComputacin3CCC2008
164
En este trabajo se aplic un algoritmo gentico como
metodologadeoptimizacinparalaasignacindefrecuencias
ynmerodebusesparalasrutasdeterminadasenlaoperacin
delsistemadetransportemasivoTransmilenioenlatroncalde
lasAmricas.Sesimulelcomportamientodelsistemapartiendo
delateoradecolas,herramientasestadsticasyprobabilsticas.
Lasimulacindelcomportamientodeusuariosetrabajapartir
deteoradegrafos.
Eldocumentoestorganizadocomosigue:Enlaseccin2
algunos fundamentos de distribuciones y teora de colas es
brevementeexplicado.Enlaseccin3seanalizalalgicadela
aproximacin planteada. En la seccin 4 se explica la
implementacinapartirdealgoritmosgenticos.Enlasltimas
seccionessedesarrollarunametodologadeexperimentacin
paravalidarlasignificanciayprecisindelmodelo,seguidade
los resultados y correspondientes conclusiones.
Figura 1. Sistema de programacin y control de Transmilenio (tomado de [5]).
I I. BACKGROUND
A. DistribucindePoisson
La distribucin de Poisson es una distribucin de
probabilidaddiscreta,queexpresalaprobabilidaddeunnmero
deeventosocurriendoenuntiempofijosiestoseventosocurren
conunatasamediaconocida,ysonindependientesdeltiempo
desdeelltimoevento.
Ladistribucindeprobabilidadestdadapor:
!
) (
k
e
k f
k
l
l
l -
= (Eq.1)
donde ees2.71828,k!eselfactorialdek,eselnmero
esperadodeocurrenciasduranteunintervalodado.
A.1ProcesodePoisson
UnavariableesdePoissoncuandoelnmerodeeventosque
ocurrenenunintervalotemporaloespacialdetamaodado
cumplelassiguientescondiciones[3]:
El nmero de eventos que ocurren en el intervalo es
independientedelnmerodelosqueocurrenfueradelmismo.
Existeunintervalolosuficientementepequeo,detamao
h,paraelquelaprobabilidaddequeenelmismoocurraun
slo evento es proporcional al tamao del intervalo, es
deciresh,siendoportantolaprobabilidaddeque
ocurrauneventoenunintervalodetamaounidad.
Laprobabilidaddequeencualquierintervalodetamaoh
suficientementepequeoocurrandos omseventos,es
prcticamentedespreciable.
B. DistribucinErlang
LadistribucinErlangesunadistribucindeprobabilidad
continuacondosparmetroskycuyafuncindedensidad
paravalores x >0es.

)! 1 (
) (
) (
1
-
=
-
-
k
x
e x f
k
x
l
l
l
(Eq.2)
LadistribucinErlangeselequivalentealadistribucin
gammaconelparmetro k=1,2,..etcy=1/.Para k=1esoes
ladistribucinexponencial.
Seutilizaladistribucinparadescribireltiempodeespera
hastaelsucesonmerokenunprocesodePoisson.Esdecir
queestadistribucinmideeltiempoquetranscurreentreun
suceso y el msimo siguiente. La distribucin tiene dos
parmetros Erlang(m,b) donde b eslamediadeunadistribucin
exponencialy meselnmerodesucesosquesecuentan[4].
C. TeoradeColas
Lateoradelascolaseselestudiomatemticodelascolaso
lneasdeespera.Laformacinde colases,porsupuesto,un
fenmenocomnqueocurresiemprequelademandaefectiva
deunservicioexcedealaofertaefectiva.
Dentrodelascaractersticasclavesdeunsistemadecolas
podemosencontrar.[6]
Unapoblacindeclientes,queeselconjuntodelosclientes
posibles.
Unprocesodellegada,queeslaformaenquelleganlos
clientesdeesapoblacin.
Unprocesodecolas,queestconformadopor(a)lamanera
que los clientes esperan para ser atendidos y (b) la
disciplinadecolas,queeslaformaenquesonelegidos
paraproporcionarleselservicio.
Unprocesodeservicios,queeslaformaylarapidezconla
queesatendidoelclienteyporltimounprocesodesalida.
Verfigura2.

UnModelodeAsignacindeRecursosaRutas enelSistemadeTransporteMasivoTransmilenioDuarte, BecerrayNio. 165

Figura 2. Sistema de Cola genrico (tomado de[7])
III . APROXIMACIN PROPUESTA
Se desarrollo un algoritmo gentico que evoluciona
poblaciones de configuraciones de frecuencia y nmero de
buses para unas rutas preestablecidas en un sistema de
transportedepasajerosmasivo.Elobjetivodelaimplementacin
y modelo desarrollado es generar una solucin ptima al
problemadeplanearlaasignacindelosbusesalasdiferentes
rutasysufrecuenciadesalida.
A. SimulacindeunSistemaReal
SemodeloelsistemadetransportedeTransmilenio[5]enla
troncal de las Amricas, se utilizaron las 18 estaciones
comprendidas entre el Portal de las Amricas y la estacin
Jimnez.Deigualformaseutilizlasespecificacionestcnicas
decargadepasajerosdelosbusesTransmilenio(160pasajeros
porbus)ylasrutasactualesquecubrenlatroncalF1,F14,F19,
F23,F60,F61yF91.
B. ObjetivosdeOptimizacin
Entodosistemadeteoradecolas,esnecesariomaximizarla
satisfaccindelclienteminimizandoloscostosdeoperacin
del sistema, es decir que se debe establecer un balance
equilibrado y ptimo entre las consideraciones cuantitativas
de costes y las cualitativas de servicio. En una solucin al
problemadelaasignacinderutasseesperanosoloenminimizar
eltiempoquelosclientespasanenelsistema,sinotambinen
minimizarloscostostotalesdeaquellosquesolicitanelservicio
ydequienesloprestan.
Elmodelamientodelsistemaesrealizadopormediodela
simulacindelostiemposdeesperaporservicioylostiempos
deservicio.Esdecirqueseintentaminimizareltiempototalque
elclientegastaenelsistema,estoselograminimizandoeltiempo
queelusuariogastaensuviajeyeltiempoqueelusuariogasta
esperandolallegadadeunbus.
Sehaintroducidounaheursticadelasrutasptimaspara
llegardeunorigenaundestinodeterminado,staheursticaes
elproductodeunpreprocesamientoyanlisisderutasengrafos
querepresentanelsistemadetransporte.
Loanteriorsuponequeelusuarioes"inteligente"ytomar
aquellasrutasquelollevenasudestinoenelmenortiempo
posible,portantodisminuiremoseltiempoqueelusuariogasta
enelsistema,maximizandosatisfaccinyminimizandocostos
delsistema.
Figura 3. Portal de lasAmricas, Transmilenio (tomado de [5])
C. ArribodeUsuarios
Ladistribucinutilizadaparaasignaralospasajeros,damayor
prioridad a estaciones demayor afluencia (PortalAmricas,
Banderas,Ricaurte,AvJimenez),dadoqueensituacionesreales
existenestacionesconunmayorvolumendeusuarios,casode
losportaleseinterseccionesenelcasodelsistemadetrasporte
masivomodeladoTransmilenio.Enelmodelopropuestocada
estacincorrientetieneasociadaunaprobabilidadde:
) 2 (
1
+
=
portales
e e
p (Eq.3)
Y para estaciones portales o especiales la probabilidad
asociadaesde:
) 2 (
3
+
=
portales
e e
p (Eq.4)
donde e eselnmerodeestacionesy e
portales
eselnmerototal
deportalesoestacionesespecialesconsideradasenelsistema.
RevistaAvancesenSistemaseInformtica,Vol.5 No.1,EdicinEspecial,Medelln,Mayode2008,ISSN 16577663
IIICongresoColombianodeComputacin3CCC2008
166
D. Utilizacindelservicio
D.1ModelamientodeeventosporprocesosdePoisson
ElarribodebusesTransmilenioaunaestacindeterminada
semodelacomounprocesodePoisson,yaqueelnmerode
Transmilenios que paran en una estacin dada dentro de la
TroncalAmricas en las horas de mayor trfico es un claro
ejemplo que posee las caractersticas de una distribucin de
probabilidaddePoisson.
Elpromedio(media)delosarribosdelosbusesTransmilenio
por hora de gran trfico puede estimarse a partir de las
frecuenciasdesalidadelosbusesdeTransmileniodeunportal
dado,es decir,que lamedia secalcula comola distanciaen
tiempodesalidadecadaTransmilenioacumplirsuruta.Esta
mediaestdeterminadapor.
i
i
NB
TR
media = ,(Eq.5)
donde TR
i
eseltiempoptimoderecorridodelaruta i,yNB
i
es
elnmerodebusesasignadoalarutai.
Es claro que la simulacin posee las siguientes
caractersticas:
El nmero de buses Transmilenios que llegan en un
determinado intervalo a un tiempo especfico es
independientedelmomentoenqueelintervalodetiempo
ocurredurantelahoradegrantrfico.
ElnmerodellegadasdeunbusTransmilenioencualquier
intervalodetiemponodependedelnmerodearribosde
cualquierotrointervalodeunsegundo.
D.2ModelamientodetiemposdeesperaErlang
distribuidos
Los eventos que ocurren independientemente con alguna
rata promedio de ocurrencia pueden ser modelados con
procesosdePoisson.Eltiempodeesperaentrekocurrencias
deloseventossondistribuidosErlang.Esdecirqueelevento
independiente de la llegada de un bus a una estacin dada
dentro dela troncalde lasAmricas soneventos modelados
con procesos de Poisson, y el tiempo de espera que debe
aguardarunpasajerodelsistemaparaabordarelsiguientebus
que le sirve dentro de la ruta ptima escogida es un evento
Erlangdistribuido.
Elmodelamientoesguiadorespectoaeleventoesperadoyla
mediadeespera,dondelamediadeesperaestdefinidaporla
frecuenciadesalidadelosbusesdelarutaquecadausuariodel
sistemaespera,yeleventoksedefinecomoelnmerodebuses
que arriban (evento) antes que el usuario pueda tomar su
servicio.
D.3Modelamientodeexcesodecupodeservicio.
Lautilizacindelservicio(tomarelbusTransmilenio)depende
delacapacidaddecuposlibresquetengalarutaasignadaenel
momentodepresentarseeleventodearriboaunaestacin.
Estemodelamientoesrealizadoporlaprobabilidad:










<= =
> =
=
) 160 * ( 1
) 160 * (
160 *
i i
i i
i
i
NB NP if
NB NP if
NP
NB
p (Eq.6)
dondeNP
i
corresponde al nmero de usuarios que esperan
unarutadeterminadayNB
i
correspondealnmerodebuses
asignadosaesaruta.
Esimportanteanotarqueestaprobabilidaddeterminala
variable kenladistribucinErlang,dondeksedefinecomoel
nmerodesucesosnecesariosoarribosdebusesTransmilenios
necesariosparalautilizacindelservicio.
IV. ALGORITMO GENTICO PROPUESTO
Losalgoritmosgenticoshanemergidocomounamuybuena
aproximacinparalasolucindeproblemasindustriales,de
servicios u otros sistemascomplejos que son modelados por
simulacionesenelcomputadoryquenecesitanseroptimizados
entrminosdesudiseoestructuralypolticasoperacionales
[9,10].
Losalgoritmosgenticossonmtodossistemticosparala
resolucindeproblemasdebsquedayoptimizacinqueaplican
aestoslosmismosmtodosdelaevolucinbiolgica:seleccin
basadaenlapoblacin,reproduccinsexualymutacin.
Deformaexplcita,elprocesodeevolucinesmodeladocomo
una sucesin de frecuentes cambios en los genes, que
constituyenlassolucionesanlogasa cromosomas.Elespacio
desolucionesposiblesesexploradoaplicandotransformaciones
a stas soluciones candidatas tal y como se observa en los
organismosvivientes: cruce, inversin, mutacin.
Lassolucionescodificadasenuncromosomaelgenotipo
compitenparaverculconstituyelamejorsolucin(aunque
nonecesariamentelamejordetodaslassolucionesposibles).
El ambiente, constituido por las otras posibles soluciones,
ejercerunapresinselectivasobrelapoblacin,deformaque
slo los mejor adaptados (aquellos que resuelvan mejor el
problema) sobrevivan o donen su material gentico a las
siguientes generaciones, igual que en la evolucin de las
especies.
Lautilizacindeestosalgoritmosnosofrecevariasventajas
paraelproblemadeasignacindebusesyfrecuenciasenun
sistema de trasporte dada la idoneidad de los algoritmos
UnModelodeAsignacindeRecursosaRutas enelSistemadeTransporteMasivoTransmilenioDuarte, BecerrayNio. 167
genticospara encontrarsolucionesenespacios debsquela
grandes y complejos, que suelen ser caractersticos en el
problematratadodadoelaltogradodelibertadqueconllevala
asignacin de frecuencias a las distintas rutas junto al alto
nmero de posibilidades en la asignacin de buses en las
mismas.
Adicionalmente, los algoritmos genticos representan un
mtododebsqueda idneodadasunaturaleza paralelaque
permiteexplorarelespaciodebsquedaenvariasdirecciones,
estacaractersticaevitaestancamientosalencontrarsoluciones
subptimas como en otros mtodos en los que es necesario
comenzar de nuevo todo el proceso al estar en uno de estos
estados. Para el problema de trasporte tratado, este
comportamiento es de gran utilidad dado que nos permite
estudiar solucionesalternas que puedenllegar a serde gran
utilidadenlatomadedecisionescuandosurgencondiciones
externasalproblema.
El algoritmo gentico propuesto para el problema de
asignacindebusesyfrecuenciasalsistemadetrasportetratado
sebosquejaenlafigura1.Elprocesocomienzaconlaasignacin
deparmetrosdelalgoritmogentico,entrelosparmetrosse
encuentraelgradodelamutacin,elnmerototaldeusuarios
enelsistema,nmerodebuses,capacidaddelosbuses,nmero
derutas,tiempototaldeviajedecadarutaterica,tamaode
la poblacin, nmero de generaciones, entre otros.
Posteriormenteseinicializalaprimerapoblacindealgoritmo
genticoyluegodeformacclicaseevolucionalasgeneraciones
pormediodelaaplicacindemutacionesalosindividuos,la
seleccin de los individuos que conforman cada nueva
generacinseimplementaporelmtododetorneo.
En las siguientes secciones se explica en detalle los
componentes del algoritmo gentico para el problema de
asignacinebusesyfrecuenciaspormediodelaespecificacin
delindividuo,lafuncinde fitness,losoperadoresgenticosy
elprocedimientodeseleccin.
A. DefinicindelIndividuo
El primerpaso ala horade implementarun algoritmo
gentico consiste en decidir la estructura que tendr el
cromosomadecadaindividuo.Deladefinicincorrectadeesta
estructuradependerengranmedidaelcomportamientodel
algoritmo.
Paraelpresenteenfoquesecodificelcromosomacomo
unarreglodeiguallongitudalnmeroderutas,deestaforma
cada posicin del arreglo contiene la programacin
correspondienteaunaruta.Dichaprogramacinconsisteenel
nmerodebuseselcualsecodificapormediodeunnmero
entero,yalafrecuenciadesalidadedichosbusesoladistancia
entiempoentrelosbusesdedicharuta,elcualserepresenta
pormediodeunnmerodedobleprecisin.EnlaFigura2se
muestraunesquemadelgenotipodelindividuo:
Elrangoposibleparaelparmetrobusesdecadarutaes [1,
nr],dondeneselnmerototaldebusesestablecidoparael
sistema y r representa el nmero de rutas, este intervalo
simplementenosdicequetodaslasrutasdebentenerasignado
porlomenosunbus.Paraelparmetrofrecuenciadecadaruta,
elrangodevaloresposibleses: [t
i
/b
i
,],donde t
i
eseltiempo
mximo de viaje de la ruta i y b
i
es el nmero de buses
actualmenteasignadoalaruta i.Conesteintervalogarantizamos
quealmenosexistaunbusparaunarutadadaenelsistema.
Esimportanterecalcar,queelcromosomarepresentaen
ltimainstanciaunapotencialsolucindeplaneacinparael
sistemadetrasportedefinido.
B. InicializacindelaPrimeraPoblacin
Lainicializacindelaprimerapoblacindelalgoritmo
gentico se lleva a cabo por medio de un proceso
completamentealeatoria.Enelproceso,elcualesaplicadoa
cadaindividuo,seasignacadaunodelosbusesaunarutaque
eselegidasiguiendounadistribucinuniforme,noobstantese
garantizaqueningunarutaposeaalmenosunbusasignado.
Esimportantemencionarquejuntoalainicializacindela
primerapoblacin,sellevaacabounprocesodeinicializacin
delos orgenesy destinosde lospasajeros enel sistemapor
cadageneracindeindividuosdelalgoritmogentico.Paraeste
finseconstruyeunamatrizdetamaoe e donde e representa
elnmerodeestacionesenelsistemaysegeneradeforma
aleatoriaelorigenydestinoparacadaunodelospasajerosen
elsistemaelnmerodepasajerosesunparmetrodeentrada
del modelo, de esta forma en la posicin M
i,j
de la matriz,
contamoselnmerodepasajerosquepartendelaestacin e
i
y
sedirigenalaestacine
j
.Naturalmentenoseadmitequeel
origenseaigualaldestino,locualproducequeladiagonalde
estamatrizseasiemprecero.

RevistaAvancesenSistemaseInformtica,Vol.5 No.1,EdicinEspecial,Medelln,Mayode2008,ISSN 16577663

IIICongresoColombianodeComputacin3CCC2008
168
Figura 4: Diagrama de flujo del modelo
Figura 5: Representacin del cromosoma
C. DefinicindelosOperadoresGenticos
Unodelospuntosclavedelxitodelosmtodosqueutilizan
algoritmos genticos se encuentra en la habilidad de usar
informacin encontrada en los genes de una poblacin para
utilizarlaconlaideadecrearunosnuevoscandidatosmsaptos.
Enelpresenteenfoque,esteobjetivoesalcanzadoatravsde
unprocesodemutacin,enelcualsellevanacabovariaciones
enindividuosdelapoblacinoriginalconelfindeexplorarel
espaciodebsquedayencontrarmejoressolucionespormedio
deuncriteriodeseleccin.
Lamutacinqueseproponeconsisteenelegirdeforma
aleatoria ungen enel individuo de forma uniformemente
distribuidayaadir algen(ruta)seleccionar unnmerode
buses aleatorio entre el rango [1, max], donde max es un
parmetrodelalgoritmogenticoquenospermitecontrolarel
gradodevariacinenlosindividuosmutados.Dadoqueexiste
unnmeroestablecidodebusesenelsistema,sehacenecesario
equilibrarelnmerototaldebuses,porloqueseeligedeforma
aleatoriaotrogenyserestaalnmerodebusescontenidoen
steelnmerodebusessumadoalprimergenelegido.Enel
casodequeladiferenciarealizadaresulteenunnmeronegativo
oencero,seintentacomputarlarestaconungendiferente,si
luegodeintentarcontodoslosgenesrestantesnoesposible
terminarlaoperacin,elindividuomutadosetomacomono
valido y se reinicia completamente el proceso de mutacin
seleccionandootroindividuodeformaaleatoria.
Enelcasoenqueelprocesohayasidoexitosoestoes
equilibrar el nmero de buses en el sistema , se procede a
actualizar la frecuencia de salidaen las dos rutas afectadas.
Dichaactualizacinseefectapormediodelasiguientefrmula:
i
i
b
T
f = (Eq.7)
dondeT
i
eseltiempototalderecorridodelarutaiyb
i
esel
nuevo nmero de buses asignado a dicha ruta. Con esta
actualizacin garantizamosque al menoshalla un busen el
sistemaparalarutaespecificada.
Es importante mencionar que para valores pequeos del
parmetro max se lleva a cabo una exploracin gradual del
espaciodebsquedamientrasquevaloresgrandesconllevana
saltosmsgrandesenlabsqueda.
D. Funcin Fitness
Enelalgoritmogenticobuscamoslaprogramacindebuses
yfrecuenciasqueminimiceneltiempoquegastanlosusuarios
enelsistema,estetiempopuedesercuantificadopormediode
lasiguienteecuacin:
) (
0
e
p
i
v total
t t t + =

=
(Eq.8)
dondepesel nmerototalde pasajerosdelsistema enun
periododetiempodiscreto, t
v
eseltiempodeviajedecadauno
de los pasajeros yt
e
es el tiempo de espera del usuario para
recibirelservicio.Acontinuacinsedescribecomoseclculo
cadaunoestostrminos.
D.1Calculodeltiempodeviajepormediodetcnicasde
grafos
Paracalculareltiempodeviajeseasumiquecadaunodelos
pasajeros selecciona el conjunto de rutas que representa el
caminoms cortopara llegara sudestino. Estahiptesis es
congruenteconlaintencindelusuarioporminimizarsutiempo
deviajeyconelrazonamientoquellevaacaboparasatisfacer
dichoobjetivo.
Paraobtenereltiempodeviajesediseungrafoconlas
rutasseleccionadasparaelproblema,dondelosnodosdelgrafo
UnModelodeAsignacindeRecursosaRutas enelSistemadeTransporteMasivoTransmilenioDuarte, BecerrayNio. 169
representanlasestacionesylosarcoslasconexionesexistentes
entrelasestaciones,loscualesdefinimoscomo caminos.Los
costosdelosarcossedefinencomoeltiempoquetardamosde
irentrelasestacionesqueelarcoconecta,deformaadicionala
estetiempo,seagregaelconjuntodeposiblesrutasquecubren
elrecorridoentreelpardenodosestacionesanalizadas.
Lautilizacindeunaestructuradegrafoesidneapara
representarlainformacindelproblemadeunaformaconcisay
eficiente,yaquetenemosaccesoalostiemposdeviajeentre
cualquier origen y destino y an ms importante, podemos
conocer lasrutas queel usuariodebe tomarpara llegara su
destinoconeltiempodeviajemscorto,informacinquees
tambinnecesariaparacalculareltiempodeesperapromedio
delosusuariosenelsistema.
Losdatosqueseemplearonenlaconstruccindelgrafose
resumenenlaTabla1.
TABLE I
DESCRIPCIN DE LAS RUTAS TOMADAS PARA EL ESTUDIO
Ruta Ordendelasestacionesquevisita
F1 0,1,2,3,4,5,6.14,15,16,17
F14 0,2,4,8,13
F19 4,7,9,14
F23 0,1,4,12,14,15,17
F60 0,2,4,8,10,11,14,16,17
F61 0,2,4,7
F91 0,2,4,8,12,14,15,17
Lassieterutasqueseincluyeronenelmodelosetomaronde
las rutas existentes en el sistema de transporte masivo
TransmilenioparalaTroncalAmricas,ascomolasestaciones
existentes en el mismo sistema especficamente de Portal
AmricashastaAv.Jimnez.Deestaformanuestromodelo
tieneunagranrelevanciaprcticayaqueesposiblecomparar
losresultadosdenuestrosistemaconlaplaneacinactualde
Transmilenio.
La obtencin de las rutas ms cortas entre todas las
combinacionesdenodosseobtuvopormediodelalgoritmode
Dijsktra[8],elcualnospermiteobtenerdeunaformaeficiente
los caminos ms cortos de un nodo origen hacia el resto de
nodos del grafo. Dicho algoritmo se aplic tomando como
nodosorigen cadaunode lase/2 dondeees elnmero de
estaciones primeras estaciones, ntese que no es necesario
aplicarelalgoritmodeDijsktra e vecesyaqueelcostodeirala
estacin e
i
a e
j
eselmismode e
j
a e
i
,ascomolasrutasatomar.
Es importante aclarar que la aplicacin del algoritmo de
Dijsktra[8]hacepartedeunpreprocesamientodedatosenel
cualsebuscaconstruirlamatrizquerepresentaalgrafoconlas
estacionesconectadaspormediodelasrutasimpuestasylos
tiempos de los caminos ms cortos as como las rutas que
conllevan a dichos tiempos, por lo que en la aplicacin del
algoritmogenticonoseutilizaDijsktra,simplementeelgrafo
construidodeformaprevia.Deestaformaelclculodelafuncin
de fitnessesoptimizadadesdeelpuntodevistadetiempode
cmputo, lo cual contribuye sustancialmente a reducir la
complejidadcomputacionaldelalgoritmogentico.EnlaFigura
3semuestraelgrafodiseadoparalasrutasseleccionadas,en
lafiguratambinsepuedeobservarlaaplicacindelalgoritmo
deDijsktratomandocomonodoorigenelprimernodo.
Desdeelpuntodevistacomputacional,elgrafosepuede
representarpormediodeunamatrizenlaqueelelementom
i,j
de
lamatrizcontieneeltiempodeviajedeirdelaestacniala
estacinjylasrutasasociadasadichotiempo.
Finalmenteelclculodeltiempodeviajedelosusuarios
delsistemadetrasporte,sellevaacabopormediodelasiguiente
frmula:
) (
,
2 /
0 1
, j i
e
i
e
i j
j i viaje
p m t

= + =
= (Eq.9)
donde p
i,j
serefierealoselementosdelamatrizqueposeeel
nmerodepasajerosqueviajandelaestacin i alaestacin j.
D.1Cmputodeltiempodeespera
Eltiempodeesperadelosusuariosdelsistemasecalculapor
mediodeladistribucindeprobabilidadErlang,lacualesideal
paramodelarlostiemposdeesperaensistemadecolas,elcual
esanlogoalaesperaquelosusuariosllevanenlasestaciones
parapoderabordarunbus.
Figura 6: Grafo que representa las estaciones de la Troncal Amricas y
las rutas ms cortas obtenidas a partir de 7 de las rutas del sistema
Transmilenio.
Paracalculareltiempodeesperadelosusuariosempleamos
unvectordeiguallongitudalnmeroderutas,enelcualcada
posicincontienelacantidaddeusuariosqueutilizalarutaque
representadichaposicin,estoesfcildecalcularapartirdela
matrizqueseinicializaencadageneracinconelnmerode
usuarios que viajan de la estacin i a la estacin j.
Adicionalmenteutilizamosunvectordelamismalongitudal
anterior,dondealmacenamoslacapacidadtotaldetrasportede
RevistaAvancesenSistemaseInformtica,Vol.5 No.1,EdicinEspecial,Medelln,Mayode2008,ISSN 16577663
IIICongresoColombianodeComputacin3CCC2008
170
cada una de las rutas, esta informacin se puede obtener a
partirdelnmerodebusesquecadarutatieneasignadaporla
capacidaddecadabusvalorqueesunparmetrodeentrada.
Condichainformacinpodemosemplearladistribucinde
Erlang.Paraelloprimerodeterminamosparacadausuariodel
sistemaelnmerodeintentosquedeberealizarparapodertomar
elservicio.Silarelacinentreloscuposdisponiblesylacantidad
depersonasquevanaviajarenunarutadeterminadaesmayor
o igual a 1, entonces podemos asumir que el usuario podr
utilizarelservicioenelprimerintento.Encasocontrario,el
nmerodeintentosestdeterminadoporelnmerodeeventos
necesariosparaobtenerapartirdeunadistribucinuniforme
unvaloraleatoriomayoralaraznmencionada.
Finalmente,conelanteriorvalorobtenido,nosesposible
aplicarlasiguientefrmulaparaobtenerelnmerototaldeespera:
donde f(M
i.j
) calcula la sumatoria de frecuencias de los
caminosquesetomanparairdelaestacin i alaestacin j.
V. MARCO EXPERIMENTAL
Sediseunmarcoexperimentalconelfindeanalizarla
consistenciaycalidaddelosresultadosobtenidosporelmodelo
propuesto.As mismo, se analiz el comportamiento de los
algoritmosgenticosrespectoalaevolucindelaspoblaciones
conelfindevalidarelmodeloylarelevanciadesusresultados
paraelproblemadeprogramacindebusesyfrecuenciasenun
sistemadetrasporte.Estambindegranimportanciaanalizarla
validez de las distribuciones de probabilidad elegidas para
modelarelproblemapormediodelestudiodelosresultados
obtenidosenlasimulacin
Dentro de este marco experimental se desarrollo una
aplicacinempleandolatecnologaJAVA,queimplementala
simulacindelalgoritmogentico.Losexperimentossellevaron
acabosobreuncomputadordeescritorioconprocesadorIntel
Core2Duode2.3Ghzy1GbdememoriaRAM.
Los datos de entrada del modelo son las rutas, las
estacionesquerecorrecadaunadeestasrutas,lacantidadde
buses del sistema y la capacidad de cada bus. Los datos
utilizados en nuestra experimentacin fueron extrados del
sistemadetrasporteTransmilenio,enparticularseutilizaronlas
18estacionesdelaTroncalAmricasentrePortalAmricasy
Av.Jimnezy7delarutasofrecidasporTransmilenioenlos
horarios corrientes. La capacidad de los buses es de 160
pasajerosyseconsideraron400busesenelsistemaparauna
afluenciadeusuariosde100.000personas.
Paraelalgoritmogenticosedefini50comoeltamaode
la poblacin y se llevo a cabo la simulacin para 20.000
generaciones.Losresultadosdedichasimulacinascomosu
anlisissepresentanenlasiguienteseccin.
VI. RESULTADOS
Enlafigura7seobservaelcomportamientodelalgoritmo
genticoatravsdelasgeneraciones,dondeenlageneracin
inicialelfitnessdelmejorindividuofuede1432.32minutos,
mientrasqueel fitness delindividuodelaltimageneracinfue
de689.24minutos.Lospicosdelafiguraseexplicanporla
utilizacindedistribucionesErlangparaelmodelamientodelos
tiemposdeespera,yaqueparacadageneracincorresponda
unadistribucindiferentedelosusuariosenlasestacionesdel
sistema ylas probabilidades detiempo de esperavariaban a
travsdelasgeneraciones.
La convergencia del algoritmo gentico nos muestra que
nuestrosistemaescapazdemodelarconsignificanciaunsistema
de transporte, ya que el algoritmo no se limit a unas
probabilidadesdadas,sinoqueelsistemaesdinmicoatravs
deltiempo.Enotraspalabras,elmodelamientopropuestoes
capazdesimularunsistemadetransporteencualquierinstante
de tiempo, con modificaciones de variables que afectan el
sistema.
Enlafigura7semuestralamejorconfiguracinobtenidapara
laasignacindebusesyfrecuenciasparacadaunadelasrutas
de la troncal de las Amricas. Analizando stos datos
observamosquestainformacinescongruenteydirectamente
relacionada con la informacin obtenida por los grafos del
sistema.Esdecirqueaquellasrutasquesonmsutilizadaspor
los usuarios y cuyo recorrido en tiempo es mayor, les fue
asignadounmayornmerodebusesysufrecuenciaseminimiz.
)) ( , (
,
2 /
0 1
j i
e
i
e
i j
viaje
M f k k erlang t

= + =
= (Eq.10)
Figura 7: Comportamiento del algoritmo gentico
TABLE II
ASIGNACIONES DEL MEJOR INDIVIDUO
RUTA Num_buses Frecuencia(min)
F1 97 1,4845
F14 54 1,5926
F19 39 1,6923
F23 94 1,234
F60 68 1,7353
F61 16 3
F91 32 3,625
UnModelodeAsignacindeRecursosaRutas enelSistemadeTransporteMasivoTransmilenioDuarte, BecerrayNio. 171
VI I . CONCLUSI ONES
En ste trabajo se desarrollo una aproximacin basada en
algoritmosgenticos,teoradecolasyteoradegrafosparala
optimizacindelaasignacindefrecuenciasybusesenrutas
determinadas en un sistema de transporte masivo real.An
cuandociertasrestriccionesydiscretizacionesdelmodeloreal
fuerontomadas,esclaroqueelmodelopropuestoesunbuen
optimizadordeasignacindebusesarutasdadas.Sinembargo
esnecesariotrabajosmsprofundosquelimitenlasrestricciones
planteadasalsistema.
Las metodologas basadas en teora de colas y grafos
poseensignificanciadelmundorealypermitenelmodelamiento
efectivodesistemasdetransportemasivodeunaformafcil,
lgica,estructuradayacordealarealidad.
Elusodeteoradegrafosparaladeterminacindelaruta
ptimaparacadaunadelasrutasestablecidasenlatroncalde
las Amricas es una heurstica introducida como
preprocesamientodedatos,quepermitielmodelamientodel
comportamientodelusuariodeunaformaeficaz,disminuyola
complejidad de la implementacin y corrida del algoritmo
propuesto y adicionalmente era congruente con los dos
objetivospropuestosenlafuncinde fitness delosindividuos.
Losalgoritmosgenticosparaoptimizarfuncionesextraidas
del funcionamiento de sistemas de transporte masivo son
herramientasfcilmenteimplementablesyquelogranmodelar
correctamente la funcin objetivo. Adems, los algoritmos
genticostienenlaventajadeproducirunconjuntodefamilias
de conformaciones de asignaciones de frecuencias muy
cercanas al ptimo.Al obtener una familia de soluciones se
tendrmayorflexibilidadeneldiseoeimplementacinrealde
lassolucionesalsistema.
REFERENCIAS
[1] B. Blanchard, "Logistics Engineering And Management". Fifth
Edition.Prentice Hall. 1998.
[2] J. Daza, J. Espinosa. "Hacia unaArquitectura Nacional para los
sistemas Inteligentes de Transporte". Publicacin Tcnica No
251Sanfandila, Qro, 2004.
[3] V. Abraira, A. Prez. "Mtodos Multivariantes en Bioestadstica".
Ed. Centro de Estudios Ramn Areces. 1996.
[4] J. Serrano, "Computacin Estadstica, Generacin de variables
aleatorias", 2007.
[5] TransMilenio S.A, Transmilenio, http://www.transmilenio.gov.co.
[6] H. Moskowitz, G.P. Wright. "Investigacin de Operaciones".
Prentice_Hall Hispanoamericana S.A. 1991
[7] Urban operations Research, Logistical and Transportation
Planning Methods, 1981.
[8] E.W. Dijkstra, "A Note on Two Problems in Connection with
Graphs". Numerische Math. 1, 269271, 1959.
[9] F. Azadivar, "Simulation Optimization Methodologies",
Proceedings of the 1999 Winter Simulation Conference.
[10] S. lafsson, J. Kim, "Simulation Optimization", Proceedings of
the 2002 Winter Simulation Conference.
Ser gio R. Duar t e. Obtuvo su ttulo de Ingeniero de Sistemas en la
Universidad Nacional de Colombia. Actualmente cursa su maestria en
Linguisticas Computacionales en la Univerzita Karlova en Praga,
Repblica Checa. Sus reas de trabajo e inters son la bioinformtica, las
linguisticas computacionales, el aprendizaje de mquina y la inteligencia
artificial.
David C. Becer r a. Obtuvo su ttulo de Ingeniero de Sistemas en la
Universidad Nacional de Colombia.Actualmente es estudiante de segundo
semestre de la Maestra de Ingeniera de Sistemas y Computacin en la
misma Universidad. Su rea de estudio es la bioinformtica y el aprendizaje
de mquina.
Luis F Nio. Es Ingeniero de sistemas de la Universidad Nacional de
Colombia con Master en Ciencias Matemticas de la Universidad Nacional
de Colombia y Universidad de Memphis con nfasis en Ciencias de la
Computacin y Doctor de Filosofa en Ciencias Matemticas de la
Universidad de Memphis. Las reas temticas en las que trabaja son
Sistemas Inteligentes, Aprendizaje de Mquina, Sistemas Inmunes
Artificiales, Bioinformtica, Aplicaciones Biomdicas de Sistemas
Inteligentes. Actualmente se desempea como profesor asociado en el
Departamento de Ingeniera de Sistemas en la Universidad Nacional de
Colombia.
RevistaAvancesenSistemaseInformtica,Vol.5 No.1,EdicinEspecial,Medelln,Mayode2008,ISSN 16577663
IIICongresoColombianodeComputacin3CCC2008
172