nueva página del texto (beta)
Español (pdf)
Articulo en XML
Traducción automática
Citado por SciELO 
Citado por Google 
Similares en
SciELO 
Similares en Google 
Permalink
INTRODUCCIÓN
El proceso de ruteo en el transporte, considerado como uno de los problemas más habituales en las cadenas de suministro, se traduce en un reto cada vez más grande que obliga a las empresas a ser más innovadoras a la hora de organizar el movimiento y traslado de sus productos. En este proceso se deben considerar diversas variables como el estado de rutas, tiempos de viaje, distancias a recorrer, disponibilidad de vehículos, tiempos de entrega, gestión del personal, los costos elevados que se derivan del proceso, entre otras, para maximizar así la calidad del servicio 1,2.
Con el desarrollo de los modelos de ruteo de vehículos (VRP) originados en 1959 como problemas de optimización combinatoria solucionados en primera instancia a través de la programación lineal 3,4 y que cada vez se ajustan más a los problemas reales, se obtienen ruteos eficientes que inciden directamente en la minimización de costos y que adicionalmente pueden considerar las minimizaciones de emisiones de CO2 para la protección del ambiente 5. Es así, que el VRP supone una gran cantidad de variantes que contextualizan diversas condiciones de los problemas de ruteo del mundo real (6). Una de estas variantes son las entregas y recogidas simultáneas (VRPSPD), la cual se ha aplicado a diferentes sistemas de logística inversa que manejan un flujo de bienes en ambas direcciones 7. Con esta variante se modela un sistema que permite que los clientes puedan recibir un producto y devolver bienes al mismo tiempo 8. Este enfoque genera una red inversa para asegurar la recolección de productos que pueden ser reutilizables, reciclados, reprocesados, y/o mejorar su disposición final 9.
Generalmente los modelos matemáticos de VRP presentan una función objetivo lineal que pretende la minimización de distancias recorridas, el costo de viaje y/o tiempos de recorrido 10. Sin embargo, dadas las implicaciones ambientales que genera el transporte, se hace necesario considerar variantes asociadas a la logística verde para medir el consumo de energía y las contaminaciones emitidas al ambiente (suelo, aire y agua). Todo ello, con el objetivo de minimizar el impacto negativo (9) de las emisiones de gases de efecto invernadero (GEI) que afectan directamente e indirectamente a la salud personas por el daño producido a la capa de ozono (10).
Por otra parte, los modelos de VRP pueden pretender la optimización de un objetivo a la vez o de un conjunto de ellos. Lo cual, puede generar combinaciones de minimización y/o maximización en una misma función objetivo; cuando se formula un modelo con una sola función objetivo, se denomina mono-objetivo, sin embargo, cuando hay más de un objetivo en un mismo problema, se denomina multi-objetivo 11. En este trabajo se considera un modelo multi-objetivo, cuya finalidad es la reducción de los costos por emisiones de CO2, la minimización de costos por violación de ventanas de tiempo y el costo fijo y variable por distancia recorrida de los vehículos. Adicionalmente, presenta una combinación de las siguientes variantes: flota heterogénea capacitada, entregas y recogidas simultáneas, ventanas de tiempos suaves y múltiples depósitos, lo que robustece el modelo propuesto categorizándolo como Np-hard. Por último, para medir el combustible, nosotros consideramos el consumo del vehículo en la aceleración inicial, en movimiento y detenido realizando el servicio en los nodos (tiempo en ralentí).
BREVE REVISIÓN DE LITERATURA
Los problemas de VRP cuyo objetivo es la asignación de rutas a vehículos para cumplir la demanda de clientes en un área determinada partiendo de un depósito y retornado a él al final del recorrido 12, han aumentado su complejidad durante la última década, combinando diversas variantes para poder modelar los sistemas reales y obtener resultados eficientes 13. Figura 1.
Ahora bien, dadas las implicaciones ambientales que generan las actividades del trasporte, se inició el desarrollo de una línea de modelos con variantes verdes introducido por 15 el cual calculó las emisiones de Dióxido de Carbono en el trayecto y tiempo de recorrido del vehículo. A este nuevo enfoque, se suma el trabajo de Energy Minimizing Vehicle Routing Problem (EMVRP) de 16 que mediante una nueva función de costos que considera la distancia y la carga del vehículo, pretende la minimización de la energía que se genera en el trabajo total de los vehículos.
Sin duda alguna, uno de los trabajos más importantes en esta área fue el de (10) con el Pollution Routing Problem (PRP), en donde se establece una función objetivo que considera todos los costos implicados por distancia de viaje, cantidad de emisiones de gases de efecto invernadero, consumo de combustible y tiempos de viaje.
VRP Pickup and Delivery (VRPPD)
Las variantes de los modelos de VRP pretenden asemejar la realidad para poder solucionar los problemas contextualizados; uno de los sistemas que se están empleando a lo largo de las cadenas de suministros es la logística inversa, en donde el VRP modela un sistema que permite al vehículo recoger productos (Pickup) y hacer entregas (Delivery) en la misma ruta (17. Bajo este enfoque, se satisface conjunto de solicitudes de transporte en una o diversas rutas de viaje que se definen por puntos de recogidas y/o entregas, además de una demanda u oferta que debe ser transportada 18.
Uno de los primeros aportes a esta variante direccionada a los sistemas dial-a-ride (transporte de personas) fue realizada por 19 quienes modelaron un sistema de ruta de autobuses teniendo en cuenta el origen y destino de los pasajeros. Ahora bien, en los años 80 y 90, esta variante toma mayor importancia gracias a los trabajos de 20,21,22 quienes presentaron nuevos algoritmos de solución para problemas de pickup and delivery; para esta época 23 establecen las características que distinguen al VRPPD de otras variantes de VRP.
Otros autores como 24 desarrollaron heurísticas para solucionar un Traveling Salesman Problem (TSP) pickup and Delivery (TSPPD). Posteriormente 25 desarrolló un modelo de VRPPD, que combinaba variantes de ventanas de tiempo duras y multi-depósito. Un importante aporte fue el de (8) quienes dividen los problemas de VRPPD en tres categorías: Pickups and Deliveries simultáneos, Pickups and Deliveries Mixtos y Pickups después de los Deliveries (Delivery-first, pickup-second).
VRP Simultaneous Pickup and Delivery (VRPSPD)
Esta sub-variante del VRPPD establece que se puede recolectar bienes y transportarlos en la dirección inversa, al mismo tiempo en que se entreguen otros bienes al mismo cliente 17. El primer autor del VRPSPD fue 26 quien modeló el problema de una biblioteca y lo solucionó agrupando los nodos y resolviéndolos cada grupo como un TSP (7, 8). Posteriormente 27 aplicó una heurística de inserción para resolver un VRPSPD de la vida real que considera distancias de viajes y capacidad residual.
Además de los aportes de la heurística de (8) que buscaba minimizar las infactibilidades, 28 fueron los primeros que propusieron una metaheurística de algoritmo híbrido basada en búsqueda tabú (TS) y búsqueda de vecindarios más cercanos (VNS) para solucionar un VRPSPD (29. Por otra parte, 30 emplean la metaheurística de optimización de Colonia de Hormigas (ACS) para mejorar las soluciones iniciales obtenidas con la heurística del vecino más cercano.
Otros autores empezaron a combinar otras variantes de VRP con el VRPSPD, tales como (31 quienes desarrollan un VRPSPD con ventanas de tiempos teniendo en cuenta la importancia del tiempo en la toma de decisiones gerenciales. Asimismo, 32 combina variantes de flota de vehículos heterogénea (HVRPSPD) el cual fue solucionado mediante un algoritmo híbrido compuesto por recocido simulado y búsqueda local. En (7) también desarrollaron un modelo de VRPSPD con flota heterogénea y resuelto con un algoritmo híbrido basado en búsqueda local y búsqueda tabú. Por otra parte, (33) combinan variantes de múltiples depósitos tratando de contextualizar los problemas reales. El modelo fue resuelto mediante un algoritmo híbrido entre búsquela local y heurística de barrido.
Los modelos de VRPSPD, están enmarcados mayormente en la logística inversa para contribuir a la minimización de impactos ambientales (9) y esta línea es reforzada por los objetivos de minimización de energía, CO2 y consumos de combustibles que se han venido trabajando desde el aporte de (15).
Sin duda, uno de los más grandes aportes a esta variante "verde" del VRP fue el PRP" introducido por (10), cuya función objetivo se planteó en términos de emisiones de CO2 por el consumo de combustible y la distancia recorrida.
Para el caso del VRPSPD 34 desarrollaron un modelo pickup and delivery simultaneo verde (g-VRPSPD) para una flota homogénea en donde se minimizaban los costos por emisiones de CO2. Asimismo, 35 proponen un nuevo modelo de programación lineal entera mixta (MILP) bajo incertidumbre para un problema de VRPSPD con ventanas de tiempo (TWPDPRP) con minimización de consumo de combustibles y emisiones.
FORMULACIÓN DEL MODELO MATEMÁTICO
Para los sistemas que implican la recolección y descargue de bienes de manera simultánea en un mismo cliente, los modelos de VRPSPD representan una eficiente herramienta de modelación (7) que puede ser resuelta a través de métodos exactos o aproximados según su complejidad 36. El modelo propuesto se representa mediante un grafo dirigido G = (N, V), donde N es el conjunto de vértices dividido en dos subconjuntos: N u = {n 1 , n 2 , n 3 ,…n n } es el conjunto de nodos en los cuales se realizarán cargas p j y descargas d j simultáneas dentro de una ventana de tiempo{a i , b i }. El subconjunto N d = {n n+1 , n n+2 , n n+3 ,.., n n+d } representa los depósitos y, por último, N = N u U N d es el conjunto de arcos. Figura 2. Se consideran diferentes tipos de vehículos que integran la flota de transporte V = {k1, k2, k 3 ,..., k n ,}y su capacidad de carga es limitada Q k .
Consumo de energía en el arco y en ralentí
Se considera el consumo de energía y emisiones de CO2 a partir de 37, similar a (16). El trabajo W es la multiplicación de la fuerza F por la distancia C, obteniendo W = F × C. Sin embargo, en el movimiento de un vehículo actúan cuatro fuerzas (Fuerza aerodinámica f
1, Fuerza de rodamiento f
2, Fuerza por pendiente f
3 y Fuerza por inercia f
4) 38, por lo cual tenemos que W = f
1+f2+f3+ f4) × C. Estas fuerzas se calculan a partir de las siguientes ecuaciones f
1 = jC
w
R
0SV2, f
3 = wsenθ y
38. Donde j, u y n son constantes.
Tenemos que Cw es el coeficiente de arrastre, R0 la densidad del aire, S el área frontal del vehículo y V velocidad del vehículo. Asimismo, C r es el coeficiente de resistencia al rodamiento, w peso del vehículo, q ángulo de la pendiente, a aceleración del vehículo, m masa y rt 2 es la relación de paso de la transmisión; se considera que w = (m × g) donde g es la gravedad, por lo que obtenemos:
(1)
Similar a esta ecuación, (10) establecen P
ij
= α
ij
siendo P
ij
el consumo de combustible por el trabajo del vehículo en términos de energía, a
ij
es una constante específica del arco (ij) que se calcula mediante a
ij
= a + g sin θ
ij
+ gC
r
cos y β otra constante específica para el vehículo calculada a través de β = 0,5CdAp. Donde M es la tara (peso del vehículo vacío), f
ij
es la carga del vehículo en el arco (ij), d
ij
es la distancia, V
ij
2
es la velocidad del vehículo, C
d
corresponde al coeficiente de arrastre, A es la superficie frontal del vehículo en m
2
y p es la densidad del aire en kg/m
3
.
A partir de esto, se pueden agrupar las fuerzas f 2 , f 3 y f 4 que dependen del peso del vehículo tanto lleno, como vacío. Por lo cual, se establecen las siguientes dos ecuaciones:
(2)
(3)
Donde C ij es la distancia que recorre el vehículo en un arco (ij), M k la tara, y la carga del vehículo es la sumatoria de la cantidad de producto descargados Z ijk más la cantidad de productos recogidos Y ijk en el mismo arco. Por otra parte, la aceleración es ac k , el coeficiente de resistencia al rodamiento es C r y r tk es la relación de paso de la transmisión.
La operación
, ahora será expresada por d
ijk
. Adicional a ello, la fuerza f
1
como dependiente del vehículo, queda dada por:
(4)
El coeficiente de arrastre es C
w
, el área frontal del vehículo es AS
k
, la densidad del aire es R
0
y la velocidad del vehículo es V
ij
. Para calcular la velocidad del vehículo, se considera la aceleración inicial dividiendo la velocidad en dos tramos: en el primer tramo la a1 ≠ 0 y la velocidad se calcula mediante V1 = a1 * t
2. Para el segundo tramo, se calcula a través de
, asumiendo la velocidad como constante y convirtiendo a
2
= 0. Figura 3.
Para
, se obtiene a través de x = x
0
+,
, sin embargo, V0 = 0 al partir de reposo y como se da una distancia C
ij
establecida para un arco (ij), se considera a x
0
= 0. Para el segundo tramo, como V2 inicia desde d
2, se calcula que
. Y tenemos:
(5)
No podemos solo promediar las dos velocidades que se dan en cada tramo
, por
tanto, si se asume que C
ij
equivale al 100% de la distancia podemos calcular un índice de porcentaje mediante
, obteniendo una nueva ecuación:
(6)
Consecuente a esto, la operación para calcular ∂ ijk queda dada por:
(7)
Adicional al consumo de combustible en cada arco, se genera un consumo en ralentí (motor encendido sin acelerar con o sin embrague, manteniendo un mínimo de revoluciones por minuto) que se presenta en el tiempo de servicio S
i
y que consume el 17% de la energía del combustible 38, generando una ecuación de consumo dada por el factor R de consumo del vehículo y
.
Notación
El modelo matemático considera los aportes de 10,12,35,7.
Índices y conjuntos:
i, j, h: Índice de clientes o depósitos.
k: Índice de vehículos.
N: Conjunto de depósitos {1, 2, 3... u}.
N d : Conjunto de clientes {1, 2, 3... d}.
N: Conjunto clientes y depósitos N = N u ∪ N d .
K: Flota de Vehículos {1, 2, 3.. .k}.
Parámetros:
Q k : Capacidad del vehículo k ∈ K.
F k : Costo fijo por uso del vehículo k ∈ K.
V k : Costo variable por uso del vehículo k ∈ K.
C ij : Distancia entre nodos i ∈ N, j ∈ N.
P i : Oferta del producto a recoger en clientes i ∈ N u .
d i : Demanda a descargar en clientes i ∈ N u .
TTij: Tiempo de viaje del vehículo k entre los nodos i ∈ N, j ∈ N.
a i : Horario más temprano de llegada al cliente i Nu.
b i : Horario más tarde de llegada al cliente i ∈ N u .
Tmax k : Tiempo máximo de ruta del vehículo k ∈ K.
S i : Tiempo de servicio del cliente i ∈ N u .
m i : Costo unitario de multa por violación de ventana de tiempo en el cliente i ∈ N u .
W k : Peso del vehículo vacío k ∈ k.
ac k : Aceleración del vehículo k ∈ k.
Qm j: Capacidad mínima que debe recibir el depósito j ∈ N d .
Qmx j : Capacidad máxima que puede recibir el depósito j ∈ N d .
rt k : Relación del paso de la transmisión del vehículo k ∈ k.
ASk: Área de la superficie del vehículo k ∈ K.
∂ ijk : Valor específico para el arco (ij) a partir de las fuerzas de rodamiento, por pendiente y fuerza por inercia i ∈ N, j ∈ N, k ∈ K.
Escalares:
M: Número muy grande definido como 1,125 veces el tiempo máximo de trabajo del vehículo. c f : Costo del combustible.
ce: Costo emisiones de CO2.
Cr: Coeficiente de rodamiento en kg/Ton.
C w : Coeficiente de arrastre.
R 0 : Densidad del aire en kg/m 3 .
g: Gravedad m/s2.
t2: Tiempo de aceleración inicial en min.
ts: Tiempo máximo de servicio en que se debe dejar el motor en ralentí en min.
R: Consumo en ralentí del vehículo en Lt/hr
Variables:
X jjk : Variable binaria que es = 1 si se asigna el vehículo k al arco (ij) y 0 de lo contrario.
Y ijk : Carga recogida en el cliente por el vehículo k mientras recorre el arco (ij).
Z ijk : Carga descargada en el cliente por el vehículo k mientras recorre el arco (ij).
T i : Momento de tiempo en que el vehículo llega al cliente i.
TR k : Tiempo de ruta para el vehículo k.
Va i : Violación de restricción de la ventana de tiempo por llegada antes al cliente i.
Vb i : Violación de restricción de la ventana de tiempo por llegada después al cliente i.
λ i : Variable de tiempo del vehículo en ralentí en el nodo i.
FORMULACIÓN DE PROGRAMACIÓN ENTERA MIXTA MULTI-OBJETIVO
Este modelo presenta una función multi-objetivo compuesta por:
i. Minimización de los costos fijos y variables en términos de la distancia recorrida por el vehículo.
ii. Minimización de las violaciones a las ventanas de tiempo.
iii. Minimización de emisiones de CO2 en términos de movimiento del vehículo y ralentí.
Función multi-objetivo:
(8)
(9)
(10)
Sujeto a:
(11)
(12)
(13)
(14)
(15)
(16)
(17)
(18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
(26)
(27)
(28)
(29)
(30)
(31)
(32)
La función multi-objetivo de este modelo está conformada por los objetivos (8, 9 y 10), en donde se da la minimización de los costos por uso del vehículo, minimización costos de las violaciones de ventanas de tiempo y minimización de emisiones de CO2 respectivamente. La restricción (11) asegura que un cliente es visitado exactamente una vez por un solo vehículo. La restricción (12) asegura el flujo en la red. La restricción (13) garantiza que cada vehículo debe salir máximo de un depósito. Restricciones (14 y 15) son las ecuaciones de cargue y descargue respectivamente. Para el origen las cargas se hacen cero al igual que las descargas al iniciar la ruta empleando las ecuaciones (16 y 17). Las ecuaciones (18 y 19) garantiza que si un arco es realizado por un vehículo entonces una cantidad deberá cargada y descargada. La capacidad del vehículo está dada en (20). Las restricciones (21 y 22) establecen las cantidades máximas y mínimas que deben llegar a los depósitos. El tiempo de llegada al primer cliente está dado por (23). La restricción (24) establece el tiempo de visita a los clientes. Si los clientes no pertenecen a la misma ruta, se introduce M como un valor muy grande que multiplica a la variable binaria para no considerar el cliente. La restricción (25) asegura el tiempo de ruta total del vehículo considerando el trayecto de retorno desde el último nodo al depósito. La restricción (26) limita el tiempo de ruta total. Las llegadas tempranas y tardías a los clientes se obtienen
con las restricciones (27 y 28) respectivamente. La restricción (29) asegura el menor tiempo de servicio en para un cliente, y la las restricciones (30, 31 y 32) definen la naturaleza de las variables.
MÉTODO DE SOLUCIÓN
Se consideraron inicialmente once nodos con dos depósitos y dos vehículos de prueba. El área frontal de los vehículos, osciló entre los 4 y 3 mt2 y la relación del paso de la transmisión se tomó en 1,5 y 1,34, como lo expresa (37). Se calcula el costo de emisiones de CO2 (ce), multiplicando el costo de emisiones de una tonelada de CO2 emitidas en cada arco, por el consumo de combustible e. Aplicamos el método sectorial para calcular la cantidad de emisiones 39.
(33)
El combustible gastado en la ruta se multiplica por el factor de emisión f e y la fracción oxidada del combustible, cuyo valor es de 0,99 para para petróleos y derivados 40. Obtenemos:
(34)
El factor de emisión f e equivale a 2,28 kg de CO2 por cada litro de combustible dando un costo total de $8,28 por litro de combustible consumido 41.
Frontera de Pareto aplicada al modelo
Similar a (6,31,33 el modelo multiobjetivo se resuelve a través del método de suma ponderada, considerado el segundo mayor utilizado en la literatura (42). Se asignan unos pesos α, β y γ para cada objetivo y se construye una función lineal mono-objetivo.
El modelo fue programado en GAMS y resuelto óptimamente mediante el solver CPLEX. Se utilizó un computador con 4 GB de memoria RAM, procesador Intel Core i7-5500 CPU@ 2.40 GHz, un TB de DD y sistema operativo de 64 bits. Se emplearon treinta y dos variaciones de pesos obteniendo un conjunto de cinco resultados extremos eficientes, diferenciados por las variaciones en los tiempos computacionales. Tabla 1.
Posteriormente, se verificaron los resultados de cada objetivo comparando uno con otro para establecer la frontera de Pareto y así, identificar la mejor solución no dominada bajo el concepto de la dominancia de Pareto (11). Figura 4. Seleccionamos el conjunto de resultados cuyo costo fue $77.977,449 y de las variaciones de pesos, optamos por la que generaba respuesta en el menor tiempo computacional α = 0,9, β = 0,05 y γ = 0,05.
Ejecución del modelo y comparación con instancias reales
Se evaluaron las instancias de cuatro rutas diferentes usando los pesos de la Tabla 1. Comparando los costos reales con los costos que arroja en modelo. Tabla 2. La instancia g-MHSPD_01 presentó un conjunto de ocho soluciones. La mejor solución fue obtenida con pesos de α = 0,6, β = 0,1 y γ = 0,3 con una distancia recorrida 193,589 km, litros de combustible consumidos: 68,83 Lt, tiempo de ruta: 439,44 min con 8,19 min de violación de ventanas de tiempo. Ejecutando la instancia g-MHSPD_02 se obtuvo un conjunto de 28 soluciones acotando solo las que presentaron un GAP menor al 5% (26 conjuntos de soluciones). La mejor solución de este subconjunto se obtuvo con pesos de α = 0,1, β = 0,8 y γ = 0,1 con una distancia recorrida 182,12 km, litros de combustible consumidos: 40,48 Lt, tiempo de ruta: 610,1 min sin violación de ventanas de tiempo.
Tabla 2 Comparación de resultados en instancias actuales.
Nota: los costos fueron calculados por día.
Las instancias g-MHSPD_03 y g-MHSPD_04 presentaron la particularidad de un solo depósito y vehículo. Con g-MHSPD_03 se obtuvo cuatro conjuntos de soluciones, de las cuales se seleccionó α = 0,2, β = 0,5 y γ = 0,6 arrojando una distancia recorrida 31,6 km, litros de combustible consumidos: 13,04 Lt, tiempo de ruta: 128,9 min sin violación de ventanas de tiempo. Los experimentos realizados con la instancia g-MHSPD_04 arrojaron 15 conjuntos de soluciones del cual se seleccionó el resultado con pesos a = 0,8, b = 0,1 y g = 0,1. El GAP de esta solución fue del 2,07% y el mayor GAP global fue de 16,9%. Los valores de distancia fueron 134,238 km recorridos, 61,644 Lt de combustible consumidos y 241,04 min de tiempo de viaje con 31,37 min de penalización por las violaciones de las ventanas de tiempos.
Considerando las distancias y tiempos en las matrices correspondientes según la posición geográfica de las instancias para todas las rutas, el rango de tiempo necesario para obtener soluciones de la instancia g-MHSPD_01 fue de 13 a 731 min y el porcentaje de reducción fue del 13,75%. Figuras 5 y 6. Para la instancia g-MHSPD_02 fue de 69 a 1540 min y el porcentaje de reducción fue del 18,12%. Esta instancia presentó un GAP global máximo de 9,23%. Figuras 7 y 8. Para la instancia g-MHSPD_03 fue de 0,18 a 0,25 min y el porcentaje de reducción fue del 7,8%. Figura 9. En la última instancia g-MHSPD_04 se tardó entre 211 a 777 min para obtener resultados, y el porcentaje de reducción fue del 8,35% considerando un GAP global máximo de 16,9. Figuras 10 y 11.
Figura 9 Comparación de la ruta actual y la ruta obtenida minimizando el costo de la energía minimizando para la instancia g-MHSPD_03.
CONCLUSIONES
Se desarrolló un modelo multi-objetivo que contribuye a la minimización de los costos en términos de: (i) costo fijo y costos variables por distancia recorrida, (ii) costos por multas de violaciones de tiempo y (iii) costo de las emisiones de CO2. Se incluye la variante "verde" debido al aumento considerable de las emisiones y los problemas de efecto invernadero que generan en gran participación los sistemas de transporte. Este tipo de problema deben ser tratados en las cadenas de suministros sostenibles. En este trabajo se consideraron los consumos de combustible por movimiento del vehículo, carga en cada arco, aceleración inicial, además del consumo del vehículo en ralentí al realizar los servicios de cargue y descargue. Los resultados computacionales obtenidos con las instancias de prueba y reales generan las siguientes conclusiones:
Se obtuvieron soluciones óptimas no dominadas con un método de agregación para resolver problemas multi-objetivos. Se empleó el método de pesos ponderados, segundo de mayor uso en la literatura especializada (42 y aplicado a modelos de VRPSPD. Se obtuvo una función mono-objetivo mediante la asignación de pesos ponderados cuya variación permitió la obtención de respuestas eficientes para construir la frontera óptima de Pareto.
La aplicación de este modelo genera reducciones en los costos diarios de las rutas estudiadas desde 7,8% a 18,12%. Sin embargo, los tiempos computacionales para obtener algunas soluciones fueron altos si se considera la organización diaria de un ruteo.
El ruteo se trabajó de manera clusterizada, debido a la complejidad computacional del modelo al ser Np-Hard. Se Agruparon los datos por cada zona obteniendo así un ruteo particular y reducciones de costos en cada una. Para abordar las zonas de manera holística, es necesario considerar la construcción de algoritmos aproximados.
Los modelos de pickup and delivery se caracterizan por ser de tipo Np-hard, por lo cual se pueden desarrollar y aplicar diferentes métodos aproximados. Generalmente se desarrollan algoritmos híbridos para obtener soluciones computacionalmente buenas. La implementación de un algoritmo de dos fases es recomendada: en la primera fase puede considerarse la aplicación de métodos exactos o heurísticas, tales como el algoritmo de Clarke and Wright (C&W) para generar soluciones factibles iniciales. Posteriormente, la segunda fase buscaría mejorar las soluciones iniciales a través de algoritmos como búsqueda tabú o genéticos (AG), el NSGA II o una adaptación del VEGA. Por otra parte, para el desarrollo de investigaciones futuras que permiten aumentar el conjunto de variantes y similitud con los contextos reales, proponemos la inclusión de variantes de entregas fraccionadas y multiproducto, según la naturaleza del problema o el aporte que se quiera realizar a la literatura.
