Ruteo de vehículos en el sector de hidrocarburos aplicando ...
Transcript of Ruteo de vehículos en el sector de hidrocarburos aplicando ...
Facultad de Ingeniería
INGENIERÍA INDUSTRIAL Trabajo de Grado – Segundo Semestre 2017
Proyecto de grado en modalidad de aplicación
Ruteo de vehículos en el sector de hidrocarburos aplicando
colonia de hormigas.
Andrés Felipe Castiblanco Suárez1a,c , Daniel Felipe Martín Vargas2a,c
Juan Carlos García Díaz Ph.D.b,c
aEstudiante de Ingeniería Industrial bProfesor, Director del Proyecto de Grado, Departamento de Ingeniería Industrial
cPontificia Universidad Javeriana, Bogotá, Colombia
Resumen de diseño en Ingeniería
In the hydrocarbon sector there are operations that are performed manually and without any prior study or analysis before being executed, which leads to inefficient activities that produce extra costs to the company. One of these activities is the logistics in the products distribution; this is due to the fact that there is no criterion for hiring vehicles that allows analyzing the possible options for hiring vehicles to carry out the distribution process. For this, the programming of vehicles in charge of delivering the products will be carried out through an Ant Colony Optimization meta-heuristic, which will seek to provide a solution, taking as a point of reference the exact mathematical model to identify the performance of the meta-heuristic, taking into account that the model must be able to meet customer demand and reduce the cost of the current operation.
1. Planteamiento del problema y Justificación
1.1 Planteamiento del problema
El sector de hidrocarburos es una parte fundamental de la economía colombiana, en tanto que este
representa el 5.5% del PIB nacional y generó el 57.23% del total de las exportaciones en el año 2015
(Agencia Nacional Hidrocarburos, 2015). Este sector económico ha mostrado un crecimiento
importante en los últimos años, teniendo un incremento del 7% en la participación económica del
país, sus derivados pasaron de representar el 26% al 55% de las exportaciones nacionales totales,
aportando directamente al desarrollo de áreas como la inversión privada, empleo y generación de
ingresos para la nación en forma de impuestos y regalías (Unidad de Planeación Minero Energética,
2015).
Actualmente, para poder llevar acabo la exportación de derivados del petróleo es necesario contar
con una red logística que permita transportar la materia prima de diferentes pozos a descargaderos,
de manera que se pueda manejar el producto desde donde se extrae la materia prima hasta los puertos
de embarque para que la producción pueda salir del país.
Inicialmente el crudo es transportado desde su ubicación de producción (pozos) hasta las refinerías,
para realizar esta operación se cuenta con un sistema de transporte a nivel nacional que consta de
8.500 kilómetros de redes principales de oleoductos y poliductos, teniendo presente que mediante
estos medios de transporte se moviliza el 81,28 % de la producción de crudo, mientras que el otro
18,72% es movilizado por medio de vehículos (Ecopetrol, 2014). Una vez están allí, el crudo es
manipulado para eliminar impurezas y obtener productos derivados como nafta, gasolina, keroseno,
aceites, aditivos, plásticos, cauchos, etc. Después, estos productos derivados son trasladados desde
las refinerías hasta las plantas de almacenamiento y distribución que se encuentran ubicadas de
manera estratégica por el país. Finalmente, los productos derivados son enviados a los consumidores
finales.
Teniendo en cuenta la importancia del sector hidrocarburos en Colombia, es de gran utilidad realizar
las operaciones de la forma más eficiente posible, pues éste genera un gran impacto a nivel nacional.
En esta operación se contemplan los siguientes costos de transporte por barril de crudo:
Ilustración 1 – lista de precios unitarios.
Teniendo el contexto generalizado, se empezará a explicar la operación al detalle. Dentro del
problema hay 3 clases de nodos, el primer nodo es el pozo que tiene su propia flota de vehículos y
cuenta con su capacidad de barriles semanales, de este pozo salen los camiones a llevar el crudo a
diferentes descargaderos. La segunda clase de nodo son los pozos que no cuentan con una flota de
vehículos, por lo tanto los vehículos tienen que llegar a estos pozos desde los descargaderos y cargar
crudo si tienen capacidad, por último el tercer nodo es un descargadero, el cual tiene su propia
demanda semanal y cuenta con ventanas de tiempo, es decir, los vehículos no pueden llegar antes de
las 6am y después de las 9pm.
La operación inicia cuando todos los descargaderos notifican su demanda semanal a todos los pozos,
luego de esto, los pozos sacan su producción de crudo en barriles y los pozos que tienen a su
disposición vehículos empiezan a planear las rutas sin ningún criterio. Por ejemplo, del pozo con
vehículos X sale un camión que tiene que ir a un descargadero, luego le notifican que tiene que irse
a un pozo sin vehículos o con vehículos a cargar la producción de este pozo, para después llevarla a
un descargadero. Esta operación se realiza de esta forma hasta que se cumple la demanda de todos
los descargaderos.
Es importante aclarar ciertas restricciones del problema, la primera de ellas es que no se puede superar
la capacidad de producción en los pozos, la segunda hace referencia a que se tienen que satisfacer
todas las demandas de los descargaderos, la tercera indica que no se puede exceder la capacidad de
transporte en los vehículos, la cuarta es que en cada descargadero se deben cumplir las ventanas de
COSTO
$ 76,68
$ 69,56
$ 61,98
$ 52,28
$ 44,49
$ 37,59
$ 34,98
$ 31,67
$ 29,72
$ 27,17
1001-1400
Más de 1401
101-200
201-300
301-400
401-600
601-800
801-1000
LISTA DE PRECIOS UNITARIOS OPERACIÓN NACIONAL
ESQUEMA $/BARRIL-KM
RUTAS (Km)
Menor 50
51-100
tiempo, la quinta muestra que los descargaderos deben ser atendidos por más de un pozo, finalmente
la última restricción indica que cada vehículo debe regresar al pozo con vehículos de donde salió,
debido a todas estas restricciones y a la descripción del problema, se definió que el modelo
matemático que se ajustaba a la realidad era un SDVRPTW.
Por lo tanto es posible identificar que el criterio de selección actual del número de vehículos que se
contratan para transportar el crudo y sus recorridos son ineficientes, dado que se alquilan el total de
número de vehículos necesarios para suplir la demanda de los clientes, es decir, si existen 22
solicitudes de transporte, se alquilan 22 vehículos. La organización no cuenta con una planeación
logística que le permita dar una solución eficaz, ya que esta operación es realizada de forma manual,
sin apoyo alguno de heurísticas que permitan optimizar la operación. Adicionalmente, el enfoque que
se tiene en la misma es asignar la ruta de acuerdo al orden de llegada de la solicitud de compra de
crudo. De acuerdo a esto, la compañía invierte actualmente aproximadamente $ 30,000,000,000 COP
mensuales en el transporte de crudo (Ecopetrol, 2015).
1.2 Justificación del problema
Al reconocer que no existen criterios suficientes para asignar una ruta a un vehículo, es necesario
replantear la estrategia actual, proponiendo una meta heurística que permita analizar las diferentes
opciones en la contratación del número de vehículos y la ruta para cada uno de ellos, garantizando
que el transporte tanto de crudo como de derivados lleguen a su destino con cantidades requeridas y
en los tiempos establecidos.
La Meta heurística trabajará con una flota homogénea, es decir, la capacidad de todos los vehículos
es la misma (200 barriles), pues según Víctor Yepes y Josep Medina “Contar con flota homogénea
permite realizar la operación de forma más estandarizada, brindando resultados recurrentes”. Por otro
lado, los tiempos establecidos entre pozos son datos determinísticos. Además, se tendrá en cuenta los
tiempos de servicio al cliente (carga y descarga) y ventanas de tiempo.
Teniendo en cuenta las características del problema, es importante realizar una operación que sea
eficiente, ya que, desde el punto de vista de costo de oportunidad, incumplir con un pedido implicaría
ventas perdidas e inversión en procesos que no terminan siendo eficaces, generando pérdidas no solo
económicas en la organización, sino también afectando el nombre de la misma en cuanto al
cumplimiento con su razón social.
Por este motivo, desarrollar una propuesta que permita realizar esta operación de una manera más
eficiente es posible, disminuyendo el número de vehículos que se contratan, determinando la ruta
para cada uno de ellos, además de garantizar el cumplimento de las demandas durante los límites de
tiempo establecidos. Con esto, se puede aportar en una disminución importante en sus costos. Trabajar
en la programación de la distribución de hidrocarburos con vehículos brinda beneficios económicos,
ahorros en tiempos de operación y mayor control de la operación; “planificar el proceso de
distribución, puede generar ahorros del 3% al 25% de los costos totales de la operación” (Avella,
Boccia y Sforza, 2004).
La Meta heurística propuesta incorporará los datos de entrada (número de descargaderos y pozos,
distancia entre ellos, costo de contratación de vehículos, tiempo de carga y descarga, numero de
vehículos a alquilar y ventanas de tiempo), analizando diferentes alternativas que puedan dar solución
a una disminución en costos logísticos. El desarrollo de este proyecto brindará una solución, que
siendo modificada según sea el caso, puede brindar una ayuda a más de 36 compañías (Cistian Castro
y Paola Rey, 2014) [7] que operan a nivel nacional con petróleo, haciendo las operaciones logísticas
más competentes.
Con esto la pregunta de investigación que surge es ¿Es posible desarrollar un modelo de programación
de vehículos por medio de la meta-heurística “ACO”, que genere el ruteo de los vehículos de una
manera más eficiente que la actual?
2. Antecedentes
El ruteo de vehículos tiene un impacto significativo en los ahorros logísticos Ballou (1991), debido a
esto, los estudios sobre este tema han crecido exponencialmente y las empresas cada vez están más
interesadas en implementarlo. Dado que las restricciones del ruteo no son las mismas para todas las
compañías, existen muchos escenarios. El escenario principal es el VRP, que tiene como objetivo
minimizar el costo total de la operación logística, supliendo el total de las demandas de los clientes,
sin exceder la capacidad de producción. Sin embargo el problema que se planteó en la justificación
tiene más restricciones, es por esto que se investigaron variantes como MDVRP, VRPMTW y
SDVRPTW.
La variante del MDVRP considera que existe más de un deposito principal, en el estudio de Geetha,
Vanathi and Poonthailr (2012) solucionan este problema. El primer paso para la resolución de este
consiste en generar “clústers”, estos son conjuntos de clientes que son servidos por un depósito. El
segundo paso es crear una heurística para generar el ruteo y por último implementar una meta-
heurística ACO y GA para mejorar ese ruteo. Los resultados de este artículo indican que el GA mejora
más la solución que la heurística, sin embargo el PSO llega a una solución cercana a la global sin
muchas iteraciones.
Así mismo Bolduc, laporte y Renaud proponen un modelo matemático y una meta heurística para
resolver el problema del SDVRP, la función objetivo de ambos métodos es reducir el costo de la
operación. A partir de esto generan diferentes instancias para comparar la meta heurística y el modelo
matemático, se llega a la conclusión de que la meta heurística brinda buenos resultados en corto
tiempo.
Por otro lado Kansou y Yassine(2012), generan diferentes instancias de SDVRP y resuelven estas
instancias con diferentes meta heurísticas( TBS, VNS, ALNS y ACO). Con esto se empieza a
comparar las diferentes soluciones que brindan las meta heurísticas y concluyen que el ACO es
competitivo debido a que en la mayoría de instancias genera la mejor solución.
En cuanto a otra estrategia para resolver el MDVRP, Imran (2013) propone un algoritmo VNS
refinado con un algoritmo dijkstra, el cual busca reducir la distancia recorrida por los vehículos. Para
finalizar compara esta técnica frente a otros VNS y concluye que las mejores soluciones están dadas
por las técnicas que usan refinamiento, sin embargo el tiempo computacional no es el menor.
Por otro lado, existe una variante que considera que los clientes solo pueden ser visitados en un
periodo de tiempo establecido, este escenario es VRPTW. Hu ,Liang and Peng (2011) plantearon una
solución a este escenario, por medio de HCPSO. La decodificación es un vector que contiene el valor
de la prioridad de los clientes, la otra parte del vector son las posiciones “X” y “Y” de los vehículos.
Con base al vector se realiza una matriz y se genera un ruteo. En definitiva, entre más iteraciones
existan, mejores van hacer las soluciones de la meta-heurística.
Similarmente Amini , Javanshir & Moghaddam (2010) modelan un problema de VRPTW, en el cual
se busca minimizar la distancia recorrida por los camiones, por medio de un algoritmo PSO. Este se
adapta a todas las restricciones de las ventanas de tiempo. Los resultados para diferentes escenarios
muestran que el PSO nunca llega al mejor resultado conocido (brindado en otros papers), sin embargo,
se llega a un 90% de las mejores soluciones. Además, se propuso un modelamiento matemático que
está sujeto a restricciones de ventanas de tiempo y capacidades del vehículo.
En relación con el problema de SDVRPMTW, Favaretto, Moretti & Pellegrini (2013) plantearon un
método de solución que consiste en crear dos meta-heurística ACO, la primera meta-heurística va a
determinar la cantidad de vehículos y la segunda va a generar la rutas. Finalmente los resultados
indican que entre mayor cantidad de hormigas se utilicen, mejor será la solución. Además, concluyen
que el cálculo de la feromona tiene un impacto alto en la solución del problema.
Es importante tener claro que se decidió realizar una meta- heurística ACO en vez de cualquier otra
meta heurística debido a que además de ser un método como la naturaleza (hormigas) solucionan sus
problemas para encontrar un camino optimo hacia un determinado objetivo, esta es una meta
heurística diversificada, es decir, se tienen en cuenta gran cantidad de posibles escenarios que podrían
resolver el problema, quedándose siempre con el mejor resultado hallado (menor costo operativo).
Además es la única meta heurística que se aplica exclusivamente para los ruteos, por lo tanto su
especialidad es resolver el tipo de problema que se abarco.
Teniendo en cuenta la complejidad del problema real y el número de restricciones a las que se
encuentra sujeto, realizar una hibridación en el algoritmo podría generar soluciones infectables.
Aunque anteriormente se exponen los beneficios que generan realizar una hibridación a la meta
heurística ACO, es de vital importancia tener presente que esta estrategia se realizaba para problemas
menos complejos como el de un VRP, por este motivo no se realizó hibridación en este trabajo de
grado.
Los Artículos anteriores se tendrán en cuenta para el desarrollo del problema. En una primera
instancia, se van a utilizar los modelos matemáticos de los artículos, con el fin de generar soluciones
exactas para escenarios reducidos. En segunda instancia, los otros trabajos, serán una guía para
realizar la meta heurística ACO, es decir, como hacer la decodificación de la solución, como ajustar
la meta heurística a las restricciones del problema. Por último, otros estudios ayudaran a simplificar
el problema.
3. Objetivos
Objetivo General
Diseñar un ruteo de vehículos por medio de la meta-heurística “ACO”, la cual brinde una solución
más eficiente que la actual, permitiendo disminuir los costos de la operación.
Objetivos Específicos
Definir el modelo matemático de optimización del problema para escenarios
reducidos.
Resolver el modelo matemático mediante un método exacto de programación lineal,
para diferentes escenarios de tamaño reducido.
Diseñar una meta-heurística Ant Colony Optimization para encontrar una solución
menor a la actual.
Medir el desempeño de la meta heurística y el modelo matemático.
Realizar un análisis de costo – beneficio en la implementación de la meta-heurística
propuesta y diseñar plan de monitoreo del aplicativo.
4. Metodología
La metodología del trabajo de grado se basa en las normas y estándares ISO 13053-1 y DMAIC, por
lo tanto, este apartado va a estar dividido en 4 pasos (Definir, medir y analizar, mejorar, controlar).
En la ilustración se evidencia gráficamente la metodología.
Ilustración 2 – Metodología.
Definir
•Definir el contexto del problema de programacion de vehículos en una industria petrolera que utiliza los vehiculos para transportar crudo entre pozos y puntos de entrada a la red de oleoductos.
Medir y Analizar
•Medir el costo del proceso actual de la programacion de vehículos y el impacto en la organización.
Mejorar
•Definir el modelo matemático de optimización del problema para escenarios reducidos.•Resolver el modelo matemático mediante un método exacto de programación lineal,
para diferentes escenarios de tamaño reducido.•Diseñar una meta-heurística Ant Colony Optimization para encontrar una solución menor a la actual
•Medir el desempeño de la meta heurística y el modelo matemático
Controlar
•Realizar un análisis de (costo – beneficio) en la implementación dela meta-heurística propuesta y diseñar plan de monitoreo del aplicativo.
4.1 Definir. Para entender el contexto actual se realizaron varias reuniones con el director del trabajo de grado, con el fin de entender el problema real. En las reuniones se establecían los puntos críticos de la operación actual y los aspectos a mejorar. Además se realizó una búsqueda bibliográfica para facilitar la comprensión del mismo. El desarrollo de este punto se encuentra en el apartado 1.1 Planteamiento del problema. 4.2 Medir y analizar. Para generar el precio del problema actual se buscó en la literatura cuales son los costos que están implicados en una operación de distribución por medio de vehículos y sus respectivas tarifas, según el ministerio de transporte de Colombia (2006), estas tarifas se encuentran referenciadas en el apartado 4.4.1 análisis costo beneficio. Los costos hallados son: alquiler del vehículo, mantenimiento, gasolina, salario y prestaciones de los conductores, costo de trayecto por barril y costo de seguros. Teniendo referenciado los costos, se realizó la programación de distribución de forma manual con ayuda de un colaborador de la compañía encargado de hacer la distribución logística, y los resultados se ilustran en la siguiente tabla. Ilustración 3 – Costos actuales
Este costo se generó calculando distancias entre pozos y descargaderos con la ayuda de google maps, multiplicando el valor de alquiler del vehículo por la cantidad de vehículos que se utilizan y calculando el costo de los salarios por la cantidad de operarios que realizan la operación. Es importante tener presente que el indicador principal que se tomó para realizar el análisis es el costo total de la operación. 4.3. Mejorar 4.3.1. Definir y resolver el modelo matemático. Según Anhalt (2015), el proceso de un generar un modelo matemático se divide en 3 etapas, las cuales fueron seguidas para desarrollar y definir el modelo matemático. El primer paso es analizar la situación y determinar qué problema existe dentro del contexto, teniendo en cuenta algunas hipótesis que restringirán el modelo, el segundo paso es formular el modelo matemático y el tercer paso es generar una solución factible del modelo e interpretar las soluciones. Para analizar la situación, se determinó que el problema es que no se genera ninguna planeación del ruteo de los vehículos en la empresa, ya que dentro de la operación no se tiene ningún criterio de optimización (Ecopetrol 2017), por lo tanto se investigaron varias instancias del VRP que se ajustarán al problema real. Es decir, la capacidad de los pozos y de los camiones no se debe sobrepasar, la demanda de cada descargadero debe ser satisfecha, la capacidad de los vehículos debe ser menor a la
demanda de los descargaderos, cada descargadero es atendido por más de un pozo, cada vehículo se devuelve al pozo de donde salió y se deben respetar las ventanas de tiempo. Muchos autores plantearon la resolución de ese mismo escenario Bwang Yu (2011), Favaretto D (2012), pero la mayoría realizaba el modelo matemático teniendo en cuenta que la capacidad de un vehículo es mayor a la demanda de un cliente, como se muestra en la ilustración 2. Sepulveda (2014) propuso un modelo matemático (SDVRP) en el que se cumplían todas las restricciones del problema real. Por la similitud del problema se implementó ese modelo matemático al trabajo de grado y se realizó una adaptación de este, ya que en el problema real se tienen varios conjuntos de nodos y Sepulveda (2014) solo trabaja con 1 conjunto de nodos. En la siguiente ilustración se muestra como es el ruteo de los vehículos.
Ilustración 4 – Ruteo de camiones.
Para formular el modelo matemático, fue necesario crear más variables binarias y enteras, que permitieran ilustrar el resultado del modelo. Sin embargo las restricciones, parámetros e indicies fueron exactamente iguales, la única diferencia está en la cantidad de restricciones. El modelo generado se muestra a continuación.
Conjuntos
𝐼: 𝑃𝑜𝑧𝑜𝑠 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠
𝐽: 𝐷𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜𝑠
𝑀: 𝑃𝑜𝑧𝑜𝑠 sin 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠
𝐾: 𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠
Variables de decisión
𝑋𝑖,𝑗,𝑘 ∶ 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑟𝑢𝑑𝑜 𝑙𝑙𝑒𝑣𝑎𝑑𝑎 𝑑𝑒𝑙 𝑝𝑜𝑧𝑜 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑖 = 1 𝑎 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 =
1, 2, 3 … . . 𝐽 𝑐𝑜𝑛 𝑒𝑙 𝑐𝑎𝑚𝑖𝑜𝑛 𝑘 = 1 ,2 ,3 … … 𝐾
𝐷𝑚,𝑗,𝑘 ∶ 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑟𝑢𝑑𝑜 𝑙𝑙𝑒𝑣𝑎𝑑𝑎 𝑑𝑒𝑙 𝑝𝑜𝑧𝑜 𝑠𝑖𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑚 =
1,2,3, … 𝑀 𝑎 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 = 1, 2, 3 … . . 𝐽 𝑐𝑜𝑛 𝑒𝑙 𝑐𝑎𝑚𝑖𝑜𝑛 𝑘 = 1 ,2 ,3 … … 𝐾
𝐶𝑗,𝑖,𝑘 ∶ 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑟𝑢𝑑𝑜 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑎 𝑝𝑜𝑟 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 =
1, 2, 3 … . . 𝐽 𝑑𝑒𝑙 𝑝𝑜𝑧𝑜 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑖 = 1 𝑐𝑜𝑛 𝑒𝑙 𝑐𝑎𝑚𝑖𝑜𝑛 𝑘 = 1 ,2 ,3 … … 𝐾
𝐸𝑗,𝑚,𝑘 ∶ 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑟𝑢𝑑𝑜 𝑟𝑒𝑐𝑖𝑏𝑖𝑑𝑎 𝑝𝑜𝑟 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 =
1, 2, 3 … . 𝐽 𝑑𝑒𝑙 𝑝𝑜𝑧𝑜 𝑠𝑖𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑚 = 1,2,3 … 𝑀 𝑐𝑜𝑛 𝑒𝑙 𝑐𝑎𝑚𝑖𝑜𝑛 𝑘 = 1 ,2 ,3 … … 𝐾
𝑌𝑖,𝑗,𝑘 ∶ ⦃ 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑏𝑖𝑛𝑎𝑟𝑖𝑎 1 = 𝑠𝑖 𝑒𝑙 𝑃𝑜𝑧𝑜 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑖 = 1 𝑣𝑎 𝑎𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 =
1,2,3 … 𝐽 𝑐𝑜𝑛 𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑘 = 1,2,3 … 𝐾 … … . 0 = 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜. 𝑍𝑚,𝑗,𝑘 ∶ ⦃ 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑏𝑖𝑛𝑎𝑟𝑖𝑎 1 = 𝑠𝑖 𝑒𝑙 𝑃𝑜𝑧𝑜 𝑠𝑖𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑚 =
1,2,3, . . 𝑀 𝑣𝑎 𝑎𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 = 1,2,3 … 𝐽 𝑐𝑜𝑛 𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑘 = 1,2,3 … 𝐾 … . .0 = 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
𝑊𝑗,𝑖,𝑘 ∶ ⦃1 = 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑏𝑖𝑛𝑎𝑟𝑖𝑎 𝑠𝑖 𝑒𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 =
1,2,3 … 𝐽 𝑣𝑎 𝑎 𝑒𝑙 𝑝𝑜𝑧𝑜 con 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑖 = 1 𝑐𝑜𝑛 𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑘 = 1,2,3 … 𝐾 , 0 = 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜.
𝑁𝑗,𝑚,𝑘 ∶ ⦃𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑏𝑖𝑛𝑎𝑟𝑖𝑎 1 = 𝑠𝑖 𝑒𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 =
1,2,3 … 𝐽 𝑣𝑎 𝑎 𝑒𝑙 𝑝𝑜𝑧𝑜 𝑠𝑖𝑛 𝑣𝑒ℎí𝑐𝑢𝑙𝑜𝑠 𝑚 = 1,2,3 … 𝑀 𝑐𝑜𝑛 𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑘 = 1,2,3 … 𝐾 , 0 = 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜.
𝑆𝑊𝐼𝑗,𝑖,𝑘 ∶ 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎 𝑎𝑙 𝑛𝑜𝑑𝑜 𝑗 = 1 . . 𝐽 𝑑𝑒𝑠𝑑𝑒 𝑖 = 1 … 𝐼 𝑐𝑜𝑛 𝑒𝑙 𝑐𝑎𝑚𝑖ó𝑛 𝑘 = 1 … . 𝐾
𝑆𝑊𝐹𝑗,𝑚,𝑘 ∶ 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎 𝑎𝑙 𝑛𝑜𝑑𝑜 𝑗 = 1 . . 𝐽 𝑑𝑒𝑠𝑑𝑒 𝑚 = 1 … 𝑀 𝑐𝑜𝑛 𝑒𝑙 𝑐𝑎𝑚𝑖ó𝑛 𝑘 =
1 … . 𝐾 𝑆𝑁𝑗,𝑚,𝑘 ∶ 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎 𝑎𝑙 𝑛𝑜𝑑𝑜 𝑀 = 1 . . 𝑀 𝑑𝑒𝑠𝑑𝑒 𝑗 = 1 … 𝐽 𝑐𝑜𝑛 𝑒𝑙 𝑐𝑎𝑚𝑖ó𝑛 𝑘 = 1 … . 𝐾
Parámetros
𝐷𝐸𝑀𝑗 ∶ 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑒𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 = 1,2,3 … 𝐽
𝐶𝑎𝑝𝑃𝑜𝑧𝑜𝑉𝑖 ∶ 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑝𝑜𝑧𝑜 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑖 = 1 𝐶𝑎𝑝𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑘 ∶ 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜 𝑘 = 1,2,3, … 𝐾
𝐶𝑎𝑝𝑃𝑜𝑧𝑜𝑆𝑚 ∶: 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑝𝑜𝑧𝑜 sin 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑚 = 1,2,3, … 𝑀
𝐷𝑖𝑠𝑖,𝑗 ∶ 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑑𝑒 𝑖𝑟 𝑑𝑒𝑙 𝑝𝑜𝑧𝑜 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑖 = 1 𝑎𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 = 1,2,3, … 𝐽
𝐷𝑖𝑠3𝑗,𝑚 ∶ 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑑𝑒 𝑖𝑟 𝑑𝑒𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 = 1,2,3, … 𝐽 𝑎𝑙 𝑝𝑜𝑧𝑜 𝑠𝑖𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑚 = 1,2,3. . 𝑀
𝑇𝑖𝑒𝑚𝑝𝑜1𝑖,𝑗 ∶ 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑖𝑟 𝑑𝑒𝑙 𝑝𝑜𝑧𝑜 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑖 = 1 𝑎𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 = 1,2,3, … 𝐽
𝑇𝑖𝑒𝑚𝑝𝑜3𝑗,𝑚 ∶ 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑖𝑟 𝑑𝑒𝑙 𝑑𝑒𝑠𝑐𝑎𝑟𝑔𝑎𝑑𝑒𝑟𝑜 𝑗 = 1,2,3, … 𝐽 𝑎𝑙 𝑝𝑜𝑧𝑜 𝑠𝑖𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠 𝑚 = 1,2,3. . 𝑀
𝑉𝐼𝑇𝑀𝐼𝑁𝑗: 𝑉𝑒𝑛𝑡𝑎𝑛𝑎 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑚𝑖𝑛𝑖𝑚𝑎 𝑑𝑒 𝑗 𝑙𝑙𝑒𝑔𝑎𝑛𝑑𝑜 𝑑𝑒𝑠𝑑𝑒 𝑢𝑛 𝑝𝑜𝑧𝑜 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠.
𝑉𝐼𝑇𝑀𝐴𝑋𝑗 : 𝑉𝑒𝑛𝑡𝑎𝑛𝑎 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑚𝑎𝑥𝑖𝑚𝑎 𝑑𝑒 𝑗 𝑙𝑙𝑒𝑔𝑎𝑛𝑑𝑜 𝑑𝑒𝑠𝑑𝑒 𝑢𝑛 𝑝𝑜𝑧𝑜 𝑐𝑜𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠.
𝑉𝐼𝑇𝑀𝐼𝑁1𝑗: 𝑉𝑒𝑛𝑡𝑎𝑛𝑎 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑚𝑖𝑛𝑖𝑚𝑎 𝑑𝑒 𝑗 𝑙𝑙𝑒𝑔𝑎𝑛𝑑𝑜 𝑑𝑒𝑠𝑑𝑒 𝑢𝑛 𝑝𝑜𝑧𝑜 𝑠𝑖𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠.
𝑉𝐼𝑇𝑀𝐴𝑋1𝑗: 𝑉𝑒𝑛𝑡𝑎𝑛𝑎 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑚𝑎𝑥𝑖𝑚𝑎 𝑑𝑒 𝑗 𝑙𝑙𝑒𝑔𝑎𝑛𝑑𝑜 𝑑𝑒𝑠𝑑𝑒 𝑢𝑛 𝑝𝑜𝑧𝑜 𝑠𝑖𝑛 𝑣𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑠.
𝑀: 𝑁𝑢𝑚𝑒𝑟𝑜 𝑚𝑢𝑦 𝑔𝑟𝑎𝑛𝑑𝑒 .
Función Objetivo
𝑀𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑟 𝑍𝐶 = ∑ ∑ ∑ 𝐷𝑖𝑠𝑖,𝑗 ∗ 𝑌𝑖,𝑗,𝑘
𝐾
𝐾=1
+ ∑ ∑ ∑ 𝐷𝑖𝑠𝑗,𝑖 ∗ 𝑊𝑗,𝑖,𝑘
𝐾
𝐾=1
𝐽
𝑗=1
𝐼
𝑖=1
𝐽
𝑗=1
𝐼
𝑖=1
+ ∑ ∑ ∑ 𝐷𝑖𝑠3𝑗,𝑚 ∗ 𝑁𝑗,𝑚,𝑘
𝐾
𝐾=1
𝐽
𝑗=1
𝑀
𝑚=1
+ ∑ ∑ ∑ 𝐷𝑖𝑠3𝑚,𝑗 ∗ 𝑍𝑚,𝑗,𝑘
𝐾
𝐾=1
(1)
𝐽
𝑗=1
𝑀
𝑚=1
Restricciones
∑ ∑ 𝑋𝑖,𝑗,𝑘 +
𝐾
𝑘=1
𝐼
𝑖=1
∑ ∑ 𝐷𝑚,𝑗,𝑘
𝐾
𝑘=1
𝑀
𝑚=1
≥ 𝐷𝐸𝑀𝑗 ∀𝑗 ∈ 𝐽 (2)
∑ ∑ 𝑋𝑖,𝑗,𝑘
𝐾
𝑘=1
𝐽
𝑗=1
≤ 𝐶𝑎𝑝𝑃𝑜𝑧𝑜𝑉𝑖 ∀𝑖 ∈ 𝐼 (3)
∑ ∑ 𝐷𝑚,𝑗,𝑘
𝐾
𝑘=1
𝐽
𝐽=1
≤ 𝐶𝑎𝑝𝑃𝑜𝑧𝑜𝑆𝑚
∀𝑚 ∈ 𝑀 (4)
∑ 𝑋𝑖,𝑗,𝑘
𝐼
𝑖=1
≤ 𝐶𝑎𝑝𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑘
∀𝑘 ∈ 𝐾 , ∀𝑗 ∈ 𝐽 (5)
∑ 𝐷𝑚,𝑗,𝑘
𝑀
𝑚=1
≤ 𝐶𝑎𝑝𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑘
∀𝑘 ∈ 𝐾 , ∀𝑗 ∈ 𝐽 (6)
𝑋𝑖,𝑗,𝑘 − 𝐶𝑗,𝑖,𝑘 = 0 ∀𝑘 ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑖 ∈ 𝐼 (7)
𝐷𝑚,𝑗,𝑘 − 𝐸𝑗,𝑚,𝑘 = 0 ∀𝑘 ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑚 ∈ 𝑀 (8)
𝑋𝑖,𝑗,𝑘 ≤ (𝑌𝑖,𝑗,𝑘 ∗ 𝐶𝑎𝑝𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑘) ∀ ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑖 ∈ 𝐼 (9)
𝐶𝑗,𝑖,𝑘 ≤ (𝑊𝑗,𝑖,𝑘 ∗ 𝐶𝑎𝑝𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑘) ∀ ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑖 ∈ 𝐼 (10)
𝐷𝑚,𝑗,𝑘 ≤ (𝑍𝑚,𝑗,𝑘 ∗ 𝐶𝑎𝑝𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑘) ∀ ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑚 ∈ 𝑀 (11)
𝐸𝑗,𝑚,𝑘 ≤ (𝑁𝑗,𝑚,𝑘 ∗ 𝐶𝑎𝑝𝑉𝑒ℎ𝑖𝑐𝑢𝑙𝑜𝑘) ∀ ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑚 ∈ 𝑀 (12)
∑ 𝑌𝑖,𝑗,𝑘
𝐼
𝑖=1
− ∑ 𝑁𝑗,ℎ,𝑘
𝑀
ℎ=1
= 0 ∀𝑗 ∈ 𝐽, ∀𝑗 ∈ 𝐽 (13)
∑ 𝑁𝑗,𝑚,𝑘
𝐽
𝑗=1
− ∑ 𝑍𝑚,𝑙𝑎,𝑘
𝐽
𝑙𝑎=1
= 0 ∀𝑘 ∈ 𝑘, ∀𝑚 ∈ 𝑀 (14)
∑ 𝑌𝑖,𝑗,𝑘
𝐽
𝑗=1
− 𝑊𝑗,𝑖,𝑘 = 0 ∀𝑘 ∈ 𝑘, ∀𝑖 ∈ 𝐼 (15)
𝑉𝐼𝑇𝑀𝐼𝑁𝑗 + 𝑇𝑖𝑒𝑚𝑝𝑜1𝑖,𝑗 − 𝑀 ∗ (1 − 𝑦𝑗,𝑖,𝑘) ≤ 𝑆𝑊𝐼𝑗.𝑖.𝑘 ∀𝑘 ∈ 𝑘, ∀𝑖 ∈ 𝐼 (16)
𝑆𝑊𝐼𝑗,𝑖,𝑘 + 𝑇𝑖𝑒𝑚𝑝𝑜3𝑗,𝑚 − 𝑀 ∗ (1 − 𝑁𝑗,𝑚,𝑘) ≤ 𝑆𝑁𝑗.𝑚.𝑘 ∀𝑘 ∈ 𝑘, ∀𝑖 ∈ 𝐼 (17)
𝑆𝑁𝑗,𝑚,𝑘 + 𝑇𝑖𝑒𝑚𝑝𝑜3𝑚,𝑗 − 𝑀 ∗ (1 − 𝑍𝑗,𝑚,𝑘) ≤ 𝑆𝑊𝐹𝑗.𝑚.𝑘 ∀𝑘 ∈ 𝑘, ∀𝑚 ∈ 𝑀 (18)
𝑉𝐼𝑇𝑀𝐼𝑁𝑗 ≤ 𝑆𝑊𝐼𝑗.𝑖.𝑘 ≤ 𝑉𝐼𝑇𝑀𝐴𝑋𝑗 ∀𝑘 ∈ 𝑘, ∀𝑖 ∈ 𝐼 , ∀𝑎 ∈ 𝐿 (19)
𝑉𝐼𝑇𝑀𝐼𝑁1𝑗 ≤ 𝑆𝑊𝐹𝑗.𝑚.𝑘 ≤ 𝑉𝐼𝑇𝑀𝐴𝑋2𝑗 ∀𝑘 ∈ 𝑘, ∀𝑚 ∈ 𝑀 (20)
𝑋𝑖,𝑗,𝑘 ≥ 0 ∀ ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑖 ∈ 𝐼 (21)
𝐶𝑖,𝑗,𝑘 ≥ 0 ∀ ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑖 ∈ 𝐼 (22)
𝐷𝑚,𝑗,𝑘 ≥ 0 ∀ ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑚 ∈ 𝑀 (23)
𝐸𝑗,𝑚,𝑘 ≥ 0 ∀ ∈ 𝐾 , ∀𝑗 ∈ 𝐽, ∀𝑚 ∈ 𝑀 (24)
La función objetivo es ilustrada en la ecuación (1) la cual busca minimizar la distancia recorrida por
los vehículos. La ecuación (2) establece que la demanda de cada descargadero sea cumplida; las
ecuaciones (3) y (4) garantizan que la capacidad de cada pozo no sea superada por lo transportado a
los descargaderos; las ecuaciones (5) y (6) garantizan que los vehículos no excedan sus capacidades.
Las ecuaciones (7) y (8) establecen que lo que se lleva de un pozo a un descargadero sea lo mismo
que se recibe del descargadero al pozo; las ecuaciones (9) (10) (11) (12) son las relaciones que hay
entre las variables binarias y enteras, si envió una cantidad de crudo la variable binaria no puede ser
negativa; las ecuaciones (13) y (14) permiten la conservación de flujo de las rutas, es decir lo que
entra sale.; la restricción (15) hace que todos los camiones vuelvan al pozo de donde salieron; las
ecuaciones (16) (17) (18) y (19) son las ecuaciones de las ventanas de tiempo que no permiten que se
llegue antes o después de la hora restringida a atender al cliente. (21) (22) (23) (24), son ecuaciones
de no negatividad para las variables enteras.
Por otra parte para generar una solución al modelo se generaron dos instancias pequeñas con datos
aleatorios para representar la solución y determinar factibilidades. Estas instancias se encuentran en
el anexo 3.
4.3.2Diseñar una meta-heurística Ant Colony Optimization
4.3.1 Meta heurística
De acuerdo al tipo de problema que se está trabajando SDVRPTW (Split Delivery Vehicle Route
Problem Time Windows), se establece que el modelo referencia para llevar a cabo esta Meta-
heurística fue el artículo “Ant colony system for a VRP with multiple time windows and multiple
visits“ propuesto por Daniel Favaretto 2007, la cual busca establecer el orden de una ruta de tal forma
que minimice las distancias recorridas por los vehículos cumpliendo con las respectivas Capacidades
de producción, Demandas y Ventanas de tiempo. Este problema se desarrolló por medio de la
herramienta Visual Basic.
Parámetros ACO:
Ilustración 5- Parámetros Heurística
Variable Significado
X Pozos
Y Descargaderos
Significado # Ecuación
Probabilidad de ir de
pozo X a
descargadero Y
[ 1 ]
Probabilidad de ir de
descargadero Y a
pozo X
[ 2 ]
La visibilidad es el
inverso de la
distancia
[ 3 ]
Matriz TAO xy donde
se almacenan
Feromonas
[ 4 ]
Matriz TAO yx donde
se almacenan
Feromonas
[ 5 ]
Efecto evaporación
de las feremonas
atraves del tiempo
[ 6 ]
Aporte que se realiza
a la matriz de
feromonas TAO
[ 7 ]
Costo total de la ruta
realizada por el
camión
[ 8 ]
Parametro estandar
establecido con valor
de 0,01
[ 9 ]
Ecuación
Una vez identificados los parámetros iniciales, la meta-heurística empieza por establecer la matriz de
Visibilidades [7]. Esta matriz esta formada por los inversos de las distancias debido a que cada
hormiga tiene una visión de acuerdo a la distancia que hay entre nodos. Es decir, si la distancia de un
nodo a otro es muy extensa, una hormiga no tendrá una buena visión, pero si esta distancia no es
extensa, la hormiga tendrá una mejor visión. Esta matriz es de vital importancia ya que se utiliza para
la creación de las matrices de probabilidades Pxy y Pyx (ver abajo) que son con las cuales el programa
trabaja constantemente. Es importante tener presente que los Pozos fueron representados con letras,
mientras que los descargaderos fueron representados con números.
En la primera iteración la matriz TAO [2] se inicializa con un valor igual a 0.01, esto se debe a que
no se ha realizado ningún recorrido aún, por lo cual las feromonas existentes para cada camino son
iguales para todos con un valor de 0,1.
Ilustración 6- Matriz TAO Heurística
Teniendo la matriz TAO inicializada, se procede a realizar el cálculo de las probabilidades, hallando
2 matrices. Una de ellas es la matriz que indica las probabilidades de ir de un Pozo a un Descargadero
Pxy [1] y la otra matriz indica las probabilidades de ir de un Descargadero a un Pozo Pyx [2].
Ilustración 7- Matriz Pxy Heurística
Ilustración 8- Matriz Pyx Heurística
A B C D E F G H 1 2 3 4
A 0 0 0 0 0 0 0 0 0,1 0,1 0,1 0,1
B 0 0 0 0 0 0 0 0 0,1 0,1 0,1 0,1
C 0 0 0 0 0 0 0 0 0,1 0,1 0,1 0,1
D 0 0 0 0 0 0 0 0 0,1 0,1 0,1 0,1
E 0 0 0 0 0 0 0 0 0,1 0,1 0,1 0,1
F 0 0 0 0 0 0 0 0 0,1 0,1 0,1 0,1
G 0 0 0 0 0 0 0 0 0,1 0,1 0,1 0,1
H 0 0 0 0 0 0 0 0 0,1 0,1 0,1 0,1
1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0 0 0 0
2 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0 0 0 0
3 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0 0 0 0
4 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0 0 0 0
TAO
1 2 3 4
Ayacucho Toroyaco Velasquez 26Cebu
A Campo Valdivia0,36846231 0,18256767 0,23752563 0,21144439 1
B Pueto bahia Cartagena0,41937639 0,17733853 0,22528484 0,17800024 1
C Acordionero 0,5584646 0,12977917 0,1813322 0,13042403 1
D Campo Mansoya0,25627873 0,17439906 0,28004951 0,2892727 1
E Tibu 0,57312585 0,1236439 0,17586894 0,1273613 1
F Rio Zulia 0,40400999 0,1743928 0,24444302 0,1771542 1
G Estación Castilla 10,12074012 0,29376928 0,30706748 0,27842312 1
H Galan (Estacio palmeras)0,3242845 0,18028813 0,26634567 0,22908171 1
Pxy
Campo ValdiviaPueto bahia CartagenaAcordionero Campo MansoyaTibu Rio Zulia Estación Castilla 1 Galan
A B C D E F G H
1 Ayacucho 0,08770487 0,08462074 0,20480019 0,10212848 0,22648492 0,10695121 0,062301677 0,125007911 1
2 Toroyaco 0,08480283 0,06982835 0,09287429 0,13562329 0,09534937 0,09009029 0,295808283 0,135623292 1
3 Velasquez 26 0,08370763 0,06730212 0,09845406 0,16523159 0,10289693 0,09580655 0,234588058 0,152013062 1
4 Cebu 0,0869928 0,06207975 0,08267018 0,19924997 0,0869928 0,08105906 0,248318996 0,152636447 1
Pyx
Al tener las probabilidades establecidas, es necesario generar las matrices de probabilidades
acumuladas, pues el algoritmo genera un numero aleatorio y empieza a buscar en qué intervalo de las
matrices acumuladas está ubicado. A continuación se ilustra la matriz de probabilidades acumuladas.
Ilustración 9- Matriz Pxy acumulada Heurística
Ilustración 10- Matriz Pyx acumulada Heurística
Teniendo las respectivas matrices de probabilidades acumuladas, el programa empieza a ejecutar el
ruteo de acuerdo a los parámetros de entrada que se encuentran en la hoja parámetros y que el usuario
introduce, estos son:
Ilustración 11- Datos entrada Heurística
1 2 3 4
Ayacucho Toroyaco Velasquez 26Cebu
A Campo Valdivia0.36803222 0.55155405 0.78880242 1
B Pueto bahia Cartagena0.43598712 0.60859992 0.82783653 1
C Acordionero 0.63535618 0.74253484 0.89228878 1
D Campo Mansoya0.25214483 0.42167355 0.73508705 1
E Tibu 0.58699378 0.71350273 0.8796668 1
F Rio Zulia 0.44419755 0.6077764 0.83518853 1
G Estación Castilla 10.1131801 0.43229921 0.71946598 1
H Galan (Estacio palmeras)0.30194439 0.53870285 0.78669984 1
Pxy (ACUM)
Campo ValdiviaPueto bahia CartagenaAcordionero Campo MansoyaTibu Rio Zulia Estación Castilla 1 Galan
A B C D E F G H
1 Ayacucho 0.07774022 0.15883758 0.36315457 0.50195688 0.72101166 0.81742313 0.872646362 1
2 Toroyaco 0.07386428 0.13468561 0.22176125 0.40175899 0.49110289 0.56957262 0.870836172 1
3 Velasquez 26 0.0793387 0.14272241 0.24439718 0.40124687 0.49815302 0.60399548 0.84490846 1
4 Cebu 0.08367786 0.14375896 0.22956924 0.43820465 0.5218825 0.59985274 0.840802426 1
Pyx (ACUM)
1. Cantidad de iteraciones que va a ejecutar la Meta heurística.
2. Capacidad de los Pozos
3. Datos con los que trabaja el programa
4. Demanda de los Descargaderos
5. Tiempos de cargue y descargue
6. Ventanas de tiempo
Con todos estos datos de entrada, el programa ejecuta 3 ruteos factibles y diferentes por iteración.
Cada uno de ellos cumple con las restricciones de capacidad, demandas, regreso al pozo de inicio y
tiempos de llegada. Los números representan descargaderos mientras que las letras representan pozos.
Ilustración 12- Ruteo 1 Meta heurística
Ilustración 13- Ruteo 2 Meta heurística
Ilustración 14- Ruteo 3 Meta heurística
Distancia Ruteo pozo 1 2 3 4 5 6 7
2.669 Camion 1 D 1 D 4 A 1 D
4.374 Camion 2 D 4 B 3 A 2 D
2.879 Camion 3 D 1 D 1 F 2 D
2.838 Camion 4 D 1 C 1 B 2 D
2.504 Camion 5 D 3 G 2 H 2 D
3.161 Camion 6 D 3 A 2 G 1 D
2.938 Camion 7 D 2 E 1 G 2 D
2.073 Camion 8 D 4 D 1 H 3 D
2.620 Camion 9 D 3 E 1 C 2 D
4.548 Camion 10 D 2 F 2 A 2 D
RUTEO1
Distancia Ruteo pozo 1 2 3 4 5 6 7
3.904 Camion 1 D 3 F 2 E 2 D
2.262 Camion 2 D 4 E 1 H 1 D
4.184 Camion 3 D 3 A 3 B 2 D
2.636 Camion 4 D 4 G 1 H 2 D
2.195 Camion 5 D 1 C 3 G 2 D
2.496 Camion 6 D 4 D 3 H 2 D
2.970 Camion 7 D 1 D 2 H 2 D
2.842 Camion 8 D 2 G 1 H 2 D
3.530 Camion 9 D 1 D 2 F 2 D
2.169 Camion 10 D 1 C 1 H 2 D
RUTEO2
Distancia Ruteo pozo 1 2 3 4 5 6 7
2.336 Camion 1 D 3 D 4 E 1 D
2.081 Camion 2 D 3 G 2 H 1 D
2.424 Camion 3 D 4 C 1 F 1 D
2.370 Camion 4 D 1 D 2 G 2 D
2.720 Camion 5 D 3 A 1 A 1 D
2.547 Camion 6 D 1 D 2 H 1 D
3.436 Camion 7 D 3 F 2 H 2 D
2.997 Camion 8 D 1 E 2 H 2 D
2.907 Camion 9 D 3 H 1 A 2 D
2.518 Camion 10 D 4 G 2 H 2 D
RUTEO3
Una vez se identifica el ruteo con menor distancia total se procede a copiar el ruteo en una matriz que
guarda el menor ruteo encontrado y a realizar la actualización de las matrices TAOxy [4] y TAOyx
[5]. Así, en la siguiente iteración, las probabilidades de ir de (pozo – descargadero) o (descargadero
– pozo) serán mayores si el trayecto se realizó en la primera iteración, como lo ilustran las ecuaciones
[1] y [2]. Con esto el programa culmina su primera iteración, y se vuelve a ejecutar hasta cumplir con
el número de iteraciones establecidas inicialmente.
A continuación, se explica detalladamente el funcionamiento de la Meta heurística por medio de un
flujograma.
Ilustración 15- Flujograma Meta heurística
4.3.3Medir el desempeño de la meta heurística y el modelo matemático
Para realizar las mediciones del modelo matemático y la meta heurística, se tomaron 6 diferentes
instancias; A cada una de ellas se les varía los parámetros de las demandas, capacidades, pozos,
descargaderos y distancias. Es importante tener presente que estas instancias son ejemplos reducidos,
debido al largo tiempo de ejecución del modelo matemático y de la meta heurística. Peng (2010)
planteo ciertos indicadores de rendimiento de meta heurísticas y modelos matemáticos, los cuales se
usaron para realizar las comparaciones. Por consiguiente, para la meta heurística y el modelo se
tomarán los siguientes indicadores, los resultados se pueden observar en el apartado 6.
Resultado promedio
Mejor resultado
Tiempo de ejecución
Grafica de iteraciones.
4.4 Controlar
4.4.1 Análisis costo – beneficio
Teniendo en cuenta los resultados del ruteo obtenidos por la meta heurística ACO y la operación
actual de la compañía se pueden establecer los siguientes costos.
Costos propuesta ACO:
En la siguiente tabla se establecen las tarifas con las que se trabaja en la operación.
Tabla 16 - Tarifas
En la siguiente matriz se establecen los costos incurridos de la operación de acuerdo a las tarifas
previamente ilustradas.
2,200,000$
8,278$
7
10,000$
10,000,000$
Costo mantenimiento de
vehiculo (Cada 20 km)
Consumo promedio de gasolina
(km/gal)
Costo ($/gal)
Salario de conductor
TARIFAS
Alquiler Vehiculo
METAHEURÍSTICA RUTEO 1 RUTEO 2 RUTEO 3 TOTAL DESCRIPCIÓN REPRESENTA
COSTOS DE TRAYECTO 2,777,987$ 2,837,503$ 2,610,311$ 8,225,801$
Este es el costo variable que se le aplica a cada
carrotanque teniendo en cuenta la cantidad de
barriles transportados y la distancia recorrida,
además contempla peajes. Esta tabla de costos se
encuentra en anexos
1%
COSTO GASOLINA 156,551,962$ 166,039,351$ 158,623,744$ 481,215,057$ Este es el costo incurrido por cada carrotanque en
consumo de gasolina por los trayectos realizados. 33%
MANTENIMIENTO 132,388,000$ 140,411,000$ 134,140,000$ 406,939,000$
Este es el costo de mantenimiento general del
carrotanque. En este costo se contemplan
consumo de llantas, Consumo de lubricantes,
Consumo de filtros, Reparaciones, Lavado y
Engrase.
28%
SALARIO CONDUCTORES 158,400,000$
Este costo representa el salario mensual pagado a
cada conductor por carrotanque, teniendo en
cuenta que en cada carrotanque van 2
conductores.
11%
COSTOS ALQUILER 360,000,000$ Este costo otorgado al alquiler del carrotanque a
un tercero para poder realizar la operación25%
SEGUROS 25,164,504
Este es el costo fijo mensual que se debe pagar
por carrotanque para garantizar una indemnización
en caso de perdidas o daños durante el desarrollo
de la operación
2%
158,400,000$
360,000,000$
25,164,504$
Tabla 17 – Costos Meta Heurística
Teniendo estos costos, se realiza un Pareto ilustrado a continuación para identificar el impacto de
cada uno de ellos en la operación.
Tabla 18 – Pareto Costos
Mediante este análisis de costo para la meta heurística se puede establecer que los costos (Gasolina,
Mantenimiento y costos de alquiler) que representan el 50% de todos los costos, generan el 86% de
los costos totales en la operación, con un impacto en el costo total de $ 1,176,154,057 COP.
Costos Actuales Compañía:
Para los costos actuales de la compañía se simuló la operación de forma manual con un colaborador
de la compañía, debido a que no se cuenta con una planeación de rutas previamente definida. Es decir,
si la compañía cuenta con 22 solicitudes de diferentes descargaderos, se contratarán un mínimo de 22
vehículos. Por otro lado, se calcularon algunos costos operativos (costo gasolina y mantenimiento),
sin embargo, los costos varios son tarifas que la compañía maneja preferencialmente.
Pareto
Item Valor % valor % Valor Acum Item Representa Item representa Acum
COSTO GASOLINA 481,215,057$ 0.334190035 0.334190035 0.166666667 0.166666667
MANTENIMIENTO 406,939,000$ 0.282607447 0.616797482 0.166666667 0.333333333
COSTOS ALQUILER 360,000,000$ 0.25000966 0.866807142 0.166666667 0.5
SALARIO CONDUCTORES 158,400,000$ 0.11000425 0.976811392 0.166666667 0.666666667
SEGUROS 25,164,504 0.017476025 0.994287417 0.166666667 0.833333333
COSTOS DE TRAYECTO 8,225,801$ 0.005712583 1 0.166666667 1
TOTAL 1,439,944,362$
ACTUAL TOTAL DESCRIPCIÓN REPRESENTA
COSTO GASOLINA 332,911,198$
Este es el costo incurrido por cada
carrotanque en consumo de gasolina
por los trayectos realizados. 0.22238557
MANTENIMIENTO 281,526,000$
Este es el costo de mantenimiento
general del carrotanque. En este costo
se contemplan consumo de llantas,
Consumo de lubricantes, Consumo de
filtros, Reparaciones, Lavado y
Engrase. 0.18806012
COSTOS VARIOS 882,562,802$
Estos son los costos que representan
seguros, salario de conductores,
costos de trayecto y alquiler de
carrotanques, pero no conocemos con
exactitud los valores.
0.58955431
COSTO TOTAL DE
OPERACIÓN
(COP)
1,439,944,362$
Tabla 19 – Costos Actuales
Se puede identificar que el costo pareto es “Costos Varios”, representando el 59% de los costos en la
operación con un valor de $ 882,562,802 COP. Esto se debe a que la compañía trabaja con acuerdos
que permiten agrupar los gastos de alquiler de vehículo, salario de conductores, seguros y costos de
trayecto en un solo grupo. Vale la pena resaltar que los valores exactos de dichas tarifas no son de
nuestro conocimiento, solo se conoce el costo total de la operación.
Ahora, para poder realizar un análisis de costos de la operación actual vs propuesta “ACO” es
necesario evaluar cada costo de forma individual e identificar el comportamiento en cada uno de ellos.
Para esto es necesario realizarlo de una forma coherente, de tal forma que se evalúe lo mismo en
ambos escenarios. Según esto, en la operación propuesta se sumarán los costos de alquiler, seguros,
trayectos y salarios de conductor para poder trabajar 3 costos principales en ambas soluciones. El
desarrollo de este punto se encuentra en el apartado 6 Resultados.
4.4.2 Plan de monitoreo.
El plan de monitoreo y control está diseñado para verificar que el modelo se esté ejecutando según lo
planificado y sin ningún problema, por esto se han identificado unas posibles situaciones que pueden
afectar el buen desarrollo de la meta heurística. En el anexo 19 se encuentra el plan de monitoreo.
5. Componente de Diseño en ingeniería.
5.1 Declaración de Diseño:
El diseño principal del proyecto consiste en generar un ruteo de vehículos, implementando una meta heurística ACO. Esta solución será expresada en costos de transporte, sin embargo, lo que se busca minimizar es la distancia total recorrida por los vehículos, sujeto a restricciones de demanda, capacidad, ventas de tiempo, tiempos de cargue y descargue.
Además, es importante tener presente que se buscará reducir el valor de la solución puesto que se sabe que la solución actual al problema, no usa ningún tipo de heurística, ni meta-heurística para generar el ruteo, por lo tanto, el no tener una planificación debida, podría causar altos costos de transporte. Por otro lado, el diseño secundario consistirá en implementar un modelo matemático, que dará una solución formal al escenario reducido con el fin de analizar qué tan buena es la meta heurística y determinar qué correcciones se le podrían hacer.
5.2 Proceso de Diseño:
Según Grech(2014), el proceso de diseño en ingeniería consta de 5 pasos, el primer paso es la definición del problema y decir los límites de este mismo, el segundo paso es generar criterios y restricciones, el tercero y cuarto paso es buscar soluciones al problema y determinar la mejor solución factible de este, por último el quinto paso es la documentación y la comunicación. En este orden de
COSTO TOTAL DE
OPERACIÓN (COP)1,497,000,000$
ideas, en la siguiente imagen se ilustran los pasos de la creación del diseño más adelante se detallan todas las etapas de Grech(2014)
Ilustración 20 – Proceso de diseño
Pasos Descripción
1
Para definir el problema y limitarlo se realizaron varias reuniones con el director del trabajo de grado, con el fin
de que se entendiera el problema real. En las reuniones se establecían los objetivos del problema, variables
fundamentales y parámetros.
2
Las restricciones se escogieron de acuerdo al problema real, estas se establecieron en una lista y se determinó la
dificultad de las mismas, por último se segregaron unas pocas restricciones y se modelaron en la meta heurística
y en el modelo matemático.
3
Para implementar el modelo matemático se siguieron unos pasos de acuerdo con Anhalt (2015), el cual
encuentra más detallado en la metodología.
4
Con el fin de crear la meta heurística se siguieron unos pasos planteados por Favaretto (2007); el detalle se
encuentra en la metodología.
5.
Para generar las instancias de los problemas de comparación, se determinaron diferentes pozos y diferentes
clientes, con diferentes demandas y se generaron aleatoriamente éstas, con el fin de que no existiera ningún
resultado sesgado.
6.
Para comprobar las factibilidades del modelo, se representaron gráficamente algunas instancias y realizó un
Excel el cual determinaba y comprobaba las factibilidades según unas fórmulas de suma, por otro lado para
comprobar la factibilidad de la meta heurística se generó una plantilla de Excel donde se evidenciara que todas
las restricciones fueran cumplidas.
7.
Para comparar las soluciones del modelo matemático y la meta-heurística, se crearon unos indicadores de
medición de estas, las que indicaban que tan buena era la función objetivo. Por otro lado para comprar la meta
heurística con los costos de operación de la compañía se dividieron los costos de la operación y se empezaron a
comparar uno por uno, para determinar qué tan buena era.
8.
Para generar el análisis de costos se realizaron unas divisiones de los costos de la compañía y la que genero la
meta heurística luego se segmentaron una por una para determinar dónde estaba el ahorro y determinar el
indicador de este.
Tabla 1 – Pasos de proceso de diseño
5.3. Requerimientos de desempeño:
1. El diseño debe generar un costo menor al actual.
2. La meta-heurística no debe exceder 1 hora corriendo.
3. La solución del diseño debe ser factible, es decir, tienen que cumplirse las demandas de cada
cliente.
4. No se puede exceder la capacidad de cada vehículo.
5. Se debe cumplir el límite de horas de manejo continuo para todos los vehículos. Este
requerimiento fue eliminado, ya que según expertos, varios conductores pueden ir en un mismo
vehículo, por lo tanto el límite del manejo continuo de un vehículo no existe.
6. El modelo debe tener en cuenta las restricciones de ventanas de tiempo, pues se debe tener en
cuenta la hora en que debe ser entregado el producto al cliente de acuerdo a la distancia que se debe
recorrer.
5.4. Pruebas de rendimiento
Para garantizar el cumplimiento de los requerimientos del desempeño se realizaron las siguientes
actividades.
Prueba de rendimiento 1: Se compararon los costos totales del método actual vs el
propuesto y se determinó que se disminuyó el costo en un 4.3%
Prueba de rendimiento2: Con un cronometro se contabilizo el tiempo de ejecución de la
meta heurística para 100 iteraciones y se obtuvo un tiempo de 47 minutos.
Validación restricciones: Para verificar que el modelo se esté ejecutando cumpliendo las
restricciones se realizaron varias herramientas.
1. Atención de descargaderos:
Antes de que se ejecute el ruteo, el vector de atencion a descargaderos se inicializa
con “False” debido a que ninguno ha sido atendido aún.
Una vez la demanda del cliente es igual a 0, el verctor indica que descargadero ya
ha sido atendido
1 2 3 4
FALSO FALSO FALSO FALSO
Ilustración 21 – Factibilidades 1
2. La capacidad de pozos y demanda de descargaderos:
Esta matriz de validacion se utiliza para garantizar que ningún pozo envió más de
su capacidad a algún descargadero y que los descargaderos recibieron toda su
demanda.
Ilustración 22 – Factibilidades 2
Prueba de rendimiento 3 4 6: Para determinar la factibilidad del modelo matemático se
realizaron validaciones en Excel, donde se demuestra que la demanda es cumplida en su
totalidad, la capacidad de pozos y camiones no se excede, el vehículo siempre termina su
viaje en el nodo de donde empezó y las ventanas de tiempo se cumplen, aparte de esto se
representaron gráficamente las variables para determinar el resultado final.
5.5 Restricciones del diseño.
Lo que va restringir significativamente el diseño de la solución es cómo se repartirán los pozos con
vehículos y sin vehículos puesto que esto generara mayor rigidez a la solución y no dejará que otros
pozos tengan vehículos, sin embargo, estos solo se tendrán en cuenta para realizar el modelamiento
matemático.
Además de esto, otra restricción importante que no deja tener una mejor solución, es que el problema
es NP- hard y por ende es muy difícil llegar al óptimo global. Es muy importante aclarar que el modelo
matemático que se va a escoger, solo servirá para resolver el problema ajustado a un escenario
reducido.
Otra restricción fundamental es que los vehículos siempre deben llegar al pozo de donde salen, esto
limita mucho la solución, porque si estos pudieran quedarse en los eslabones finales y luego recargar
los barriles en otros pozos, se minimizaría más la distancia total.
1 2 3 4
FALSO VERDADERO FALSO FALSO
5.6 Cumplimiento del estándar.
El estándar utilizado que se aplicó al trabajo de grado fue el DMAIC, que está regido por la norma
ISO 13053. El cumplimiento de todas las etapas (definir, medir, mejorar, analizar y controlar) esta
evidenciado en todos los pasos de la metodología.
6. Resultados
A continuación se muestra cual fue el comportamiento tanto del modelo matemático como de la meta heurística en las diferentes instancias. Es importante aclarar que el equipo utilizado para realizar esta operación fue un Lenovo con un procesador Intel Core i5 con una memoria RAM de 4GB. Cabe aclarar que el modelo matemático solo puede contemplar 15 nodos, puesto que, si se ejecuta el
programa con más de estos nodos el computador no tiene la memoria suficiente para guardar los
resultados y se queda sin iterar. Además, en términos de tiempo solo se posee un máximo de 2 horas
para correr el modelo, debido al horario del colaborador. Es de vital importancia resaltar que la
planeación que se realiza es semanal, es decir que sirve para 10 días o menos. Es por esto que se
sugiere a la empresa que usen el modelo matemático cuando se involucre en la operación menos de
15 nodos.
Instancia Pozo Inicio Numero
Vehículos
Capacidad
vehículo
Demanda
Descargaderos (bc)
Capacidad
pozo (bc)
12.1 Campo Mansoya 10 10 270 353
12.2 Campo Arrayanes 10 10 330 460
12.3 Campo Pisingo 8 8 230 300
16.1 Cohembi 10 10 445 470
16.2 Santa Clara 10 10 190 690
16.3 Campo Quinde 10 10 250 260
Tabla 2 – Instancias
De acuerdo a los datos de entrada ilustrados previamente, a continuación se muestra el comportamiento de la meta heurística vs el modelo matemático.
Instancia F.O Gusek (Km) F.O Meta heurística (km) Tiempo de ejecución ACO (seg)
12.1 25,930 26,257 1,800
12.2 7,440 7,480 1,800
12.3 15,985 16,792 2,700
16.1 28,182 30,995 3,000
16.2 12,050 13,630 3,600
*16.3 37,140 40,232 3,600
Tabla 3 – Resultados comparación
La relación de la meta heurística con respecto al modelo matemático es:
Instancia Porcentaje
alcanzado de la
meta heurística
12.1 98.80%
12.2 99.5%
12.3 95,4%
16.1 90.9%
16.2 88.41%
16.3 92.3%
Tabla 4 – Desempeño Heurística
En la tabla 26 se muestran las mejores soluciones obtenidas por cada uno de los programas; en todas las instancias no se llega a un óptimo global menos en la 16.3, lo que implica que usar una meta-heurística para generar la solución del problema general es acertado debido a que encontrara un buen resultado en poco tiempo. Por otra parte se definió un tiempo de ejecución de Gusek de 3600 segundos, ya que después de este tiempo el computador se queda sin memoria y Gusek alerta este problema. En la tabla 27 se determina el porcentaje alcanzado de la meta heurística en comparación del Gusek; se evidencia que el promedio de asertividad de la meta heurística es de 93% para problemas de tamaño reducido, es importante decir que a pesar de que el modelo indique mejores soluciones, la meta heurística lo hace más rápido. Aparte de esto se evidencia que la meta heurística nunca llega a igualar el resultado de Gusek. Por otro lado, para cada instancia se generaron unos gráficos de rendimiento por iteración de la meta heurística como se muestra a continuación:
Ilustración 23 – Comportamiento instancia 12.1
Ilustración 24 – Comportamiento instancia 12.2
Ilustración 25 – Comportamiento instancia 12.3
Ilustración 26 – Comportamiento instancia 16.1
Ilustración 27 – Comportamiento instancia 16.2
Ilustración 28– Comportamiento instancia 16.3
Al comparar la meta heurística y el modelo matemático se puede identificar que las instancias con mayores factores de relación fueron la 12.1 y la 12.2, según esto se puede identificar que entre mayor sea la capacidad de atención de los pozos, el resultado hallado será mejor; esto se debe a que el algoritmo está en la capacidad de encontrar formas de solución al problema más optimas, ya que no se restringe tan fácilmente por la capacidad de producción de los pozos. Una vez se ha identificado el comportamiento de la meta-heurística vs el modelo matemático en diferentes instancias mediante escenarios reducidos, se generó la solución del problema real completo con los siguientes parámetros.
Ilustración 29 – Parámetros Meta heurística
Es importante tener presente que se tomaron en cuenta 20 iteraciones debido a que el programador de
rutas de la compañía no tiene si no una hora disponible para programar la solución al problema. Sin
embargo, se realizaron varias corridas con diferentes iteraciones para establecer en qué punto el
resultado converge. En un ejemplo con 100 iteraciones se puede identificar que a partir de la iteración
84 el resultado se estabiliza. A continuación se muestra el comportamiento de la meta heurística
ilustrando 100 iteraciones.
A) iteraciones 0 a 50
B) Iteraciones 50 a 100
Ilustración 30– Comportamiento Meta heurística
N V W
12 12 11
200
80
83,817
85,683
Pozos con Carrotanques
Cantidad Carrotanques
Capacidad Carrotanque
Velocidad Carrotanque (km/h)
Demanda atendida (bc)
Capacidad total Pozos (bc)
Mediante esta grafica se puede identificar como a partir de la iteración numero 84 el resultado
empieza a converger. Es decir, no se encuentra ningún resultado mejor al hallado en la iteración 78 y
los resultados se empiezan a estabilizar o dar un resultado muy similar.
Además, a medida que van pasando las iteraciones el programa tiende a encontrar menores resultados,
esto se debe a que el algoritmo actualiza por cada iteración las matrices TAOxy y TAOyx de acuerdo
al ruteo de menor distancia encontrado. Lo que esto significa es que, en la siguiente corrida del
programa, es más probable que el vehículo tome la ruta que se encontró en la iteración anterior.
En cuanto al parámetro Beta se establece que entre mayor sea el mismo, el resultado tiende a ser
menor. Esto se debe a que Beta es el parámetro que simula el efecto de evaporación, por consiguiente,
si este valor es mayor a 0.01 los caminos que no han sido recorridos y tienen pocas feromonas tienden
a eliminarse del grafo, ya que el impacto del parámetro es mayor, dando como descartados caminos
sin recorrer con una mayor facilidad.
6.1 Medición del impacto
Análisis Costo Actual vs Propuesta
Ilustración 31 – Costos actuales Vs Propuesta.
El cuadro anterior ilustra el análisis de costos de la operación mediante tres variables principales:
costo de gasolina, costo de mantenimiento y costos varios. Se puede establecer que para ambos casos,
los costos pareto que representan mayor porcentaje en el costo total son los costos varios. En la
operación actual con un 59% de impacto, mientras que en la propuesta genera un 38 % de impacto.
Esto se debe a varias instancias, la primera de ellas es que el costo de trayecto por barril es
inversamente proporcional a la distancia. En el modelo actual de la compañía al no existir un ruteo
que permita establecer una ruta eficiente para cada vehículo, se limitan a enviar en un menor número
de trayectos, un mayor número de vehículos para atender la demanda de los descargaderos. Es decir,
si la compañía requiere de 5 vehículos para atender la demanda de un descargadero especifico, se
alquilan los 5 vehículos para que realicen el trayecto (Pozo – Descargadero – Pozo) implicando un
menor tiempo para llevar la operación acabo. Por el contrario, en la solución propuesta, esa misma
demanda que requiere ser atendida por 5 vehículos, es realizada solo por un vehículo, dándole un
orden especifico a la ruta de manera que la operación se pueda realizar en la menor distancia posible,
creando trayectos como (Pozo – Descargadero – pozo – Descargadero – Pozo) por este motivo el
costo variable de trayecto en el caso actual es mayor.
Este costo de trayecto tiene la característica de ser inversamente proporcional a la distancia debido a
que la compañía externa (3PL) no le conviene tener sus vehículos quietos sin alquilar, por esto motivo
si un cliente quiere alquilar un vehículo, entre mayor sea el tiempo que lo requiera, menor va a ser el
costo, ya que le garantiza a la compañía prestadora del servicio tener en alquiler al vehículo un buen
tiempo. Otra instancia posible a considerar son los salarios pagados a los conductores de los
vehículos; es posible que la compañía aparte del salario base que paga a los conductores, les brinde
VARIABLE VALOR REPRESENTA VARIABLE VALOR REPRESENTA
COSTO GASOLINA 332,911,198$ 22% COSTO GASOLINA 481,215,057$ 33%
MANTENIMIENTO 281,526,000$ 19% MANTENIMIENTO 406,939,000$ 28%
COSTOS VARIOS 882,562,802$ 59% COSTOS VARIOS 551,790,305$ 38%
PROPUESTAACTUAL
beneficios económicos extras para la buena gestión operativa (bonos por largas duraciones de manejo,
bonos para alimentos). Por otro lado, esta variable también se ve drásticamente afectada debido a que
el número de vehículos necesarios para llevar a cabo la operación actual es mucho mayor a los
vehículos necesarios para la solución propuesta (60 vehículos vs 36 vehículos), por lo cual genera
que el costo de alquiler sea más alto.
Tabla 32 – Beneficio de costos varios
La siguiente variable que más impacta en el costo total de la operación para los dos escenarios es el
costo de mantenimiento; en el caso de la solución actual este costo representa el 19% del costo total,
mientras que en la solución propuesta representa el 28%. En este caso la propuesta ACO se ve más
afectada por esta variable debido a que los trayectos y el tiempo de recorrido por los vehículos son
mayores, por lo cual se requiere un mayor número de mantenimientos, teniendo en cuenta que estos
mantenimientos están en función de los kilómetros recorridos y el número de vehículos que realizan
el recorrido.
Tabla 33 – Beneficio de costos mantenimiento
Por último, la variable a analizar es el costo de gasolina; en la solución actual se identifica que esta
variable implica un costo de $ 332, 911,198 y representa el 22% de los costos totales. Por otra parte,
en la solución propuesta este costo es igual a $ 481,215,057 representando el 33% de los costos
operacionales. En este caso la variable tiene un mayor valor en la solución propuesta debido a que los
vehículos consumen más gasolina debido a que los recorridos realizados por los mismos son más
largos. Básicamente en la solución actual el recorrido que hacen los vehículos es (Pozo –
Descargadero – Pozo), generando que la distancia del trayecto no sea muy extensa, pero es realizada
por muchos vehículos. En la solución propuesta el recorrido que se plantea es (Pozo – Descargadero
– Pozo – Descargadero – Pozo), un trayecto más largo donde se involucran un mayor número de
nodos, pero se realiza con un número significativamente menor de vehículos que el modelo actual.
Valor Respresenta Descripción
Beneficio
Costos Varios330,772,497.00$ 37%
De acuerdo a este beneficio se puede concluir que la
solución propuesta contempla beneficio económico
en cuanto a costos varios (alquiler carrotanque,
seguros, salarios conductores) con un valor de $
330.772.497, equivaliendo a una disminución del
37% con respecto al valor actual.
Valor Respresenta Descripción
Beneficio Costos
Mantenimiento125,413,000-$ 45%
Con esto se puede concluir que la solución
propuesta presenta un aumento en los costos de
mantenimiento con respecto a las solución actual.
Representando el 45% del costo actual con un valor
de $ 125.413.000
Tabla 34 – Beneficio de costos gasolina
Teniendo los análisis de Costos/Beneficio ilustrados anteriormente, en donde se desglosa el costo
total de las operaciones en varios costos que afectan el costo total, se puede realizar el análisis costo
beneficio grande que contempla los costos totales de la operación.
Esta es la forma como se realizó la operación propuesta en comparación con la operación actual de la
compañía.
Tabla 35 – Resultados
Se puede identificar que el tiempo total en días necesarios para llevar a cabo la operación aumentó,
esto se debe a la forma en que se realiza la operación. En la propuesta se alquilan un menor número
de vehículos, lo cual genera que para satisfacer la misma demanda, sea necesario hacer más
recorridos. Teniendo los análisis de Costos/Beneficio ilustrados anteriormente, en donde se desglosa
el costo total de las operaciones en varios costos que afectan el costo total, se puede realizar el análisis
costo/Beneficio grande que contempla los costos totales de la operación.
.
Tabla 36 –Beneficio total
Como resultado del ejercicio se puede establecer que se obtuvo un ahorro del 4% en la operación
propuesta con respecto a la operación actual de la compañía. Esto se debe principalmente al ahorro
generado en los costos varios. Pues, aunque en las otras dos variables analizadas (en la metodología)
no existe un beneficio, la variable que más impacta el resultado total es “Costos Varios” con un 48%.
Es por esto que, al generar un ahorro en esta variable, el resultado general es de mucho más impacto.
Valor Representa Descripción
Beneficio
Costos
Gasolina
148,303,859-$ 44.5%
Con esto se puede concluir que la
solución propuesta tiene un
aumento en los costos de gasolina
con respecto a la solución actual
en un 44.5% con un valor de $
148,303,859
Actual Propuesta
Carrotanques Utilizados 60 35
Distancia total recorrida (km) 385,983 406,939
Demanda total satisfecha (Barriles crudo) 83,817 83,817
Tiempo total operación (Días) 7 10
Costo total operación (COP) 1,497,000,000$ 1,439,944,362$
Actual Propuesta Beneficio Representa
1,497,000,000$ 1,439,944,362$ $ 57,055,638 4%
7. Conclusiones y recomendaciones
1. Como conclusión general del proyecto se establece que al aplicar un ruteo mediante
la meta heurística ACO (Ant Colony Optimiztion) se genera un ruteo de manera más
eficiente, causando que los costos operativos disminuyan. En este caso, se logró una
disminución del 4% lo cual equivale a un total de $ 57.055.638 COP.
2. Se concluye que el modelo matemático representa bien la solución real debido a los
pasos seguidos para su implementación y a las soluciones que brinda. Sin embargo,
se podría agregar más restricciones al problema como diferentes flotas y diferentes
ventanas de tiempo según el pozo o descargadero.
3. En cuanto al diseño de la meta heurística se realizaron diferentes versiones que pudieran dar
solución al problema planteado. Sin embargo, muchas de estas no daban la solución esperada
al problema debido a las restricciones del mismo. Fue complejo identificar la forma en que
se debía adaptar la meta heurística ACO al problema para que ejecutara de manera correcta.
Una vez se estableció la forma en que debía correr, fue más fácil proponer la solución ya que
muchas de las herramientas realizadas en las versiones anteriores sirvieron para la solución
final del problema.
4. La comparación realizada entre el modelo matemático y la meta heurística da como resultado
que la propuesta ACO presenta un buen desempeño, puesto que todas las soluciones de la
meta heurística y el modelo presentan en promedio un 7% de variación. Sin embargo, el
modelo matemático no tiene la capacidad de resolver algunas instancias largas de los
problemas, ya que las restricciones son muy rígidas.
5. La conclusión del análisis costo/beneficio indica que si es posible generar ahorro en la
operación, cuando se realiza una propuesta de planeación, que tenga en cuenta varios
escenarios y se quede con el menor resultado encontrado. Pues en este caso, se logra hacer
una disminución del 4% en los costos totales operativos de la compañía. También se pudo
identificar que los costos en la operación de más impacto económico son los costos de alquiler
del vehículo, salarios a conductores y seguros, que en este proyecto se trabajaron como
“Costos varios”.
6. Como recomendación para mejorar el desempeño la meta-heurística se sugiere que
exista una solución inicial previa, es decir que se realice un ruteo previo con una
heurística de corto tiempo de ejecución, ya que al no tener ninguna solución inicial
se puede llegar a un óptimo local con mayor facilidad.
7. También es recomendable considerar la generación de más de 3 ruteos factibles en
cada iteración de la meta-heurística, y así contar con un mayor un mayor número de
soluciones candidatas para seleccionar el mejor ruteo de la iteración.
8. Como recomendación final se sugiere hacer una hibridación a esta meta heurística
para poder identificar si existen posibles resultados que mejoren la eficiencia de la
operación.
8. Glosario.
Definiciones.
BC: Barriles de crudo
Crudo: Petróleo que no está refinado.
Clústers: Son conjuntos de eslabones finales, que van hacer atendidos por un solo pozo.Estos estan
delimitados en una zona geográfica
Eslabones finales: Son lugares donde inician los oleoductos. Ejemplos: Estaciones y puntos de
exportación
Heurística: manera de buscar la solución de un problema mediante reglas empíricas.
Pozo: Obra de ingeniería encaminada a poner en contacto un yacimiento de hidrocarburos con la
superficie. [20]
Puntos de exportación: Lugar donde en el que se envía el petróleo por oleoductos hacia otros países.
[21]
Refinería: Establecimiento industrial donde se purifica y se transforma el crudo, dejando a un lado
los residuos, permitiendo tener productos útiles para el consumidor final. [22]
Abreviaciones.
ACO: Ant colony optimization
FVRP: Vehicle routing problem fuzzy Demands
GA: Genetic Algorithm
HCPSO: Hibrid Chaos particle swarm optimization
MDVRP: Multiple depot vehicle routing problem
PSO: Particle swarm optimization.
SA: Simulated Annealing.
SDVRPTW: Split delivery vehicle routing problem with time windows.
TBS: Tabu Search
VRP: Vehicle routing problem
VRPMTW: Vehicle routing problem with multiple time windows
VRPTW: Vehicle routing problem with time window
9. Tabla de anexos.
No.
Anexo Nombre Desarrollo
Tipo de
Archivo
Enlace corto
(https://goo.gl/)
Relevancia para el
documento (1-5)
1 Meta heurística grande Propio Excel Enlace al archivo en su
carpeta de Google Drive 5
2 Ruteo Ecopetrol y
costos Propio Excel
Enlace al archivo en su
carpeta de Google Drive 4
3 Instancias 1 y 2
factibilidades Propio Excel
Enlace al archivo en su
carpeta de Google Drive 5
4 Instancia Gusek 1 Propio Mod Enlace al archivo en su
carpeta de Google Drive
5
5 Instancia Gusek 2 Propio Mod Enlace al archivo en su
carpeta de Google Drive
5
6 Instancia Gusek 12.1 Propio Mod Enlace al archivo en su
carpeta de Google Drive
3
7 Instancia Gusek 12.2 Propio Mod Enlace al archivo en su
carpeta de Google Drive
3
8 Instancia Gusek 12.3 Propio Mod Enlace al archivo en su
carpeta de Google Drive
3
9 Instancia Gusek 16.1 Propio Mod Enlace al archivo en su
carpeta de Google Drive
3
10 Instancia Gusek 16.2 Propio Mod Enlace al archivo en su
carpeta de Google Drive
3
11 Instacia Gusek 16.3 Propio Mod Enlace al archivo en su
carpeta de Google Drive
3
12 Instancia Excel 12.1 Propio Excel Enlace al archivo en su
carpeta de Google Drive
3
13 Instancia Excel 12.2 Propio Excel Enlace al archivo en su
carpeta de Google Drive
3
14 Instancia Excel 12.3 Propio Excel Enlace al archivo en su
carpeta de Google Drive
3
15 Instancia Excel 16.1 Propio Excel Enlace al archivo en su
carpeta de Google Drive
3
16 Instancia Excel 16.2 Propio Excel Enlace al archivo en su
carpeta de Google Drive
3
17 Instancia Excel 16.3 Propio Excel Enlace al archivo en su
carpeta de Google Drive
3
18 Reporte de
descargaderos y
camiones
Propio Excel Enlace al archivo en su
carpeta de Google Drive
4
19 Plan de monitoreo Propio PDF Enlace al archivo en su
carpeta de Google Drive
2
Referencias
Agencia Nacional Hidrocarburos, “Indicadores & estrategias del sector hidrocarburos”, 2015,
Agrupaciones empresariales innovadoras , “Colaborar para competir”, 2015,
http://clusterfoodmasi.es/cluster/que-son-los-clusters
Anhalt, Cynthia O. 2014. “Modeling: a structured process .” In The Common Core State Standards
in Mathematics for English Language Learners: Grades K–8, edited by Marta Civil and Erin Turner.
Alexandria
ASHOURI,M; YOUSEFIKHOSHBAKHT,M A Combination of Meta-heuristic and Heuristic
Algorihtms for the VRP OVRP and VRP with simultaneous pick and delivery; Research in artificial
intelligence & Neuroscience, 81.95, july 2017 ISSN: 20673957
Avella, Boccia y Sforza, “Beneficios planificación distribución”, 2015, pp 605-607,
http://bipop.inrialpes.fr/people/malick/Docs/09-heuristic.pdf
B Yu, Z-Z Yang and J-X Xie, “A parallel improved ant colony optimization for multi-depot vehicle
routing problem” Journal of operation research society, 2011, Vol:62-1 pp.183-188,
http://www.ijetch.org/vol8/918-CCEEE2015-2-011E.pdf
ChunYing Liu, Jijiang Yu, “Multiple depots vehicle routing based on the ant colony and genetic
algorithm” Journal of industrial engineering and managment, 2017, vol 6
http://www.jiem.org/index.php/jiem/article/view/747
Cistian Castro y Paola Rey, “Cronologia de contratación petrolera en Colombia”, 2014, pp:26,
http://intellectum.unisabana.edu.co/bitstream/handle/10818/5462/129292.pdf?sequence=1
Concepto Definición, “Aplicaciones de las refinerias”, 2014, http://conceptodefinicion.refineria
Dorigo, M. and Gambardella,” Ant colony for the travelling salesman problem”, Biosystems, 2012,
vol 43, pp. 73-81
Ecopetrol, “costo operación diaria”, 2017, http://www.ecopetrol.com.co/documentos/Tarifas-Carrotanques.pdf
Ecopetrol, “Costos transporte del crudo”, 2017,
http://www.ecopetrol.com.co/documentos/Tarifas-Carrotanques.pdf.
Ecopetrol, “Transporte del crudo”, 2014, http://www.ecopetrol.com.co
Favaretto D., Moretti E., Pellegrini P. “Ant colony system for a vrp with multiple time windows and
multiple visits”. Journal of interdisciplinary mathematics, 2013, vol:10 pp. 263-284,
http://www.tandfonline.com/doi/abs/10.1080/09720502.2007.10700491
Grech, Pablo. Introducción a la Ingeniería – Un enfoque através del diseño. Prentice Hall. Pag 71-88.
Procolombia, “Exportación Nacional”,2016,
http://www.comercioyaduanas.com.mx/comoexportar/exportarproductos/114-exportar-productos
S.Geetha, T. Vanathi and G. Poonthailr, “metaheuristics aproach for the multi-depot vehicle
problem.” Applied artificial inteligence, , 2012, Vol: 26, pp.878-901,
http://onlinelibrary.wiley.com/doi/10.1002/(SICI)1097-0037(199709)30:2%3C105::AID-NET5%3E3.0.CO;2-G/full
Marie-Claude Bolduc, Gilbert Laporte, Jacques Renaud, Fayez F. Boctor,A tabu search heuristic for
the split delivery vehicle routing problem with production and demand calendars,European Journal
of Operational Research,Volume 202, Issue 1,2010,Pages 122-130,ISSN 0377-2217.
SEPÚLVEDA, Juan; ESCOBAR, John Wilmer; ADARME-JAIMES, Wilson. An algorithm for the
routing problem with split deliveries and time windows (SDVRPTW) applied on retail SME
distribution activities. DYNA, [S.l.], v. 81, n. 187, p. 223-231, sep. 2014. ISSN 2346-2183.
Shahrzad Amini , Hassan Javanshir & Reza Tavakkoli-Moghaddam,” A pso aproach for solving
vrptw with real case study”, IJRRAS, 2010. Tomado de:
http://www.arpapress.com/Volumes/SiAug2010/Si_NonLinearSciences_14.pdf
Tomado de RAE, Madrid 2017 ; Pagina: http://dle.rae.es/?id=BNYN33A
Tomado de RAE, Madrid 2017; Pagina: http://dle.rae.es/?id=KHdGTfC
Unidad de Planeación Minero Energética, “Aporte nacional petrolero”, Cadena del petróleo 2015,
http://www.upme.gov.co/sites/default/files/news/3086/files/cadena_del_petroleo_2013.pdf.
V.Selvi, R.Umarani “Comparative Analysis of Ant Colony and Particle Swarm Optimization
Techniques”. International Journal of Computer Applications, 2010, Vol 5– No.4,
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.206.3506&rep=rep1&type=pdf
Wenbin Hu , Huanle Liang , Chao Peng , Bo Du and Qi Hu, “A Hybrid Chaos-Particle Swarm
Optimization Algorithm for the Vehicle Routing Problem with Time Window” Entropy, 2012 Vol
15, http://www.mdpi.com/1099-4300/15/4/1247/htm
Yang Peng,Ye-mei Qia, “A particle swarm optimization to vehicle routing problem with fuzzy
demands”. En Management and Service Science (MASS), 2010 International Conference on, 24-
26 IIEE, http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.480.5535&rep=rep1&type=pdf.