Os dejo a continuación la grabación de la Conferencia Magistral que tuve la ocasión de presentar en el Congreso Nacional de Ingeniería Civil 2021. Dicho evento tuvo lugar en la modalidad virtual del 28 de junio al 02 de julio del 2021. El Congreso Nacional de Ingeniería Civil es el evento que reúne a profesionales, docentes, investigadores y empresarios del sector de la construcción en una jornada de capacitación acerca de las últimas innovaciones producto de las actividades de investigación en el sector de la construcción. Agradezco, una vez más, al Consejo Departamental de ICA del Colegio de Ingenieros del Perú – Capítulo de Ingeniería Civil, la deferencia que tuvo conmigo al invitarme a participar en su Congreso.
Etiqueta: transporte
Conferencia invitada al XXI Congreso Nacional de Ingeniería Civil 2021
Os anuncio la invitación recibida por el Presidente del Comité Organizador del XXI Congreso Nacional de Ingeniería Civil, organizado por el Colegio de Ingenieros del Perú. Se trata de impartir una Conferencia Magistral en el eje temático de Transportes. La conferencia tendrá lugar el 30 de junio de 2021, de 9:50 a 10:30 horas (hora del Perú). El título de la conferencia es “Optimización aplicada a la gestión sostenible del mantenimiento de carreteras”.
El Congreso Nacional de Ingeniería Civil es el evento que reúne a profesionales, docentes, investigadores y empresarios del sector de la construcción en una jornada de capacitación acerca de las últimas innovaciones producto de las actividades de investigación en el sector de la construcción. El CONIC 2021 se realizará del 28 de Junio al 02 de Julio en modalidad 100% virtual y tendrá invitados de más de 15 países y más de 50 conferencias magistrales distribuidas en 9 ejes temáticos transversales al sector de la construcción. El enlace del congreso es el siguiente: https://conic21.com/
Dúmper sobre orugas
El desplazamiento sobre dos carros de orugas supone, para las máquinas de movimiento de tierras, una mayor adherencia al terreno. Es el caso de terrenos embarrados o de baja capacidad portante, donde es necesaria cierta flotabilidad y adherencia y donde los neumáticos no son útiles. Un caso habitual del uso de las orugas son las palas cargadoras, buldóceres, retroexcavadoras, etc.
Las máquinas de acarreo de tierras, como los dúmperes, también pueden montarse sobre orugas. En la Figura 1 se observa un dúmper de gran tamaño, pero también podemos encontrar este tipo de máquinas en trabajos pequeños, donde su diseño compacto permite desplazarse por terrenos accidentados y bordillos (Figura 2).
Os dejo algunos vídeos de este tipo de maquinaria, que espero os sean de utilidad.
Referencias:
YEPES, V. (1997). Equipos de movimiento de tierras y compactación. Problemas resueltos. Colección Libro Docente nº 97.439. Ed. Universitat Politècnica de València. 253 pág. Depósito Legal: V-4598-1997. ISBN: 84-7721-551-0.
YEPES, V. (2014). Maquinaria de movimiento de tierras. Apuntes de la Universitat Politècnica de València, Ref. 204. Valencia, 158 pp.
Los algoritmos genéticos
Resulta fascinante comprobar cómo aplicando los mecanismos básicos de la evolución ya descrita por Darwin en su obra fundamental, El origen de las especies por medio de la selección natural, o la preservación de las razas preferidas en la lucha por la vida, publicada en 1859, se pueden generar algoritmos capaces de optimizar problemas complejos. Este tipo de metaheurísticas inspiradas en la Naturaleza ya se comentaron en artículos anteriores cuando hablamos de la optimización por colonias de hormigas o de la cristalización simulada. Aunque es un algoritmo ampliamente conocido por la comunidad científica, voy a intentar dar un par de pinceladas con el único afán de divulgar esta técnica. La verdad es que las implicaciones filosóficas que subyacen tras la teoría de Darwin son de una profundidad difícil de entender cuando se lleva a sus últimos extremos. Pero el caso es que estos algoritmos funcionan perfectamente en la optimización de estructuras de hormigón, problemas de transporte y otros problemas difíciles de optimización combinatoria.
Para aquellos interesados, os paso en las referencias un par de artículos donde hemos aplicado los algoritmos genéticos para optimizar rutas de transporte aéreo o pilas de puente huecas de hormigón armado.
Sin embargo, para aquellos otros que queráis un buen libro para pensar, os recomiendo “La peligrosa idea de Darwin”, de Daniel C. Dennett. A más de uno le hará remover los cimientos más profundos de sus creencias. Os paso la referencia al final.
Básicamente, los algoritmos genéticos “Genetic Algorithms, GA”, simulan el proceso de evolución de las especies que se reproducen sexualmente. De manera muy general, se puede decir que en la evolución de los seres vivos, el problema al que cada individuo se enfrenta diariamente es el de la supervivencia. Para ello cuenta, entre otras, con las habilidades innatas provistas en su material genético. A nivel de los genes, el problema consiste en la búsqueda de aquellas adaptaciones beneficiosas en un medio hostil y cambiante. Debido en parte a la selección natural, cada especie gana cierta “información” que es incorporada a sus cromosomas.
Durante la reproducción sexual, un nuevo individuo, diferente de sus padres, se genera a través de la acción de dos mecanismos fundamentales: El primero es el cruzamiento, que combina parte del patrimonio genético de cada progenitor para elaborar el del nuevo individuo; el segundo es la mutación, que supone una modificación espontánea de esta información genética. La descendencia será diferente de los progenitores, pero mantendrá parte de sus características. Si los hijos heredan buenos atributos de sus padres, su probabilidad de supervivencia será mayor que aquellos otros que no las tengan. De este modo, los mejores tendrán altas probabilidades de reproducirse y diseminar su información genética a sus descendientes.
Holland (1975) estableció por primera vez una metaheurística basada en la analogía genética. Un individuo se puede asociar a una solución factible del problema, de modo que se pueda codificar en forma de un vector binario “string”. Entonces un operador de cruzamiento intercambia cadenas de los padres para producir un hijo. La mutación se configura como un operador secundario que cambia, con una probabilidad pequeña, algunos elementos del vector hijo. La aptitud del nuevo vector creado se evalúa de acuerdo con una función objetivo.
Los pasos a seguir con esta metaheurística serían los siguientes:
- Generar una población de vectores (individuos).
- Mientras no se encuentre un criterio de parada:
- Seleccionar un conjunto de vectores padre, que serán reemplazados de la población.
- Emparejar aleatoriamente a los progenitores y cruzarlos para obtener unos vectores hijo.
- Aplicar una mutación a cada descendiente.
- Evaluar a los hijos.
- Introducir a los hijos en la población.
- Eliminar a aquellos individuos menos eficaces.
Normalmente este proceso finaliza después de un numero determinado de generaciones o cuando la población ya no puede mejorar. La selección de los padres se elige probabilísticamente hacia los individuos más aptos. Al igual que ocurre con en la Naturaleza, los sujetos con mayor aptitud diseminan sus características en toda la población.
Esta descripción de los GA se adapta a cada situación concreta, siendo habitual la codificación de números enteros en vez de binarios. Del mismo modo se han sofisticado los distintos operadores de cruzamiento y mutación.
Os dejo a continuación un vídeo explicativo que he elaborado para mis clases de “Modelos predictivos y de optimización heurística de estructuras de hormigón“, del Máster Universitario en Ingeniería del Hormigón, de la Universitat Politècnica de València.
Referencias:
DENNETT, D.C. (1999). La peligrosa idea de Darwin. Galaxia Gutenberg. Círculo de Lectores, Barcelona.
HOLLAND, J.H. (1975). Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor.
MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2010). Heuristic Optimization of RC Bridge Piers with Rectangular Hollow Sections. Computers & Structures, 88: 375-386. ISSN: 0045-7949. (link)
MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. Statistics and Operations Research Transactions, 27(1): 95-112. ISSN: 1696-2281. (pdf)
PONZ-TIENDA, J.L.; YEPES, V.; PELLICER, E.; MORENO-FLORES, J. (2013). The resource leveling problem with multiple resources using an adaptive genetic algorithm. Automation in Construction, 29(1):161-172. DOI:http://dx.doi.org/10.1016/j.autcon.2012.10.003. (link)
YEPES, V. (2003). Apuntes de optimización heurística en ingeniería. Editorial de la Universidad Politécnica de Valencia. Ref. 2003.249. Valencia, 266 pp. Depósito Legal: V-2720-2003.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
18 años de la lectura de mi tesis doctoral: Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW
Hoy 4 de septiembre, pero del año 2002, tuve la ocasión de defender mi tesis doctoral titulada “Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW“. La tesis la dirigió el profesor Josep Ramon Medina Folgado, el tribunal lo presidió José Aguilar, acompañado por José Vicente Colomer, Francesc Robusté, Francisco García Benítez y Jesús Cuartero. La calificación fue de sobresaliente “cum laude” por unanimidad.
Por tanto, mi tesis ya ha cumplido la mayoría de edad. Es un buen momento de reflexionar sobre lo que este trabajo supuso para mí. Fue una tesis tardía, pues la leí con 38 años, teniendo ya una buena trayectoria profesional en la empresa privada (Dragados y Construcciones) y en la administración pública (Generalitat Valenciana). De alguna forma, ya tenía la vida más o menos solucionada, con experiencia acumulada, pero con muchas inquietudes. En aquel momento era profesor asociado a tiempo parcial y, en mis ratos libres, me dediqué a hacer la tesis doctoral. Ni decir tiene las dificultades que supone para cualquiera el sacar tiempo de donde no lo hay para hacer algo que, en aquel momento, era simplemente vocacional. No hubo financiación de ningún tipo, ni reducción de jornada laboral, ni nada por el estilo. En aquel momento ni se me ocurrió que acabaría, años después, como catedrático de universidad. Del 2002 al 2008 seguí como profesor asociado trabajando en la administración pública. Por último, por el sistema de habilitación nacional, accedí a la universidad directamente de profesor asociado a profesor titular, cosa bastante rara en aquel momento. Gracias a que era una verdadera oposición con el resto de candidatos, tuve la oportunidad de mostrar mis méritos ante un tribunal. Luego la cátedra vino por el sistema de acreditación, y la plaza, tras una penosa espera a causa de la crisis y por las cuotas de reposición. Pasé en 6 años de ser profesor asociado a tiempo parcial a estar habilitado como catedrático de universidad (12 de mayo del 2014). Todo eso se lo debo, entre otras cosas, a la gran producción científica que pude llevar a cabo y que tuvo su origen en esta tesis doctoral.
Por cierto, en aquella época la tesis doctoral tenía que ser inédita, es decir, no tenía que haberse publicado ningún artículo de la tesis. Hoy día es todo lo contrario, conviene tener 3-4 artículos buenos antes de pasar por la defensa. Luego publiqué al respecto algunos artículos en revistas nacionales e internacionales, pero sobre todo, comunicaciones a congresos.
La tesis supuso, en su momento, aprender en profundidad lo que era la algoritmia, el cálculo computacional y, sobre todo, la optimización heurística. En aquel momento, al menos en el ámbito de la ingeniería civil, nada o muy poco se sabía al respecto, aunque era un campo abonado a nivel internacional. Luego comprobé que todo lo aprendido se pudo aplicar al ámbito de las estructuras, especialmente a los puentes, pero eso es otra historia.
Os dejo las primeras páginas de la tesis y la presentación que utilicé en PowerPoint. Para que os hagáis una idea del momento, la presentación también la imprimí en acetato, pues aún se empleaba en ese momento en las clases la proyección de transparencias.
Referencia:
YEPES, V. (2002). Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW. Tesis Doctoral. Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos. Universitat Politècnica de València. 352 pp. ISBN: 0-493-91360-2.
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Optimización heurística mediante aceptación por umbrales
En algunos posts anteriores hemos comentado lo que es un modelo matemático de optimización, qué son las metaheurísticas, o cómo poder optimizar las estructuras de hormigón. A continuación os presentamos un Polimedia donde se explica brevemente cómo podemos optimizar siguiendo la técnica de optimización heurística mediante aceptación por umbrales. Podréis comprobar cómo se trata de un caso similar a la famosa técnica de la cristalización simulada. Espero que os sea útil.
Podéis consultar, a modo de ejemplo, algunos artículos científicos que hemos escrito a ese respecto en las siguientes publicaciones:
- CARBONELL, A.; GONZÁLEZ-VIDOSA, F.; YEPES, V. (2011). Heuristic optimization of reinforced concrete road vault underpasses. Advances in Engineering Software, 42(4): 151-159. ISSN: 0965-9978. (link)
- MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2010). Heuristic Optimization of RC Bridge Piers with Rectangular Hollow Sections. Computers & Structures, 88: 375-386. ISSN: 0045-7949. (link)
- YEPES, V.; MEDINA, J.R. (2006). Economic Heuristic Optimization for Heterogeneous Fleet VRPHESTW. Journal of Transportation Engineering, ASCE, 132(4): 303-311. (link)
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Big-Bang: Un nuevo algoritmo aplicado a la optimización de redes de transporte del tipo VRPTW
YEPES, V.; MEDINA, J.R. (2006). Big-Bang: Un nuevo algoritmo aplicado a la optimización de redes de transporte del tipo VRPTW. Actas del VII Congreso de Ingeniería del Transporte CIT-2006. Libro CD, 8 pp. Ciudad Real, 14-16 de junio. ISBN: 84-689-8341-1.
RESUMEN
La ponencia presenta un procedimiento de optimización económica de rutas de reparto con flotas de vehículos heterogéneas y horarios de servicio flexibles VRPHESTW. Para ello se presenta una nueva heurística, denominada “Big-Bang” basada en la modificación gradual de la variable espacial donde se ubican los nodos que representan a los clientes. La simulación de esta heurística de relajación consiste en reducir la velocidad de todos los vehículos, que al principio es muy alta para estabilizarse al final en su verdadera magnitud. El algoritmo emplea para explorar el espacio de soluciones una búsqueda probabilista en entornos variables con una aceptación de máximo gradiente. El algoritmo propuesto encuentra soluciones de elevada calidad, con la ventaja de poder utilizar otros procedimientos de búsqueda local que resulten más eficientes que el de máximo gradiente (algoritmo del solterón, aceptación por umbrales, búsqueda tabú, etc.).
- INTRODUCCIÓN
La asignación de rutas de reparto a una flota de vehículos “Vehicle Routing Problem” (VRP) constituye un problema habitual en las empresas dedicadas a la distribución de bienes o personas que conlleva un impacto económico, social y medioambiental importante. Sin embargo, los problemas de optimización que representan numerosas situaciones reales sólo pueden resolverse mediante procedimientos aproximados debido a su elevada complejidad intrínseca (ver Ball et al., 1995).
En las últimas décadas se han aplicado una gran variedad de técnicas para optimizar el problema de las rutas con horarios de servicio “vehicle routing problem with time windows” (VRPTW), tanto con heurísticas de construcción de soluciones (ver Solomon, 1987) o de mejora (ver Potvin y Rousseau, 1995), como metaheurísticas (ver Homberger y Gehring, 2005; Russell y Chiang, 2006). Sin embargo, son escasas las publicaciones que abordan la optimización con modelos más cercanos a la realidad incorporando horarios de servicio flexibles “vehicle routing problem with soft time windows” (VRPSTW) (ver Taillard et al., 1997), flotas heterogéneas de vehículos “vehicle routing problem with a heterogeneous fleet of vehicles” (VRPHE) (ver Gendreau et al., 1999), o ambas “vehicle routing problem with a heterogeneous fleet of vehicles and soft time windows” (VRPHESTW) (ver Yepes y Medina, 2002, 2004, 2006).
Además, los problemas reales de rutas difieren significativamente de los problemas teóricos. En efecto, la optimización jerárquica empleada habitualmente en la literatura (donde las mejores soluciones son las que, en primer lugar, presentan un menor número de rutas; y posteriormente, una menor distancia recorrida por todos los vehículos), no representa adecuadamente los costes reales de las empresas ni sus políticas de tarifas. Yepes (2002) indicó la trascendencia de utilizar una función objetivo de tipo económico para resolver estos problemas ante cambios en los escenarios de tarifas y costes. Asimismo, las restricciones legales y sociales, así como la calidad del servicio también se deben incluir dentro de una función objetivo de tipo económico, que contemple los ingresos y los costes de las operaciones de transporte (Medina y Yepes, 2003).
En la ponencia se presenta una nueva heurística basada en la modificación gradual de la variable espacial donde se ubican los nodos que representan a los clientes, y que se ha denominado “Big-Bang”. Esta estrategia de relajación, a su vez, se anida en una variante de la búsqueda en entornos variables “Variable Neighborhood Search” (VNS) (ver Mladenovic y Hansen, 1997) apoyada en la elección probabilista de un operador distinto en cada movimiento, empleada con éxito en el trabajo de Yepes y Medina (2006). Todo ello se ensaya con un problema de rutas del tipo VRPHESTW donde, además, se emplea una función objetivo de tipo económico, unas jornadas laborables con distintos costes y con tiempos de viaje dependientes del tiempo de acceso y alejamiento a cada nodo (congestión, tráfico, etc.).
- EL ALGORITMO BIG-BANG
El algoritmo Big-Bang que se propone parte de la siguiente idea: Si todos los vehículos tuviesen una velocidad mayor a la real, dicho fenómeno se podría interpretar como que los clientes se encuentran en un espacio donde, físicamente, las distancias fuesen menores. Un procedimiento de búsqueda encontraría un óptimo local en este escenario favorable a la reducción del número de vehículos. Si se desciende escalonadamente la velocidad, y en cada caso se encuentra su óptimo local, probablemente el nuevo óptimo sería similar al anterior, siempre que la disminución fuera suficientemente suave. Esta relajación de la velocidad se interrumpiría en el último escalón, donde el óptimo local encontrado satisfaría la velocidad real de los vehículos. El efecto sería un aumento gradual del espacio físico donde se ubican los clientes, efecto por el cual se ha querido llamar a la heurística algoritmo Big-Bang. En la situación inicial las restricciones fundamentales que condicionan el problema son la capacidad de los vehículos y los horarios de servicio. Al final, la lejanía entre los clientes y el almacén central, son condiciones que se han introducido progresivamente al final de la heurística.
En efecto, un vehículo con una velocidad v llega de 0 a 1 en el instante t01 (ver Figura 1). Se supone, sin perder generalidad, que el tiempo de servicio es nulo. Si la velocidad se incrementase a v’, entonces la llegada ocurriría en t01’. Esta situación equivale a suponer que el nodo, en vez de estar en 1 está más cerca de 0, es decir, en 1’ y la velocidad se mantiene en v. Así, la llegada ocurre en el instante t’01, que es igual al t01’. Por tanto, un aumento en la rapidez de los vehículos es equivalente a un acortamiento físico de las distancias. Sin embargo, las ventanas temporales interfieren en el razonamiento anterior. La existencia de esperas provoca que, aunque la velocidad v’ favorece el acortamiento a la distancia 1’, no es posible iniciar el servicio puesto que lo impide la ventana temporal. La situación equivalente es la representada en la Figura 1 cuando el vehículo circula a una velocidad v’’. En este caso, el acortamiento de distancias a 1’ se ve interrumpido por la limitación en el inicio del servicio a la situación 1’’, donde el inicio del servicio s1’ es coincidente con el s1’’. La conclusión es que el aumento de la rapidez de los vehículos permite relajar las restricciones en las distancias, acortando éstas mientras las limitaciones horarias no lo impidan.
Una de las características más interesantes de esta heurística de relajación consiste en la posibilidad de emplear como procedimientos de búsqueda local en cada escalón de velocidad, metaheurísticas más agresivas de búsqueda que la simple aceptación por umbrales (búsqueda tabú, algoritmo del solterón, cristalización simulada, etc.). En la ponencia que se presenta se ha optado por utilizar una búsqueda de máximo gradiente para comprobar la eficacia intrínseca del algoritmo, para no empañarla con la de otras metaheurísticas que por sí solas resultan, muy eficaces para el problema VRPHESTW (ver Yepes y Medina, 2004).
- DESCRIPCIÓN DE LA METAHEURÍSTICA PROPUESTA
El método presentado consta de dos fases. En la primera se genera una solución inicial mediante una heurística de construcción de rutas específica. Posteriormente se emplea el algoritmo “Big-Bang” basándose en una versión probabilista de la búsqueda por entornos variables “Variable Neighborhood Search” (VNS) (ver Mladenovic y Hansen, 1997) y un criterio de aceptación de máximo gradiente.
3.1 Fase 1: Heurística económica de construcción secuencial de rutas.
Se ha empleado el método de Yepes y Medina (2006) para generar una solución inicial de elevada calidad al problema VRPHESTW. El procedimiento inicia una ruta seleccionando adecuadamente al primer cliente para posteriormente agregar otros mientras se cumplan las restricciones impuestas. Además, se elige el vehículo de mayor capacidad para disminuir en lo posible el número necesario.
3.2 Fase 2: Algoritmo “Big-Bang” con búsqueda probabilista en entornos variables.
El algoritmo que se propone consta de un número M+1 de ciclos de búsqueda local por entornos. Cada ciclo de búsqueda termina con la obtención de un óptimo relativo correspondiente con unas velocidades de los vehículos fijadas para dicho ciclo. En el primer ciclo, la velocidad de los vehículos se amplifica por un factor de incremento D= D1>1. Este factor debe reducirse progresivamente hasta llegar al último ciclo de búsqueda local, en el cual D =DM+1 =1. Para este trabajo, la reducción de la velocidad ha sido lineal con el número de ciclos; sin embargo, se podría adoptar otro tipo de función reductora.
Como técnica de búsqueda local se ha empleado la metaheurística propuesta por Yepes y Medina (2006) para el problema VRPHESTW, de búsqueda por entornos variables basada en la elección probabilística de 9 operadores distintos y un criterio de aceptación por máximo gradiente. Los movimientos elegidos han sido los siguientes:
- Movimientos dentro de una ruta: se emplea el operador relocate (un nodo salta a otro lugar dentro de la ruta) y el swap (dos nodos de la ruta se intercambian entre sí).
- Movimientos entre dos rutas: se utiliza el operador CROSS-exchange (Taillard et al., 1997) y dos casos particulares, el movimiento 2-opt* (Potvin y Rousseau, 1995) y el 2-exchange (Osman, 1993).
- Movimiento de vehículos: vehicle–swap cambia entre sí los vehículos de dos rutas, y replacement sustituye el vehículo de una ruta por otro de la flota que no está utilizándose.
- Reconstrucción de soluciones: R&R0 desconecta un nodo al azar y lo introduce en la posición y ruta más favorable, mientras que R&Rseq rompe la ruta con menor número de nodos, y los reintroduce en la mejor posición y ruta (ver Schirmpf et al., 2000).
La Tabla 1 contiene las probabilidades que tiene cada operador de ser elegido. Dichos valores han ofrecido buenos resultados en experiencias anteriores (ver Yepes, 2002).
- EJEMPLO DE APLICACIÓN AL PROBLEMA VRPHESTW
Se analiza un problema del tipo VRPHESTW denominado HES-A descrito en Yepes y Medina (2004, 2006). Este caso deriva del ejemplo R103 de Solomon (1987), al cual se incorporan horarios flexibles de entrega, flotas heterogéneas y una función económica caracterizada por unos ingresos y unos costes fijos y variables. El lenguaje código utilizado ha sido Visual Basic 6.0 ejecutándose los ejemplos en un ordenador Pentium IV 3.00 GHz.
En las Figuras 2 y 3 se representa el beneficio obtenido y el tiempo empleado por la heurística descrita cuando se aplica al problema HES-A. El número de iteraciones empleadas para cada escalón de velocidad ha oscilado entre 1000 y 50000. Los escalones de velocidad ensayados varían entre 3 y 100. La mejor solución encontrada se corresponde con un beneficio de 164752, obtenida para un factor inicial de modificación de la velocidad D1=130, así como 30000 iteraciones en cada uno de los 30 escalones de velocidad considerados. Sin embargo, esta solución no atiende a todos los clientes (sólo el 96.70% de la demanda queda cubierta). La mejor solución que atiende toda la demanda se corresponde con un beneficio de 155184, obtenida para un D1=150, así como 50000 iteraciones en 100 escalones de velocidad. Destacamos cómo el algoritmo es capaz de aumentar el beneficio de las operaciones a costa de renunciar al servicio a determinados clientes. La mejor solución no factible sólo precisa 12 vehículos y recorre 1224.71 unidades de distancia total, frente a los 13 vehículos y las 1260.54 unidades de distancia de la mejor solución factible. Si se pretende servir toda la demanda, bastaría endurecer las penalizaciones en la función objetivo.
En la Tabla 2 se han recogido los valores óptimos en el sentido de Pareto de las soluciones factibles (ver Voorneveld, 2003). Dichos óptimos se corresponden con los valores de mayor beneficio en el menor tiempo de cálculo posible. Se observa que es favorable el aumento del factor de modificación inicial de la velocidad, del número de escalones y del número de iteraciones. Sin embargo, ello comporta un mayor tiempo de cálculo.
El mejor resultado obtenido por esta metaheurística (ver Tabla 3) es inferior al encontrado por el algoritmo del solterón propuesto por Yepes y Medina (2004) para un tiempo de cálculo similar. En aquella ocasión se obtuvo un beneficio de 170335, con 13 vehículos que recorrieron un total de 1229.13 unidades de distancia. Esta circunstancia sugiere que la búsqueda local de máximo gradiente empleada podría sustituirse por un algoritmo de búsqueda más agresiva, como el algoritmo del solterón.
- CONCLUSIONES
Se ha presentado una nueva heurística denominada “Big-Bang” basada en la modificación gradual de la variable espacial donde se ubican los nodos que representan los clientes. Esta estrategia de relajación consiste en reducir progresivamente, de forma escalonada, la velocidad de todos los vehículos, de forma que, al final del proceso, todos dicha velocidad sea la que corresponde con las restricciones del problema. Este procedimiento permite una fuerte tendencia hacia la reducción inicial del número de vehículos necesarios. En la ponencia se ha empleado este procedimiento para la resolución del problema VRPHESTW. Como estrategia de búsqueda local se ha empleado un esquema de búsqueda aleatoria en entornos variables, que emplea de forma probabilista un conjunto de 9 operadores y un criterio de aceptación de nuevas soluciones de máximo gradiente. En los ensayos se ha comprobado que un aumento en el factor de incremento inicial de la temperatura, del número de escalones, y de las iteraciones proporciona un incremento en la calidad de las soluciones, si bien con un mayor tiempo de cálculo. Los resultados obtenidos son de elevada calidad, si bien se sugiere el empleo de procedimientos de búsqueda local más agresivos, como por ejemplo el algoritmo del solterón, que ha dado muy buenos resultados para la resolución de este problema.
AGRADECIMIENTOS
Los autores agradecen el apoyo en este trabajo del Ministerio de Educación y Ciencia y de los fondos FEDER (Proyectos: BIA2005-03197 y REN2002-02951).
REFERENCIAS
BALL, M.O.; MAGNANTI, T.L.; MONNA, C.L.; NEMHAUSER, G.L. (Eds.) (1995). Network Routing, Handbooks in Operations Research and Management Science, vol. 8. North-Holland, Amsterdam.
GENDREAU, M.; LAPORTE, G.; MUSARAGNY, C.; TAILLARD, É.D. (1999). A tabu search heuristic for the heterogeneous fleet vehicle routing problem. Computers and Operations Research 26, pp. 1153-1173.
HOMBERGER, J.; GEHRING, H. (2005). A two-phase hybrid metaheuristic for the vehicle routing problem with time windows. European Journal of Operational Research 162, pp. 220-238.
MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. Statistics and Operations Research Transactions 27(1), pp. 95-112.
MLADENOVIC, N.; HANSEN, P. (1997). Variable neighborhood search. Computer and Operations Research 24(11) pp. 1097-1100.
OSMAN, I.H. (1993). Metastrategy simulated annealing and tabu search algorithms for the vehicle routing problem. Annals of Operations Research 41, pp. 421-451.
POTVIN, J.Y.; ROUSSEAU, J.M. (1995). An exchange heuristic for routing problems with time windows. J. Operational Res. Soc. 46(12), pp. 1433-1446.
RUSSELL, R.A.; CHIANG, W.C. (2006). Scatter search for the vehicle routing problem with time windows. European Journal of Operations Research 169, pp.606-622.
SCHIRMPF, G.; SCHENIDER, J.; STAMM-WILBRANDT, H.; DUECK, G. (2000). Record breaking optimization results using the ruin and recreate principle. Journal of Computation Physics 159, pp. 139-171.
SOLOMON, M.M. (1987). Algorithms for the vehicle routing and scheduling problems with time window constraints. Operations Research 35(2), pp. 254-265.
TAILLARD, É.; BADEAU, P.; GENDREAU, M.; GUERTIN, F.; POTVIN, J.-Y. (1997). A tabu search heuristic for the vehicle routing problem with soft time windows. Transportation Science 31(2), pp. 170-186.
VOORNEVELD, M. (2003). Characterization of Pareto dominance. Operations Research Letters 31, pp. 7-11.
YEPES, V. (2002). Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW. Tesis doctoral. Universidad Politécnica de Valencia. 352 pp.
YEPES, V.; MEDINA, J.R. (2002). Criterio económico para la optimización de rutas con flotas heterogéneas VRPHESTW, en Ibeas, A. y Díaz, J.M. (Eds.): Actas del V Congreso de Ingeniería del Transporte. Vol. 2, pp. 693-700. Santander, 11-13 junio.
YEPES, V.; MEDINA, J.R. (2004). Algoritmo del solterón aplicado a la optimización de rutas con flotas heterogéneas VPRHESTW, en Larrodé, E. y Castejón, L. (Eds.): Actas del VI Congreso de Ingeniería del Transporte. Vol. 2, pp. 759-766. Zaragoza, 23-25 de junio.
YEPES, V.; MEDINA, J.R. (2006). Economic heuristic optimization for heterogeneous fleet VRPHESTW. Journal of Transportation Engineering, ASCE 132(4), pp. 303-311.
Transporte de aglomerado asfáltico en caliente
El transporte de las mezclas asfálticas se realiza mediante camiones volquete desde la planta al tajo de extensión. La caja basculante debe estar limpia y ligeramente humedecida con agua jabonosa para evitar que la mezcla se adhiera. La caja debe ser corta y alta, con una capacidad acorde con la tolva de recepción de la extendedora. Además, deben disponerse lonas o cobertores para proteger la mezcla del agua, polvo o de la pérdida de calor por viento. El número de camiones necesario depende de la capacidad de puesta en obra de la extendedora, siempre que no quede limitada por la producción de la planta de fabricación, y de la distancia de transporte. Se aconseja cierto sobredimensionamiento en la flota de camiones para evitar retrasos o prever posibles averías. Un aspecto clave en la puesta en obra de las mezclas asfálticas en caliente es la distancia de transporte. El enfriamiento de la mezcla depende fundamentalmente de la temperatura ambiente y del viento. Con una lona de protección, la pérdida de temperatura de la masa es de pocos grados, enfriándose una pequeña costra superficial, lo que permite distancias máximas de transporte apreciables. Así, en camiones de gran capacidad, se pueden llegar hasta unos 25 km, e incluso en circunstancias excepcionales, a más de 100 km. Otro aspecto importante es la segregación del material, que se evitará minimizando las alturas de descarga la formación de montones cónicos. El material se deberá mover lentamente durante la carga, ayudando manualmente si es necesario la distribución lateral. Durante el transporte se pueden apreciar razones que pueden motivar el rechazo de la mezcla:
- Temperatura alta: Se detecta cuando la mezcla desprende un humo azulado, en cuyo caso se debe comprobar la temperatura.
- Temperatura baja: La mezcla presenta un aspecto poco fluido, con los áridos gruesos mal cubiertos. Se debe comprobar la temperatura.
- Exceso de ligante: Es fácil de detectar si la mezcla fluye o asienta más de lo normal. Se debe tomar una muestra y señalar la zona por si hay que levantarla en el caso de confirmarse el exceso.
- Defecto de ligante: Falta brillo en la mezcla y los áridos no se encuentran perfectamente recubiertos, con un aspecto suelto del material. Se procederá igual que con el exceso.
- Falta de uniformidad: Se aprecia el distinto aspecto de la mezcla en distintas zonas.
- Exceso de árido grueso: El aspecto de la mezcla es parecido al de exceso de ligante, pero una vez extendida la capa, se aprecia una textura más gruesa y abierta de lo normal.
- Exceso de árido fino: El aspecto es el del defecto de ligante, que se puede comprobar observando la textura superficial de la mezcla una vez extendida, así como su comportamiento al compactarla.
- Exceso de humedad: Se observa un desprendimiento de vapor al descargarse la mezcla y a veces parece como si tuviera un falso exceso de ligante.
- Segregación de la mezcla: Se observa una segregación excesiva entre gruesos y finos al extender la mezcla.
- Contaminaciones: Durante el transporte puede contaminarse la mezcla con gasoil, agua, polvo, restos vegetales, etc.
A continuación os dejo un vídeo del profesor Miguel Ángel del Val, de la Universidad Politécnica de Madrid, que explica el transporte de la mezcla asfáltica hasta su lugar de colocación.
También os paso un vídeo donde se puede ver un camión de transporte de aglomerado en caliente:
Referencias:
YEPES, V. (2014). Maquinaria para la fabricación y puesta en obra de mezclas bituminosas. Apuntes Universitat Politècnica de València.
Un problema de cinemática y el transporte de vigas por carreteras
Cuando se trata de construir un puente con vigas prefabricadas, uno de los problemas a resolver es el transporte por carretera de este tipo de elementos. Debido a las características técnicas de la carga, que exceden en dimensiones, masa y carga por eje de las máxima autorizadas, se requiere de una Autorización Complementaria de Circulación que expedirá el Organismo competente en materia de tráfico. Las unidades de transporte son camiones semirremolques que se denominan habitualmente “dollys”.
A continuación os paso varios vídeos explicativos y un vídeo tutorial de Javier Luque donde se aplica el concepto de Centro Instantáneo de Rotación para el cálculo de velocidades lineales en función de condicionantes iniciales de la velocidad angular. Un buen problema de física que tiene su aplicación en el transporte de vigas de gran tamaño. Espero que os sean útiles los vídeos.
Tesis doctoral sobre optimización en la gestión de activos de infraestructuras de transporte terrestre
Hoy lunes 30 de marzo de 2015 se ha defendido con éxito la tesis doctoral de la profesora Cristina Torres Machí denominada “Optimización heurística multiobjetivo para la gestión de activos de infraestructuras de transporte terrestre”, que optaba a la doble titulación de doctorado, tanto de la Universitat Politècnica de València (UPV) como de la Pontificia Universidad Católica de Chile (PUC). Los directores de tesis han sido la doctora Marcela Alondra Chamorro Gine (PUC), Eugenio Pellicer Armiñana (UPV) y Víctor Yepes Piqueras (UPV). La calificación ha sido la máxima posible, de sobresaliente “cum laude” por unanimidad.
Os paso el resumen de la tesis:
“A pesar de la importancia de las infraestructuras en el desarrollo económico y social, los recursos disponibles para su conservación suelen ser insuficientes, generando un deterioro acelerado de las mismas. En este contexto surge la disciplina de gestión de activos de infraestructura, que busca optimizar la asignación de recursos para la gestión, operación y conservación de la infraestructura mediante un análisis de su ciclo de vida.
Los criterios tradicionalmente empleados para evaluar las alternativas de conservación han sido los técnicos y económicos. Si bien, recientemente, se han realizado esfuerzos para cuantificar el impacto ambiental; los modelos actuales carecen de un enfoque integrado. Surge así la oportunidad de desarrollar una evaluación sostenible que integre los aspectos técnicos, económicos y ambientales en el ciclo de vida de la infraestructura.
En relación a la asignación óptima de recursos, los métodos mayoritariamente empleados son los de programación matemática y los métodos de optimización aproximada. Dentro de estos últimos, las aplicaciones de algoritmos heurísticos resultan escasas, limitándose a resolver el problema a nivel de proyecto. Estos métodos, sin embargo, han sido exitosamente aplicados para resolver problemas de optimización combinatoria en otros campos de investigación. A esto hay que añadir que las aplicaciones desarrolladas se centran, mayoritariamente, en la optimización de un único objetivo; obviando la naturaleza multiobjetivo del problema real. Se detecta, por tanto, la oportunidad de desarrollar una herramienta de optimización heurística multiobjetivo que, considerando una evaluación sostenible de alternativas, mejore la asignación actual de recursos.
A la vista de estos antecedentes, el objetivo principal de esta investigación consiste en desarrollar una herramienta para la evaluación de alternativas de conservación y la optimización heurística multiobjetivo, que permita una asignación más sostenible y eficiente de los recursos disponibles para la conservación de redes de activos de infraestructura de transporte terrestre. La herramienta propuesta se aplica a un caso de estudio real que consiste en la gestión de una red de pavimentos urbanos en Chile.
De la aplicación de la herramienta de optimización al caso de estudio se concluye que los algoritmos heurísticos basados en búsquedas por entornos resultan poco eficientes para resolver el problema de asignación de recursos de conservación. Ante esta limitación, se desarrolla un nuevo método híbrido que considera los algoritmos GRASP (Greedy Randomized Adaptative Search Procedure), GLS (Guided Local Search) y GFB (Greedy First Best). Además, el método propuesto permite evaluar las alternativas de conservación considerando, de forma integrada, criterios técnicos, económicos y ambientales.
El algoritmo híbrido propuesto diseña programas de conservación con una efectividad media un 9% superior a la obtenida con el algoritmo de búsqueda por entornos más eficaz, requiriendo para ello un menor esfuerzo computacional. En la aplicación al caso de estudio chileno, se observa que el algoritmo híbrido mejora la gestión actual, aumentando en un 22% la condición media de la red y reduciendo, además, las emisiones de CO2 en un 12%.
En términos prácticos, los programas óptimos consideran una política proactiva, en la que los pavimentos se tratan cuando la condición de los mismos aún es buena. Por último, la herramienta propuesta mejora la planificación temporal de los recursos. En base a las evidencias demostradas en el caso de estudio, se concluye que la distribución temporal del presupuesto es un factor clave en el desempeño técnico y ambiental de la red”.
Palabras Clave: Sostenibilidad; sustentabilidad; análisis del ciclo de vida; gestión de infraestructura; conservación; preservación.
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.