Captulo 1
Introduccin
Las alternativas
Las Restricciones
Sujeto a restricciones
es necesario
son
utilizados
para
resolver
problemas
de
optimizacin
combinatoria.
Bsqueda Tab
Recocido Simulado
Algoritmos Genticos
GRASP
En el captulo III conoceremos ms sobre los mtodos anteriormente
Captulo 2
METODOS
DE
OPTIMIZACION
EXACTA EN
NUMEROS
ENTEROS
2.1 Programacin Lineal
En los siglos XVII y XVIII, grandes matemticos como Newton,
Leibnitz, Bernouilli y, sobre todo, Lagrange, que tanto haban contribuido al
desarrollo del clculo infinitesimal, se ocuparon de obtener mximos y
mnimos condicionados de determinadas funciones.
Posteriormente el matemtico frnces Jean Baptiste-Joseph Fourier
(1768-1830) fue el primero en intuir, aunque de forma imprecisa, los mtodos
de lo que actualmente llamamos programacin lineal y la potencialidad que
de ellos se deriva.
Si exceptuamos al matemtico Gaspar Monge (1746-1818), quien en
1776 se interes por problemas de este gnero, debemos remontarnos al
ao 1939 para encontrar nuevos estudios relacionados con los mtodos de la
actual programacin lineal. En este ao, el matemtico ruso Leonodas
Vitalyevich Kantarovitch publica una extensa monografa titulada Mtodos
matemticos de organizacin y planificacin de la produccin en la que por
primera vez se hace corresponder a una extensa gama de problemas una
10
11
12
Max / Min.C T X ; X n
s.a.r
Ax b; A mxn
x 0; C m
13
modelo
matemtico
para
programacin
lineal
entera
es
14
aplicacin que puede ser mucho mas importante, como el problema que
incluye cierto nmero de "decisiones si o no" interrelacionadas. En las
decisiones de este tipo, las nicas dos elecciones posibles son si y no. Por
ejemplo, debe emprenderse un proyecto especfico?, debe hacerse una
inversin fija especfica?, se debe localizar una instalacin en un sitio en
particular?.
Con solo dos posibilidades, este tipo de decisiones se puede
representar mediante variables de decisin restringidas a solo dos valores,
por ejemplo 0 y 1. As, la j - sima decisin si o no se puede representar por
xj, tal que
1, si la decisin j es si
xj =
0, si la decisin j es no
Las variables de ste tipo se llaman variables binarias (o variables 01). De esta manera se pretende mostrar que los problemas de programacin
entera que contienen solo variables binarias son conocidos como de
programacin entera binaria (PEB) (o problemas 0 1de programacin
entera).
15
16
17
modelo
matemtico
para
programacin
lineal
entera
es
18
esta variable y xl*, su valor en esta solucin. Se ramifica desde el nodo del
subproblema
para
crear
dos
nuevos
subproblemas
agregando
las
Sondeo:
19
Ejemplo:
Max Z=5X1+4X2
X1+X25
10X1+6X245
X1,X2 0
Desarrollo:
X1 4
X2 1
X1 5
Sin Solucin
Sin Solucin
20
Captulo 3
TCNICAS DE OPTIMIZACION METAHEURISTICA
3.1 Resea de tcnicas de optimizacin meta heurstica
El problema de encontrar el valor ptimo (mximo o mnimo) de una
funcin definida sobre un conjunto finito (sea este muy grande o no) de
puntos se conoce como problema de optimizacin combinatoria. Si tenemos
una funcin f definida sobre un conjunto discreto S; la siguiente formulacin:
max/min f (x)
s.a.r
xS
describe el problema de optimizacin combinatoria de minimizar f sobre S.
Por lo general la notacin ms usada, f se conoce como funcin objetivo, y a
S se le denomina espacio de bsqueda. A los elementos del espacio de
bsqueda se les llama soluciones factibles.
En la mayora de los casos, la forma de f y la estructura discreta de S
impiden la aplicacin de mecanismos de solucin analtica comunes. La
21
determinados
(problemas
NP-completos),
la
exploracin
son
22
23
evitar quedar atrapadas en un ptimo local lejano del global. Por lo que se
permite que se realicen movimientos que empeoren la funcin objetivo. Esto
plantea dos problemas. El primero, al permitir movimientos de mejora y de no
mejora, el procedimiento se puede ciclar, revisando y volviendo a soluciones
ya vistas. Segundo, hay que establecer un criterio de parada ya que podra
iterar indefinidamente debido a las caractersticas del procedimiento.
Dado un X0 S fijo , el conjunto de todas las soluciones factibles que
pueden obtenerse a partir del mismo se conoce como la vecindad X 0 y se
denotar de aqu en adelante como V(X 0 ).
Algoritmo de bsqueda local
Generar una solucin inicial X0 S
Hacer
Generar V(X0 )
Elegir X0 V(X0 )
X0 : = X
Mientras X0 no satisfaga un criterio de parada.
24
25
26
27
28
Tambin
tras
mltiples
ejercicios
observaciones
vieron
que
el
29
30
31
32
33
Captulo 4
Resea del Mtodo Tab
Los orgenes de la bsqueda tab se extienden hasta la dcada de los
70. En 1986, Fred Glover lo desarroll en su forma actual. Las ideas bsicas
fueron esbozadas tambin por Hansen . Muchas pruebas experimentales han
mostrado que la bsqueda tab puede ser considerada como una tcnica de
optimizacin imprescindible para el estudio de gran variedad de problemas.
Gracias a su flexibilidad puede derrotar a muchas de las tcnicas clsicas.
Hasta ahora no hay una explicacin formal de su buen comportamiento.
La bsqueda tab intenta solventar el problema de que el algoritmo
quede atrapado en un ptimo local. Se basa en la utilizacin de estructuras
de memoria flexibles, junto con restricciones estratgicas y niveles de
aspiracin, como medios para explorar el espacio de soluciones posibles. Se
llama solucin a una configuracin de las variables independientes que den
un resultado. Para una correcta utilizacin se requiere un buen modelado del
problema en el que se desea aplicar.
El Mtodo Tab (MT) pertenece a una familia de heursticas de
optimizacin local. Su memoria flexible permite que las decisiones tomadas
en cada iteracin se vean afectadas por aquellas que se tomaron en
iteraciones anteriores. Ha sido calificado a menudo como una meta -
34
35
36
parecidas
aquellas
guardadas.
Esto
se
consigue
37
Estrategia de intensificacin
Despus de haber visitado varias soluciones, en ocasiones puede
observarse que las mejores soluciones tienen alguna propiedad en comn.
Conviene entonces guardar en memoria estas soluciones para someterlas a
un anlisis ms intenso, por ejemplo, cuando la bsqueda no produzca
mejora.
Estrategia de diversificacin
Es el procedimiento contrario a la intensificacin. Es necesaria para
permitir una bsqueda ms efectiva en todo el espacio de soluciones. Con
ellas se pretende permitir el paso a soluciones que estn alejadas de la
actual, es decir, que permita una adecuada exploracin. Un mtodo sencillo
para hacerlo consiste en modificar la funcin objetivo f, de modo que para
soluciones alejadas de la actual decrezca y crezca para las ms cercanas.
MT comienza de la misma forma que cualquier procedimiento de
bsqueda local, procediendo iterativamente de una solucin x a otra y en la
vecindad de la primera: N(x). Sin embargo, en lugar de considerar todo la
vecindad de una solucin, MT define la vecindad reducida N*(x) como
aquellas soluciones disponibles de la vecindad de x. As se considera que a
partir de x, slo las soluciones de la vecindad reducida son alcanzables.
38
39
40
41
42
43
Oscilacin Estratgica
La Oscilacin Estratgica opera orientando los movimientos en
relacin a una cierta frontera en donde el mtodo se detendra normalmente.
Sin embargo, en vez de detenerse, las reglas para la eleccin de los
movimientos se modifican para permitir que la regin al otro lado de la
frontera sea alcanzada. Posteriormente se fuerza al procedimiento a regresar
a la zona inicial. El proceso de aproximarse, traspasar y volver sobre una
determinada frontera crea un patrn de oscilacin que da nombre a esta
tcnica. Una implementacin sencilla consiste en considerar la barrera de la
factibilidad / infactibilidad de un problema dado. Implementaciones ms
complejas pueden crearse identificando determinadas estructuras de
soluciones que no son visitadas por el algoritmo y considerando procesos de
construccin / destruccin asociados a stas. La oscilacin estratgica
proporciona un medio adicional para lograr una interaccin muy efectiva
entre intensificacin y diversificacin.
Elecciones Probabilsticas
Normalmente MT se basa en reglas sistemticas en lugar de
decisiones al azar. Sin embargo, en ocasiones se recomienda aleatorizar
algunos procesos para facilitar la eleccin de buenos candidatos o cuando no
est clara la estrategia a seguir (quiz por tener criterios de seleccin
enfrentados). La seleccin aleatoria puede ser uniforme o seguir una
44
45
podemos
destacar
los
ltimos
trabajos
de
Modelos
de
46
Paso 2: Mover
Elegir el mejor movimiento no-tab factible x(t+1)
Paso 3: Iteracin.
Modificar X(t+1) := X(t) + x(t+1)
Paso 4: Reemplazar el mejor.
Si el valor de la funcin objetivo de X(t+1) es superior
a Mejor solucin entonces a Mejor solucin := X(t+1)
Paso 5: Actualizar Lista Tabu.
Eliminar desde la lista tabu cualquier movimiento que ha permanecido
un suficiente nmero de iteraciones en la lista.
Agregar
un
conjunto
de
movimientos
que
involucran
un
retorno
47
Captulo 5
DISEO E IMPLEMENTACIN DEL MODELO
5.1 Diseo del Modelo Meta-heurstico para el problema de ruteo de
vehculos (VRP por sus siglas en ingls)
En el problema de ruteo de vehculos bajo restricciones de capacidad
y distancia, el diseo, reduce el costo por ruta que cada uno de los vehculos
debe recorrer para satisfacer a cierto nmero de clientes. En este problema
todas las rutas inician y terminando en un depsito central o terminal, la cual
brinda algn tipo de prestacin a ciertos consumidores. Cada cliente es
cubierto exactamente por una ruta de vehculo. La demanda de cada
vehculo no debe exceder de la capacidad del vehculo.
2
6
1
0
8
Depsito terminal
Cliente
48
cij = El tiempo de viaje (distancia) entre los clientes i y j, c ij = cji i,j N (cii =
, i N)
49
R p R q , p q V
p 1
C(Rp )
iR p
(c
iR p {0}
i (i )
)L
p V
C ( s)
C(R
pV
p V
donde ={1,..., P,..., V} es un ptimo del problema del agente viajero (TSP
por sus siglas en ingls) que minimiza la distancia del recorrido para cada p
V.
50
51
k-TABL(j, q)<|Ts|
En la lista denominada TABL, se guarda el nmero de iteracin. El estado
tab de un movimiento potencial puede ser revisado usando las dos simples
operaciones que vimos anteriormente. Con TABL el estatus tab de los
movimientos anteriores son actualizados automticamente opuesta a la
clsica lista circular tab la cual necesita ms controles de ingreso desde la
estrategia de liberacin.
5.1.3 Estrategia a corto plazo
La forma de estrategia a corto plazo es el centro del Tab. Esta est
diseada para la bsqueda del mejor movimiento admitido en la vecindad
basada en las restricciones tab y criterios de aspiracin. Un movimiento es
considerado admisible si este no es un movimiento tab o un movimiento
tab el cual a pasado un nivel de criterio de aspiracin. Las restricciones tab
52
53
1) N=30
i =90
Q=100
L=520
54
Rp
Ruta
10
12
0-1-2-3-4-5-6-7-8-9-10-11-12-0
0-13-14-15-16-17-18-19-20-0
10
0-21-22-23-24-25-26-27-28-29-0
70
0-30-0
Coordena de cleinte en y
70
60
50
40
30
20
10
0
0
10
20
30
40
Coordenada de cliente en x
50
60
55
Coordenada de cliente en y
10
20
30
40
50
60
Coordenada de cliente en x
10
20
30
40
50
60
70
56
35
36
37
38
39
40
41
Rp
Ruta
13
0-30-5-3-7-8-11-26-9-6-4-2-1-16-0
0-27-25-24-22-20-13-17-18-0
10
0-29-15-21-23-14-12-10-28-19-0
Coordenada cliente en y
Recorrido Vehculo 1
70
60
50
40
30
20
10
0
0
10
20
30
40
50
Coordenada cliente en x
60
70
57
10
20
30
40
50
60
70
Coordena de cliente en y
Recorrido de Vehculo 3
70
60
50
40
30
20
10
0
0
10
20
30
40
50
60
Coordena de cliente en x
58
59
Captulo 6
Conclusiones
1. El mtodo de bsqueda tab que se ha implementado en la presente
tesis para resolver el problema de ruteo de vehculos (V.R.P) ha
resultado efectivo obteniendo buenas soluciones para los problemas
de prueba que se han propuesto.
2.
60
Recomendaciones
1. Sera bueno que en un futuro en el programa se realicen ciertos
cambios en las estrategias de bsqueda, con las que se tendra una
bsqueda ms profunda y exhaustiva. Esto favorecera al usuario,
debido a que se puede obtener una solucin de mayor calidad al
ejecutar el programa y en un tiempo prudencial.
61
62
Bibliografa
1. Glover, F., Tabu Search: A Tutorial,1990.
2. Glover, F., & Laguna Tabu Search,1993.
3. Ibrahim
Hassan
Osman,
Meta-strategy
Simulated
and
de
la
Herrn
Gascn,Algoritmos
Genticos
Centeno,
El
hormigas
Avanzados,1997
5. Jos
Luis
Ordua
guerreras,2000
Dilema
de
las