Sebastian Gebhardt R.
June 29, 2015
1 Introduccin
1.1 Anlisis Estratgico de Sistemas de Transporte
El gran desafo del analista o planificador de transportes es intervenir de forma delicada
y deliberadamente en la sociedad y su entorno con el fin de usar su sistema de transporte en
forma efectiva, y esta intervencin debe coordinarse con otras acciones pblicas y privadas para
alcanzar las metas de dicha sociedad.
Tiempos de viaje
Flujos vehiculares
Carga de pasajeros
Costos de operacin
Etc.
Generacin de viajes
Distribucin de viajes
1
Particin Modal
II. Asignacin de viajes
Equilibrio de Mercado: Es el equilibrio que resulta de la consistencia interna entre los sub-
modelos de oferta y demanda. Las matrices de viajes no son conocidas a priori. (Todas las
etapas)
II. Correspondencia directa entre oferta y demanda: Oferta se mide a nivel arcos mientras que
demanda por par OD.
Sin embargo, Knight no consider que haba rutas que podan ser no utilizadas.
2
3.2 Principio de Wardrop
En el equilibrio, ningn usuario podr reducir unilateralmente sus tiempos (costos gener-
alizados) de viaje mediante un cambio de ruta
Aqu si se considera que pueden haber rutas no usadas as que se considera una buena de-
scripcin del comportamiento espontneo de viajeros independientes. Considerando la proposi-
cin, se llega al siguiente teorema:
3.2.1 Teorema
Para que exista equilibrio de acuerdo al primer principio de Wardrop se debe cumplir:
hkp = Twk
p Pw
hkp 0
f ak = ap hkp
p P
C kp ( H )hkp C kp ( H )hkp
k wW p Pw k wW p Pw
C( H ) H C( H ) H
C( H ) ( H H ) 0
3
4 Formulacin matemtica del problema de equilibrio
4.1 Existencia y Unicidad
4.1.1 Existencia
Para que exista una solucin se debe cumplir lo siguiente:
4.1.2 Unicidad
Para que la solucin sea nica el Jacobiano de la funcin de costos debe ser positivo definido. Esta
condicin es suficiente pero no necesaria por lo que no podemos asegurar lo mismo en el otro
sentido.
Notar que esta unicidad es para el equilibrio de flujo en arcos. Para la solucin usando flujo
en rutas no existe solucin nica.
hkp 0
f ak = ap hkp
p P
F.O no lineal
4
4.4 Algoritmo de Frank-Wolfe
Metodo iterativo de dos fases:
I. Fase I: Aproximacin lineal del problema original en un punto factible dado. Con esto se
determina una direccin de bsqueda. Para hacer esto, se resuelve el siguiente problema:
min znL = z( xn ) + z( xn ) T (y xn )
s.a
Ay = b
y0
Que equivale a:
min z( xn ) T (y xn )
s.a
Ay = b
y0
II. Fase II: Determinar cunto moverse en la direccin encontrada en I mediante un problema
de minimizacin unidimensional.
Definiendo xn+1 = xn + n dn , se obtiene el paso n resolviendo:
min z ( xn + n dn )
s.a
0 n 1
4.4.1 Cotas
Cota Superior: Como z es convexa, se tiene que z( xn ) es cota superior y mejora con cada
iteracin n
Cota Inferior: znL (yn ) es cota inferior dado que la aproximacin lineal siempre estar por
debajo de la funcin original. Esta cota no necesariamente mejora con cada iteracin ya
que depende de la configuracin del espacio factible
4.4.2 Aplicacin
I. Inicializacin:
5
II. Aproximacin lineal: Para el caso de redes:
z( xn ) T y = c a ( xn ) y a
a A
III. Criterio de parada: Si la diferencia entre iteraciones es menor a por ciento, parar
f an+1 = f an + n (yna f an )
cna +1 = c a ( f an+1 )
Despus se vuelve al paso 2
c a ( f a , f a ) c ( f , f a )
= a a
f a fa
Es decir, el impacto en el costo que tiene un arco sobre el otro debe ser idntico.
c a ( f a , f a ) c a ( f a , f a )
> 0 >0
fa f a
c a ( f a , f a ) c ( f a , f a )
> a
fa fa
Las cules son muy razonables puesto que se piden funciones de costo estrictamente cre-
cientes y que el flujo en un arco impacto ms a su propio costo que al del arco espejo
6
5.3 Problema de Optimizacin Equivalente
F [ fa fa ]
1
min z =
F 0
c(x )dx =
2 0
c a ( x, f a )dx +
0
c a ( x, 0)dx
a A
s.a
h p = Tw
p Pw
hkp 0
f ak = ap hkp
p P
En este problemas, al igual que antes, la solucin de flujo en rutas por lo general no ser nica
y se cumplen las condiciones de Wardrop.
f ak = ap hkp
p P
fa = f ak
kK
hkp 0
5.5 Unicidad
Para determinar unicidad en este tipo de funciones de costo se tienen que analizar los determi-
nantes de la matriz:
J (c) + J (c) T
2
7
6 Algoritmo de Diagonalizacin
El concepto basico en este algoritmo es el de diagonalizar el vector de funciones de costo en una
solucion factible F n , de modo de transformar las funciones c a ( F ) en cna ( f a ).
c a ( F ) = c a ( f 1 , f 2 , ..., f a , ..., f m )
6.1 Pasos
I. Encontrar solucin factible inicial (Se hace F = 0)
Segmentos de lnea: Arco que conecta 2 nodos de una lnea que son visitados en forma
consecutiva
Seccin de lnea: Arco que conecta 2 nodos de una lnea que son visitados en forma no
necesariamente consecutiva
Seccin de ruta: arco que conecta 2 nodos mediante un conjunto de lneas (agrupadas por
atractividad)
Ruta:
8
7.2 Modelo sin lneas comunes
7.2.1 Hiptesis
Los viajeros eligen itinerarios sobre red G ( N, L) de manera de minimizar su costo general-
izado de viaje
Dado que los vehculos tienen capacidad limitada, no siempre es posible abordar el primer
vehculo disponible en el paradero (puede venir lleno). De esta manera, la funcin de costo
asociada a cada seccin de lnea l L (en particular el tiempo de espera) ser creciente con
los flujos de las secciones de lnea que compiten con ella
Otras componentes del costo generalizados, como el tiempo de viaje en vehculo y la tarifa,
son fijos
cl = cl +
fl
El tiempo de espera es una funcin creciente que depende de la capacidad de la(s) lnea(s)
esperada(s) y del flujo de pasajeros que la(s) usan.
9
En general, en una red de servicios de transporte pblico existen muchas rutas para viajar
entre un par O/D dado. Se supone que los viajeros eligen (a priori) la que minimice su costo
generalizado de viaje (Primer Principio de Wardrop)
Al aumentar los flujos de pasajeros, algunas rutas se congestionarn, de modo que otras
rutas se hacen convenientes
Cuando no existe congestin (no hay restriccin de capacidad de los vehculos) el conjunto
de lneas comunes entre dos nodos est predefinido
Dados los tiempos de viaje y las frecuencias de las lneas que pasan por dos nodos A y B
se puede determinar aquel sub- conjunto que minimiza el tiempo total esperado de viaje (o
el costo generalizado de viaje)
I. Se define la red G ( N, S )
II. Se asigna la matriz de viaje sobre la red (se obtienen los flujos en las secciones de ruta)
III. Se reparten dichos flujos en las lneas (secciones de lnea) y se cargan a los segmentos
Ya no basta con considerar frecuencias nominales (la cual no toma en cuenta si se puede o
no abordar un determinado vehculo)
Interesa determinar la frecuencia efectiva de las lneas (espacios disponibles por unidad de
tiempo), las cuales dependen del flujo de pasajeros
La primera seccin de ruta contiene a las lneas atractivas para el caso en que no se considera
restriccin de capacidad (lneas l LAB ).
Con las lneas restantes (lneas de L AB LAB ) se vuelve a resolver un problema hiperblico,
obteniendo as un nuevo conjunto de lneas que dan origen a una segunda seccin de ruta. Se
continua haciendo lo mismo, hasta que se terminan las lneas de L AB .
10
7.3.3 Ventajas y Desventajas
Ventajas
Desventajas:
j
En donde wl es un ndice de tiempo de espera promedio:
[ ]
j vjl
wl = +
fl Kl
Se cumple que:
fl s fl
C (V ) (V V ) 0
hr = Tw
r Rw
11
Vs = lr hr
rR
f s (V )
vsl = l Vs
fs
hr 0
Una simplificacin al problema es repartir los flujos de manera proporcional a las frecuencias
nominales.
f ls
= vsl = Vs
fs
hkp 0
f ak = ap hkp
p P
Derivadas Parciales:
z
= CMgka = Costo marginal arco a, clase k
f ak
z
= cmgkp = Costo marginal ruta p, clase k
hkp
12
8.2 Condiciones de Optimalizad
Si se obtienen las condiciones de optimalizad con el Lagrangiano, se obtiene que la asignacin
ptima est asociada a un equilibrio de los costos marginales.
Esto significa que la asignacin ptima del sistema puede expresarse y tratarse como un prob-
lema de equilibrio de trfico, an cuando no lo sea.
Por lo tanto, es evidente que podemos caracterizar la Asignacion ptima del Sistema medi-
ante una desigualdad variacional:
CM ( H ) ( H H ) 0
cm( F ) ( F F ) 0
Luego, como este problema siempre se puede expresar como la minimizacin de los costos
totales, los costos marginales siempre son simtricos, independiente de la forma funcional de los
costos medios de la red.
Esto ltimo implica que para este problema se puede resolver con F-W, lo que evita tener que
enumerar rutas.
9 Tarificacin Vial
Es posible actuar exgenamente para hacer que estos viajeros internalicen los costos que imponen
al sistema con sus decisiones de viaje. Es lo que se busca al implementar un poltica de tarificacin
vial.
10 Paradojas
10.1 Paradoja de Fisk
Un aumento en los niveles de demanda pueden provocar una disminucin en el costo total
de viaje
13
11 Equilibrio en Redes con Demanda Variable
En el Equilibrio de Mercado, la demanda de viajes es variable, de modo que no es conocida a
priori. Ahora se supone que la demanda Tw es funcin del costo generalizado de viaje.
Etapas:
El enfoque secuencial clsico para determinar el equilibrio de mercado puede presentar serios
problema de inconsistencia entre los niveles de los servicios de las distintas etapas del modelo,
especialmente si existe congestin.
El enfoque secuencial requiere hacer suposiciones respecto de los niveles de servicio para
resolver las primeras etapas del modelo. Luego, a partir de asignacin de las matrices modales
de viaje, se obtienen nuevos niveles de servicio, los cuales pueden diferir de los niveles de servicio
supuestos.
Los flujos de equilibrio en cada arco (que satisfacen el Primer Principio de Wardrop)
Los viajes Tw (Demanda variable) que son consistentes con los flujos y costos anteriores
(C p Cw ) (h p hp ) 0
= g ( T ) y que
Se tiene ahora que Cw w w p P hp = Tw (Cw
). De aqu se desprende que
h p = hp
p P p P
14
11.2 Desigualdad Variacional
A pesar de lo anterior, para este caso la desigualdad variacional puede plantearse en este caso
como:
C ( H ) ( H H ) g( T ) ( T T ) 0
o alternativamente para flujo en arcos:
C ( F ) ( F F ) g( T ) ( T T ) 0
d(v ) (v v ) 0
De donde se desprenden las mismas propiedades en cuanto a existencia y unicidad de los mod-
elos anteriores.
s.a
h p = Tw
p Pw
hp 0
fa = ap h p
p P
15
Expresin en la cual el primer trmino es constante. Luego, llegamos al siguiente problema
equivalente:
fa Tm
w
z = c a ( x )dx + gw (y)dy
a A 0 wW Tw
fa = ap h p
p P
hp 0
tw 0
En donde: gw (t ) = g ( T m t ) Es fcil ver que el problema anterior corresponde a uno de
w w w w
demanda fija. Adems, se puede plantear este mismo problema de una forma alternativa:
[ ]
min C pn gw ( Twn ) y p
y
wW p Pw
s.a
y p = Twm
p Pw
yp 0
Un estado Macro (generaciones y atracciones de viajes) tiene asociado varios estados Meso. A su
vez, cada estado Meso tiene asociado varios estados Micro.
El marco conceptual de los modelos entrpicos se basa en que, a menos de tener informacin
en contrario, todos los micro-estados consistentes con nuestra informacin de estados ms agre-
gados (meso o macro-estados) tienen igual probabilidad de ocurrir.
16
12.1 Entropa
La entropa se define como:
T!
W ( Tw ) =
w Tw !
Si queremos maximizar la entropa, aplicamos logaritmo y obtenemos:
Como la primera parte del problema es constante, y como por convencin nos gustara dejar un
problema de minimizacin:
min ln( Tw !)
Tw w
ln( Tw !) Tw (ln( Tw ) 1)
min Tw (ln( Tw ) 1)
Tw w
1
min Cw Tw + Tw (ln(Tw ) 1)
w w
s.a
Tw = Oi
j
Tw = Dj
i
Tw = Ai Oi Bj D j exp( Cw )
17
12.3 Modelos entrpicos de particin modal
m , podemos plantear el siguiente problema de programacin matemtica
Si conocemos los costos Cw
(utilizando la misma lgica de entropa que para la distribuido de viajes):
1
min Cw
m m
Tw + Twm (ln(Twm 1)
w m w m
s.a
Twm = Tw
m
La solucin es:
exp(Cw m)
Twm = Tw m )
m exp(Cw
s.a
Tw = Oi
j
Tw = Dj
i
s.a
h p = Tw
p Pw
fa = ap h p
p P
hp 0
18
13 Modelos Combinados para Distribucin y Asignacin
Supuestos:
s.a
Tw = Oi
j
Tw = Dj
i
h p = Tw
p Pw
fa = ap h p
p P
hp 0
ZLn ( H ) = Z ( H ) + Z ( H n ) ( H H n )
Z n n
min Z = Z ( H n ) H = (h , T ) h p
w p Pw h p p w
( )
1
= min Z = Z ( H ) H = n
cnp + ln( Tw ) h p
n
w p Pw
19
Como dnw = cwn + 1 ln( Twn ) no depende de p, y si hacemos p Pw h p = Tw llegamos finalmente
a:
min Z = dnw Tw
w
s.a
Tw = Oi
j
Tw = Dj
i
Tw 0
14 Mtodo de Florian
I. Inicializacin: Encontrar una solucin factible Tw1 , f a1
V. Actualizacin de flujos:
f an+1 = f an + ( fan f an )
Twn+1 = Twn + ( Twn Twn )
VI. Test de parada: Usar alguno de los criterios tradicionales. Si no se cumple el criterio volver
al paso II.
20
14.1 Algoritmo de Evans
El algoritmo de Evans es idntico al algoritmo de Florian, slo que en la aproximacin lineal se
reemplaza Hitchcock por:
n
Twn = Ai Oi Bj D j exp( Cw )
Este algoritmo suele converger ms rpido que Florian.
s.a
Tw = Oi
j
h p = Tw
p Pw
fa = ap h p
p P
h p 0
Para la solucin se puede usar Florian o Evans, y es recomendable la aproximacin de
Horowitz. Adems:
n + 1 lnT n M
Fase I Florian: Se resuelve a todo o nada minimizando Cw w j
21
IV. Particin modal jerrquica + funciones de costo no diagonales (asimtricas)
Como se vio durante el curso, slo los primeros dos casos tienen modelo de optimizacin
equivalente. Para los otros se requiere utilizar diagonalizacin. De esta forma, se llegan a los
siguientes modelos:
hm m
p = Tw
p Pw
f am = ap hmp
p P
hm
p 0
Twn = Tw
mn
hm m
p = Tw
p Pw
f am = ap hmp
p P
p 0
hm
22
17.1 D (O&D) PM (MNL) A (W)
Consideremos el caso de distribucin doblemente acotada, particin modal multinomial y asig-
nacin de acuerdo al Primer Principio de Wardrop (con funciones de costo diagonales para cada
modo). Luego, el modelo ser:
fa
[ ]
1 1
min Z = 0
c a ( x )dx +
Tw (ln(Tw ) 1) + Twm (ln( Twm ) 1) Tw (ln(Tw ) 1)
a w w m w
s.a
Tw = Oi
j
Tw = Dj
i
Twm = Tw
m
m h p = Twm
p Pw
fa = ap h p
p P
hp 0
En este caso: , para que la funcin objetivo sea convexa y por ende su solucin sea
nica.
fa
[ ]
1 1
min Z = 0
c a ( x )dx +
Tw (ln(Tw ) 1) + Twm (ln( Twm ) 1) Tw (ln(Tw ) 1)
a w w m w
[ ]
1
+
m h p (lnh p 1) Twm (ln( Twm ) 1)
w m p Pw w m
s.a
Tw = Oi
j
Tw = Dj
i
Twm = Tw
m
m h p = Twm
p Pw
23
fa = ap h p
p P
hp 0
En este caso:
18 Anexos
18.1 Equivalencia Smith Wardrop
18.1.1 Wardrop -> Smith
A partir de las condiciones de Wardrop:
Si: hkp = 0 = (C kp Cw
k
) 0 (hkp hkp ) 0
Entonces:
(C kp Cwk ) (hkp hkp ) 0
Sumando para todas las rutas, todos los pares OD y todos los tipos de usuarios tenemos:
= c( H ) ( H H ) 0
f (x) = 0
= x g( x ) = 0
= x = g( x )
Notar que si c es un cero de f ( x ), f (c) = 0 y c = g(c). (Siempre que se tenga c = g(c) se
dice que c es un punto fijo de la funcin g). Para aproximar un cero de f se utiliza la iteracin de
punto fijo:
x n +1 = g ( x n )
donde x0 es una aproximacin inicial del cero de f . De esta forma, este tipo de problemas se
puede resolver iterativamente
24