Resumen Equilibrio en Redes

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.

M.L. Manheim (1979)

1.2 Modelacin y prediccin de flujos

Dados los Sistemas de Transporte (T) y Actividades (A), se busca predecir la Estructura de Flujos
(F) en el corto plazo.

Los modelos de equilibrio permiten predecir el impacto de diversas intervenciones estratg-

icas en el sistema de transporte (proyectos fsicos o de poltica), para evaluar la conveniencia de
su realizacin.

Los modelos permiten predecir los impactos en:

Tiempos de viaje

Flujos vehiculares

Carga de pasajeros

Costos de operacin

Etc.

1.3 Equilibrio en sistema de Transporte

1.3.1 Modelo de cuatro etapas:
I. Demanda

Generacin de viajes
Distribucin de viajes

1
 Particin Modal
II. Asignacin de viajes

Los dos tipos de equilibrio son:

Equilibrio de Trfico: Corresponde a la etapa de asignacin de viajes de una matriz de

viajes modal fija y conocida, donde el equilibrio es el resultado de las elecciones de ruta
por parte de los viajeros. (Etapa asignacin)

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)

1.4 Equilibrio entre oferta y demanda

Caractersticas que complejizan la prediccin del equilibrio:

I. Configuracin de la red y congestin

II. Correspondencia directa entre oferta y demanda: Oferta se mide a nivel arcos mientras que
demanda por par OD.

III. Distintos tipos de usuarios

2 Equilibrio y supuestos de comportamiento

Los supuestos de comportamiento de los usuarios son:

Los usuarios son individuos racionales por lo que minimizan costos

Informacin perfecta de la red (Waze)

La eleccin de ruta depende solo del costo de dichas rutas

No se considera el beneficio de realizar dicho viaje

3 Principios de equilibrio en redes de transporte

3.1 Proposicin de Knight
Se obtiene un equilibrio de usuarios cuando, para cada par origen-destino, los costos de
operacin sobre las rutas alternativas son iguales

Con esto se debiera cumplir:

C p=1 ( H ) = C p=2 ( H ) = ... = C p=| Pw | ( H )

s.a
h p = Tw
p Pw

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:

C1k ( H ) = C2k ( H ) = ... = Crk (h) Crk+1 ( H ) ... Csk ( H )

s.a {
> 0, si p = 1, 2, ..., r
hkp =
= 0, si p = r + 1, ..., s
Adems, estas expresiones de equilibrio pueden escribirse como:
k
hkp [C kp ( H ) Cw ]=0
k
C kp Cw 0
Por otro lado, para garantizar factibilidad se debe cumplir:

hkp = Twk
p Pw

hkp 0

f ak = ap hkp
p P

3.3 Principio de Smith

Los usuarios de una red slo cambiarn de ruta si el costo total de operain sobre la red
(calculados en base a los costos observados antes del cambio) disminuye

Lo anterior se traduce en la siguiente expresin:

C kp ( H )hkp C kp ( H )hkp
k wW p Pw k wW p Pw

Por ltimo, se puede demostrar que el principio de Smith es equivalente al de Wardrop.

3.3.1 Desigualdad Variacional

Si se plantea lo anterior en forma vectorial se llega a las siguientes desigualdades:

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:

I. F.O continua: Se usa generalmente BRP

II. Espacio factible convexo: Son todas restricciones lineales

III. Espacio factible compacto: Restricciones acotadas y cerradas

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.

4.2 Teorema fundamental de equilibrio en redes

Si el Jacobiano del vector de costos de una determinada red es simtrico, entonces el problema de
asignacin de equilibrio de trfico, expresado en la forma de desigualdad variacional es equiva-
lente al siguiente problema de programacin matemtica:
F
min z = c(x )dx
F 0

4.3 Transformada de Beckmann

F fa
min z =
F 0
c(x )dx = c a ( x )dx
a A 0
s.a
h p = Tw
p Pw

hkp 0

f ak = ap hkp
p P

Problemas de este mtodo:

F.O no lineal

Se debe enumerar las rutas (engorroso en problemas de gran tamao)

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

Encontrado yn , se define dn = xn yn como la direccin de bsqueda

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:

Calcular costos con f a = 0

Obtener rutas mnimas
Asignar flujos de acuerdo a rutas mnimas

5
 II. Aproximacin lineal: Para el caso de redes:

z( xn ) T y = c a ( xn ) y a
a A

As, el problema lineal de optimizacin corresponde al problema de rutas mnimas.

III. Criterio de parada: Si la diferencia entre iteraciones es menor a por ciento, parar

IV. Minimizacin unidimensional: Encontrar el n . En el caso de redes, la condicin de

optimalizad queda:
c(n ) dn = 0
Esto porque:
f n +n (yn f n )
a a a
z( xn + n y) = c a ( x )dx
a A 0

V. Actualizacin de flujos: Se actualizan flujos y costos de la siguiente forma:

f an+1 = f an + n (yna f an )

cna +1 = c a ( f an+1 )
Despus se vuelve al paso 2

5 Interacciones asimtricas entre pares de arcos

5.1 Definicin
Para que la interacciones entre dos arcos sea simtrica se deve cumplir:

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.

5.2 Existencia y Unicidad

En cuanto a la existencia estas condiciones no se ven alteradas respecto del caso general. En
cuanto a la unicidad, las condiciones son:

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.

5.4 Interacciones entre clases de usuarios

fa
min z =
F
0
s a ( x )dx + k ta f ak
a kK a A
s.a
hkp = Twk
p Pw

f ak = ap hkp
p P

fa = f ak
kK

hkp 0

Esto considerando que cka ( f a ) = s a ( f a ) + k t a . En que:

s a es el tiempo de viaje del arco a que depende de f a

k es el inverso del costo del tiempo para los usuarios de tipo k

t a es la tarifa del arco a

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 ).

Esto se hace de la siguiente manera:

c a ( F ) = c a ( f 1 , f 2 , ..., f a , ..., f m )

cna ( f a ) = c a ( f 1n , f 2n , ..., f a , ..., f mn )

6.1 Pasos
I. Encontrar solucin factible inicial (Se hace F = 0)

II. Se diagonalizan los costos

III. Resolver el problema (Con F-W, por ejemplo)

Fn+1 Fn Cn+1 Cn
IV. Test de parada: Fn < % o bien Cn < %
V. Si no se cumple el criterio, volver al paso II

6.2 Diagonalizacin Streamlined

En vez de resolver por completo el problema diagonal con F-W, se realizan nicamente un
nmero acotado de iteraciones

7 Asignacion a Redes de Transporte Publico con Congestion

7.1 Conceptos
En general: itinerarios min < rutas min < estrategias min

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)

Itinerario: forma detallada de hacer un viaje

Ruta:

Red G ( N, A): Grafo hecho con Arcos

Red G ( N, L): Grafo hecho con Secciones de lnea

Red G ( N, S ): Grafo hecho con Secciones de 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

Si no hay congestin en la red (i.e. la restriccin de capacidad no es activa), el compor-

tamiento anterior genera una asignacin a itinerarios mnimos, donde un nico itinerario
ser utilizado entre cada par O/D

A medida que aumenta la congestin, por aumento de los pasajeros, ms itinerarios se

harn atractivos para los viajeros, hasta alcanzar un equilibrio de Wardrop

Otras componentes del costo generalizados, como el tiempo de viaje en vehculo y la tarifa,
son fijos

7.2.2 Funciones de costo generalizado

Si es que no hay congestin, el costo ser:

cl = cl +
fl

Por otro lado, si es que si hay congestin, la funcin ser:

( )n
vl + vl
cl = cl + +
fl Kl

En que vl = arcos compitentes + arcos que quitan capacidad

7.3 Modelo con lneas comunes

7.3.1 Hiptesis
Los viajeros de transporte pblico esperan en el paradero a un subconjunto de las lneas
all disponibles, abordando (o intentando abordar) la primera lnea que pase

Lineas comunes o Lineas atractivas

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.

El tiempo de viaje en vehculo es fijo, determinado exgenamente por el nivel de congestin

existente sobre la red vial.

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

Aumento congestion Aumento de # de lineas usadas

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)

Luego, si no hay congestin, los pasos a seguir son:

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

Si es que hay congestin:

Se modifica la forma en la que se determinan las lneas comunes

Al considerar restriccin de capacidad, el mtodo de determinacin de conjuntos de lneas

comunes (problema de programacin hiperblica) ya no puede usarse

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 asignacin y la determinacin de lneas comunes ya no son problemas separables

7.3.2 Resolucin del problema

Cuando no hay restriccin de capacidad basta con una nica seccin de ruta s para unir A con B.
En este caso se crea ms de una seccin de ruta para unir A con B.

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

I. Este enfoque permite separar el problema de asignacin del de seleccin de lneas

comunes

Desventajas:

I. Es una simplificacin que hace tratable el problema

II. Crea bastantes arcos en S
III. La red final contiene arcos paralelos

7.3.4 Formulacin matemtica

El Jacobiano J (c) es (generalmente) asimtrico.

f s es la frecuencia de la seccin de ruta s, que corresponde a la suma de las frecuencias de

las lneas que la componen.

El flujo Vs se descompone en flujos vls por lnea.

Se define frecuencia efectiva de la lnea l en su parada j(s):

fl s = j
wl

j
En donde wl es un ndice de tiempo de espera promedio:
[ ]
j vjl
wl = +
fl Kl

Se cumple que:

fl s fl

La frecuencia nominal de una lnea es la misma en todas las paradas.

La frecuencia efectiva de una lnea puede variar entre paradas.

Si consideramos ahora que se cumplen las condiciones de equilibrio de acuerdo al primer

principio de Wardrop, se obtiene la siguiente representacin del problema en forma de desigual-
dad variacional:

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

Finalmente, este problema se puede resolver utilizando diagonalizacin.

8 Asignacion Optima del Sistema

En la literatura se menciona otro importante principio: el Segundo Principio de Wardrop.
Este principio, de carcter normativo, se refiere a una Asignacin ptima del Sistema, aquella
en que el costo total en la red, una vez realizada la asignacin, es mnimo.
En general la asignacin ptima del sistema no coincidir con la asignacin del equilibrio
espontneo de los usuarios.

8.1 Formulacin Matemtica

min Z = CT = cka ( F) f ak = ckp ( H )hkp
kK a A kK p P
s.a
hkp = Twk
p Pw

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

Por otro lado:

Problema de optimizacin equivalente = Jacobiano simtrico

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

10.2 Paradoja de Pigou-Knight-Downs

Una inversin en capacidad puede no reducir el costo total de viaje

10.3 Paradoja de Braess

Al aadir capacidad a una red, el costo total de asignacin puede aumentar

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.

A partir de la funcin de demanda Tw = dw (Cw ), podemos obtener una funcin de demanda

inversa Cw = gw ( Tw ). Luego, El equilibrio de mercado se obtiene de la interaccin entre la de-
manda y la oferta por transporte.

Etapas:

I. Generacin de Viajes: Output= j Tij = Oi i Tij = D j

II. Distribucin de Viajes: Output=m Tijm = Tij, Input= Cij = f (Cijm ) ( j Tij = Oi i Tij =
Dj )
m mp mp
III. Particin modal: Input=m Tijm = Tij Cij = f (Cij ), Output Cij = f (Cijm ) p Tij = Tijm
mp mp
IV. Asignacin de Viajes: Input= p Tij = Tijm , Output=Cijm = f (Cij )

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.

11.1 Problema de equilibrio de mercado en redes de transporte

Si consideramos lo anterior, el problema ahora es el siguiente:

Los flujos de equilibrio en cada arco (que satisfacen el Primer Principio de Wardrop)

Los costos generalizados de equilibrio para cada par O/D

Los viajes Tw (Demanda variable) que son consistentes con los flujos y costos anteriores

Por otro lado, si recordamos la desigualdad variacional:

(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

Esto ya que ahora la demanda es variable.

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

Por otro lado, si definimos:

d = [c1 , c2 , ..., c a , ..., cm , g1 , g2 , ... gw , ..., gnxn ]

v = [ f 1 , f 2 , ..., f a , ..., f m , T1 , T2 , ... Tw , ..., Tnxn ]

v = [ f 1 , f 2 , ..., f a , ..., f m , T1 , T2 , ... Tw , ..., Tnxn

]
Se puede reescribir la desigualdad variacional como:

d(v ) (v v ) 0

De donde se desprenden las mismas propiedades en cuanto a existencia y unicidad de los mod-
elos anteriores.

11.3 Caso diagonal

El problema a resolver ahora es:
fa Tw
min z =
F,T
c a ( x )dx gw (y)dy
a A 0 w W 0

s.a
h p = Tw
p Pw

hp 0
fa = ap h p
p P

11.4 Reformulacin como problema de demanda fija

Interesa ver si se puede reformular, ya que en casos no diagonales se busca poder resolver con
F-W y para aquello se necesita que se cumpla esa condicin.
Si observamos la funcin objetivo del problema:
fa Tw
z= c a ( x )dx gw (y)dy
a A 0 w W 0

Podemos reescribir el segundo trmino como:

Tw Tm Tm
w w
gw (y)dy = gw (y)dy gw (y)dy
w W 0 w W 0 wW Tw

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

Adems de esto, si hacemos el siguiente cambio de variable: tw = Twm Tw , el problema equiva-

lente final queda:
fa tm
w
min z = c a ( x )dx +
gw (t)dt
F,t
a A 0 w W 0
s.a
h p + tw = Twm
p Pw

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

12 Modelos de Demanda y Entropa

Consideremos el problema de distribucin de viajes. Conociendo las generaciones Oi y las atrac-
ciones D j para cada zona, tenemos tres niveles de informacin:

Estado Macro: Oi y D j totales.

Estado Meso: Tij entre cada par origen-destino.

Estado Micro: Origen y destino para cada viajero (informacin individual).

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.

Considerando esto,la matriz de viajes ms probable es la que puede ser formada de ms

maneras.

16
12.1 Entropa
La entropa se define como:
T!
W ( Tw ) =
w Tw !
Si queremos maximizar la entropa, aplicamos logaritmo y obtenemos:

lnW ( Tw ) = ln( T!) ln( Tw !)

w

Como la primera parte del problema es constante, y como por convencin nos gustara dejar un
problema de minimizacin:
min ln( Tw !)
Tw w

Por otro lado, de acuerdo a la aproximacin de Stirling (para un Tw grande):

ln( Tw !) Tw (ln( Tw ) 1)

Por lo que finalmente el problema queda:

min Tw (ln( Tw ) 1)
Tw w

12.2 Modelos entrpicos de distribucin de viajes

Consideremos ahora un modelo de distribucin de viajes doblemente acotado a orgenes y desti-
nos (problema bi-objetivo ponderando los elementos en la funcin objetivo):

1
min Cw Tw + Tw (ln(Tw ) 1)
w w

s.a
Tw = Oi
j

Tw = Dj
i

La solucin a este problema es:

Tw = exp( i ) exp( j ) exp( Cw )

Haciendo: exp( i ) = Ai Oi y exp( j ) = Bj D j nos queda:

Tw = Ai Oi Bj D j exp( Cw )

En donde Ai y Bj se pueden obtener iterativamente (Hyman).

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

Y se conoce a este modelo como Logit Multinomial

12.4 Problema multi-objetivo

Por otra parte, bajo un enfoque de Mxima Entropa, se tiene el problema multi-objetivo:
[ ]
1 1
min Cw Tw + Tw (ln( Tw ) 1) +
Tw (ln(Tw 1) Tw (ln(Tw ) 1)
m m m m
w m w w m w

s.a
Tw = Oi
j

Tw = Dj
i

Y para que la funcin objetivo sea convexa: 1 1

0 =

Finalmente, si se verifican las condiciones de optimalidad para este problema obtenemos lo

deseado (logit para distribucin como para particin modal).

12.5 Modelos Entrpicos de Eleccin de Ruta

Si es que hay congestin (Modelo de Equilibrio Estocstico de Fisk):
fa
1
min Z = c a ( x )dx +
h p (ln(h p ) 1)
a A 0 p Pw w

s.a
h p = Tw
p Pw

fa = ap h p
p P

hp 0

18
13 Modelos Combinados para Distribucin y Asignacin
Supuestos:

Desde la perspectiva de la asignacin de viajes, este modelo combinado corresponde a un

caso de demanda variable, pues no conocemos a priori los viajes w en la red.

Los viajes Tw dependern de los niveles de servicio en la red (funcin de demanda).

La formulacin general de este problema corresponde a una desigualdad variacional. Bajo

ciertos supuestos, podremos plantear un modelo de optimizacin equivalente.

El modelo combinado ser:

fa
1
min Z = c a ( x )dx +
Tw (ln(Tw ) 1)
a A 0 w

s.a
Tw = Oi
j

Tw = Dj
i

h p = Tw
p Pw

fa = ap h p
p P

hp 0

13.1 Adaptacin de Frank-Wolfe

Si reescribimos Z en relacin a los flujos en ruta se obtiene:
f a (h p ) [ { } ]
1
Z(h p ) = c a ( x )dx +
Tw (h p ) ln Tw (h p ) 1
a A 0 w W

Ahora bien, si recordamos que para la aproximacin lineal se tiene

ZLn ( H ) = Z ( H ) + Z ( H n ) ( H H n )

Y que tanto Z ( H ) como Z ( H n ) H n son constantes, tenemos el siguiente problema equivalente:

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

Por ltimo, obtenemos el siguiente problema equivalente Z:

( )
n 1
min Z = cw + ln( Tw ) h p
n
w p P

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

Que corresponde al problema clsico de transporte (Hitchcock)

14 Mtodo de Florian
I. Inicializacin: Encontrar una solucin factible Tw1 , f a1

Calcular costos a flujo libre c a (0)

Obtener Cw1
Resolver el siguiente problema de distribucin:
1
Tw1 = Ai Oi Bj D j exp( Cw )

Asignar viajes Tw1 a ruta mnima para obtener f a1

II. Actualizacin de costos:
cna = cna ( f an )
n
Cw = min{C np }

III. Aproximacin Lineal:

Calcular Cwn + 1 ln( Twn )

Resolver Hitchcock para obtener Tw
Asignar a rutas mnimas para obtener fa
IV. Minimizacin unidimensional:
f n +( fn f n )
a a a 1
min

c a ( x )dx +
[Twn + (Twn Twn )] {ln [Twn + (Twn Twn )] 1}
a A 0 w

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.

14.2 Aproximacin de Horowitz

Es una simplificacin para la etapa de minimizacin unidimensional. Se eliminan los trminos
de demanda de la funcin objetivo:
f n +( fn f n )
a a a
min

c a ( x )dx
a A 0

15 Modelos Combinados de Distribucin y Asignacin (Dis-

tribucin Acotada a Orgenes)
Al igual que para los otros casos, se plantea el problema bi-objetivo:
fa
1
min c a ( x )dx + Tw (lnTw 1) Mj Tw
a 0 w j

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

Fase I Evans: Distribucin simplemente acotada

16 Modelos Combinados de Particin Modal y Asignacin

Se pueden identificar cuatro casos generales:

I. Particin modal multinomial + funciones de costo diagonales

II. Particin modal jerrquica + funciones de costo diagonales

III. Particin modal multinomial + funciones de costo no diagonales (asimtricas)

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:

16.1 Particin modal multinomial + funciones de costo diagonales

fm
a 1
min z = 0
cm
a ( x ) dx +
Twm (lnTwm 1)
m a m a
s.a
Twm = Tw
m

hm m
p = Tw
p Pw

f am = ap hmp
p P

hm
p 0

16.2 Particin modal jerrquica + funciones de costo diagonales

fm ( )
a 1 1 1
min z = a ( x ) dx +
cm n
Twn (lnTwn 1) n Twm (lnTwm 1)
m a 0 w n n w mn
s.a
Twm = Tw
m

Twn = Tw
mn

hm m
p = Tw
p Pw

f am = ap hmp
p P

p 0
hm

Los problemas anteriores se pueden resolver mediante el algoritmo de Evans o el algoritmo

de Florian. Planteando el Lagrangeano, se puede demostrar que en el ptimo, los usuarios en
cada red modal se comportan de acuerdo al Primer Principio de Wradrop y que la particin
modal tiene una forma funcional Logit Multinomial o Logit Jerrquico, segn corresponda.

17 Modelos Combinados de Distribucin, Particin Modal y Asig-

nacin
Nuevamente obtenemos problemas multo-objetivos. Utilizando la materia anterior del curso
podemos plantear dos tipos de modelos:

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.

17.2 D (O&D) PM (MNL) A (MNL)

Consideremos el caso de distribucin doblemente acotada, particin modal multinomial y asig-
nacin tambin multinomial. 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
[ ]
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

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:

(ckp ckw ) (hkp hkp ) 0

k wW p Pw

= ckp (hkp hkp ) ckw (hkp hkp ) 0

k wW p Pw k w W p Pw

= ckp (hkp hkp ) 0

k wW p Pw

= c( H ) ( H H ) 0

18.2 Problemas de Punto Fijo

En resumen, es cuando la variable de decisin aparece a los dos lados de la ecuacin. Es decir:

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