Una nueva metaheurística aplicada al problema de ruteo de vehículos capacitados (cvrp) para la distribución de productos perecederos

Una nueva metaheurística aplicada al problema de ruteo de vehículos capacitados (cvrp) para la distribución de productos perecederos

La distribución representa un gran desafío para las empresas de alimentos perecederos que buscan satisfacer a sus clientes en términos de una calidad cambiante a lo largo de la cadena de suministro. En este contexto, en el siguiente articulo presentamos un nuevo modelo matemático para la distribución de productos perecederos que tiene como objetivo minimizar el tiempo total de viaje y las tardanzas en la entrega de los productos transportados. Con el objetivo de enfrentar este problema complejo, empleamos un algoritmo genético (GA) y una nueva metaheurística hibrida (N2) que combina operadores de tres distintos algoritmos para resolver cinco instancias de 25 clientes adaptadas de la literatura. Los resultados permiten comprobar la funcionalidad del modelo y muestran que el nuevo algoritmo es capaz de obtener mejores resultados en comparación con el algoritmo evolutivo, lo que brinda a los tomadores de decisiones una buena herramienta para la planeación de rutas de este tipo de productos.

1. . Ahmad, M. S. y Siddiqui, M. W. (2015) ‘Postharvest Quality Assurance of Fruits’, (Kader 2002), p. 279. doi: 10.1007/978-3-319-21197-8.
2. . Amorim, P. y Almada-Lobo, B. (2014) ‘The impact of food perishability issues in the vehicle routing problem’, Computers & Industrial Engineering. Elsevier Ltd, 67(1), pp. 223–233. doi: http://dx.doi.org/10.1016/j.cie.2013.11.006.
3. . Arrieta, M. y López, E. (2013) Diseño de un algoritmo de optimización para el problema de asignación de horarios en la Universidad de Córdoba. Universidad de Córdoba.
4. . Batista, B. M. y Glover, F. (2006) ‘Introducción a la Búsqueda Tabú’, 3, pp. 1–36.
5. . Clerc, M. (2004) ‘Discrete particle swarm optimization, illustrated by the traveling salesman problem’, in New optimization techniques in engineering. Springer, pp. 219–239.
6. . Cordeau, J.-F. et al. (2007) ‘Chapter 6 Vehicle Routing’, 14(6), pp. 367–428. doi: 10.1016/S0927-0507(06)14006-2.
7. . Dyer, M. y Stougie, L. (2006) ‘Computational complexity of stochastic programming problems’, Mathematical Programming. Springer, 106(3), pp. 423–432.
8. . Faulin, J. (2003) ‘Applying MIXALG procedure in a routing problem to optimize food product delivery’, Omega, 31(5), pp. 387–395. doi: 10.1016/S0305-0483(03)00079-3.
9. . Hernández, F. y Poveda, J. (2014) Aplicación de la metaheurística cromática al problema de secueciación de proyectos con recursos limitados (RCPSP). Universidad de Córdoba.
10. . Kasso, M. y Bekele, A. (2016) ‘Post-harvest loss and quality deterioration of horticultural crops in Dire Dawa Region, Ethiopia’, Journal of the Saudi Society of Agricultural Sciences.
11. . King Saud University and Saudi Society of Agricultural Sciences. doi: http://dx.doi.org/10.1016/j.jssas.2016.01.005.
12. . de Keizer, M. et al. (2015) ‘Hybrid optimization and simulation to design a logistics network for distributing perishable products’, Computers & Industrial Engineering. Elsevier, 88, pp. 26–38.
13. . Kennedy, J. et al. (2001) Swarm intelligence. Morgan Kaufmann.
14. . Li, P. et al. (2015) ‘Vehicle Routing Problem with Soft Time Windows Based on Improved Genetic Algorithm for Fruits and Vegetables Distribution’, Discrete Dynamics in Nature and Society, 2015. doi: 10.1155/2015/483830.
15. . Liu, Q. y Xu, J. (2008) ‘A study on vehicle routing problem in the delivery of fresh agricultural products under random fuzzy environment’, International Journal of Information and Management Sciences, 19(4), pp. 673–690. doi: 10.1016/j.ejor.2006.12. 065;
16. . Dondo, R., Cerda, J., A cluster-based optimization approach for the multi-depot heterogeneous fleet vehicle 11 routing problem with time windows (2007) European Journal of Operational Research, 176, pp. 1478-1507; Liu, B., (2002) Theory and Practice of Uncertain Programming, , Physica-Verlag, Hei-delberg;
17. . Hsu, C.L., ung, S.F., Li, H.-C., Vehicle routing problem with time-windows for perishable food delivery (2007) Journal of Food Engineering, 80, pp. 465-475.
18. . Marinakis, Y. y Marinaki, M. (2010) ‘A hybrid genetic–Particle Swarm Optimization Algorithm for the vehicle routing problem’, Expert Systems with Applications. Elsevier, 37(2), pp. 1446–1455. doi: 10.1016/j.eswa.2009.06.085.
19. . Mohapatra, G. S. (2014) Models for Practical Routing Problems in Logistics.
20. . Montgomery, D. (2008) Diseño y análisis de experimentos. 2a. ed. México: Limusa Wiley.
21. . Prindezis, N., Kiranoudis, C. T. y Marinos-Kouris, D. (2003) ‘A business-to-business fleet management service provider for central food market enterprises’, Journal of Food Engineering, 60(2), pp. 203–210. doi: http://dx.doi.org/10.1016/S0260-8774(03)00041-4.
22. . Sabie, R. y Lopez, J. (2011) ‘Implementation of the new algorithm chromatic metaheuristic a nonlinear regression model in time series forecasts’, in. Universidad de la Frontera, Temuco, Chile.
23. . Sabie, R. y Mestra, A. (2011) Un nuevo método de optimización que se fundamenta a través de un algoritmo de búsqueda basado en la escala cromática de las notas musicales. Universidad de Córdoba.
24. . Saeidian, B., Mesgari, M. S. y Ghodousi, M. (2016) ‘Evaluation and comparison of Genetic Algorithm and Bees Algorithm for location-allocation of earthquake relief centers’, International Journal of Disaster Risk Reduction. Elsevier, 15, pp. 94–107. doi: 10.1016/j.ijdrr.2016.01.002.
25. . Sivaram Kumar, V. et al. (2014) ‘Solving multi-objective vehicle routing problem with time windows by FAGA’, Procedia Engineering. Elsevier B.V., 97, pp. 2176–2185. doi: 10.1016/j.proeng.2014.12.461.
26. . Tarantilis, C. D. y Kiranoudis, C. T. (2001) ‘A meta-heuristic algorithm for the efficient distribution of perishable foods’, Journal of Food Engineering, 50(1), pp. 1–9. doi: 10.1016/S0260-8774(00)00187-4.