Solución a un Problema de Transporte en la Industria de Autobuses

Ponente(s): Rubén Belmont Zúñiga, Oliver Fernando Cuate González Lourdes Fabiola Uribe Richaud Felipe Iván Gamboa Pérez Gabriela Jazmín Pérez Villamar

Se abordó un problema de optimización en la industria de transporte de autobuses desde dos puntos de vista. Primeramente, el problema fue planteado y resuelto como un problema de optimización lineal entera y a su vez fue planteado en el contexto de un algoritmo genético. . El problema a resolver busca minimizar el costo de la gasolina recargada necesaria para completar el viaje de un autobús de pasajeros de una empresa mexicana. Entre los supuestos del problema se tiene que el autobús sólo puede recargar gasolina en las terminales de las ciudades que componen el viaje a realizar, el precio de la gasolina varía de terminal a terminal, la cantidad de gasolina en tanque siempre tiene que ser mayor o igual que una cantidad de reserva preestablecida y que la cantidad de gasolina en tanque tiene que ser en todo momento menor o igual a la capacidad total del tanque. Los datos con los que contamos son el precio de la gasolina en cada ciudad que compone al viaje, la cantidad de gasolina que consume para llegar a cada ciudad partiendo de la anterior, la capacidad de gasolina del tanque y la cantidad de gasolina de reserva. Se muestra que, bajo ciertas condiciones, el problema siempre tiene solución, ya que podemos elegir la estrategia de recargar en cada ciudad hasta obtener tanque lleno y de esta forma se puede llegar a la siguiente ciudad y completar el viaje; sin embargo, este enfoque está muy alejado de dar una solución óptima. El problema de optimización lineal entera se planteó como un problema de minimización con 3n + 1 restricciones, donde n representa el número de ciudades que componen el viaje a realizar. En el enfoque de algoritmo genético se representó la cantidad de gasolina en el tanque como los individuos y se propusieron operadores de mutación y cruza adecuados para el problema hasta lograr emular una solución que arroje buenos resultados para la función de costo. En el enfoque con programación lineal entera, se logró obtener soluciones óptimas para instancias grandes del problema en muy poco tiempo, y en cuanto al algoritmo genético se logró obtener muy buenas aproximaciones a los puntos óptimos, así como generar soluciones de respaldo para el problema.