Docstoc

ALGORITMO BASADO EN LA OPTIMIZACION DE COLONIAS DE HORMIGAS PARA

Document Sample
ALGORITMO BASADO EN LA OPTIMIZACION DE COLONIAS DE HORMIGAS PARA Powered By Docstoc
					  ALGORITMO BASADO EN LA
OPTIMIZACION DE COLONIAS DE
HORMIGAS PARA LA SOLUCION DE
 UN PROBLEMA DE TRANSPORTE
    DE CARGA DESDE VARIOS
 ORIGENES A VARIOS DESTINOS
PLANTEAMIENTO DEL PROBLEMA


 El problema consiste en elegir entre un O-D,
   la alternativa de ruta que resulte óptima.

 Las alternativas de ruta contemplada son:

   Transporte Directo
   Transporte a través de uno o dos Hubs
   Transporte con paradas multiples en el
   origen o en el destino (peddling)
PLANTEAMIENTO DEL PROBLEMA

 CONSIDERACIONES:
 • Se plantea un algoritmo metaheurístico.
 • Se trata de solucionar un problema que es
   inviable por programacion entera cuando
   se aplica a un caso real.
 • Para los envios puerta a puerta no se limita
   el número de paradas
 • Se supone una flota de vehículos ilimitada
   y homogena en cuanto a capacidad.
 • Se exigen un nivel mínimo de servicio,
   expresado en por el porcentaje de carga
   servido en 24 horas.
VARIABLES DEL MODELO
COSTOS DE CADA TIPO DE RUTA
   Costos Ruta directa: Cdir= P + R*D(i,j)                  (1)
   Costos Ruta que pasa por un hub:
   Ch= 4P + R*(D(i,h)+D( h,j))                  (2)
   Costos ruta que pasa por dos hub:
    Ch1,h2= 6P + R*(D(i,h1)+ D(h1,h2)+ D(h2,j))+(Crh1+ Crh2)Q(i,j) (3)

   Costos de una ruta con peddling:
     Cpeddling= nparadas*P + R*dtotal              (4)


R=Costo por unidad de distancia, P=Costo fijo por parada, Crh=Costo
   de manipulacion de la carga en el hu, nparadas= número de paradas
   en la ruta, dtotal =distancia total recorrida
PROCESO DE OPTIMIZACION
Las hormigas son capaces de seguir la ruta más corta en su
  camino de ida y vuelta entre la colonia y una fuente de
  abastecimiento.
"Transmiten información" entre ellas gracias a que cada
  una de ellas, al desplazarse, van dejando un rastro de una
  sustancia llamada feromona.
Una colonia de hormigas detectan el rastro de feromona
  dejado por otras hormigas y tienden a seguir dicho rastro.
  Éstas a su vez van dejando su propia feromona a lo largo
  del camino recorrido y por tanto lo hacen más atractivo.
La feromona también se va evaporando con el paso del
  tiempo provocando debilitamiento.
 El proceso se caracteriza por una retroalimentación positiva,
   en la que la probabilidad con la que una hormiga escoge
   un camino aumenta con el número de hormigas que
   previamente hayan elegido el mismo camino.
PROCESO DE OPTIMIZACION
Los algoritmos ACO son procesos iterativos. En cada iteración
   se"lanza" una colonia de m hormigas y cada una de las
   hormigas de la colonia construye una solución al problema
   de manera probabilística, guiándose por un rastro de
   feromona
PROCESO DE OPTIMIZACION
Cuando todas las hormigas han construido una
  solución deben actualizar la feromona de cada
  arco, mediante la siguiente expresión:




   Donde:  es el coeficiente de evaporación de la feromona
   Tbest, la mejor solución encontrada hasta el momento
   Lbest, es la longitud de la mejor solución
   La feromona debe permanecer en un rago entre [min, max
   Para evitar el estancamiento de las soluciones. Se inicia en max.

   Cada que se actualiza la feromona se inicia una nueva
   iterracción, hasta encontrar la menjor solución.
PROCESO DE OPTIMIZACION
         SUBDIVISON DEL PROBLEMA EN D-H Y D-H-P
 D-H , la colonia de hormigas deberá elegir para cada carga
           una alternativa de ruta (exluyendo peddling).
Para cada O-D se tendrá asociado un nivel de feromona y un
  parámetro heurístico (inverso del costo mínimo para la
  carga cuando se sigue una determinada ruta)
Para envios atraves de hubs el costo mínimo imputables y la
  información heuristica son las siguientes:




      Se toman como validas las soluciones que cumplen
      con el nivel de servicio- menos de 24 horas
PROCESO DE OPTIMIZACION
PROCESO DE OPTIMIZACION
             SOLUCION DEL SUBPROBLEMA D-H-P
Se toma la solución D-H y se intenta mejorar introducciendo la
  posibilidad de hacer peddling. Solución inicial o
Para cada carga Q(i,j) se construyen dos conjuntos de
  cargas candidatas a hacer peddling en origen y en destino
  respectivamente (siguiendo la secuencia de ruta i-l-j en
  cualquiera de los dos casos).
Para que una carga Q(i,l) sea candidata a peddling en origen
  con la carga Q(i,j) debe cumplir estas condiciones:
  Ambas cargas deben caber en un vehículo, es decir Q(l,j)
  + Q(i,j)  C
  El coste de la ruta con paradas múltiples debe ser menor o
  igual que el coste de enviar
  ambas cargas directamente.
  La ruta con peddling debe asegurar que el plazo de
  entrega (servicio en 24 horas) de ambas cargas sea igual o
  mejor que la solución inicial
PROCESO DE OPTIMIZACION
        SOLUCION DEL SUBPROBLEMA D-H-P
  Cada hormiga de la colonia, en cada iteración,
  debe construir una solución tomando cargas que se
  transportan directamente o a través de hubs en o
  para generar con ellas rutas que hacen peddling.
  Para cada Q (i,j) , se eligen candidatas
  Después se intenta añadir otra parada más en la ruta
  eligiendo entre las candidatas Q(l,j),, intentando
  agotar la capacidad del vehículo.
  Se comienza por las cargas con mayor distancia
  entre el origen y el destino.
  Las rutas con peddling construidas deben asegurar
  que los plazos de entrega de las cargas involucradas
  sean iguales o mejores que en o
PROCESO DE OPTIMIZACION
          SOLUCION DEL SUBPROBLEMA D-H-P
 La elección de una carga entre las candidatas a peddling se
    realiza de manera probabilística
 Existirá un nivel de feromona y un parámetro de información
    heurística (utilidad )asociado a cada carga candidata
    según la secuencia i-l-j se calcula así:




    El peddling en origen se aplica igualmente al peddling en
    destino.
    El resto del proceso de optimización del subproblema D-H-
    P se realiza de manera similar
PROCESO DE OPTIMIZACION
Tras cada iteración,se toma la mejor solución
   encontrada en la misma y a partir de ella se
   realiza una mejora local. Con ella se pretende
   consolidar de manera más eficiente las cargas
   que todavía se transportan directamente o a
   través de hubs.
El resultado final al problema general será la mejor
   solución encontrada a lo largo de los dos
   procesos ACO descritos.
PROCESO DE OPTIMIZACION
         APORTES DEL MODELO


 Requiere menos costo computacional
 Puede ser aplicado a problemas de mayor
 magnitud
 Se puee utilizar para resolver problemas online

				
DOCUMENT INFO
Shared By:
Categories:
Tags:
Stats:
views:173
posted:8/13/2011
language:Spanish
pages:14