Este documento presenta el problema de optimización de viajes compartidos en taxis (PVCT) y propuestas para resolverlo utilizando algoritmos evolutivos. El PVCT consiste en asignar pasajeros a taxis de forma que se minimice el costo total del viaje, teniendo en cuenta factores como el costo inicial por taxi, el costo por distancia recorrida y la capacidad máxima de los taxis. Los autores describen variantes del problema, su complejidad computacional y trabajos relacionados. Luego detallan la implementación de diferentes algoritmos evolutivos sec
El documento describe el movimiento rectilíneo uniforme, donde la velocidad se mantiene constante en magnitud, dirección y sentido. Explica que la distancia recorrida se calcula multiplicando la velocidad constante por el tiempo transcurrido, y provee ejemplos como un automóvil que recorre 60 km por hora de forma constante.
La Universitat Politècnica de València ha evolucionado su uso de la tecnología en red desde 2006, desarrollando plataformas como PoliformaT, Polimedia y repositorios de objetos de aprendizaje. Más recientemente, ha publicado contenidos en iTunesU, YouTube y lanzado su plataforma MOOC UPV[x]. UPV[x] ofrece varios cursos masivos con miles de participantes de España y América Latina. Los resultados preliminares muestran altos niveles de satisfacción de los estudiantes con la calidad de
El Servicio de Orientación Universitaria de la UPV/EHU ha enviado una presentación explicando los grados que imparte e información sobre los trámites y plazos.
Este documento presenta un algoritmo evolutivo multiobjetivo basado en el algoritmo de Kuhn-Munkres para mejorar el desempeño en problemas de optimización con múltiples objetivos. Actualmente, los algoritmos basados en dominancia de Pareto no son efectivos para problemas con más de 3 objetivos. El objetivo es proponer un nuevo esquema de selección que mejore los algoritmos representativos del estado del arte para optimización de muchos objetivos.
Introducción a la Investigación de Operaciones y Prog Linealingricardoguevara
El documento presenta una introducción al tema de Investigación de Operaciones. Explica que la IO aplica el método científico a problemas relacionados con el control de organizaciones para encontrar soluciones óptimas. También describe las fases del proceso de IO, incluyendo definir el problema, formular un modelo matemático, obtener una solución, probar y validar el modelo, establecer controles y aplicar la solución. Finalmente, señala algunas limitaciones comunes de los modelos de IO.
La irrupción de la web 2.0 ha cedido todo el protagonismo del desarrollo web a las de tecnologías de cliente: javascript, css, peticiones http en segundo plano... y no ha hecho más que intensificar su uso. En esta ponencia veremos herramientas para detectar cuellos de botella en el navegador y algunos trucos para optimizar el uso de estos recursos y mejorar drásticamente la carga de nuestras páginas.
Internet hoy en día, es un sistema muy grande, distribuido, y con piezas en cada uno de los rincones del mundo. Conectar cada uno de los componentes no es una tarea fácil, ni mucho menos sencilla. En esta charla hablaremos de los beneficios que la arquitectura de diseño REST le trajo a la web, mostrando ejemplos concretos sobre su uso, y casos de éxito. Además, realizaremos una introducción de los conceptos básicos, y mostraremos una serie de pasos y consejos para crear aplicaciones REST, y entender aquellas que se ofrecen a lo largo de la web. Finalmente, dedicaremos un momento a comentar sobre los principales agregados que tiene REST, que hacen de la arquitectura algo mejor y más completo. Hablaremos de autenticación y seguridad, paginado, manejo de errores, y más.
El documento describe el movimiento rectilíneo uniforme, donde la velocidad se mantiene constante en magnitud, dirección y sentido. Explica que la distancia recorrida se calcula multiplicando la velocidad constante por el tiempo transcurrido, y provee ejemplos como un automóvil que recorre 60 km por hora de forma constante.
La Universitat Politècnica de València ha evolucionado su uso de la tecnología en red desde 2006, desarrollando plataformas como PoliformaT, Polimedia y repositorios de objetos de aprendizaje. Más recientemente, ha publicado contenidos en iTunesU, YouTube y lanzado su plataforma MOOC UPV[x]. UPV[x] ofrece varios cursos masivos con miles de participantes de España y América Latina. Los resultados preliminares muestran altos niveles de satisfacción de los estudiantes con la calidad de
El Servicio de Orientación Universitaria de la UPV/EHU ha enviado una presentación explicando los grados que imparte e información sobre los trámites y plazos.
Este documento presenta un algoritmo evolutivo multiobjetivo basado en el algoritmo de Kuhn-Munkres para mejorar el desempeño en problemas de optimización con múltiples objetivos. Actualmente, los algoritmos basados en dominancia de Pareto no son efectivos para problemas con más de 3 objetivos. El objetivo es proponer un nuevo esquema de selección que mejore los algoritmos representativos del estado del arte para optimización de muchos objetivos.
Introducción a la Investigación de Operaciones y Prog Linealingricardoguevara
El documento presenta una introducción al tema de Investigación de Operaciones. Explica que la IO aplica el método científico a problemas relacionados con el control de organizaciones para encontrar soluciones óptimas. También describe las fases del proceso de IO, incluyendo definir el problema, formular un modelo matemático, obtener una solución, probar y validar el modelo, establecer controles y aplicar la solución. Finalmente, señala algunas limitaciones comunes de los modelos de IO.
La irrupción de la web 2.0 ha cedido todo el protagonismo del desarrollo web a las de tecnologías de cliente: javascript, css, peticiones http en segundo plano... y no ha hecho más que intensificar su uso. En esta ponencia veremos herramientas para detectar cuellos de botella en el navegador y algunos trucos para optimizar el uso de estos recursos y mejorar drásticamente la carga de nuestras páginas.
Internet hoy en día, es un sistema muy grande, distribuido, y con piezas en cada uno de los rincones del mundo. Conectar cada uno de los componentes no es una tarea fácil, ni mucho menos sencilla. En esta charla hablaremos de los beneficios que la arquitectura de diseño REST le trajo a la web, mostrando ejemplos concretos sobre su uso, y casos de éxito. Además, realizaremos una introducción de los conceptos básicos, y mostraremos una serie de pasos y consejos para crear aplicaciones REST, y entender aquellas que se ofrecen a lo largo de la web. Finalmente, dedicaremos un momento a comentar sobre los principales agregados que tiene REST, que hacen de la arquitectura algo mejor y más completo. Hablaremos de autenticación y seguridad, paginado, manejo de errores, y más.
El documento presenta información sobre cinco modelos de problemas de transporte y logística: asignación de tráfico de carga, diseño de red de servicio, consolidación y despacho de envíos, problema del vendedor ambulante, y enrutamiento de arco. Se pide a los estudiantes investigar cada modelo, definirlo, describirlo, identificar sus variables, limitaciones y ejemplos de uso, para compararlos en una matriz. El documento también provee detalles adicionales sobre algunos modelos como asignación de tráfico, considerando tiempos
Este documento describe los problemas de transporte como un tipo especial de problemas de programación lineal. Explica que los problemas de transporte involucran la distribución de bienes desde orígenes a destinos para minimizar costos, y tienen una estructura matemática única que permite métodos de solución simplificados. También presenta un ejemplo prototipo de un problema de transporte que involucra la distribución de chícharos enlatados entre plantas y almacenes.
El documento describe un proyecto para desarrollar herramientas que faciliten la generación y planificación de rutas intermodales para el transporte de mercancías. Se propone diseñar un sistema que permita obtener rutas multimodales teniendo en cuenta criterios como el coste, tiempo y sostenibilidad. El sistema se alimentaría de los servicios de transporte introducidos por los operadores logísticos y utilizaría algoritmos para encontrar la ruta óptima entre un origen y destino.
METODO CUANTITATIVO PARA LA LOCALIZACION DE UNA SOLA INSTALACIONRaul Garcia Hernandez
El documento describe dos métodos cuantitativos para la localización de una sola instalación: el método del centro de gravedad y el método del transporte. El método del centro de gravedad calcula las coordenadas X e Y que minimizan los costos de transporte basándose en las coordenadas, volúmenes transportados y distancias entre ubicaciones existentes. El método del transporte formula un modelo de programación lineal para minimizar los costos de transporte entre fuentes de suministro y destinos, sujeto a restricciones de capacidad y demanda
1) El documento describe un modelo de transporte matemático para optimizar el transporte de mercancías desde orígenes a destinos. 2) Incluye ejemplos de cómo aplicar el modelo de transporte no solo al transporte físico sino también a problemas de planificación de producción e inventarios y mantenimiento. 3) El modelo busca minimizar los costos totales de transporte sujeto a restricciones de oferta y demanda en los orígenes y destinos.
1. Solucion Evaluación 1_ Introducción a Estadística, Probabilidad y Simulaci...DENNISASENJO
Este documento presenta conceptos estadísticos y probabilísticos fundamentales para la simulación de transporte, incluyendo variables aleatorias, probabilidad, funciones de densidad de probabilidad y más. El profesor pide a los estudiantes que desarrollen definiciones de estos conceptos y provean ejemplos relacionados al transporte. También solicita que respondan preguntas conceptuales y participen en clase discutiendo una distribución de probabilidad aplicable a la simulación de transporte.
El documento describe diferentes modelos para predecir la distribución espacial de viajes entre zonas, incluyendo factores de crecimiento, modelos gravitacionales y de oportunidades. Explica que la distribución de viajes depende de las producciones y atracciones de cada zona y se ve afectada por la distancia, tiempo y costo del viaje. Los modelos gravitacionales asumen que los viajes entre zonas son proporcionales a las actividades de origen y destino e inversamente proporcionales a la fricción del viaje.
Este documento describe el modelo de transporte, el cual busca determinar un plan de trasporte óptimo de mercancías desde varias fuentes hasta varios destinos minimizando los costos de transporte. Explica que los datos del modelo incluyen la oferta en cada fuente, la demanda en cada destino y los costos de transporte unitarios. El objetivo es determinar la cantidad de mercancía a enviar de cada fuente a cada destino para minimizar el costo total de transporte respetando las restricciones de oferta y demanda.
El documento describe los cálculos para determinar la productividad de los equipos de transporte en una operación minera. Explica cómo calcular el tiempo de ciclo de transporte considerando el tiempo de carga, giro, posicionamiento y transporte. Luego, define cuatro tipos de productividad: teórica, promedio, máxima por hora y número de equipos requeridos para cumplir con la producción requerida. El objetivo es estimar la capacidad productiva de los equipos de transporte y el número necesario para satisfacer las necesidades de producción.
Este documento describe el problema del agente viajero (TSP por sus siglas en inglés), un problema NP-completo que busca encontrar la ruta más corta para visitar todas las ciudades exactamente una vez y regresar al punto de partida. Explica que el problema involucra grafos y variables como distancias y tiempos. También describe algoritmos como fuerza bruta y heurísticas para encontrar soluciones aproximadas, así como aplicaciones del TSP en logística, transporte y más.
1) El documento analiza el problema del transporte óptimo aplicando métodos de programación lineal y no lineal.
2) Al asignar probabilidades de carga como función del precio en lugar de valores constantes, los métodos no lineales producen resultados más precisos que los lineales.
3) El documento presenta un ejemplo numérico para ilustrar cómo calcular el precio mínimo de carga que haga rentable una ruta alternativa aplicando tanto métodos lineales como no lineales.
El problema de transporte o VRP (Vehicle Routing Problem) con-siste en determinar un conjunto de rutas minimizando el costo total de transpor-tar paquetes de un origen a un destino, se ha tratado de disminuir ese costo por medio de la utilización de métodos de computación para calcular las rutas óp-timas o cercanas a las óptimas. Implementar el problema VRP en casos reales es difícil por el gran número de restricciones que se deben considerar. En este documento hago el análisis del problema VRP destacando su entorno, comple-jidad, las variantes del problema VRP y sus posibles métodos de solución.
El documento presenta recomendaciones metodológicas para la evaluación económica de proyectos de transporte urbano en Colombia. Recomienda utilizar criterios de eficiencia económica y equidad, con técnicas como el análisis costo-beneficio. También recomienda identificar e impactos como ahorros en tiempo de viaje, costos operativos, contaminación, accidentalidad y valorarlos cuantitativamente. Para valorar el tiempo de viaje, cuando la equidad no es relevante se recomienda el valor subjetivo del tiempo
Este documento proporciona lineamientos para la formulación de proyectos de transporte en el marco del programa INVIERTE.PE. Explica que es importante determinar si el proyecto está alineado con las políticas del sector transporte y si corresponde al gobierno central, regional o local. También describe los pasos para identificar el problema central, las alternativas, el área de influencia, la demanda y oferta de transporte, los costos y la evaluación social del proyecto.
Este documento describe la programación lineal, incluyendo su historia, variables, restricciones, función objetivo y aplicaciones. La programación lineal es un método matemático para optimizar una función lineal sujeto a restricciones lineales. Se desarrolló durante la Segunda Guerra Mundial y ha tenido aplicaciones importantes en la planificación industrial y económica.
1) La asignación de viajes es la última etapa del proceso de modelización clásico en la planificación del transporte urbano y es importante para evaluar proyectos y políticas de transporte.
2) Existen diferentes métodos de asignación de viajes como el todo o nada, equilibrio determinístico, y equilibrio estocástico que asignan los viajes a las rutas considerando factores como los tiempos de viaje.
3) Los problemas de asignación de viajes incluyen la representación de la red, traducción de volúmen
Este documento analiza cómo mejorar la movilidad del transporte público en Santiago, Chile mediante el diseño de paraderos y la priorización de buses. Examina cómo la velocidad comercial de los buses depende de la frecuencia de detenciones y propone medidas para reducir los tiempos de viaje en arcos, intersecciones y paraderos. Establece pautas para el espaciamiento, localización y diseño de paraderos que maximicen la accesibilidad y velocidad de operación de los buses.
III Simposio Nacional de Formación con Calidad y Pertinencia
2016
Notificación Artículo ID: 201
Título: OPTIMIZACION DEL TRANSPORTE MULTIMO.
PRESENTACIÓN DEL PROYECTO OPTIMIZACIÓN DEL TRANSPORTE MULTIMODAL- AUTOR JOSE ARCENIO MORENO MARTINEZ- SENA REGIONAL BOLIVAR- GRUPO DE INVESTIGACIÓN CINAFLUP
El documento presenta información sobre cinco modelos de problemas de transporte y logística: asignación de tráfico de carga, diseño de red de servicio, consolidación y despacho de envíos, problema del vendedor ambulante, y enrutamiento de arco. Se pide a los estudiantes investigar cada modelo, definirlo, describirlo, identificar sus variables, limitaciones y ejemplos de uso, para compararlos en una matriz. El documento también provee detalles adicionales sobre algunos modelos como asignación de tráfico, considerando tiempos
Este documento describe los problemas de transporte como un tipo especial de problemas de programación lineal. Explica que los problemas de transporte involucran la distribución de bienes desde orígenes a destinos para minimizar costos, y tienen una estructura matemática única que permite métodos de solución simplificados. También presenta un ejemplo prototipo de un problema de transporte que involucra la distribución de chícharos enlatados entre plantas y almacenes.
El documento describe un proyecto para desarrollar herramientas que faciliten la generación y planificación de rutas intermodales para el transporte de mercancías. Se propone diseñar un sistema que permita obtener rutas multimodales teniendo en cuenta criterios como el coste, tiempo y sostenibilidad. El sistema se alimentaría de los servicios de transporte introducidos por los operadores logísticos y utilizaría algoritmos para encontrar la ruta óptima entre un origen y destino.
METODO CUANTITATIVO PARA LA LOCALIZACION DE UNA SOLA INSTALACIONRaul Garcia Hernandez
El documento describe dos métodos cuantitativos para la localización de una sola instalación: el método del centro de gravedad y el método del transporte. El método del centro de gravedad calcula las coordenadas X e Y que minimizan los costos de transporte basándose en las coordenadas, volúmenes transportados y distancias entre ubicaciones existentes. El método del transporte formula un modelo de programación lineal para minimizar los costos de transporte entre fuentes de suministro y destinos, sujeto a restricciones de capacidad y demanda
1) El documento describe un modelo de transporte matemático para optimizar el transporte de mercancías desde orígenes a destinos. 2) Incluye ejemplos de cómo aplicar el modelo de transporte no solo al transporte físico sino también a problemas de planificación de producción e inventarios y mantenimiento. 3) El modelo busca minimizar los costos totales de transporte sujeto a restricciones de oferta y demanda en los orígenes y destinos.
1. Solucion Evaluación 1_ Introducción a Estadística, Probabilidad y Simulaci...DENNISASENJO
Este documento presenta conceptos estadísticos y probabilísticos fundamentales para la simulación de transporte, incluyendo variables aleatorias, probabilidad, funciones de densidad de probabilidad y más. El profesor pide a los estudiantes que desarrollen definiciones de estos conceptos y provean ejemplos relacionados al transporte. También solicita que respondan preguntas conceptuales y participen en clase discutiendo una distribución de probabilidad aplicable a la simulación de transporte.
El documento describe diferentes modelos para predecir la distribución espacial de viajes entre zonas, incluyendo factores de crecimiento, modelos gravitacionales y de oportunidades. Explica que la distribución de viajes depende de las producciones y atracciones de cada zona y se ve afectada por la distancia, tiempo y costo del viaje. Los modelos gravitacionales asumen que los viajes entre zonas son proporcionales a las actividades de origen y destino e inversamente proporcionales a la fricción del viaje.
Este documento describe el modelo de transporte, el cual busca determinar un plan de trasporte óptimo de mercancías desde varias fuentes hasta varios destinos minimizando los costos de transporte. Explica que los datos del modelo incluyen la oferta en cada fuente, la demanda en cada destino y los costos de transporte unitarios. El objetivo es determinar la cantidad de mercancía a enviar de cada fuente a cada destino para minimizar el costo total de transporte respetando las restricciones de oferta y demanda.
El documento describe los cálculos para determinar la productividad de los equipos de transporte en una operación minera. Explica cómo calcular el tiempo de ciclo de transporte considerando el tiempo de carga, giro, posicionamiento y transporte. Luego, define cuatro tipos de productividad: teórica, promedio, máxima por hora y número de equipos requeridos para cumplir con la producción requerida. El objetivo es estimar la capacidad productiva de los equipos de transporte y el número necesario para satisfacer las necesidades de producción.
Este documento describe el problema del agente viajero (TSP por sus siglas en inglés), un problema NP-completo que busca encontrar la ruta más corta para visitar todas las ciudades exactamente una vez y regresar al punto de partida. Explica que el problema involucra grafos y variables como distancias y tiempos. También describe algoritmos como fuerza bruta y heurísticas para encontrar soluciones aproximadas, así como aplicaciones del TSP en logística, transporte y más.
1) El documento analiza el problema del transporte óptimo aplicando métodos de programación lineal y no lineal.
2) Al asignar probabilidades de carga como función del precio en lugar de valores constantes, los métodos no lineales producen resultados más precisos que los lineales.
3) El documento presenta un ejemplo numérico para ilustrar cómo calcular el precio mínimo de carga que haga rentable una ruta alternativa aplicando tanto métodos lineales como no lineales.
El problema de transporte o VRP (Vehicle Routing Problem) con-siste en determinar un conjunto de rutas minimizando el costo total de transpor-tar paquetes de un origen a un destino, se ha tratado de disminuir ese costo por medio de la utilización de métodos de computación para calcular las rutas óp-timas o cercanas a las óptimas. Implementar el problema VRP en casos reales es difícil por el gran número de restricciones que se deben considerar. En este documento hago el análisis del problema VRP destacando su entorno, comple-jidad, las variantes del problema VRP y sus posibles métodos de solución.
El documento presenta recomendaciones metodológicas para la evaluación económica de proyectos de transporte urbano en Colombia. Recomienda utilizar criterios de eficiencia económica y equidad, con técnicas como el análisis costo-beneficio. También recomienda identificar e impactos como ahorros en tiempo de viaje, costos operativos, contaminación, accidentalidad y valorarlos cuantitativamente. Para valorar el tiempo de viaje, cuando la equidad no es relevante se recomienda el valor subjetivo del tiempo
Este documento proporciona lineamientos para la formulación de proyectos de transporte en el marco del programa INVIERTE.PE. Explica que es importante determinar si el proyecto está alineado con las políticas del sector transporte y si corresponde al gobierno central, regional o local. También describe los pasos para identificar el problema central, las alternativas, el área de influencia, la demanda y oferta de transporte, los costos y la evaluación social del proyecto.
Este documento describe la programación lineal, incluyendo su historia, variables, restricciones, función objetivo y aplicaciones. La programación lineal es un método matemático para optimizar una función lineal sujeto a restricciones lineales. Se desarrolló durante la Segunda Guerra Mundial y ha tenido aplicaciones importantes en la planificación industrial y económica.
1) La asignación de viajes es la última etapa del proceso de modelización clásico en la planificación del transporte urbano y es importante para evaluar proyectos y políticas de transporte.
2) Existen diferentes métodos de asignación de viajes como el todo o nada, equilibrio determinístico, y equilibrio estocástico que asignan los viajes a las rutas considerando factores como los tiempos de viaje.
3) Los problemas de asignación de viajes incluyen la representación de la red, traducción de volúmen
Este documento analiza cómo mejorar la movilidad del transporte público en Santiago, Chile mediante el diseño de paraderos y la priorización de buses. Examina cómo la velocidad comercial de los buses depende de la frecuencia de detenciones y propone medidas para reducir los tiempos de viaje en arcos, intersecciones y paraderos. Establece pautas para el espaciamiento, localización y diseño de paraderos que maximicen la accesibilidad y velocidad de operación de los buses.
III Simposio Nacional de Formación con Calidad y Pertinencia
2016
Notificación Artículo ID: 201
Título: OPTIMIZACION DEL TRANSPORTE MULTIMO.
PRESENTACIÓN DEL PROYECTO OPTIMIZACIÓN DEL TRANSPORTE MULTIMODAL- AUTOR JOSE ARCENIO MORENO MARTINEZ- SENA REGIONAL BOLIVAR- GRUPO DE INVESTIGACIÓN CINAFLUP
Plantila presentacion-sena -simposio formacion.pptx-proyecto de transporte mu...
presentacion
1. Optimizaci´on de viajes compartidos en taxis utilizando
algoritmos evolutivos
Gabriel Fag´undez de los Reyes Renzo Massobrio
Facultad de Ingenier´ıa,
Universidad de la Rep´ublica,
Montevideo, Uruguay
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 1 / 41
2. Contenido
1 Introducci´on
2 Definici´on del problema
3 Trabajos relacionados
4 Implementaci´on
5 Evaluaci´on experimental
6 Planificador de viajes compartidos en l´ınea
7 Conclusiones y trabajo futuro
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 2 / 41
3. 1 Introducci´on
2 Definici´on del problema
3 Trabajos relacionados
4 Implementaci´on
5 Evaluaci´on experimental
6 Planificador de viajes compartidos en l´ınea
7 Conclusiones y trabajo futuro
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 3 / 41
4. Motivaci´on
Los viajes compartidos (Car Pooling)
Beneficios ecol´ogicos y econ´omicos, individuales y colectivos.
Iniciativas:
carriles exclusivos
campa˜nas para compartir los viajes al trabajo
aplicaciones para encontrar compa˜neros de viaje
Los viajes compartidos en taxis (Taxi Pooling)
Medio de transporte r´apido y confiable.
Raramente viajan a capacidad completa.
Tarifas altas desalientan a los usuarios.
Impactan en la congesti´on del tr´afico y en la contaminaci´on.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 4 / 41
5. 1 Introducci´on
2 Definici´on del problema
3 Trabajos relacionados
4 Implementaci´on
5 Evaluaci´on experimental
6 Planificador de viajes compartidos en l´ınea
7 Conclusiones y trabajo futuro
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 5 / 41
6. Descripci´on del problema
Problema de viajes compartidos en taxis (PVCT)
Un grupo de personas en un mismo lugar de origen, desean viajar hacia
diferentes destinos utilizando taxis de forma compartida. Hallar la
cantidad de taxis y la asignaci´on de pasajeros para minimizar el costo total.
Consideraciones
Cada taxi puede trasladar a un n´umero limitado de pasajeros.
El n´umero m´aximo de taxis para N pasajeros es N.
Costo de un taxi = costo inicial + costo por trayectos.
No se consideran otros costos (e.g. esperas, propinas, peajes).
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 6 / 41
7. Formulaci´on del problema
Un conjunto de pasajeros P que viajan desde un origen O a un
conjunto de destinos D.
Un conjunto de taxis T y una funci´on C : T → {0, 1, . . . , CMAX } con
CMAX m´axima capacidad de un taxi.
Una constante B: costo inicial del taxi (“bajada de bandera”).
Una funci´on de distancia, dist : {{O} ∪ D} × D → R+
0 .
Una funci´on de costo asociado a la distancia, cost : R+
0 → R+
0 .
Se busca una planificaci´on f : P → T × {1, . . . , CMAX } que minimice
la funci´on de costo total (CT).
CT =
ti ,C(ti )=0
B+
C(ti )
j=1
cost dist dest f −1
(ti , j − 1) , dest f −1
(ti , j)
destinos consecutivos en el recorrido del taxi ti
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 7 / 41
8. Formulaci´on del problema
Un conjunto de pasajeros P que viajan desde un origen O a un
conjunto de destinos D.
Un conjunto de taxis T y una funci´on C : T → {0, 1, . . . , CMAX } con
CMAX m´axima capacidad de un taxi.
Una constante B: costo inicial del taxi (“bajada de bandera”).
Una funci´on de distancia, dist : {{O} ∪ D} × D → R+
0 .
Una funci´on de costo asociado a la distancia, cost : R+
0 → R+
0 .
Se busca una planificaci´on f : P → T × {1, . . . , CMAX } que minimice
la funci´on de costo total (CT).
CT =
ti ,C(ti )=0
B+
C(ti )
j=1
cost dist dest f −1
(ti , j − 1) , dest f −1
(ti , j)
destinos consecutivos en el recorrido del taxi ti
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 7 / 41
9. Variante multiobjetivo del PVCT: formulaci´on matem´atica
Se busca minimizar el costo total y la demora total.
Cada pasajero tiene un nivel de apuro asociado.
Se consideran veh´ıculos con diferentes capacidades.
CT =
ti ,C(ti )=0
B+
C(ti )
j=1
cost dist
destinos consecutivos en el recorrido del taxi ti
dest f −1
(ti , j − 1) , dest f −1
(ti , j)
DT =
ti
C(ti )
j=1
tiempo efectivo de traslado del pasajero en la posici´on j del taxi ti
j
h=1
time dest f −1
(ti , h − 1) , dest f −1
(ti , h)
− tol f −1
(ti , j) + time O, dest f −1
(ti , j))
tiempo tolerado por el pasajero en la posici´on j del taxi ti
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 8 / 41
10. Variante multiobjetivo del PVCT: formulaci´on matem´atica
Se busca minimizar el costo total y la demora total.
Cada pasajero tiene un nivel de apuro asociado.
Se consideran veh´ıculos con diferentes capacidades.
CT =
ti ,C(ti )=0
B+
C(ti )
j=1
cost dist
destinos consecutivos en el recorrido del taxi ti
dest f −1
(ti , j − 1) , dest f −1
(ti , j)
DT =
ti
C(ti )
j=1
tiempo efectivo de traslado del pasajero en la posici´on j del taxi ti
j
h=1
time dest f −1
(ti , h − 1) , dest f −1
(ti , h)
− tol f −1
(ti , j) + time O, dest f −1
(ti , j))
tiempo tolerado por el pasajero en la posici´on j del taxi ti
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 8 / 41
11. Variante multiobjetivo del PVCT: formulaci´on matem´atica
Se busca minimizar el costo total y la demora total.
Cada pasajero tiene un nivel de apuro asociado.
Se consideran veh´ıculos con diferentes capacidades.
CT =
ti ,C(ti )=0
B+
C(ti )
j=1
cost dist
destinos consecutivos en el recorrido del taxi ti
dest f −1
(ti , j − 1) , dest f −1
(ti , j)
DT =
ti
C(ti )
j=1
tiempo efectivo de traslado del pasajero en la posici´on j del taxi ti
j
h=1
time dest f −1
(ti , h − 1) , dest f −1
(ti , h)
− tol f −1
(ti , j) + time O, dest f −1
(ti , j))
tiempo tolerado por el pasajero en la posici´on j del taxi ti
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 8 / 41
12. Variante multiobjetivo del PVCT: formulaci´on matem´atica
Se busca minimizar el costo total y la demora total.
Cada pasajero tiene un nivel de apuro asociado.
Se consideran veh´ıculos con diferentes capacidades.
CT =
ti ,C(ti )=0
B+
C(ti )
j=1
cost dist
destinos consecutivos en el recorrido del taxi ti
dest f −1
(ti , j − 1) , dest f −1
(ti , j)
DT =
ti
C(ti )
j=1
tiempo efectivo de traslado del pasajero en la posici´on j del taxi ti
j
h=1
time dest f −1
(ti , h − 1) , dest f −1
(ti , h)
− tol f −1
(ti , j) + time O, dest f −1
(ti , j))
tiempo tolerado por el pasajero en la posici´on j del taxi ti
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 8 / 41
13. Complejidad del PVCT
Complejidad
Baldacci et al. (2004):
Variante del Car Pooling Problem (CPP).
Soluci´on al problema de compartir veh´ıculos en el trabajo.
Caso especial del Vehicle Routing Problem (VRP) con demanda
unitaria: NP–dif´ıcil [Letcheford et al. (2002)].
El PVCT tiene grandes similitudes con el CPP.
Estrategias de resoluci´on
Con instancias de tama˜nos realistas los algoritmos exactos
tradicionales no resultan ´utiles para una planificaci´on eficiente.
Heur´ısticas y metaheur´ısticas son necesarias para calcular soluciones
de calidad aceptable en tiempos razonables.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 9 / 41
14. 1 Introducci´on
2 Definici´on del problema
3 Trabajos relacionados
4 Implementaci´on
5 Evaluaci´on experimental
6 Planificador de viajes compartidos en l´ınea
7 Conclusiones y trabajo futuro
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 10 / 41
15. Trabajos relacionados
Car pooling problem (CPP)
Yan et al. (2011): CPP con hist´orico de viajes (relajaci´on lagrangeana).
Dial–a–ride problem (DARP)
Cordeau et al. (2003): DARP est´atico con ventanas de tiempo.
B´usqueda tab´u con tiempos de ejecuci´on de hasta 90 minutos.
Taxi pooling problem (TPP)
Tao et al. (2007): heur´ısticas ´avidas para one–to–many y many–to–one.
Las mejoras se reportan en t´erminos absolutos.
Ma et al. (2013): TPP din´amico con pedidos en tiempo real.
13 % de ahorro en distancia con un algoritmo ´avido en instancias realistas.
Resumen
Pocos trabajos centrados en el usuario y con un enfoque multiobjetivo.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 11 / 41
16. 1 Introducci´on
2 Definici´on del problema
3 Trabajos relacionados
4 Implementaci´on
5 Evaluaci´on experimental
6 Planificador de viajes compartidos en l´ınea
7 Conclusiones y trabajo futuro
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 12 / 41
17. Algoritmos evolutivos
Definici´on
T´ecnicas estoc´asticas que emulan el proceso de evoluci´on natural de
las especies.
Aplicadas a problemas de optimizaci´on, b´usqueda y aprendizaje.
T´ecnica iterativa (generaci´on) que aplica operadores estoc´asticos
sobre un conjunto de individuos (poblaci´on).
Cada individuo codifica una soluci´on tentativa al problema y tiene un
valor de fitness.
El prop´osito es mejorar el fitness de los individuos en la poblaci´on
mediante la aplicaci´on de operadores evolutivos.
Los operadores guian al algoritmo evolutivo hacia soluciones
tentativas de mayor calidad.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 13 / 41
18. AE para el PVCT monoobjetivo
Aspectos comunes
Inicializaci´on:
basada en t´ecnica aleatoria
basada en t´ecnica ´avida + permutaciones
Implementados en Malva.
Funci´on correctiva:
desplaza ceros para romper secuencias de d´ıgitos inv´alidas
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 14 / 41
19. AE para el PVCT monoobjetivo
Aspectos comunes
Individuos de largo 2N − 1, N = #pasajeros.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 15 / 41
20. AE para el PVCT monoobjetivo
Aspectos comunes
Cruzamiento basado en posici´on (PBX) + funci´on correctiva.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 16 / 41
21. AE para el PVCT monoobjetivo
Aspectos comunes
Mutaci´on por intercambio (EM) + funci´on correctiva.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 17 / 41
22. AE para el PVCT monoobjetivo
AE secuencial (seqEA)
Selecci´on proporcional.
Micro AE paralelo (pµEA)
Se busca mejorar el desempe˜no mediante el paralelismo.
Modelo de subpoblaciones distribuidas: divide la poblaci´on en islas
que intercambian individuos mediante migraci´on.
Poblaciones peque˜nas.
Selecci´on por torneo (m, k).
Migraci´on as´ıncrona, con topolog´ıa de anillo unidireccional.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 18 / 41
23. AE para el PVCT monoobjetivo
AE secuencial (seqEA)
Selecci´on proporcional.
Micro AE paralelo (pµEA)
Se busca mejorar el desempe˜no mediante el paralelismo.
Modelo de subpoblaciones distribuidas: divide la poblaci´on en islas
que intercambian individuos mediante migraci´on.
Poblaciones peque˜nas.
Selecci´on por torneo (m, k).
Migraci´on as´ıncrona, con topolog´ıa de anillo unidireccional.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 18 / 41
24. AE para el PVCT multiobjetivo
Aspectos comunes
MOEA: acercarse al frente de Pareto del problema (convergencia) y
muestrear adecuadamente el frente de soluciones (diversidad).
Funci´on correctiva considera veh´ıculos de distintas capacidades.
Inicializaci´on ´avida y selecci´on por torneo.
Micro MOEA paralelo con descomposici´on de dominio (pµMOEA/D)
Agregaci´on lineal de los objetivos:
F = wC × CT + wD × DT,
wC = [0 : 1
#islas
: 1], wD = 1 − wC .
MOEA expl´ıcito (NSGA–II)
Ordenamiento no–dominado (elitista), crowding para preservar diversidad.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 19 / 41
25. AE para el PVCT multiobjetivo
Aspectos comunes
MOEA: acercarse al frente de Pareto del problema (convergencia) y
muestrear adecuadamente el frente de soluciones (diversidad).
Funci´on correctiva considera veh´ıculos de distintas capacidades.
Inicializaci´on ´avida y selecci´on por torneo.
Micro MOEA paralelo con descomposici´on de dominio (pµMOEA/D)
Agregaci´on lineal de los objetivos:
F = wC × CT + wD × DT,
wC = [0 : 1
#islas
: 1], wD = 1 − wC .
MOEA expl´ıcito (NSGA–II)
Ordenamiento no–dominado (elitista), crowding para preservar diversidad.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 19 / 41
26. AE para el PVCT multiobjetivo
Aspectos comunes
MOEA: acercarse al frente de Pareto del problema (convergencia) y
muestrear adecuadamente el frente de soluciones (diversidad).
Funci´on correctiva considera veh´ıculos de distintas capacidades.
Inicializaci´on ´avida y selecci´on por torneo.
Micro MOEA paralelo con descomposici´on de dominio (pµMOEA/D)
Agregaci´on lineal de los objetivos:
F = wC × CT + wD × DT,
wC = [0 : 1
#islas
: 1], wD = 1 − wC .
MOEA expl´ıcito (NSGA–II)
Ordenamiento no–dominado (elitista), crowding para preservar diversidad.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 19 / 41
27. 1 Introducci´on
2 Definici´on del problema
3 Trabajos relacionados
4 Implementaci´on
5 Evaluaci´on experimental
6 Planificador de viajes compartidos en l´ınea
7 Conclusiones y trabajo futuro
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 20 / 41
28. Generaci´on de instancias
Generaci´on de puntos realistas en el mapa
Generador de Pedidos de Taxis (TQG) con datos de GPS de taxis de
Beijing (Ma et al., 2013).
Script para obtener instancias de un origen a muchos destinos.
API para obtener tarifas TaxiFareFinder (TFF).
Instancias en Montevideo generadas manualmente.
Instancias generadas
6 chicas: 10 y 15 pasajeros (Beijing).
6 medianas: 15 y 25 pasajeros (Beijing).
6 grandes: 25 y 45 pasajeros (Beijing).
4 en Montevideo: 8 y 17 pasajeros (Montevideo).
22 instancias para el PVCT monoobjetivo y 88 instancias para el PVCT
multiobjetivo, variando capacidades y tolerancias.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 21 / 41
29. Metodolog´ıa
Entorno de ejecuci´on
Evaluaci´on experimental
realizada en el Cluster FING.
Sin compartir recursos para
evitar interferencias.
Ejecuciones
30 ejecuciones independientes de cada algoritmo sobre cada instancia.
Criterio de parada: 10.000 generaciones (planificaci´on en l´ınea).
Comparaci´on de resultados
Tests estad´ısticos sobre las distribuciones de resultados:
Shapiro–Wilk sobre cada muestra para contrastar normalidad.
Kruskal–Wallis para comparar las muestras entre s´ı.
En ambos tests se utiliza un nivel de confianza del 95 % (α = 0,05).
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 22 / 41
30. PVCT monoobjetivo
Configuraci´on param´etrica
seqEA: #P ∈ {150; 200; 250}; pC ∈ {0,6; 0,75; 0,95};
pM ∈ {0,001; 0,01; 0,1}.
pµEA: micro–poblaci´on de 15 individuos, torneo (m = 2, k = 1),
migraci´on cada 500 generaciones.
pC ∈ {0,6; 0,75; 0,95}; pM ∈ {0,001; 0,01; 0,1}.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 23 / 41
31. Algoritmo ´avido
Toma decisiones localmente ´optimas y emula el comportamiento de un
grupo de usuarios humanos. Utiliza ideas de los trabajos relacionados.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 24 / 41
32. Algoritmo ´avido
Toma decisiones localmente ´optimas y emula el comportamiento de un
grupo de usuarios humanos. Utiliza ideas de los trabajos relacionados.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 24 / 41
33. Algoritmo ´avido
Toma decisiones localmente ´optimas y emula el comportamiento de un
grupo de usuarios humanos. Utiliza ideas de los trabajos relacionados.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 24 / 41
34. Algoritmo ´avido
Toma decisiones localmente ´optimas y emula el comportamiento de un
grupo de usuarios humanos. Utiliza ideas de los trabajos relacionados.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 24 / 41
35. Algoritmo ´avido
Toma decisiones localmente ´optimas y emula el comportamiento de un
grupo de usuarios humanos. Utiliza ideas de los trabajos relacionados.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 24 / 41
36. Algoritmo ´avido
Toma decisiones localmente ´optimas y emula el comportamiento de un
grupo de usuarios humanos. Utiliza ideas de los trabajos relacionados.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 24 / 41
37. Algoritmo ´avido
Toma decisiones localmente ´optimas y emula el comportamiento de un
grupo de usuarios humanos. Utiliza ideas de los trabajos relacionados.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 24 / 41
38. Algoritmo ´avido
Toma decisiones localmente ´optimas y emula el comportamiento de un
grupo de usuarios humanos. Utiliza ideas de los trabajos relacionados.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 24 / 41
39. Comparativa de m´etodos de inicializaci´on
Resultados seqEA
Inicializaci´on ´avida supera a inicializaci´on aleatoria en 10 instancias.
Inicializaci´on aleatoria supera a inicializaci´on ´avida en 2 instancias.
No hay diferencias estad´ısticamente significativas en 10 instancias.
Resultados pµEA
Inicializaci´on ´avida supera a inicializaci´on aleatoria en 11 instancias.
Inicializaci´on aleatoria nunca supera a inicializaci´on ´avida.
No hay diferencias estad´ısticamente significativas en 11 instancias.
Conclusi´on
Se utiliza la inicializaci´on ´avida para el resto de la evaluaci´on experimental.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 25 / 41
40. Mejoras seqEA sobre algoritmo ´avido
Mejoras en todas las instancias sobre el algoritmo ´avido (hasta 35.9 %).
“Online taxi sharing optimization using evolutionary algorithms” (CLEI)
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 26 / 41
41. Mejoras pµEA sobre algoritmo ´avido
Mejoras en todas las instancias sobre el algoritmo ´avido (hasta 41.0 %).
“A parallel micro evolutionary algorithm for taxi sharing optimization” (ALIO)
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 27 / 41
43. Evoluci´on del costo a lo largo de una ejecuci´on
pµEA alcanza mejores soluciones que seqEA en menos tiempo.
En el mejor caso alcanza una aceleraci´on de 7,5x (4,6x en promedio).
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 29 / 41
44. PVCT multiobjetivo
Configuraci´on param´etrica
pµMOEA/D: #P = 15; selecci´on por torneo (m = 2, k = 1); migraci´on
cada 1000 generaciones reemplazando a los peores individuos
pC ∈ {0,6; 0,75; 0,95}; pM ∈ {0,001; 0,01; 0,1}
NSGA–II: #P = 80; selecci´on por torneo (m = 2, k = 1);
pC ∈ {0,6; 0,75; 0,95}; pM ∈ {0,001; 0,01; 0,1}.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 30 / 41
45. Algoritmos ´avidos
Algoritmo ´avido para minimizar el costo
Similar al de la variante monoobjetivo pero considerando las distintas
capacidades de los veh´ıculos.
Algoritmo ´avido para minimizar la demora
Se crea un taxi vac´ıo para cada pasajero con nivel m´aximo de apuro y
se los ubica en la primera posici´on.
Luego, se recorre la lista de pasajeros no asignados en orden de apuro,
coloc´andolos en el taxi que minimice su demora.
Si el taxi alcanza la m´axima capacidad disponible, se lo considera
completo y no acepta m´as pasajeros.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 31 / 41
46. Resultados num´ericos
pµMOEA/D: “Planificaci´on multiobjetivo de viajes compartidos en taxis utilizando un micro algoritmo evolutivo paralelo” (MAEB)
Hasta 101.2 % de mejora en demora y 72.8 % en costo sobre ´avidos.
#ND DG spacing spread RHV
chicas 8.5±2.1 (16.0) 3.1±2.5 (0.0) 740.2±746.3 (58.1) 0.6±0.2 (0.1) 0.9±0.1 (1.0)
medianas 9.1±2.2 (19.0) 5.7±2.5 (0.0) 1448.5±1064.1 (141.6) 0.6±0.1 (0.1) 0.9±0.1 (1.0)
grandes 8.5±2.2 (17.0) 7.9±3.4 (2.0) 2917.2±2041.5 (175.3) 0.6±0.1 (0.0) 0.8±0.1 (1.0)
Montevideo 8.0±2.1 (14.0) 3.0±2.0 (0.0) 663.5±542.4 (61.5) 0.6±0.2 (0.0) 0.9±0.0 (1.0)
Buena convergencia y diversidad. Pocas soluciones no dominadas.
NSGA–II: “Multiobjective taxi sharing optimization using the NSGA-II evolutionary algorithm” (MIC)
Hasta 105.2 % de mejora en demora y 75.1 % en costo sobre ´avidos.
#ND DG spacing spread RHV
chicas 32.6±9.5 (55.0) 0.3±0.6 (0.0) 236.2±222.7 (43.2) 0.9±0.1 (0.7) 1.0±0.0 (1.0)
medianas 54.5±4.2 (67.0) 1.0±0.7 (0.0) 193.6±202.4 (26.2) 0.7±0.2 (0.4) 1.0±0.0 (1.0)
grandes 55.2±3.5 (67.0) 1.8±1.1 (0.4) 243.6±229.8 (26.4) 0.7±0.2 (0.4) 1.0±0.0 (1.0)
Montevideo 43.9±16.4 (61.0) 0.4±0.5 (0.0) 142.3±143.2 (20.8) 0.8±0.1 (0.5) 1.0±0.0 (1.0)
Mayor cantidad de puntos no dominados (hasta 67/80).
Buena convergencia y diversidad en las soluciones encontradas.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 32 / 41
47. Frentes de Pareto: pµMOEA/D vs. NSGA–II
NSGA–II alcanza mejores soluciones: mayor cantidad de puntos no
dominados distribuidos homog´eneamente a lo largo del frente.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 33 / 41
48. Mejora frente a algoritmos ´avidos vs. tiempo de ejecuci´on
costo demora
NSGA–II alcanza mejores soluciones pero requiere de un mayor tiempo de
ejecuci´on que pµMOEA/D.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 34 / 41
49. 1 Introducci´on
2 Definici´on del problema
3 Trabajos relacionados
4 Implementaci´on
5 Evaluaci´on experimental
6 Planificador de viajes compartidos en l´ınea
7 Conclusiones y trabajo futuro
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 35 / 41
50. Planificador de viajes compartidos en l´ınea
Se ingresa el origen, los destinos
y la tarifa (diurna/nocturna).
Se ejecuta el AE y se muestra la
planificaci´on calculada.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 36 / 41
51. Planificador de viajes compartidos en l´ınea
Se ingresa el origen, los destinos
y la tarifa (diurna/nocturna).
Se ejecuta el AE y se muestra la
planificaci´on calculada.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 36 / 41
52. Arquitectura del planificador de viajes compartidos en l´ınea
Servidor implementado en Ruby on Rails siguiendo MVC.
Las aplicaciones m´oviles consumen la API del servidor.
Aplicaciones m´oviles: desarrollo h´ıbrido vs. desarrollo nativo.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 37 / 41
53. 1 Introducci´on
2 Definici´on del problema
3 Trabajos relacionados
4 Implementaci´on
5 Evaluaci´on experimental
6 Planificador de viajes compartidos en l´ınea
7 Conclusiones y trabajo futuro
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 38 / 41
54. Conclusiones
Se relev´o la literatura relacionada, se presentaron dos variantes del
problema y se implementaron cuatro AE.
El an´alisis experimental se realiz´o sobre instancias realistas
comparando contra algoritmos ´avidos.
Variante monoobjetivo: mejoras en costo de hasta 35.9 % (seqEA) y
41.0 % (pµEA) sobre algoritmo ´avido.
Variante multiobjetivo: mejoras de hasta 72.8 % y 101.2 %
(pµMOEA/D); 75.1 % y 105.2 % (NSGA–II) en costo y demora sobre
algoritmos ´avidos.
Planificador de viajes compartidos en taxis (www.mepaseaste.uy).
Cuatro art´ıculos en conferencias internacionales.
Primer premio del jurado en “Ingenier´ıa deMuestra 2014”.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 39 / 41
55. Conclusiones
Se relev´o la literatura relacionada, se presentaron dos variantes del
problema y se implementaron cuatro AE.
El an´alisis experimental se realiz´o sobre instancias realistas
comparando contra algoritmos ´avidos.
Variante monoobjetivo: mejoras en costo de hasta 35.9 % (seqEA) y
41.0 % (pµEA) sobre algoritmo ´avido.
Variante multiobjetivo: mejoras de hasta 72.8 % y 101.2 %
(pµMOEA/D); 75.1 % y 105.2 % (NSGA–II) en costo y demora sobre
algoritmos ´avidos.
Planificador de viajes compartidos en taxis (www.mepaseaste.uy).
Cuatro art´ıculos en conferencias internacionales.
Primer premio del jurado en “Ingenier´ıa deMuestra 2014”.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 39 / 41
56. Conclusiones
Se relev´o la literatura relacionada, se presentaron dos variantes del
problema y se implementaron cuatro AE.
El an´alisis experimental se realiz´o sobre instancias realistas
comparando contra algoritmos ´avidos.
Variante monoobjetivo: mejoras en costo de hasta 35.9 % (seqEA) y
41.0 % (pµEA) sobre algoritmo ´avido.
Variante multiobjetivo: mejoras de hasta 72.8 % y 101.2 %
(pµMOEA/D); 75.1 % y 105.2 % (NSGA–II) en costo y demora sobre
algoritmos ´avidos.
Planificador de viajes compartidos en taxis (www.mepaseaste.uy).
Cuatro art´ıculos en conferencias internacionales.
Primer premio del jurado en “Ingenier´ıa deMuestra 2014”.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 39 / 41
57. Conclusiones
Se relev´o la literatura relacionada, se presentaron dos variantes del
problema y se implementaron cuatro AE.
El an´alisis experimental se realiz´o sobre instancias realistas
comparando contra algoritmos ´avidos.
Variante monoobjetivo: mejoras en costo de hasta 35.9 % (seqEA) y
41.0 % (pµEA) sobre algoritmo ´avido.
Variante multiobjetivo: mejoras de hasta 72.8 % y 101.2 %
(pµMOEA/D); 75.1 % y 105.2 % (NSGA–II) en costo y demora sobre
algoritmos ´avidos.
Planificador de viajes compartidos en taxis (www.mepaseaste.uy).
Cuatro art´ıculos en conferencias internacionales.
Primer premio del jurado en “Ingenier´ıa deMuestra 2014”.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 39 / 41
58. Trabajo futuro
Mejoras en los AE
Implementar NSGA–II con subpoblaciones distribuidas.
Incorporar datos realistas del tr´afico.
Incorporar datos de la disponibilidad de los taxis en tiempo real.
Mejoras en el planificador de viajes compartidos
Mejorar la experiencia de usuario.
Desarrollar versiones para Android y Windows Phone.
Soportar la variante multiobjetivo.
Problemas relacionados
Estudiar otras variantes del problema (many–to–one, many–to–many).
Estudiar la aplicabilidad de los AE a otros escenarios.
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 40 / 41
59. Gracias
Sitio web del proyecto:
www.fing.edu.uy/inco/grupos/cecal/hpc/AG-Taxi/
G. Fag´undez, R. Massobrio Optimizaci´on de viajes compartidos en taxis utilizando algoritmos evolutivos 41 / 41