Investigacin de Operaciones en accin:

Aplicacin del TSP en problemas de manufactura y logstica Jos Luis Gonzlez Velarde* Roger Z. Ros Mercado**

Resumen En este artculo se describe uno de los problemas ms famosos y difciles en la teora de optimizacin. Se hace una breve reseiia de rntodos que se han propuesto para su solucin, se presentan tarnbin algunas aplicaciones prcticas, en particular el Problema del Agente ViaJero, y se esboza brevemente el signzjicado de la expresin Complejidad Computacional.
Palabras clave: Investigacin de Operaciones, Optimizacin, Algoritmo, Heurstica.

investigadores y profesionistas en los campos de ingeniera, matemticas aplicadas y administracin, quienes motivados por los diversos y complejos problemas de toma de decisiones que surgan en varias reas del quehacer cientfico e industrial, comenzaron a estudiar y desarrollar metodologas de solucin para problemas de diferentes caractersticas. Fue as como nacieron posteriormente las ramas de optimizacin no lineal (relacin no lineal entre las variables de decisin), optimizacin discreta (variables enteras) optimizacin entera mixta (en variables continuas discretas), por mencionar algunas. y y

1. INTRODUCCIN
La ciencia de la toma de decisiones, mejor conocida como Investigacin de Operaciones (lO), naci hace ya ms de cincuenta aos cuando George Dantzig invent el mtodo Simplex para resolver problemas de optimizacin lineal, es decir, problemas cuyas variables de decisin son continuas y relacionadas de manera lineal. Aun cuando en sus orgenes, esta naciente rea de la ciencia fue motivada por aplicaciones de carcter militar, la 10 fue alcanzando un alto grado de inters entre

Aplicaciones de 10 se encuentran en prcticamente todos los niveles y en todo tipo de industrias Es evidente que las corporaciones aspiran a tomar decisiones que les rediten beneficios econmicos, y normalmente, estas decisiones se encuentran restringidas de forma muy compleja. Estos atributos son nicos de modelos de 10. En las ltimas dcadas el impacto de 10 en la industria ha sido impresionante, conviI1indose en gU13ncias (o ahorros) con frecuencia multimillonaria en los di,;"'ersos ramos industriales. El presente es el primero de una serie de artculos que pretenden introducir al lector con problemas y metodologas de 10 (clsicas y recientes) y cmo stas se usan para resolver problemas reales que surgen en los diversos campos de la ciencia: ingeniera qumica, ingeniera civil, ingeniera elctrica, administracin, economa, ciencias computacionales, estadstica y matemticas aplicadas entre otras. As mismo se pretende ilustrar la importancia de saber evaluar las ventajas y desventajas que surgen entre la obtencin de soluciones de alta calidad contra los recursos

*
Profesor visitante, Universidad de Colorado, Escuela de Graduados en Negocios y Administracin. ** Investigador Asociado, Texas A&M University, Depat1amento de Ingeniera Industrial.

18

Ingenieras,

Mayo-Agosto 1999, Vol.

11,

NoA

Jos L. Gonztez Vetarde, Roger Z Ros Mercado

empleados para obtenerla (tiempo requerimientos de memoria).

de cmputo,

En este artculo, en particular, tratamos un problema clsico de 10 como lo es el Problema del Agente Viajero (TSP, por sus siglas en ingls Traveling Salesperson Problem) y su aplicacin para resolver el problema de programacin de tareas que se presenta en la manufactura, y el del ruteo de vehculos en el ramo de la logstica. En la Seccin 2 introducimos al lector con el
Fig. 1. Un tour en un TSP de ocho ciudades.

TSP, describiendo la razn por la cual este problema, tan sencillo de formular, es muy difcil de resolver y mencionamos brevemente las tcnicas ms eficientes para resolverlo. En la Seccin 3, planteamos algunas de las aplicaciones ms importantes del TSP en varios tipos de industrias. Concluimos en la Seccin 4 con comentarios finales.

2. QU ES EL TSP?
El TSP,l uno de los problemas clsicos de optimizacin, se formula de la siguiente manera. Un agente viajero, paltiendo de su ciudad de origen, debe visitar exactamente una vez cada ciudad de un conjunto de ellas (previamente especificado) y retornar al punto de partida. Un recorrido con estas caractersticas, es llamado dentro de este contexto un lour. El problema consiste en encontrar el tour para el cual la distancia total recorrida sea nnima. Se asume que se conoce, para cada par de ciudades, Ia distancia entre ellas. La Figura 1 ilustra un tour en una instancia de ocho ciudades.

El problema en s es fcil de formular. Sin embargo, al igual que muchos otros que se presentan en el campo de optimizacin, es sumamente difcil de resolver (por resolver, nos referimos a encontrar la solucin ptima al problema y probar desde luego que sta es efectivamente la mejor solucin posible). El establecer cundo un problema es "fcil" o "difcil" (la cual es una de las reasms importantes en los campos de optimizacin y computacin) est ntimamente ligado al tiempo de solucin del problema. Sin entrar en detalles tcnicos, decimos que un problema es "fcil" de resolver cuando es posible encontrar un algoritmo (mtodo de solucin) cuyo tiempo de ejecucin en una computadora crece de forma "razonable" o moderada (o polinomial) con el tamao del problema. Por el contrario, si no existe tal algoritmo decimos que el problema es "difcil" de resolver. Esto no implica que el problema no pueda resolverse, sino que cada algoritmo existente para la solucin del problema tiene un tiempo de ejecucin que crece explosivamente (o exponencialmente) con el tamai.o del problema. La consecuencia directa de un algoritmo que tiene una funcin de tiempo exponencial es que a medida que aumenta el tamao del problema, el tiempo requerido para la solucin aumenta de forma exponencial, lo cual limita bastante el tamao de

Ingenieras,

Mayo-Agosto 1999, Vol.

11,

NoA

19

Investigacin de operaciones en accin.

problemas que pueden resolverse en las computadoras modernas. Tcnicamente hablando, determinar si un problema es fcil o difcil se denomina establecer la complejidad computacional del problema, y esto es todo un mte, especialmente para demostrar que un problema es de los difciles. Para un estudio ms a fondo sobre complejidad computacional, recomendamos la obra de Garey y Johnson.l Veamos un ejemplo. Supongamos que tenemos una instancia del TSP con n ciudades. Una forma (poco inteligente) de resol verlo es por enumeracin exhaustiva. Es decir, formamos todas las posibles combinaciones de tours (en ... (2)(l este caso (n-l)', donde ni = n(n-l)(n-2) y calculamos la distancia total para cada tour, eligiendo aquel que tenga la mnima distancia total. En este caso el problema ha quedado totalmente resuelto porque estamos exhibiendo todos los tours posibles El tiempo de ejecucin de este algoritmo es a grosso modo f(n)=(n)!

Esta forma, como puede verse, deja de ser viable una vez que consideramos conjuntos de ciudades mayores. En el caso n=5, por ejemplo, tenemos que calcular 41=24 tours lo cual puede hacerse en fraccin de segundos en cualquier computadora Al considerar un conjunto con n=50 ciudades, el nmero posible de tours es 491, el cual es un nmero tan gigantesco que no alcanzara a resolverse en varios meses ni en las computadoras ms potentes de hoy en da. Hay que es una funcin notar que la funcin factorial j(n)=nl que crece exponencialmente a medida que crece el valor de n. Claro, esto no prueba que el TSP es difcil, ya que muy bien pudiera existir otro algoritmo que lo resolviera cuyo tiempo de ejecucin fuera polinomial. En este caso, sin embargo, ya se ha demostrado que tal algoritmo polinomial no existe y que el TSP peltenece a esa clase de problemas difciles. La Figura 2 (tomada del) ilustra las diferencias de crecimiento de diferentes funciones de tiempo (colunUlas). Las cifras que se muestran son tiempo de procesamiento en computadora que procesa 1 milln

Tanlao 10

minutos ~ ') minutos .0001 .0004 3.21.0 24.3 .1 .001 .008 1.7 .027 .064 3855 .00] 12.7 .059 35.7 aIlOS 13 .216 366 2 x 108 seg seg .0009 .0016 .00003 .00004 0000] 00002 58 6.5 seg allOS 17.9 .0036 00006 1.3 x 1013 dias .0025 .125 .00005 siglos f(n)=2n f(n)=n2 f(n)=n" f(ll)=n f(n)=311 t(n)=n5

Fig. 2. Comparacin

de varias funciones

polinomiales

yexponenciales.

20

Ingenieras,

Mayo-Agosto 1999, Vol.

11,

NoA

Jos L. Gonzlez Velarde, Roger Z. Ros Mercado

de operaciones de punto flotante por segundo. Ntese el crecimiento explosivo de las funciones exponenciales (ltimas dos columnas). La simplicidad de su formulacin aunado a la dificultad en resolverse fueron los factores que atrajeron a investigadores en las reas de matemticas discretas a estudiar el problema y desarrollar tcnicas especiales En 1990, la instancia del TSP de mayor tamao que haba sido resuelto era una de 318 ciudades2 Hoy en da existen mtodos basados en tcnicas de ramificacin y corte/acotamiento, las cuales explotan muy efectivamente la estructura matemtica del problema, que han sido muy exitosas En 1998, se report la instancia ms grande que se ha resuelto de 13,509 ciudades,o lo cual evidencia el tremendo progreso logrado durante la dcada de los noventa. Algunas de estas tcnicas sern tratadas con ms detalle en artculos posteriores. Desde luego que hay tambin razones prcticas que hacen importante el TSP. Muchos problemas reales pueden formularse como instancias del TSP, como se ver en la siguiente seccin

3. APLICACIONES

DEL TSP

Describiremos ahora algunos problemas que se presentan de forma natural en algunas empresas. El primero tiene que ver con la programacin de tareas en una mquina. Muchas veces en algn taller de manufactura, se cuenta con una sola mquina en la cual se pueden procesar diferentes tareas, una a la vez. Ahora bien, para procesar cada una de estas tareas, la mquina requiere de cierta configuracin caracterstica de la tarea, pueden ser: nmero y tamao de diferentes dados, colocacin de cuchillas a cierta distancia unas de otras, colorantes para alguna fibra, etc. De manera que una vez que una tarea ha sido terminada, es necesario preparar la mquina para procesar una nueva tarea, aqu ser necesario invertir un cierto tiempo, y este tiempo depender de la tarea recin procesada y de la prxima Si las caractersticas de una tarea son similares a las de otra, es plausible pensar que el tiempo que se requiere para pasar de una configuracin a otra ser pequeo, en comparacin del tiempo requerido para pasar"" de una tarea a otra con caractersticas muy difentes. Desgraciadamente durante las labores de preparacin de la mquina, ninguna de las tareas se puede ejecutar, as que este tiempo es tiempo perdido, y se est desaprovechando la capacidad de la mquina, esto representa un costo de oportunidad para la empresa. Es importante entonces encontrar el orden en el cual se deben de procesar estas tareas con el fin de reducir al mnimo todo este tiempo perdido. A n cuando este problema parezca no tener ninguna relacin con el TSP, se puede formular de la nusma manera. Cada tarea puede ser vista como una de las ciudades a visitar, y el tiempo necesario para cambiar la configuracin de la mquina corresponde a la distancia que hay entre una ciudad y otra. Encontrar la manera de ordenar las tareas para minimizar el tiempo total de preparacin es equivalente a disel1ar la ruta, esto es, el orden en el cual se deben de visitar las

Ingenieras,

Mayo-Agosto 1999, Vol.

11,

NoA

21

Investigacin de operaciones en accin.

ciudades para minimizar la distancia total recorrida. Esto nos da una idea de lo crucial que resulta tener buenas soluciones para el TSP en un ambiente de manufactura. Un segundo ejemplo lo podemos encontrar dentro de la logstica de distribucin de mercanca a los clientes. Generalmente, algunas empresas que distribuyen bienes perecederos necesitan hacerla en un tiempo corto, un esquema muy comn es que la empresa disponga de un almacn central, en el cual se concentran los bienes a distribuir, y una flotilla de unidades de transporte se encarga de visitar a los clientes para hacer entrega de la mercanca. Analicemos los componentes de este problema, en primer lugar tenemos que las unidades de servicio son limitadas, la forma en la que se podra efectuar la entrega de mercancas en el menor tiempo posible, sera enviar una unidad a cada uno de los clientes. Pero, lo ms realista sera pensar que no se tienen tantas unidades como clientes, ya que esto resultara sumamente oneroso. Si la empresa dispone de una sola unidad el costo fijo se reduce bastante, y el problema de determinar la ruta que debe de seguir el vehculo para entregar en el menor tiempo toda la mercanca es ni ms menos que el TSP. Pero aqu hay dos problemas en los que tenemos que pensar: en primer lugar, puede ser que el tiempo mnimo (si es que se puede determinar) resulte demasiado largo, p. ej. si se trata de entrega de leche, esta debe de estar entregada por la maana, que es cuando los clientes la requieren, y con una sola unidad de entrega, podra darse el caso que los ltimos clientes la fueran reci biendo por la tarde. Poiotro lado, las unidades tienen una cierta capacidad de almacenamiento, y puede ser que

se necesiten varias para poder cargar mercanca que debe de ser entregada.

con toda la

As pues vemos que este problema contiene dentro de s muchos ms. Primero: determinar cul es el tamao ideal de la Ilota de vehculos. Segundo: determinar cules son los clientes que deben de ser asignados a cada unidad para hacer la entrega Y finalmente: cul es la ruta que debe de seguir cada una con el fin de terminar con el repaJ10 en el menor tiempo posible (TSP). Para complicar ms las cosas estos problemas no son independientes, sino que la solucin de uno determina la de otro. Este problema se conoce como el problema de ruteo de vehculos (VRP: Vehicle Routing Problem) Muchas aplicaciones ms pueden encontrarse en el libro de Lawler el az.2 La Figura 3 ilustra un ejemplo de ruteo.

Fig. 3. Ejemplo de un ruteo factible en un VRP (una central de abasto, ocho clientes y tres unidades de servicio).

22

Ingenieras,

Mayo-Agosto 1999, Vol.

11,

NoA

Jos L. Gonzlez Velarde, Roger Z. Ros Mercado

4. CONCLUSIN En este artculo hemos presentado al TSP, uno de los problemas clsicos de 10, as como su aplicacin en problemas 10gsticos y de manufactura. Hemos tambin sealado cmo es que la bsqueda de procedimientos para resolver efectivamente problemas como ste, conlleva a un significativo avance en la operacin ptima de las empresas o industrias donde se presentan este tipo de problemas. Con respecto a esto, es importante sealar lo vital que resulta la labor de equipo para enfrentar y resolver exitosamente problemas de toma de decisiones. Se requiere de personal que tenga el conocimiento y entendimiento del fenmeno/problema que se pretende resolver, as como tambin personal experto en 10 que tenga la preparacin tcnica suficiente para modelar, y proponer/desarrollar tcnicas adecuadas de solucin explotando la estructura matemtica del problema. Una comunin exitosa se traduce en un impacto significativo de carcter econmico para la empresa. Lo ms alentador es que, a pesar de los marcados avances en cuestin de teora, metodologas y aplicaciones, an hay una amplia rea de oportunidad para efectuar avances todava mayores en esta importante rea del conocimiento. Otros modelos, metodologas y aplicaciones sern tratados en artculos posteriores.

REFERENCIAS 1. M. R. Garey y D. S. Johnson. Compurers and Inrraclabiliry: A Cuide ro rhe Theory 01 NPCOl1lplereness. Freeman, New York, 1979 2. E. L. Lawler, J. K. Lenstra, A. H. G. Rinnoy Kan y D B. Shmoys, editors. The Traveling Salesman Problem: A Cuided Tour 01 Combinarorial Wiley, Chichester, 1985. Oprimizalion 3. Oplima, 58, Mathematical Programming Society Newsletler, Junio 1998

Ingenieras,

Mayo-Agosto 1999, Vol.

11,

NoA

23