Un caso logístico del problema de ruteo vehicular múltiple m-VRP resuelto con la

heurística de Fisher & Jaikumar.

A. Guerrero-Campanur1, R.E. Pérez-Loaiza2, E. Olivares-Benitez3
UPAEP
Doctorado en Logística y Dirección de la Cadena de Suministro
Universidad Popular Autónoma del Estado de Puebla
Puebla, Puebla, México

Resumen: La heurística de asignación generalizada
de Fisher & Jaikumar utilizada en el presente
proyecto pertenece a los métodos de dos fases bajo
la secuencia cluster first – route second, y se aplicó
en un caso logístico del problema de ruteo vehicular
múltiple (m-VRP) dentro de una empresa clasificada
como PyME (pequeña y mediana empresa) dedicada
a la distribución de productos de papelería y oficina,
en el cual m-vehículos parten a visitar a n-clientes y
regresan a un mismo centro de distribución,
deseando que el tour minimice los costos de
transporte respetando la capacidad de cada uno de
los m-vehículos así como la demanda del cliente.
Abstract: The generalized assignment heuristic of
Fisher & Jaikumar used in this project belongs to the
methods of two phases of the type cluster first –
route second, that was applied in a case of the
multiple vehicle routing problem (m-VRP) in a SME
(small and medium enterprises) company engaged in
the distribution of office products, in which m-
vehicles visit n-customers and return to the same
distribution center, expecting that the tour
minimizes the transportation costs meeting the
capacity of each of the m-vehicles and the customer
demand.
Keywords: m-VRP, Generalized Assignment
Heuristic.
territoriales, para entregar los pedidos de sus
productos o servicios, teniendo como punto de
partida y retorno algún centro de distribución,
deposito, planta, oficina o lugar en común. Este
documento se centra en la aplicación de la
Heurística de asignación generalizada de Fisher &
Jaikumar para resolver este problema.
El documento en su primer sección describe a la
empresa donde se lleva a cabo el caso logístico, la
Heurística de asignación generalizada de Fisher &
Jaikumar, y las fases y métodos exactos que esta
contempla. En la segunda sección se resuelve el
caso de una empresa PyME, considerando para la
instancia la Zona-A determinada por la empresa, la
cual cubre 3 ciudades de la república mexicana y un
número determinado de clientes en Querétaro, León,
y Guadalajara, con 10, 10 y 6 clientes
respectivamente, considerando 5 vehículos, lo que
en realidad es un solo vehículo pero que estará
disponible durante 5 días en una semana. En la
tercera sección se presentan resultados, tabla de
comparación de resultados y conclusiones del
proyecto.
2. Descripción del problema y
metodología.
2.1 Descripción de la empresa.

1. Introducción. Este es el caso de una empresa PyME, dedicada a la

El ruteo vehicular ha sido un problema de gran
interés en diversas áreas, debido a la complejidad y
costo computacional que representa al incrementar
el tamaño de la instancia. Día con día los vehículos
dentro de su jornada laboral se dirigen a cada uno de
sus clientes, ubicados en diferentes puntos
impresión de serigrafía en productos de papel y
plástico bajo diseño propios, y distribución de
productos de papelería y oficina importados, la cual
inicia operaciones en 1995 con productos de
papelería nacional. En el 2000 entra en la actividad
de la importación, en el 2005 comienza con la
maquila de imprenta, y en el 2006 se consolida

TLAIO4.doc
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.

como imprenta. Sus oficinas y áreas de diseño y : Necesidad de capacidad si el cliente i es

ventas, se encuentran ubicadas en diferentes puntos asignado el cliente semilla j
de la ciudad de Apizaco, Tlaxcala. Además cuenta : Costo del cliente i si es asignado al cliente
con una bodega que funciona como área de semilla j
almacenaje y producción, ubicada en Tlalnepantla,
estado de México.
Las variables son = 1, si el cliente i es
Esta empresa cuenta, aproximadamente con asignada al cliente semilla j; variable = 0 en caso
500 clientes distribuidos en diferentes estados de la contrario.
República Mexicana con una demanda determinada
cada uno. Dicha empresa cuenta una flotilla de 15 (1.1)
vehículos de entrega. Estos vehículos ya tienen
determinada una zona para realizar la entrega de los s.a
pedidos de sus clientes.
2.2 Descripción del problema
(1.2)
La empresa no aplica un método para planeación de
sus rutas vehiculares para la repartición de los
productos a sus clientes, por lo que no tiene un
fundamente técnico que le permita visualizar por (1.3)
donde iniciar a repartir y donde terminar, dejando
muchas veces fuera a los clientes que de cierta
manera son importantes o que tienen una mayor (1.4)
demanda, ocasionando un nivel de servicio irregular
y eventualmente pérdidas económicas y de recursos.
Hay una alta cantidad de clientes con los que se La restricción (1.2) describe el cumplimiento
cuenta, y por lo tanto, la empresa requiere una con la capacidad del recurso a utilizar; la restricción
planeación de rutas vehiculares que minimice los (1.3) asegura que un cliente i solo será asignado a un
costos de transporte, considerando la demanda de cliente semilla j, ya que la variable es binaria
los clientes y la capacidad de los vehículos. (1.4).

2.3 Heurística de asignación generalizada de
Fisher & Jaikumar
Fisher & Jaikumar (1981) proponen generar primero
clusters de clientes mediante la resolución de un
Problema de Asignación Generalizada (GAP).
Dentro de la primera fase se fijan n clientes semilla
con J = 1, …,n sobre la base de los cuales se
construirán los clusters y se calcula el costo de
insertar un cliente i en el cluster j como el costo de
la mejor inserción del cliente i ruta (0,Sj,0) es decir,
dij= debido a que se trabaja con
una matriz simétrica. Además, se decide que clientes
asignar a cada uno de los clusters de modo de no
violar la capacidad del recurso, resolviendo un
Problema de Asignación Generalizada (GAP)
(Fisher, M., & Jaikumar, R., 1981) que puede ser
formulado como programa entero, bajo el objetivo
de minimizar el costo total de la asignación como se
presenta a continuación.
Para la segunda fase se realiza el ruteo de cada
cluster, mediante la resolución de un Traveling
Salesman Problem TSP generalmente representado
como un típico problema hard de optimización
combinatoria (Gutin, G. & Punnen, A., 2002), el
cual se presenta a continuación mediante la
siguiente formulación de programación entera.
(2.1)
s.a
(2.2)
(2.3)
{0, 1}, (2.4)

La notación utilizada para el GAP es la siguiente:
I : Conjunto clientes (i = 1, ... , n)
J : Conjunto clientes semilla Sj (j = 1, ... , m)
: Capacidad del recurso j
Sea G = (V,A) donde V = {1, …n} y A = {(i,j) :
i,j V}, un grafo y sea el costo asociado al arco
(i,j), y la variable binaria de decisión.

Pag. 2
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.

El modelo presenta (2.1) la minimización de

en función a los arcos seleccionados , con
restricciones (2.2) y (2.3) las cuales aseguran que un
solo agente atenderá a una determinada ciudad (2.4)
declara que esta en función de una variable
binaria. Otra forma que se puede observar el
problema TSP es mediante el uso de un grafo
completo dirigido, en el cual los vértices son las
ciudades, o sitios a visitar y los arcos son los
caminos que comunican a los vértices, dichos arcos
contienen un peso (distancia o costo) entre dos
vértices que se encuentran conectados mediante un
determinado arco.
Fig. 1 Ubicación de Clientes en las ciudades de Querétaro,
Al modelo de formulación programación entera León, y Guadalajara Origen (Bodega).
TSP es necesario adicionarle una restricción para A continuación en la Tabla 1, se presentan a los
eliminar los subtours que son formados por nodos 5 clientes semilla Sj considerados y el total de
intermedios. Estas restricciones se conocen como clientes a considerar Ci, por estado (Tabla 2, 3, 4).
SEC’s (Subtour elimination constraints). A
continuación se presentan las SEC’s propuestas por Tabla 1: Clientes semilla Sj a considerar heurística de
asignación generalizada de Fisher & Jaikumar
Miller–Tucker–Zemlin (denotadas por MTZ-SEC’s)
mostradas por Kara I., Laporte G., y Bektas T. No Cliente Nombre Estado.
(2004). C5 Papel y Mas Querétaro, QRO.
C18 MAPEQ León GTO.
(3) C20 Princesita Papelería León GTO
C25 Papelería Bety Guadalajara, JAL
C26 SABONIS Guadalajara JAL

Donde, p denota el máximo número de nodos

que pueden ser visitados por un agente de ventas. Tabla 2: Clientes Ci en la ciudad de Querétaro, QRO

3. Caso de estudio No Cliente Nombre Dirección.

C1 Blue Ave. Panamá.
3.1 Instancias C2 Papelería el Plumin 15 De Mayo 120
La aplicación del caso logístico del problema C3 Papelería Minerva Hidalgo 168.
Multiple Vehicle Routing Problem m-VRP, se C4 Fantasía Papelería De Vizcaínas 1073.
llevara a cabo en una porción de la Zona-A C5 Papel y Mas Del Parque Loc. 3A.
delimitada por la empresa, la cual cubre 3 ciudades C6 Papelería Rossy Ignacio P. Sur 5013.
de la república y un número determinado de clientes C7 Papelería Florencia Hidalgo 185-C.
(Querétaro, León, y Guadalajara, con 10, 10 y 6 C8 Papelerías Colibri Allende Sur 67.
clientes respectivamente) y una bodega ubicada en C9 Wilcon Papelería. 20 De Nov. 256-Bis.
C10 Centro Sandra Fco. J. Macín 103.
Tlalnepantla, Estado de México, los cuales se
muestran en la Fig. 1. Para la primera fase se
tomaron en cuenta 5 clientes semilla Sj, los cuales Tabla 3: Clientes Ci en la ciudad de León, GTO
posteriormente se traducen en 5 clusters dando
No Cliente Nombre Dirección
origen a un número igual de rutas para agentes C11 Pap. Mariposa Á. Obregón 106.
viajeros. C12 El escritorio Blvd.T.Landa 635.
C13 Coecillo Av. San Juan 105.
C14 Bricio Papelería Madero 519
C15 Papelería Delta Á. Obregón 218
C16 Pap. Surtimas Cumbres 1003
C17 Comer. Arcoíris Justo Sierra 128
C18 MAPEQ Blv. Escobedo 4213
C19 Papelería Alfil E. Zapata 302 2
C20 Princesita Pap. Romita 104

Pag. 3
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.

C13 490,72 13,38 2,7 138,12 114,51 6

Tabla 4: Clientes Ci en la ciudad de Guadalajara, JAL C14 497,34 14,50 2,38 132,74 110,62 9
C15 498,52 16,95 2,32 127,92 105,81 3
No Cliente Nombre Dirección
C16 479,13 5,16 2,31 131,03 108,915 2
C21 Vázquez Hnos. San Felipe 555
C22 Felipe Escolar Loera 200 C17 498,435 16,875 2,475 127,83 104,22 6
C23 CONIGA Indep. 1119 C18 476,22 0 2,385 129,62 107,505 4
C24 La Casita R. Zavala 189 C19 496,32 16,125 2,31 133,22 111,105 7
C25 Papelería Bety G.Galilei 357 C20 503,73 21,405 0 130,13 108,015 6
C26 SABONIS Obregón 299
C21 968,745 561,53 541,52 9,285 3,99 5
C22 961,955 554,74 536,23 17,45 3,89 8
La obtención del costo de la mejor inserción del C23 971,31 562,59 541,08 7,605 5,145 6
cliente se baso en la siguiente matriz de costos. En
C24 973,655 564,94 546,43 29,45 13,79 9
la Tabla 5 se presenta una parte de la matriz de
C25 981,105 572,39 553,88 0 26,79 4
costos con el objetivo de ilustrar la secuencia de
esta. C26 961,215 552,5 533,99 29,01 0 6
aj 30 30 30 30 30

Tabla 5: Matriz de costos, obtenida a partir de la

distancia en kilómetros entre dos puntos y un costo fijo por
kilometro recorrido. Posteriormente se resuelve el GAP para la
asignación de Cliente i a Clientes Semilla Sj y así
obtener la formación de cluters, para lo cual se
Bodega C1 C2 .... C26
utilizo Lingo 10.1 en un procesador 2.26 GHz Intel
Bodega 0 257,1 257,7 .... 298,3
2 Duo Core, obteniendo la siguiente asignación
C1 257,1 0 5,805 .... 10,31 (Tabla 7).
C2 257,7 5,805 0 .... 8,4
.
.
.
.
.
.
.
.
.
.
Global optimal solution found.
. . . . . Objective value: 507.6950
....
C26 685,5 520,5 532,5 0 Extended solver steps: 504
Total solver iterations: 4644
Una vez obtenida la matriz de costos se usa la
siguiente formulación dij= Tabla 7: Relación de clientes Ci con clientes semilla Sj
debido a que se cuenta con una matriz simétrica,
obteniendo los resultados que se muestra en la Tabla
6. Cabe destacar que se coloca la demanda bij Sj C5 C18 C20 C25 C26
(cajas) de cada cliente i y capacidad del vehículo aj C1 C2 C11 C21 C8
(cajas) para cada Clientes Semilla Sj C3 C6 C14 C22 C12
C4 C13 C15 C23 C24
Tabla 6: Relación de costos de clientes Ci con clientes Ci C5 C18 C16 C25 C26
semilla Sj.
C7 C19 C17
C9 C20
Clientes Semilla Sj C10
Ci C5 C18 C20 C25 C26 bij
C1 6,94 73,06 69,55 115,68 92,07 5
Como parte de la segunda fase se resuelve el
C2 8,23 57,16 67,15 128,28 104,67 6
problema TSP para cada uno de los clusters
C3 6,55 58,01 67,99 120,12 96,51 4 utilizando de nueva cuenta Lingo 10.1, para los 5
C4 2,68 58,71 68,7 122,33 98,71 5 clientes semilla Sj. Tabla 8 muestra los costos para
C5 0 69,78 78,27 131,9 109,78 3 el clúster de C25
C6 6,18 54,99 64,98 117,11 94,99 7
C7 7,24 58,23 68,22 118,85 95,23 3 Tabla 8: Para el clúster de C25, bajo los siguientes
C8 4,98 54,73 64,72 116,85 93,24 6 costos.

C9 37,66 95,58 105,57 154,7 131,08 4 Bodega C21 C22 C23 C25
C10 45,6 111,3 121,29 168,92 146,80 6 Bodega 0 676,56 680,27 677,63 684,42
C11 500,46 17,67 2,34 128,36 104,74 4
C21 676,56 0 6,615 4,335 17,145
C12 491,35 12,88 3 128,25 106,14 8

Pag. 4
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.

C22 680,27 6,615 0 6,3 21,6 Tabla 9: Resumen de secuencia de las rutas con
respecto a Sj
C23 677,625 4,335 6,3 0 14,4
C25 684,42 17,145 21,6 14,4 0 Carga
Sj Ruta
(unidades)
Origen – c4 – c9 – c5 – c2 – c8 – 30
La Tabla 9 nos presenta la secuencia de las C5
c10 Origen unidades.
rutas de acuerdo a los 5 clientes semilla Sj Origen – c3 – c6 – c1 – c7 – c18 – 25
propuestos en un inicio bajo la heurística de C18
c16 –Origen unidades
asignación generalizada de Fisher & Jaikumar, Origen – c24 – c26 – c12 – c8 – 28
C26
arrojando un costo total de $ 5,449.094. Origen unidades
Origen – c16 – c14 – c15 – c11 – 30
C20
c20– c17 –Origen unidades
Tabla 9: Resumen de secuencia de las rutas con
Origen – c21 – c22 – c23 – c25 – 29
respecto a Sj C25
Origen unidades
Carga
Sj Ruta Como observamos tenemos un ahorro de $ 26.285
(unidades)
Origen – c1 – c7 – c3 – c10 – c5 – 30 semanalmente al comparar la heurística de de
C5 Barrido y Fisher & Jaikumar.
c9 – c4 – Origen unidades.
Origen – c19 – c13 – c18 – c6 – c2 30
C18
– Origen unidades
4. Conclusiones
Origen – c24 – c26 – c12 – c8 – 29 Mediante el uso de la heurística de asignación
C26
Origen unidades
generalizada de Fisher & Jaikumar, se logro
Origen – c16 – c14 – c15 – c11 – 30
C20
c20– c17 –Origen unidades
encontrar una factible y mejor solución para el
Origen – c21 – c22 – c23 – c25 – 23 problema de ruteo vehicular de la empresa PyME.
C26 Cabe destacar que dicha solución puede mejorar al
Origen unidades
momento de seleccionar los Clientes Semilla Sj.
Nuestra propuesta para un trabajo futuro es resolver
el modelo de la P-Mediana en la etapa de selección
de Clientes Semilla Sj, y con esto tratar de encontrar
una mejor solución.

Referencias
[1] Fisher, M., & Jaikumar, R. (1981). A generalized
assignment heuristic for the vehicle routing problem.
Networks 11, 109–124
[2] Gillett, B. & Miller, L. (1974). A heuristic algorithm
for the vehicle-dispatch problem. Operations
Research, 22 340-34
[3] Gutin, G. & Punnen, A. (2002). The Traveling
Fig. 2 Secuencia de las rutas con respecto a Sj bajo la Salesman Problem: Applications, Formulationsan
heurística de asignación generalizada Fisher & Jaikumar. Variations. Traveling salesman problem and its
variations (pp.1-24). Netherlands: Kluwer Academic
3.2 Resultados Publishers.

La empresa PyME, no cuenta con un método de
ruteo vehicular definido y lo más cercano a sus
prácticas es la heurística de Barrido o Sweep. En
dicha Heurística los clusters se forman girando una
semirrecta con origen en el depósito e incorporando
los clientes “barridos” por dicha semirrecta hasta
que se viole la restricción de capacidad (Gillett, B.
& Miller, L., 1974).
De acuerdo a los resultados obtenidos utilizando la
política de la empresa (heurística de Barrido o
Sweep) para realizar el ruteo vehicular, se obtuvo un
costo total de $ 5,475.379.
[4] Kara, I., Laporte, G. & Bektas, T. (2004). A note on
the lifted Miller–Tucker–Zemlin subtour elimination
constraints for the capacitated vehicle routing
problem. European Journal of Operational Research,
158, 793 - 795.
[5] Lindo Systems Inc, (2010). Lingo User’s Guide.
[6] Olivera, A. (2004). Heurísticas para Problemas de
Ruteo de Vehículos. Instituto de Computación,
Facultad de Ingeniería, Universidad de la República,
Montevideo, Uruguay. 17 - 18.
Información acerca del Autor
Autor: Guerrero Campanur Aarón (Estudiante de
Doctorado). Logística y Dirección de la Cadena de
Suministro. Universidad Popular Autónoma del

Pag. 5
 4to Taller Latino Iberoamericano de Investigación de Operaciones
16, 17 y 18 de Noviembre de 2011, Acapulco, Guerrero, México.

Estado de Puebla. Docente Ingeniería Industrial

Instituto Tecnológico Superior de Uruapan ITSU.
Uruapan, Michoacán; México. Email:
aaron.guerrero@itesu.edu.mx

Autor: Pérez Loaiza Rodolfo (Estudiante de

Doctorado). Logística y Dirección de la Cadena de
Suministro. Universidad Popular Autónoma del
Estado de Puebla. Depto. Ingeniería Industrial
Instituto Tecnológico de Apizaco, Tlaxcala; México.
Email: reploaiza@gmail.com

Autor: Olivares Benítez Elías Logística y

Dirección de la Cadena de Suministro. Universidad
Popular Autónoma del Estado de Puebla. Centro
Interdisciplinario de Posgrados, Investigación y
Consultoría. Email: elias.olivares@upaep.mx

Pag. 6