# , /

En la vida real, existen numerosas situaciones y problemas que son reconocidos como
problemas multiobjetivo, es decir, no poseen un único criterio medible por el cual pueda
declararse que una solución sea completamente satisfactoria. Dicho de otra forma, este
tipo de problemas contiene múltiples criterios que han de satisfacerse o que han de ser
tenidos en cuenta. A menudo dichos criterios entran en conflicto unos con otros y no
existe una única solución que simultáneamente satisfaga a todos. Por tanto, la solución
que se pretenda obtener debe estar en concordancia con las preferencias del decisor.

Los problemas de optimización de rutas de vehículos (VRP) se modelan normalmente

como un problema de optimización con un único objetivo, que minimiza el coste de llevar
alguna mercancía a unos destinos, al tiempo que se satisfacen ciertas restricciones. No
obstante, en la vida real se pueden tener en cuenta otros factores, como son: la
minimización de distancias, minimizar tiempos de espera, buscar un equilibrio en las
cargas de trabajo (tiempo, distancia,…) o minimizar emisiones de CO2 o de partículas
contaminantes, éstas últimas de gran interés en este PFM.

A diferencia de los muchos estudios que se han realizado sobre el tema de optimización
de rutas de vehículos, la incorporación de aspectos medioambientales a los problemas es
un tema relativamente nuevo y de gran interés. La logística verde puede llevar asociado
más de un criterio de eficiencia en el problema, convirtiéndolo en un problema
multiobjetivo. En nuestra formulación del problema, los niveles de emisiones de CO2 y de
partículas contaminantes van a constituir objetivos adicionales, los cuales se desean
minimizar.

En este capítulo se introducen los aspectos más relevantes de los problemas

multiobjetivo. Para una revisión más detallada sobre el tema y sobre las diferentes
técnicas de resolución de este tipo de problemas, ver el artículo de Marler y Arora (2004).

*
 # , /

3 ' &

Los problemas de optimización multiobjetivo (POM) pueden formularse de la siguiente

manera:

012 3 . 4 & 5 6
+,- . / ; 4 ,5
78 8 9:

Donde:

• n 2 es el número de funciones objetivo.

• x=( 4 & 5 ) es el vector de variables de decisión.
• : es el espacio de soluciones factibles. : es definido habitualmente como el
conjunto de restricciones < => ? @ A . BC 5! . @ D . B C 5 E.
• 3 es el vector objetivo.
• y=( 4 & 5 6 ), con . es el valor de una solución en el espacio de
soluciones factibles.

0 #

Sin ningún tipo de información sobre las preferencias del decisor y con igualdad de
importancia en los objetivos, no se puede decir que una solución es mejor que otra si no
la domina La solución a un problema de optimización multiobjetivo (POM) es el conjunto
de soluciones no dominadas llamadas conjunto de Pareto, que cumplen la propiedad de
Optimalidad de Pareto (Pareto, 1906):

Definición: Un punto, F
9 : es óptimo de Pareto si no existe otro punto, 9 :, tal que
3 ?3 F
y 3 G3 F
al menos en una función.

F
Esta definición dice que es un óptimo de Pareto si no existe ningún vector factible
9 :, que decremente algún criterio sin causar un incremento simultáneo en al menos
otro criterio.

,
 # , /

Si se representan en una gráfica, las funciones objetivo del conjunto de soluciones

formarán lo que se denomina Frente de Pareto y representa la frontera del espacio entre
las soluciones factibles y no factibles. (Figura 4.1)

A menudo, las herramientas informáticas o algunos algoritmos, pueden proporcionar

soluciones que satisfacen el objetivo global del problema, pero que no cumplen con la
propiedad de Optimalidad de Pareto. Así surge la definición de Óptimo de Pareto débil.

Definición: Un punto, F
9 : es óptimo de Pareto débil si no existe otro punto, 9 :, tal
que 3 G3 F
8

Un punto es óptimo de Pareto débil si no existe otro punto que mejore todas las funciones
objetivo simultáneamente.

7 # 8# 6 89 & :

Para la resolución de los problemas de optimización multiobjetivo es necesario introducir

en primer lugar varios conceptos de gran utilidad para comprender e interpretar el
problema planteado, como son la matriz de pagos y los puntos ideal, utópico y nadir.

La matriz de pagos es una matriz que nos permite cuantificar el nivel de conflicto
existente entre los objetivos que se estén considerando. Se construye a partir de las
soluciones que optimizan independientemente cada objetivo. Con cada solución obtenida,
se construye un vector formado por los valores que toman las funciones objetivo en ese
problema y los valores que resultarían para los demás objetivos con esa solución. Se
obtiene así una matriz cuadrada en cuya diagonal principal se encuentra el punto ideal,
formado por los valores óptimos de cada uno de los objetivos. Este punto es en general
inalcanzable, a no ser que los objetivos no se encuentren en conflicto en cuyo caso el
problema multiobjetivo tendría una única solución. Igualmente, se puede definir el punto
utópico, como un punto inalcanzable, cuyas componentes de las diferentes funciones
objetivo poseen valores más ambiciosos que el del punto ideal. Por otra parte, el punto
Nadir representa una solución no deseada. Este vector se define por los peores valores
de las funciones objetivo en la matriz. De esta forma se conocerá para cada función
objetivo su rango de variación dentro del conjunto factible. Estos puntos son utilizados
comúnmente para la normalización de los objetivos en los métodos de optimización
multiobjetivo.

-
 # , /

NADIR

FRENTE DE PARETO

IDEAL

UTÓPICO

# , : ! # . 23 ( !4 C# D

! + ' &

Con el fin de poder comparar las diferentes funciones objetivo, es necesario obtener
funciones objetivo adimensionales y de similar orden de magnitud. Esto es especialmente
útil cuando se utilizan métodos con articulación de preferencias a priori, donde el decisor
muestra sus preferencias en términos de metas o importancia relativa entre los diferentes
objetivos. (Marler y Arora, 2004).

Las tres funciones más utilizadas vienen representadas en las ecuaciones 29, 30 y 31, en
las que los valores 3 y 3 HIJ representan generalmente a los puntos ideal y nadir
respectivamente.

trans Fi ( x )
Fi (x) = ; Fi 0 > 0 4 -5
Fi 0

Fi ( x) − Fi 0
Fitrans (x ) = 4 .5
Fi 0

trans Fi (x ) − Fi 0
Fi (x ) = 4 5
Fi max − Fi 0

Suponiendo que el problema sea de minimizar, la primera de las aproximaciones (29)

impone un límite inferior igual a la unidad, mientras que la aproximación (30) lo establece
en el valor cero, no existiendo cota para el límite superior. La función de transformación
(31) adopta valores entre cero y uno y es por ello que se suele denominar como función
de normalización.

.
 # , /

3 &

Para la resolución de un problema multiobjetivo, existen cuatro tipos de enfoques:

• Métodos sin articulación de preferencias

• Métodos de articulación de preferencias a priori
• Métodos de articulación de preferencias a posteriori
• Métodos interactivos

En los métodos sin articulación de preferencias no existe decisor, es decir, no se

determinan preferencias por los diferentes objetivos involucrados. En los enfoques a
priori, el decisor establece de antemano las preferencias por los diferentes objetivos para
a continuación el proceso tratar de encontrar óptimos de Pareto. Alternativamente, en los
enfoques a posteriori, se genera primero una serie de soluciones no dominadas,
normalmente variando los parámetros del problema, y luego el decisor elige entre esas
soluciones. Por otra parte, en los enfoques interactivos, las preferencias del decisor se
realizan durante el proceso de resolución de los problemas.

Para la resolución del POM del HVRP con aspectos medioambientales, se ha utilizado un
método con articulación de preferencias a priori, en concreto el Método de los Pesos
Aumentados de Tchebycheff, una variante del método de Tchebycheff (Weighted
Tchebycheff) que cumple las condiciones necesarias y suficientes para la Optimalidad de
Pareto (Steuer and Choo, 1983).

En este caso se busca una solución “equilibrada”, de modo que ninguno de los objetivos
se desvíe en exceso de su valor óptimo. Para ello se utiliza una variante del método Min
Max, en la que se minimiza la máxima distancia a cualquiera de dichos objetivos. Dichas
distancias son ponderadas por los pesos asignados a priori. Por otra parte, para
garantizar las condiciones de Optimalidad de Pareto, se introduce en la función objetivo
un segundo término de varios órdenes de magnitud menor, consistente en la suma de las
diferencias de cada función objetivo con respecto a sus puntos ideales. El problema se
formula de la siguiente forma:
 # , /

-D"D!DK L
k

i
{
U = max wi ⋅ Fi ( x ) − Fi 0 } +ρ
j =1
Fj ( x ) − Fj 0 4 5

Donde:

• M es el peso asignado a la función objetivo i.

• 3 (x) es el valor de la función objetivo i en la solución x.
• 3 es el valor óptimo de la función objetivo i.
• N es el número de funciones objetivo del problema.
• O es un factor suficientemente pequeño para garantizar que el segundo término
sea de varios órdenes de magnitud menor que el primero.

Una aproximación muy extendida para tratar dicho problema es introducir un parámetro
adicional P, y aumentar el número de restricciones del problema, una por cada función
objetivo. Haciendo el cambio de variable P . ! <M Q3 R 3 SE, el problema sería
formulado de la siguiente manera:

k
Minimizar λ+ρ ( F j ( x) − F j0 ) 4 5
j =1

s.a.
W j ⋅ ( F j ( x) − F j0 ) − λ ≤ 0 j = 1,2,..., k
λ≥0

! & #0 /(#
$

La optimización de las rutas de vehículos no se puede limitar únicamente a la

minimización de costes o distancias. Existen otros factores que pueden ser tenidos en
cuenta. En concreto, el POM desarrollado en este PFM ha considerado los siguientes
objetivos:

• Minimizar los costes internos (34 )

• Minimizar las emisiones de CO2 (3& )
• Minimizar las emisiones de contaminantes, como el NOx (3T )
 # , /

Para el planteamiento del modelo del POM, se han mantenido los mismos parámetros y
variables del modelo del problema monoobjetivo introducido en el capítulo 3.
Adicionalmente, se han añadido los parámetros UV , WV , X y Y mencionados en el apartado
anterior. Las expresiones de las diferentes funciones objetivo del problema se presentan
a continuación:

m n n m R n m
F1 ( x, y , f ) = p k y 0k + fc r δ kr d ij ( fe k x ijk + feu k f ijk ) + fx k x 0ki +
k =1 i = 0 j = 0 k =1 r =1 i =1 k =1
j ≠i
n n m n n m
4 5
k k k
mn d ij x + ij tl ij x ij
i = 0 j = 0 k =1 i = 0 j = 0 k =1
j ≠i j ≠i

n n m R
F2 ( x, f ) = δ kr ef CO 2,r d ij ( fe k xijk + feu k f ijk )
i = 0 j = 0 k =1 r =1
j ≠i
4 5

n n m R T P
F3 ( x) = δ kr γ kt ef p ,t
d ij xijk 4 )5
i = 0 j = 0 k =1 r =1 t =1 p =1
j ≠i

El modelo se formularía de la siguiente manera:

3
Minimizar λ + ρ ( F j ( x, y, f ) − F j0 ) 4 *5
j =1

s.a.
W j ⋅ ( F j ( x, y, f ) − F j0 ) − λ ≤ 0 j = 1,2,3
λ≥0
restricciones (1) − (17)