Professional Documents
Culture Documents
TESIS
Para optar el Grado de Maestro en Ciencias
con Mencin en Ingeniera en Transportes
Lic. Rolando Gandhi Astete Chuquichaico
LIMA - PER
2011
ndice
Resumen
vi
Lista de Figuras
vii
Lista de Tablas
viii
ix
Introduccin
1. Marco Metodolgico
2. Marco Terico
12
14
17
18
19
22
22
iv
NDICE
24
25
27
28
4. Diseo de la Metodologa
30
4.1. Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
30
33
36
5. Implementacin Computacional
47
5.1. Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
47
5.3. Aplicacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
6. Conclusiones y Recomendaciones
53
6.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
6.2.
53
Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Apndice
55
55
Archivo simplex-revisado.m . . . . . . . . . . . . . . . . . . . . . . . .
55
Archivo raiz-wolfenson.m . . . . . . . . . . . . . . . . . . . . . . . . . .
56
Archivo intercambia-simplex.m . . . . . . . . . . . . . . . . . . . . . .
56
Archivo basesale-simplex.m
. . . . . . . . . . . . . . . . . . . . . . . .
56
Archivo datosincial.m . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
Bibliografa
58
Resumen
El proceso de planificacin del transporte consta de varias fases, una de ellas es la etapa
de asignacin, la cual sirve para crear nuevos escenarios para la toma de decisiones.
Los problemas de asignacin de trfico se resuelven optimizando los flujos en una
determinada red de transporte, los algoritmos resuelven problemas de asignacin de un
origen contra varios destinos.
Las funciones que describen el flujo de transporte, son funciones no lineales con
restricciones lineales, estas funciones son efectivas cuando consideran solo algunos parmetros principales involucrados en los problemas de flujos de redes, tales como el
costo de desplazamiento y el tiempo de desplazamiento. En la presente Tesis se implementa el algoritmo de Frank-Wolfe para optimizar el proceso de asignacin a una red
de transporte.
Summary
The transportation planning process consists of several phases, one of them is the
assignments stage, which is used to create new scenarios for decision making. The assignments problems of traffic are resolved optimizing network flows in a certain network
transport, the algorithms solve problems from a origin to multiple destinations
The functions that describe the flow of transport, are nonlinear functions with
linear constraints, these functions are effective when they consider only some main
parameters involved in the problems of flows in networks, such as the replacement cost
and displacement time. In the present thesis is implemented the Frank-Wolfe algorithm
to optimize the process of assignment to a transport network.
vi
Lista de Figuras
2.1. Digrafo conexo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
37
38
. . . . . . . . . . . . . . . . . . . . . . .
39
40
41
42
42
43
44
45
46
49
50
51
vii
Lista de Tablas
5.1. Parmetros para las funciones BPR(Problema 1) . . . . . . . . . . . . .
51
51
52
52
viii
n
j=1
vj
xB
xN
(B N)
T
(cT
B cN )
f
f (x(t) )
ix
Introduccin
En las ciudades modernas el crecimiento de la poblacin hace que se incremente
incesantemente el flujo de personas, mercancas, etc. Este crecimiento genera problemas
de congestin que trae consigo prdidas econmicas, afectando potencialmente al ser
humano y al medio ambiente, en consecuencia el crecimiento de la demanda y de la
oferta del sistema de transporte es ms rpido que la infraestructura urbana [13].
Podemos ver como en los ltimos aos el incremento del trfico urbano est afectando directamente en la calidad de vida del ciudadano. Hay una mayor preferencia por los
vehculos privados frente al transporte pblico, aumentando la cantidad de vehculos
por familia y el nmero de desplazamientos realizados.
Debido a la complejidad del sistema de Transporte es necesario contar con herramientas analticas y tecnolgicas que permitan a los organismos encargados de la
planificacin y de la toma de decisiones disponer de una adecuada metodologa acorde
con el avance tecnolgico del Sistema de Transporte para poder hacer simulaciones y
plantear alternativas de solucin.
Para la representacin conceptual y simblica de la realidad es importante desarrollar instrumentos, conceptos o herramientas necesarias que permitan lograr tales
objetivos. Para lograr una representacin abstracta del carcter y funcionamiento del
sistema de transporte, se desarrollan los modelos de simulacin en computadora que
combinan teora, anlisis de datos y algoritmos [13], estas herramientas permiten representar idealmente el sistema, estos modelos de simulacin deben ser calibrados o
ajustados con herramientas apropiadas de modo que representen con mayor exactitud
posible el evento deseado. Luego el modelo puede usarse para hacer predicciones y
correcciones acerca del comportamiento futuro del sistema.
El uso de los modelos de transporte forman parte de una herramienta importante
para la planificacin y zonificacin de una ciudad [13]. La simulacin urbana es tambin
un problema de modelaje relativamente nico. Los sistemas urbanos comnmente representados en los modelos urbanos son notablemente complejos y difciles de modelar.
Los modelos de uso de suelo y los modelos de transporte se usan a menudo para dar
soporte a las decisiones que influyen en el desarrollo de la ciudad y por ende en la vida
de las personas.
No obstante el ambiente de la simulacin es ahora apropiado para la difusin de
nuevas ideas en la modelacin urbana.
La tesis consta de los siguientes captulos:
En el captulo 1 se describe el marco metodolgico en la cual se desarrolla el tipo
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
INTRODUCCIN
xi
1
Marco Metodolgico
1.1.
Tipo de Investigacin
1.2.
Realidad y problemtica
2
Marco Terico
2.1.
2.2.
Red de Transporte
El trmino genrico red hace referencia a un conjunto de entidades (objetos, personas, etc.) conectadas entre s. Por lo tanto, una red permite que circulen elementos
materiales o inmateriales entre estas entidades, segn reglas bien definidas. as una
red de transporte: es conjunto de infraestructuras y vehculos usados para transportar
personas y bienes entre diferentes reas geogrficas
El problema de asignacin de trfico es una aplicacin de digrafos ponderados al
flujo (circulacin) de un bien, desde una fuente (llamado origen), a un destino dado.
Los bienes pueden ser por ejemplo litros de agua que fluyen por tuberas, llamadas
telefnicas a travs de un sistema de comunicacin, vehculos, etc.
MARCO TERICO
MARCO TERICO
V4
3
f
4
6
V2
V5
4
V3
1
4
5
V6
Definicin 2.2.9. Si G(A, V ) es una red de arcos. Se llama flujo de G a una funcin
F : A N0 / : (a cada arista (arco) se le asigna un nmero)
a) a A se tiene F (a) c(a) (obs.: si F (a) = c(a) se dice que la arista est
Saturada
b) a A se tiene que el flujo de entrada es igual al flujo de salida
Nota 2. En la definicin 2.2.9 se tiene que en:
El inciso a) se indica que lo que se transporta por una arista no puede exceder la
capacidad de la misma.
El inciso b) se indica que lo que fluye (lo que llega) a un vrtice distinto de los
vrtices fuente y sumidero debe ser igual a lo que fluye desde l (lo que sale).
Definicin 2.2.10. El segmento que une dos puntos a, b Rn es el conjunto
[a, b] = {x Rn /x = a + (1 )b, 0 1}.
Definicin 2.2.11. Se dice que un conjunto Rn es convexo si x1 , x2 se
verifica que:
x1 + (1 )x2 , [0, 1].
Es decir, un conjunto es convexo si dados dos puntos cualesquiera del conjunto, el
segmento que los une est contenido totalmente en el conjunto.
Definicin 2.2.12. Dada la funcin f definida en una regin convexa Rn , se dice
que es convexa (estrictamente convexa) si, para cualquier par de puntos x1 , x2 (x1 6= x2 )
contenidos en , y con [0, 1] ( h0, 1i ) si:
MARCO TERICO
2.3.
MARCO TERICO
Modelo de 4 Etapas
Escenarios de transporte:
(Nuevos lneas de transporte)
Escenarios Polticos:
(Nuevo plan de aparcamiento)
Datos socio-econmicos
Generacin
Distribucin
Distribucin modal
Asignacin
MARCO TERICO
variacional para obtener la tpica funcin de costos ampliamente usada que es sugerida
por Agencia de Carreteras Pblicas ( Bureau Public Road BPR) [3].
Uno de los modelos ms ampliamente usado es el modelo de asignacin de trfico. El
Problema de Asignacin de Trfico (TAP) modeliza el comportamiento de los usuarios
en la eleccin de su ruta para satisfacer su viaje en redes de trfico con congestin
partiendo de la informacin de la configuracin de la red y de la demanda (matriz
origen-destino).
Los modelos que integran la fase de asignacin en redes congestionadas modelizan
un equilibrio Cournot-Nash, en la que los usuarios del sistema de transporte son los
jugadores del juego de equilibrio, y en el que sus estrategias pueden consistir en la
eleccin de la ruta, el modo de transporte, la realizacin o no del viaje, etc.
2.4.
Modelos de Programacin
2.4.1.
Programacin Lineal
MARCO TERICO
n
X
cj x j
(2.1)
j=1
Sujeto a:
n
X
j=1
n
X
j=1
n
X
cj xj = bi , para i = 1, ..., p 1
cj xj bi , para i = p, p + 1, ..., q 1
(2.2)
cj xj bi , para i = q, q + 1, ..., m
j=1
MARCO TERICO
Definicin 2.4.2. (solucin factible). Un punto x = (x1 , x2 , ..., xn )T que satisface todas las restricciones (2.2) se denomina solucin factible. El conjunto de todas esas
soluciones es la regin de factibilidad.
Definicin 2.4.3. (solucin ptima). Un punto factible e
x tal que f (x) f (e
x) para
cualquier otro punto factible x se denomina una solucin ptima del problema.
El objetivo de los problemas de optimizacin es encontrar un ptimo global. Sin
embargo, las condiciones de optimalidad slo garantizan, en general, ptimos locales,
si stos existen Sin embargo, los problemas lineales presentan propiedades que hacen
posible garantizar el ptimo global
Si la regin factible est acotada, el problema siempre tiene una solucin (sta es
una condicin suficiente pero no necesaria para que exista una solucin).
El ptimo de un problema de programacin lineal es siempre un ptimo global.
Si, x , y son soluciones ptimas de un problema de programacin lineal, entonces
cualquier combinacin (lineal) convexa de los mismos tambin es una solucin
ptima. Obsrvese que las combinaciones convexas de puntos con el mismo valor
de la funcin de coste presentan el mismo valor de la funcin de coste.
La solucin ptima se alcanza siempre, al menos, en un punto extremo de la
regin factible.
Teorema 2.4.1. (propiedad fundamental de la programacin lineal). Si un problema de
programacin lineal tiene una solucin ptima, es adems una solucin bsica factible.
Problema de programacin lineal en forma estndar
Un Problema de Programacin Lineal puede plantearse de diversas formas, entonces para unificar su anlisis, es conveniente transformarlo en lo que normalmente se
llama forma estndar. A veces, esta transformacin ha de realizarse antes de resolver el
problema de programacin lineal y determinar el ptimo. Para describir un problema
de programacin lineal en forma estndar son necesarios los tres elementos siguientes:
1. . Un vector c Rn
2. . Un vector no negativo b Rm
3. . Una matriz A de tamao m n
Con estos elementos, el problema lineal asociado y en forma estndar tiene la siguiente
forma. Minimizar
mn f (x ) = cT x
s.a.
Ax = b
x 0
(2.3)
(2.4)
MARCO TERICO
donde:x Rn , c T x indica producto escalar de los vectores c y x , Ax es el producto de la matriz A y el vector x , y x 0 hace que todas la componentes de los
vectores factibles sean no negativas. Los problemas de programacin lineal se estudian
normalmente en esta forma. Tpicamente, n es mucho mayor que m. En resumen, un
problema de programacin lineal se dice que est en forma estndar si y slo si
1. Es de minimizacin.
2. Slo incluye restricciones de igualdad.
3. El vector b es no negativo.
4. Las variables x son no negativas.
Antes de analizar un problema de programacin lineal dada en su forma estndar, es
conveniente mostrar que cualquier problema expresado en la forma (2.1)-(2.2) tambin
puede expresarse en forma estndar.
Transformacin a la forma estndar
Cualquier problema de programacin lineal puede expresarse siempre en forma estndar sin ms que llevar a cabo una serie de manipulaciones algebraicas:
1. Las variables no restringidas en signo se pueden expresar como diferencias de
variables que s estn restringidas en signo, es decir variables no negativas. Si
algunas (o todas) de las variables no estn restringidas en signo, stas se pueden
expresar mediante sus partes positiva y negativa. Las partes positiva y negativa
10
MARCO TERICO
xB
0
= b, Bx B = b, x B = B 1 b
(2.5)
11
MARCO TERICO
P
donde i R, j R+ , y 0 k 1; j k = 1. La regin factible de un problema
de programacin lineal en forma estndar no contiene un espacio vectorial debido a
las restricciones x 0 . En este caso especial, el conjunto polidrico puede escribirse
como suma de un politopo y un cono; siendo el conjunto mnimo de generadores del
politopo el conjunto de puntos extremos, y el mnimo conjunto de generadores del
cono el conjunto de direcciones extremas. Por tanto, el valor de la funcin objetivo a
minimizar Z = c T x se puede expresar como
X
X
Z = cT x =
j cT w j +
k cT q k
j
Definicin 2.4.5. politopo es una regin finita del espacio n-dimensional encerrado
por un numero finito de hiperplanos, es la generalizacin del concepto poligono en (2D)
y poliedro en 3D)
2.4.2.
Programacin no Lineal
f (x )
x
12
MARCO TERICO
f (x )T (x x ) 0
para todo x
(2.7)
f (x )T x
x
f (x )
xi
Rn
cT x
Ax = b
x 0
entonces
= x Rn : Ax = b, x 0
es el conjunto convexo y x es el punto estacionario de f en si y solo si
c T x cT x,
13
2.5.
MARCO TERICO
Mtodo Simplex
Existen muchas variantes del mtodo simplex, aunque todas ellas se basan en la
misma idea central. En este item se describe una de tales versiones. El mtodo simplex
se aplica a un problema de programacin lineal en el formato estndar siguiente(ver
[1].
mn
f (x ) = c T x
s.a. Ax = b ; b 0
x 0
(2.8)
(2.9)
(2.10)
(2.11)
Usando la notacin tpica en el Mtodo Simplex, las ecuaciones para las restricciones
se expresan como
xB
(B N )
=b
(2.12)
xN
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
14
MARCO TERICO
c TB
c TN
xB
xN
(2.13)
T
Z = 0 c TB c N
1
xB
xN
(2.14)
xB
Bx B + N x N = b
= B b B 1 N x N = v + U x N
1
(2.15)
(2.16)
donde
v = B 1 b
U = B 1 N
(2.17)
(2.18)
(2.19)
(2.20)
(2.21)
w0 = c TB v
w = c TB U + c TN
(2.22)
(2.23)
donde
Z = u0 + w x N
xB = v + UxN
(2.24)
finalmente
Z
xB
=
u0 w
v U
1
xN
(2.25)
(0)
T
Z
1
1
u0
| w (0)
=
= Z (0)
+
xB
xN
xN
x (0) | U (0)
(2.26)
15
MARCO TERICO
(2.27)
donde c TB y c TN son los coeficientes de la funcin objetivo asociados a x B y x N , respectivamente. Ahora, el Mtodo Simplex sustituye el sistema (2.26), en cada iteracin,
por un nuevo conjunto equivalente de restricciones con la misma estructura
(t)
T
1
1
Z (t)
u0
| w (t)
= Z (t)
=
+
(t)
(t)
(t)
xN
xN
xB
v (t) | U (t)
(2.28)
meZ (1)
sta
y el
(t)
restricciones yB = Z (t) yN
(t+1)
zij
(t+1)
en yB
(t+1)
= Z (t+1) yN
(t)
zi
(t)
(t)
zj (t)
(t)
zij (t) zi
z
=
1
(t)
(t)
zj
(t)
, mediante
si i 6= , j =
si i 6= , j 6=
(2.29)
si i = , j =
si i = , j 6=
entonces ambos sistemas de restricciones son equivalentes, esto es, tienen las mismas
soluciones (mismo conjunto factible).
Identificacin de una solucin ptima
Cuando el problema de programacin lineal se expresa en la forma (2.28) se puede saber fcilmente si se ha encontrado una solucin ptima. El siguiente resultado
responde a esta cuestin.
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
16
MARCO TERICO
(2.30)
(t)
Z (t) = u0 ; xB = v(t) , xN = 0
(2.31)
2.5.1.
= min
(0)
vi
vi0 T (0)
c v , w(0) = cTB U (0) + cTN
0 B
ui
(2.33)
e ir al paso 3
Iteraciones estndar
17
MARCO TERICO
(t+1)
zij
(t)
zi
(t)
(t)
zj (t)
(t)
z
ij
(t) i
z
=
1
(t)
(t)
zj
(t)
si i 6= , j =
si i 6= , j 6=
(2.34)
si i = , j =
si i = , j 6=
(2.35)
(2.36)
y el algoritmo concluye. En otro caso, se selecciona la variable entrante x , formando parte de xN , mediante
(t)
(t)
w = mn wj
(2.37)
(t)
wj <0
(t)
(t)
= max
vi
(t)
(t)
ui <0 ui
(2.38)
Volver al paso 3
2.6.
18
MARCO TERICO
obtenindose una sucesin de puntos x1 , x2 , . . . , hasta que se obtiene un punto lo suficientemente cercano a la solucin x. En cada iteracin se elige la direccin para la cual
f decrece ms rpidamente, es decir en la direccin contraria a f (xi ). As si, si se
tiene la ecuacin f (x) = Ax b, entonces direccin buscada es f (xi ) = b Axi
Lema 2.6.1. Sea f : Rn R diferenciable en x Rn . Sea d un vector de Rn . Si
f (x)T b < 0, entonces d es una direccin de descenso de f en x.
El mtodo del gradiente emplea como direccin de descenso en el punto x(t) la
direccin d(t) = f (x(t) ), que, empleando el lema (2.6.1), se puede mostrar que es
de descenso, en efecto. Si f (x(t) ) = 0
se cumple la siguiente expresin
2
f (x(t) )T d(t) = f (x(t) )T f (x(t) ) =
f (x(t) )
< 0
(2.39)
2.7.
El mtodo de gradiente conjugado es un procedimiento iterativo originalmente propuesto por (Hestenes y Stiefel, 1950) [10] como un mtodo directo para resolver sistemas lineales de la forma Ax = b, donde A Rnn es una matriz simtrica y definida
positiva y b un vector en Rn1
Dado que en los modelos de optimizacin de Programacin no Lineal las variables
de decisin se expresan como funciones no lineales ya sea en la funcin objetivo y/o
restricciones, esta caracterstica particular de los modelos no lineales permite abordar problemas donde existen economas o deseconomas de escala (Las economas y
deseconomas de escala existen cuando el costo unitario de producir un bien baja/sube
a medida que aumenta/disminuye la tasa de produccin) o en general donde los supuestos asociados a la proporcionalidad no se cumplen. En este sentido el mtodo del
gradiente (conocido tambin como mtodo de Cauchy o del descenso ms pronunciado)
consiste en un algoritmo especfico para la resolucin de modelos de programacin no
lineal sin restricciones, perteneciente a la categora de algoritmos generales de descenso,
donde la bsqueda de un mnimo esta asociado a la resolucin secuencial de una serie
de problemas unidimensionales.
El mtodo de Gradiente Conjugado requiere trabajar con vectores para las cuales
damos algunas definiciones.
Definicin 2.7.1. Se dice que {dk }nk=1 son vectores mutuamente conjugados respecto
a una matriz G simtrica y positiva definida si:
dtk Gdj j 6= k
(2.40)
19
MARCO TERICO
Definicin 2.7.2. Dada una matriz G simtrica y definida positiva y sea el conjunto
de vectores {v1 , v2 , . . . , vn } linealmente con i = 1, 2, . . . , n, se construye un conjunto
de vectores {d1 , d2 , . . . , dn } mutuamente conjugados respecto a la matriz G, haciendo
d1 = v1 y
i
X
vti+1 Gdk
dk
di+1 = vi+1
dtk Gdk
k=1
Lema 2.7.1. Todo conjunto de vectores conjugados a una matriz G son linealmente
independientes.
Lema 2.7.2. Si x y u son vectores cualesquiera en Rn con u 6= 0 entonces
argmin>0 q(x + u) =
r(x)t u
ut Au
(2.41)
(2.42)
dj A dk = 0 j = 0, . . . , k 1
(2.43)
2.
3.
Nota 3. En el algoritmo, el clculo de se obtiene mediante la direccin de bsqueda
del mtodo, es decir se toma la direccin del gradiente negativo, la determinacin de
un valor apropiado para en cada iteracin es equivalente a resolver un problema de
minimizacin en una dimensin
minf (xk f (xk )
20
MARCO TERICO
El mtodo del gradiente conjugado debido a Fletcher y Reeves (1964) combina las
caractersticas de la convergencia cuadrtica del mtodo de las direcciones conjugadas
con las del mtodo del gradiente. El mtodo supone una importante mejora del mtodo
del gradiente con slo un pequeo incremento en el esfuerzo de clculo. El mtodo
del gradiente conjugado, esencialmente, combina la informacin obtenida del vector
gradiente con la informacin acerca del vector gradiente de iteraciones previas. Lo que
hace el mtodo es calcular la nueva direccin de bsqueda utilizando una combinacin
lineal del gradiente en la etapa considerada y el de la etapa anterior. La principal
ventaja del mtodo es que necesita almacenar muy poca cantidad de informacin
Algoritmo 2.7.1. (algoritmo gradiente conjugado)
Paso 1 Dado x0 V (x ) (punto inicial) y una tolerancia rtol > 0 calcular f (x0 )
y calcular s0 = f (x0 )
Paso 2 Para k = 0, 1, . . . y calcular
xk+1 = xk + k sk
con R que satisface
F (xk + k sk ) F (xk + sk ), R
minimizando mediante una bsqueda unidireccional de la direccin sk .
Paso 3 La direccin sk+1 de bsqueda es una combinacin lineal de sk y f (xk+1 ):
sk+1 = f (xk+1 ) + k sk
donde
k =
T f (xk+1 )f (x1 )
T f (x0 )f (x0 )
T f (xk+1 )f (xk+1 )
T f (xk )f (xk )
Para una funcin cuadrtica se puede demostrar que dos direcciones de bsqueda
son conjugadas. Despus de n iteraciones conviene comenzar otra vez desde el
principio tomando el ltimo punto k = n como nuevo punto de partida.
Paso 4 Realizar el test de convergencia, (la funcin objetivo ha disminuido), y
terminar el algoritmo cuando sk sea menor que alguna tolerancia preestablecida,
21
3
Marco Filosfico y Tecnolgico
3.1.
introduccin
22
23
3.2.
24
3.2.1.
25
intentando predecir las rutas que elegirn dentro de las distintas rutas o caminos posibles. Con esto conseguiremos modelizar el flujo de trfico en cada uno de los tramos
que componen la red viaria, evaluando la congestin de cada tramo.
Modelos de asignacin determinista Existen numerosos modelos que pertenecen a esta clase, todos ellos se pueden clasificar en funcin de que los costes
en los arcos se consideren separables o no separables (asimtricos). Diremos que
un modelo considera los costes en los arcos como separables cuando el coste de
atravesar un arco de la red no depende del nivel de flujo en los restantes arcos; en
caso contrario, consideraremos que los costes son no separables. Adems, estos
modelos se pueden clasificar segn se considere o no que el coste de viaje en un
arco depende o no del flujo en los arcos de la red, lo que originara modelos con y
sin congestin. Los primeros son adecuados para centros urbanos y los segundos
para zonas interurbanas.
Los modelos sin congestin son modelos tambin conocidos como modelo de asignacin todo o nada. En ellos primero se determinan los caminos o rutas de coste
generalizado mnimo entre todos los pares origen-destino. Para cada par origendestino se asignan todos los viajes de dicho par por dichos caminos. Finalmente,
conocidos los flujos de cada ruta se obtienen los flujos en los arcos de la red.
Modelos de asignacin estocstica Anlogamente a la clasificacin anterior,
podemos distinguir entre modelos con congestin y no congestin. En un entorno
de no congestin, el esquema es comn para todos los modelos. Primero realizan
una determinacin de todas las rutas existentes entre cada par origen-destino; especificando su coste. A continuacin, para cada par origen-destino, en funcin del
coste de las rutas, se crea la matriz de probabilidad de eleccin de ruta, despus,
para cada par, se asignan los viajes a la rutas creadas, en funcin de la matriz
de probabilidad de eleccin de ruta; finalmente, conocidos los flujos de ruta, se
obtienen los volmenes en los arcos. La diferencia fundamental entre los distintos
mtodos de este tipo estriba en la forma en que calculan las probabilidades de
eleccin de los caminos (rutas).
Modelos dinmicos de asignacin de trfico
El problema de asignacin dinmica de trfico consiste en la estimacin de los flujos
de vehculos que utilizan los diferentes tramos de la red viaria, de manera variable con el
tiempo, constituyendo por tanto una extensin del problema de asignacin convencional
o en equilibrio. Principalmente se han desarrollado modelos deterministas de asignacin
dinmica de trfico bajo tres aproximaciones:
Simulacin
Programacin matemtica
Control ptimo sobre redes
26
Si bien, algunas de las formulaciones en programacin matemtica pueden contemplarse como problemas en control ptimo discreto y, a su vez, las formulaciones en
control ptimo (continuas) se aproximan mediante programacin matemtica para su
resolucin quedando reducidas, en definitiva, a programacin matemtica.
Estos modelos consideran que los usuarios minimizan sus tiempos de viaje actualizando continuamente sus rutas elegidas de acuerdo con las condiciones del trfico. El
primer modelo de simulacin por ordenador de la asignacin dinmica de trfico, de
acuerdo con los principios de Wardrop, fue presentado por [16]
3.3.
Modelos de optimizacin
f (x)
xX
(3.1)
27
La optimizacin, tambin denominada programacin matemtica, sirve para encontrar la respuesta que proporciona el mejor resultado, la que logra mayores ganancias,
mayor produccin o felicidad o la que logra el menor costo, desperdicio o malestar. Con
frecuencia, estos problemas implican utilizar de la manera ms eficiente los recursos,
tales como dinero, tiempo, maquinaria, personal, existencias, etc. Los problemas de
optimizacin generalmente se clasifican en lineales y no lineales, segn las relaciones
del problema sean lineales con respecto a las variables.
La Programacin Matemtica, en general, aborda el problema de determinar asignaciones ptimas de recursos limitados para cumplir un objetivo dado. El objetivo
debe representar la meta del decisor. Los recursos pueden corresponder, por ejemplo, a
personas, materiales, dinero o terrenos. Entre todas las asignaciones de recursos admisibles, queremos encontrar las que maximizan o minimizan alguna cantidad numrica
tal como ganancias o costos.
El objetivo de la optimizacin global es encontrar la mejor solucin de modelos de
decisiones difciles, frente a las mltiples soluciones locales.
3.3.1.
Modelo de Transporte
28
m : el nmero de orgenes.
n : el nmero de destinos.
ui : la cantidad que debe enviarse desde el origen i.
vj : la cantidad que debe ser recibida en el destino j.
cij : el coste de envo de una unidad de producto desde el origen i al destino j
2. Variables
xij : la cantidad que se enva desde el origen i al destino j.
Se supone que las variables deben ser no negativas:
xij 0 i = 1, , m; j = 1, , n;
(3.2)
Esto implica que la direccin de envo del producto est prefijada desde los distintos orgenes hasta los destinos. No obstante, otras hiptesis podrn tenerse
en cuenta. Por ejemplo, podra no limitarse el signo de las variables xij R, si
no se quiere predeterminar cules son los puntos de partida y de llegada. Tener
en cuenta, que los subndices de las variables representan el origen y el destino
respectivamente, y por ende el subndice en s no es una variable.
3. Funcin Objetivo: En la funcin objetivo que debe optimizarse en el problema
de transporte, generalmente interesa minimizar los costos de envo (suma de los
costos de envo por unidad de producto multiplicado por las cantidades enviadas),
es decir:
m X
n
X
minz =
cij xij
(3.3)
i=1 j=1
xij = ui
j=1
m
X
xij = vi
i = 1, , m,
(3.4)
j = 1, , n
(3.5)
i=1
29
4
Diseo de la Metodologa
4.1.
Generalidades
4.2.
f (x )
x X
(4.1)
30
DISEO DE LA METODOLOGA
exigir que est definido mediante restricciones lineales). Las condiciones para f son de
dos tipos. Por un lado se exigen ciertas condiciones de regularidad local para poder
caracterizar los extremos (mnimos) locales del problema y por otro lado se exigen
propiedades acerca del comportamiento global de la funcin, de modo que permitan
garantizar que tales extremos locales sean tambin extremos globales.
Teorema 4.2.1. (Condiciones de optimalidad(f, X)). El punto x X es una solucin ptima de condiciones de optimalidad de f si y solo si cumple
f (x )T (x x ) 0,
x X
(4.2)
31
DISEO DE LA METODOLOGA
2. Variables
hr : es el flujo en la ruta r
fr : es el flujo en el arco a
3. Restricciones. El nmero de usuarios de un par origen-destino w = (i, j) es la
suma del nmero total de usuarios en caminos distintos que satisfacen tal par:
X
hr = dw , w W.
rR
Como resultado del volumen creciente de trfico, la velocidad en los arcos tiende a
disminuir. La funcin Ca , es decir el tiempo necesario para atravesar el arco a, tiene en
cuenta este hecho. Estas funciones en el anlisis de sistemas de trfico son positivas, no
lineales y estrictamente crecientes. Los parmetros que relacionan el tiempo de viaje,
Ca , en el arco en funcin del flujo fa en el arco, es el tiempo de viaje libre de flujo,
c0a , y la capacidad prctica del arco, ka , que es una medida del flujo a partir del cual,
el tiempo de viaje se incrementar muy rpidamente si el flujo aumenta. La expresin
ms comn para Ca (fa ), llamada la funcin BPR, es:
na
fa
0
(4.3)
Ca (fa ) = ca + ba
ka
Esta es una ecuacin variacional, como resultado del volumen creciente de trfico, la
velocidad en los arcos tiende a disminuir. Podemos comentar lo siguiente de la funcin
a optimizar:
Si se considera a los usuarios provistos de informacin completa sobre los costos
de cada ruta, se puede suponer que en una distribucin ptima ningn usuario est
interesado en cambiar de ruta pues utiliza la que le resulta menos costosa. Esto da lugar
al llamado Equilibrio de Wardrop, que postula que los costos (tiempo de recorrido) de
las rutas utilizadas son todos iguales y no mayores que los de las rutas no utilizadas.
Se puede obtener una formulacin matemtica equivalente al principio de Wardrop a
travs de una inecuacin variacional, consistente en hallar f K; que verifique la
siguiente desigualdad:
hC(f ), f f i 0 f K.
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
32
DISEO DE LA METODOLOGA
Donde: K es el convexo determinado por los vectores de flujo sobre las rutas, no
negativas, que verifican una ecuacin de demanda y C es la funcin de costo sobre rutas.
En el caso que el Jacobiano de C(f ) sea simtrico el problema anterior es equivalente
a un problema de optimizacin. Una condicin necesaria para ello es que el tiempo de
recorrido de cada arco sea el mismo para todos los usuarios y dependa solamente del
flujo sobre dicho arco.
La funcin a optimizar es:
Z=
Ca (fa ) =
aA
XZ
aA
da =
4.3.
ca (x)dx =
[c0a fa +
aA
donde:
fa
XZ
aA
fa
[c0a + ba (
x na
) ]dx
ka
X
b0
x
( )na +1 ] =
c0a fa + da fama .
na + 1 ka
aA
b0
(na + 1)kana +1
ma = na + 1.
33
DISEO DE LA METODOLOGA
donde la funcin toma sus valores extremos es decir donde la derivada de la funcin es
cero).
Descripcin del algoritmo de Frank-Wolfe, sea x una solucin admisible del
programa no lineal. Para verificar si x es un punto estacionario de f en , se resolve
el problema de programacin lineal
mn
s.a.
f (x )T x
Ax = b
x
Sea y una solucin ptima de este programa. entonces podemos discutir los
casos:
(i). Si
f (x )T x f (x )T y
(4.4)
entonces
f (x)T x f (x )T y f (x )T x
para todo x y por tanto x es punto estacionario de f en
(ii). Si (4.4)no se verifica, considrese el vector
d =y x
Entonces d es una direccin descendente de f en x , pues satisface
f (x )T d = f (x )T (y x )T ) < 0
como f es continuamente diferenciable, existe > 0 tal que
0
f (x + d )T d < 0
(4.5)
Entonces, por el teorema de los incrementos finitos (2.4.4), para 0 < <
entonces
0 < <
f (x + d ) = f (x ) + f (x +
ed )T (d )
Pero > 0 y
f (x +
ed )T d < 0
por (4.5). Por tanto
0
f (x + d ) < f (x )
(4.6)
34
DISEO DE LA METODOLOGA
x + ad
x
W
(Ad ) = 0
x i + di 0 , i = 1, 2, ,n
xi
di
Entonces se debe escoger tal que sea menor o igual al nmero max
(
+
n si di 0 o para todo i = 1, 2, . . . , n
max =
xi
min d
: di < 0
i
(4.7)
As debe ser un nmero positivo inferior o igual a max que satisfaga la desigualdad
(4.6). En la prctica esa desigualdad es sustituida por la llamada Frmula o Criterio
de Armijo:
f (x + d ) f (x ) + f (x T )d
(4.8)
donde es un nmero real positivo menor o igual que uno. se debe notar que si
satisface esta desigualdad, entonces tambin satisface f (x + d) < f (x). La determinacin de se hace de la forma
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
35
DISEO DE LA METODOLOGA
t = 0, 1, . . .
(4.9)
con o < < 1 un nmero dado (normalmente = 1/2) tal que satisface la desigualdad (4.8)
4.3.1.
Algoritmo de Frank-Wolfe
El algoritmo del Frank-Wolfe es uno de los algoritmos de aproximacin en la optimizacin no lineal. Genera una direccin factible que minimiza la funcin objetivo no
lineal en cada iteracin para encontrar la solucin, para ello debe satisfacer un criterio
predefinido de terminacin. LeBlanc Et Al. (1975) uso inicialmente el algoritmo de
Frank-Wolfe para solucionar el problema de asignacin de trfico en su investigacin,
el algoritmo ha sido usado ampliamente en el campo de transporte, pues determina de
manera efectiva el flujo a ser asignada a la red y es un mtodo relativamente efectivo
en trminos de mtodo fcil y la cantidad moderada de almacenamiento de datos.
El mtodo de Frank-Wolfe es un mtodo que tiene como criterio linealizar la funcin
objetivo, luego esta nueva funcin puede resolverse por cualquier otro mtodo o criterio
de programacin lineal. Los pasos detallados del algoritmo son lo siguientes:
Algoritmo 4.3.1. (Algoritmo de Frank-Wolfe)
En Trminos generales consideremos el problema de minimizacin
mn
s.a.
f (x)
x
(4.10)
Donde: es un conjunto convexo factible, f es una funcin convexa y continuamente diferenciable sobre el conjunto ,
0. Elegir un punto inicial (solucin inicial): x0
- Una solucin factible, x0 , es un punto inicial arbitrario
- Hacemos k = 0 .
1. Determinacin de la direccin factible: dk Para determinar la direccin dk aproximacin de la funcin f a su forma de serie de Taylor alrededor del punto xk es
decir resolvemos el problema
mn
s.a.
(4.11)
36
DISEO DE LA METODOLOGA
2. Determinacin del la longitud del paso k tal que f (xk + k dk ) < f (xk ) . En este
caso la longitud del paso ser a lo ms 1, porque para > 1 la solucin sera no
admisible; La lnea buscada proviene de resolver
mn
s.a.
f (xk + k dk )
[0, 1]
(4.12)
(4.13)
4. Si se cumple:
f (xk ) gk (yk )
,
|gk (yk )|
>0
(4.14)
(4.15)
(4.16)
x1
37
DISEO DE LA METODOLOGA
ptimo est fuera de la regin limitado por las restricciones (4.15) y (4.16), pues los
puntos ptimos deben estar dentro de la regin.
A continuacin se hace una Descripcin los pasos del algoritmo de Frank-Wolfe
para encontrar las solucin.
iteracin 1.
0. eleccin del punto inicial: sea x0
sea x0 = (x1 , x2 ) = (0, 0)
sea k = 0
1. Bsqueda de la direccin: d0
las derivadas parciales de la funcin objetivo f (x) en el punto x0 = (0, 0)
son:
f
= 6x1 36 = 36
x1
(4.17)
f
= 12x32 324 = 324
x2
(4.18)
evaluando las derivadas parciales en x0 como coeficientes de costo del siguiente problema de minimizacin:
mn s0 (y) = 36y1 324y2
s.a.
4y1 + 3y2 24
y1 y2 3
y1 0, y2 0
(4.19)
(4.20)
(4.21)
y0
7
6
5
4
3
2
1
0
0 x0
x1
38
DISEO DE LA METODOLOGA
(4.22)
(4.23)
y0
7
6
5
4
3
x1
2
1
0
0 x0
x1
|fk (xk+1 )|
donde es un valor positivo pequeo. Entonces
f (x0 ) fk (x1 )
0 (729)
=
=1
|fk (x1 )|
| 729|
despus de lo cual se observa la mejora relativa no verifica la desigualdad,
realizar otra iteracin, para el propsito del ejemplo = 0, 01. pues la relacin es mayor que = 0, 01 continuamos el algoritmo con un nuevo punto
de iteracin x1 y sea k = 0 + 1 = 1 ir al paso 1.
Iteracin 2.
1. Buscando la direccin: d1
las derivadas parciales de la funcin objetivo f (x) en el punto x1 = (0, 3)
son:
f
x1
f
x2
= 6x1 36 = 36
= 12x32 324 = 0
(4.24)
39
DISEO DE LA METODOLOGA
evaluando las derivadas parciales en x1 como coeficientes de costo del siguiente problema de minimizacin:
mn s1 (y) = 36y1 0y2
s.a.
4y1 + 3y2 24
y1 y2 3
y1 0, y2 0
(4.25)
(4.26)
y0
7
6
5
4
x1
3
2
y1
1
0
0 x0
x1
(4.27)
=
=
(729(751.92))
|751.92|
0.030482 = 0.01
despus de lo cual se observa la mejora relativa pero no cumple la desigualdad, entonces realizar otra iteracin, para el propsito del ejemplo = 0, 01.
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
40
DISEO DE LA METODOLOGA
x2
8
y0
7
6
5
4
3
x1
x2
y1
1
0
0 x0
x1
= 6x1 36 = 28.096
= 12x32 324 = 103.03
(4.28)
evaluando las derivadas parciales en x2 como coeficientes de costo del siguiente problema de minimizacin:
mn s2 (y) = 28.096y1 103.03y2
s.a.
4y1 + 3y2 24
y1 y2 3
y1 0, y2 0
Siendo este un problema de minimizacin lineal cuya solucin es y2 =
(y1 , y2 ) = (0, 8) como se muestra en la figura (4.7)
Una direccin factible es el vector d2 = y2 x2 = (0, 8) (1.3173, 2.6407) =
(1.3173, 5.3593). en el siguiente paso buscamos el punto mnimo entre x2
y y2 .
2. Clculo del siguiente punto de iteracin: x3
Realizar la bsqueda lineal el tamao del paso el cual dar el valor mnimo
de la funcin f .
x2 + d2 ) = (1.3173, 2.6407) + (1.3173, 5.3593)
= (1.3173 1.3173, 2.6407 + 5.3593)
entonces la funcin a minimizar ser:
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
41
DISEO DE LA METODOLOGA
x2
8
y2
7
6
5
4
3
x1
x2
2
1
0
0 x0
x1
= x2 + d2
= (1.3173, 2.6407) + 0.062966(1.3173, 5.3593)
= (1.2344, 2.97815).
x2
8
y2
7
6
5
4
x3
x1
x2
2
1
0
0 x0
x1
=
=
(751.92(768.79))
|768.79|
0.021944 = 0.01
despus de lo cual se observa la mejora relativa pero an no cumple la condicin por lo que se requiere otra iteracin, para el propsito del ejemplo
= 0, 01. pues la relacin es mayor que = 0, 01 continuamos el algoritmo
con un nuevo punto de iteracin x3 y sea k = 2 + 1 = 3 ir al paso 1 para la
siguiente iteracin.
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
42
DISEO DE LA METODOLOGA
Iteracin 4.
1. Buscando la direccin: d3
las derivadas parciales de la funcin objetivo f (x) en el punto x3 = (x1 , x2 ) =
(1.2344, 2.97815) son:
f
x1
f
x2
= 6x1 36 = 28.594
= 12x32 324 = 7.0280
(4.29)
evaluando las derivadas parciales en x3 como coeficientes de costo del siguiente problema de minimizacin:
mn s3 (x) = 28.594y1 7.0280y2
s.a.
4y1 + 3y2 24
y1 y2 3
y1 0, y2 0
Siendo este un problema de minimizacin lineal cuya solucin es y3 =
(y1 , y2 ) = (4.7143, 1.7143) como se muestra en la figura (4.12 Una direccin
x2
8
y2
7
6
5
4
3
x3
x1
x2
2
y3
1
0
0 x0
x1
43
DISEO DE LA METODOLOGA
La solucin es
de iteracin es
x4 =
=
=
x2
8
y2
7
6
5
4
x3
x1
x4
x2
y3
1
0
0 x0
x1
3. Criterio de evaluacin para finalizar. Calcular el estado de terminacin despus de lo cual no la prueba de razn de la mejora relativa de la iteracin
de punto nuevo. Entonces
f (x3 )f (x4 )
|f (x4 )|
= (768.79(776.13))
|776.13|
= 0.0095 0.01 = 0.01
despus de lo cual se observa la mejora relativa pero an no cumple la condicin por lo que se requiere otra iteracin, para el propsito del ejemplo
= 0, 01. pues la relacin es aproximadamente igual a = 0, 01 continuamos el algoritmo con un nuevo punto de iteracin x4 y sea k = 3 + 1 = 4 ir
al paso 1 para la siguiente iteracin.
Iteracin 5.
1. Buscando la direccin: d4
las derivadas parciales de la funcin objetivo f (x) en el punto x4 = (x1 , x2 ) =
(1.8102, 2.76902) son:
f
x1
f
x2
= 6x1 36 = 25.139
= 12x32 324 = 69.223
(4.30)
evaluando las derivadas parciales en x4 como coeficientes de costo del siguiente problema de minimizacin:
mn s4 (x) = 25.139y1 69.223y2
s.a.
4y1 + 3y2 24
y1 y2 3
y1 0, y2 0
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
44
DISEO DE LA METODOLOGA
y4
7
6
5
4
3
x3
x1
x4
x2
2
1
0
0 x0
x1
= x4 + d4
= (1.8102, 2.76902) + 0.03889(1.8102, 5.2309)
= (1.7398, 2.97245).
3. Criterio de evaluacin para finalizar. Calcular el estado de terminacin despus de lo cual no la prueba de razn de la mejora relativa de la iteracin
de punto nuevo. Entonces
f (x4 )f (x5 )
|f (x5 )|
= (776.13(782.43))
|782.43|
= 0.00805 = 0.01
45
DISEO DE LA METODOLOGA
x2
8
y4
7
6
5
4
3
x1
x3
x2
x5
x4
1
0
0 x0
x1
46
5
Implementacin Computacional
5.1.
Introduccin
5.2.
Las herramientas para la elaboracin de las rutinas de los modelos son diversas, en el
presente trabajo la codificacin esta elaborado en scripts de Matlab. La implementacin
computacional de los algoritmos representa la culminacin de los procesos de estudio
y anlisis realizados para la elaboracin del modelo, y la ejecucin de estas rutinas
permiten visualizar los resultados buscados.
La funcin objetivo del problema de asignacin es una funcin no lineal. El algoritmo de Franck Wolfe es un algoritmo que permite trabajar con este tipo de funciones,
en cada iteracin del algoritmo la funcin no lineal es linealizada, obtenindose as un
nuevo problema cuya funcin es lineal, este nuevo problema se resuelve usando el mtodo simplex mejorado, el siguiente paso del algoritmo de Franck-Wolfe es determinar
el nuevo valor de la funcin objetivo, debido a que la regin en la que se trabaja es
una regin convexa es facil encontrar el valor extremo, para asegurar la convergencia
se usa el mtodo de la biseccin.
Las funciones y subrutinas elaborados son scripts desarrollados en Matlab cuyos
archivos se guarda con extensin ".m". En el proceso de ejecucin estos scripts devuelven valores, las variables cambian con su ejecucin. La figura (5.2) muestra la relacin
entre los archivos de Matlab
Se describen los scripts desarrollados, en la cual el script principal es el archivo
wolfenson.m. Los valores inicializados en cada script se modifican en cada iteracin
47
IMPLEMENTACIN COMPUTACIONAL
f (x )
Ax = b
x X
- Datos iniciales
Los iniciales de ingreso: la matriz A, el vector b, el vector de valores iniciales v 0
y las tolerancias tol1 y tol2.
- wolfenson.m
Es el programa principal, que requiere de los datos iniciales, luego hace uso de los
sub programas, que le permite linealizar la funcin, luego encontrar la direccin
de desplazamiento, luego la longitud de este, y encontrar los nuevos valores de
la funcin objetivo, verificando que cumplen las condiciones de tolerancia con la
cual finaliza. dando como resultado el vector ptimo.
- deriva1.m
Este subprograma es llamado por el programa principal y para determinar y
evaluar la derivada de funcin.
- simplex-revisado.m
con el problema ya linealizado este programa determina la direccin ptima de
desplazamiento,
- raizfw.m
este sub programa determina la longitud de desplazamiento, y verifica la convergencia, entrega como resultado el vector de valores ptimos
Los cdigos de los archivos se presentan en el apndice.
48
IMPLEMENTACIN COMPUTACIONAL
Franck-Wolf
(wolfenson)
f0=v0;
Cond=1
Cond
foptimo=fo
V
[C]=Derivada1
Fin
[x,fobj]=simplex(A,b,C)
d0=x-v0'
Nuevo v0
con minf en [0,1]
ss= |f0-f1|/|f1|
Cond=(ss>tol2)
f0=f1
5.3.
Aplicacin
Problema 1
Considrese el siguiente problema, una ciudad con una via de circunvalacin y varias
rutas centrales como se ilustra en la figura (5.2). Imagnese que se realizan 4000 viajes
49
IMPLEMENTACIN COMPUTACIONAL
Circunvalacin
a1
a4
a2
A
a3
B
C
Centro de la ciudad
Figura 5.2: Red vial
desde A hasta B y 2500 desde A hasta C. Las rutas disponibles para satisfacer la
demanda del par w1 = (A, B) son r1 = {a1 }, r2 = {a2 , a4 }, y r3 = {a3 , a4 }, y las rutas
para el par w2 = (A, C) son r4 = {a2 } y r5 = {a3 }. En este ejemplo W = {w1 , w2 }, y
Rw1 = {r1 , r2 , r3 } y Rw2 = {r4 , r5 }. Las variables de flujo en los caminos son h1 , . . . , h5 ,
y las variables de flujo en los arcos son f1 , . . . , f4 . Como
na
Z fa
Z fa
x
0
dx
c a + ba
Ca (x)dx =
ka
0
0
na +1
fa
ba
0
= ca f a +
na + 1 ka
La formulacin completa es como sigue. Minimizar la funcin
nai +1
4 Z fa
X
X
i
bai
fai
0
cai fai +
Z=
Cai (x)dx =
nai + 1 kai
i=1 0
aA
(5.1)
sujeto a
h1 + h2 + h3
h4 + h5
h1
h2 + h4
h3 + h5
h2 + h3
h1 . . . h5 , f1 . . . f4
=
=
=
=
=
=
4000
2500
f1
f2
f3
f4
0
(5.2)
(5.3)
(5.4)
(5.5)
(5.6)
(5.7)
(5.8)
50
IMPLEMENTACIN COMPUTACIONAL
Enlaces
1
2
3
4
ka
500
400
400
500
c0a ba
5 1
7 1
10 1
2 1
na
4
4
4
4
Problema 2
Considrese el problema 1, a cuya ciudad se le extrae la via de circunvalacin. ver
figura(5.3).
a3
a1
a2
Centro de la ciudad
Figura 5.3: Red vial (Problema 2)
Imagnese que se realizan 4000 viajes desde A hasta B y 2500 desde A hasta C. Las
rutas disponibles para satisfacer la demanda del par w1 = (A, B) son r1 = {a1 , a2 }, y
r2 = {a2 , a3 }, y las rutas para el par w2 = (A, C) son r3 = {a1 } y r4 = {a3 }. En este
ejemplo W = {w1 , w2 }, y Rw1 = {r1 , r2 } y Rw2 = {r1 , r3 }. Las variables de flujo en los
caminos son h1 , . . . , h4 , y las variables de flujo en los arcos son f1 , . . . , f3 .
La formulacin es como sigue. Minimizar la funcin
Z=
3 Z
X
i=1
fa i
Cai (x)dx =
X
aA
c0ai fai
bai
+
nai + 1
fai
kai
nai +1
(5.9)
sujeto a
51
IMPLEMENTACIN COMPUTACIONAL
h1 + h2
h3 + h4
h1 + h3
h2 + h4
h1 + h2
h1 . . . h4 , f1 . . . f3
Enlaces
2
3
4
ka
400
400
500
=
=
=
=
=
c0a ba
7 1
10 1
2 1
4000
2500
f1
f2
f3
0
(5.10)
(5.11)
(5.12)
(5.13)
(5.14)
(5.15)
na
3
3
3
52
6
Conclusiones y Recomendaciones
6.1.
Conclusiones
6.2.
Recomendaciones
Para mejorar la rapidez de convergencia del mtodo, se debe de probar con algoritmos de punto interior en vez del mtodo simplex ya que este tiene una convergencia
exponencial en el peor de los casos.
Se debe de hacer estudios sobre las funciones BPR en cada arco de la red de manera
que consideren sentidos de subida, bajada ya que con esto se tendran resultados ms
Metodologa para Mejorar el Proceso de Asignacin de Trfico a una Red de Transporte
Autor: Rolando Gandhi Astete Chuquichaico
53
CONCLUSIONES Y RECOMENDACIONES
54
Apndice
Programa Wolfenson-1
Los scripts correspondientes a los programas se presentan a continuacin
Listing 1: Wolfenson-1.m
1
2
3 %Datos r e q u e r i d o s
4 % l a m a t r i z A, v e c t o r b , e l v e c t o r
i n i c i a l v0 , y l a t o l e r a n c i a s t o l 1 , t o l 2
5 %
6 f u n c t i o n [ v0 , f o p t i m o ]= Wolfenson_1 (A, b , v0 , t o l 1 , t o l 2 )
7 f 0=f ( v0 ) ;
8 cond =1;
9 w h i l e cond
10
C=derivada_1 ( v0 ) ;
11
[ x , f f ]= s i m p l e x _ r e v i s a d o (C , [ ] , [ ] , A, b , z e r o s ( 9 , 1 ) , [ ] ) ;
12
d0=xv0 ;
13
[ a l f a , f 1 , v0 ]= r a i z _ w o l f e n s o n ( v0 , d0 , 0 , 1 , t o l 1 ) ;
14
s s=abs ( f 0 f 1 ) / abs ( f 1 ) ;
15
cond=( s s >t o l 2 ) ; f 0=f 1 ;
16 end
17 f o p t i m o=f 0 ;
Archivo simplex-revisado
Listing 2: simplex-revisado.m
1
2 f u n c t i o n [ CB, f o b j e t i v o , p o s i c i o n , b]= s i m p l e x _ r e v i s a d o (C, A, b )
3 [ B, X, CT, n , nnb]= a r r a n q u e _ s i m p l e x (C, A, b ) ; warning o f f
4 [ CB, invB ,CNB, Q, p o s i c i o n , pos_entra ]= i n i c i a l i z a _ s i m p l e x (B, X, CT, C,A ) ;
5 c o n d i c i o n =0;E=invB ;
6 w h i l e c o n d i c i o n==0
7 b i=invB A ( : , pos_entra ) ; b=Eb ;
8 [ p o s _ s a l e ]= b a s e s a l e _ s i m p l e x ( b , bi , nnb ) ;
9 [CT]= i n t e r c a m b i a _ s i m p l e x (CT, p o s _ s a l e , pos_entra ) ; CB=CT( 1 , l e n g t h (C)+1: l e n g t h (CT ) ) ;
10 [ p o s i c i o n ]= i n t e r c a m b i a _ s i m p l e x ( p o s i c i o n , p o s _ s a l e , pos_entra ) ;
11 [ invB , A, E]= m a t r i c e s ( p o s _ s a l e , pos_entra , nnb , n , A, invB ) ;
12 Q=CB invB ;CNB=QACNB;
13 [ num , pos_entra ]=max(CNB) ; c o n d i c i o n =(max(CNB) > 0 ) ;
14 end
15 b=Eb ; f o b j e t i v o=CBb ; %X=[ z e r o s ( 1 , l e n g t h (C) ) , b ] ;
55
CONCLUSIONES Y RECOMENDACIONES
Archivo raiz-wolfenson.m
Listing 3: raiz-wolfenson.m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
f u n c t i o n [ a l f a , f 1 , x0 ]= r a i z _ w o l f e n s o n ( x0 , d0 , a l f a 1 , a l f a 2 , t o l ) %mtodo de l a b i s e c c i n
xe1=x0+a l f a 1 d0 ;
xe2=x0+a l f a 2 d0 ;
c o n d i c i o n =1;
while condicion
a l f a p=a l f a 1 +( a l f a 2 a l f a 1 ) / 2 ;
xep=x0+a l f a p d0 ;
p=derivada_1 ( xe1 ) d0 derivada_1 ( xep ) d0 ;
i f p>0
xe1=xep ;
a l f a 1=a l f a p ;
else
xe2=xep ;
a l f a 2=a l f a p ;
end
c o n d i c i o n =( abs ( a l f a 2 a l f a 1 )> t o l ) ;
end
a l f a=a l f a p ;
f 1=f ( x0+a l f a d0 ) ;
x0=(x0+a l f a d0 ) ;
Archivo intercambia-simplex
Listing 4: intercambia-simplex.m
1
2 f u n c t i o n [V]= i n t e r c a m b i a _ s i m p l e x (V, pos1 , pos2 )
3 p i v o t=V( pos1 ) ; V( pos1 )=V( pos2 ) ;
4 V( pos2 )= p i v o t ;
archivo basesale-simplex
Listing 5: basesale-simplex.m
1
2 f u n c t i o n [ p o s _ s a l e ]= b a s e s a l e _ s i m p l e x ( b , a i , nnb )
3 d i v i s i o n=b . / a i ; [ num , p o s _ s a l e ]=min ( d i v i s i o n ) ; p o s _ s a l e=p o s _ s a l e+nnb ;
4 f u n c t i o n v a l o r=f ( x )
5 v a l o r =5x ( 1 ) + 0 . 2 ( 0 . 0 0 2 x (1))^5+7 x ( 2 ) + 0 . 2 ( 0 . 0 0 2 5 x (2))^5+10 x ( 3 ) + 0 . 2 ( 0 . 0 0 2 5 x (3))^5+
6 2 x ( 4 ) + 0 . 2 ( 0 . 0 0 2 x (4))^5+ z e r o s ( 1 , 5 ) [ x ( 5 ) ; x ( 6 ) ; x ( 7 ) ; x ( 8 ) ; x ( 9 ) ] ;
7 %v a l o r =3x (1)^2 24 x (1)+2 x (2)^4 64 x ( 2 ) ;
56
CONCLUSIONES Y RECOMENDACIONES
Archivo datosincial
Listing 6: datosincial.m
1
2 % Matriz A
3 A=[0 0 0 0 1 1 1 0 0
4
0 0 0 0 0 0 0 1 1
5
1 0 0 0 1 0 0 0 0
6
0 1 0 0 0 1 0 1 0
7
0 0 1 0 0 0 1 0 1
8
0 0 0 1 0 1 1 0 0 ]
9
10
%Vector b
11 b = [ 4 0 0 0 ; 2 5 0 0 ; 0 . 0 ; 0 . 0 ; 0 . 0 ; 0 . 0 ]
12
13 %Vector i n i c i a l
14 v0 =[2000 2500 2000 2000 2000 1000 1000 1500 1 0 0 0 ]
15
16 % T o l e r a n c i a s
17 t o l 1 = 0 . 0 0 0 0 0 0 0 0 1 ;
18 t o l 2 = 0 . 0 0 0 0 0 0 0 0 1 ;
57
Bibliografa
[1] Mokhtar S. Bazaraa, Hamif D. Sherali. Nonlinear Programming Theory an Algorithms, Third Edition. Georgia Institute of Technology.
[2] Bar-Gera H., D. Boyce (2005) User-equilibrium route set analysis of a large road
network, in Transportation and Traffic Theory: Flow, Dynamics and Human Interaction, H. Mahmassani (ed), Elsevier, Oxford, 673-692
[3] Bureau of Public Roads (BPR) (1964), Traffic Assignment Manual, U. S. Department of Commerce, Washington DC.
[4] Ceder, A y Wilson, N.H.M. Bus Network desing. Transportation Research.
[5] Pedro Canales Garcia, Redes de Transporte Urbano: Un Algoitmo para Estimar
una Matriz de Demanda de Viajes. TECNIA 12(2) 2004
[6] Pedro Canales Garcia, Asignacin de Flujos de Trnsito a redes de Transporte
Urbano. TECNIA Vol. 13 No 2 Diciembre 2003
[7] Dantzig G. B.- Aplication of the Simplex Method to a Transportation Problem.
Monografa n.o 13 de la Cowles Commision. Jhon Wiley, New York 1951
[8] Flores Salinas, Jos, Estudio del Algoritmo Proyectivo de Karmarkar y sus Aplicaciones en la Ingeniera. Facultad de ciencias UNI, Lima Per 2010
[9] Antonio Galvao Novales. Sistemas de Transportes Vol1 Anlise da Demanda.
Editorial Edgard Blucher Ltda.1986
[10] Hestenes, Magnus R.; Stiefel, Eduard (December, 1952). Methods of Conjugate
Gradients for Solving Linear Systems. Journal of Research of the National Bureau
of Standards 49 (6).
[11] Hiller, F. J. Liberman. Investigacion de operaciones, Mxico, McGraw-Hill,
2002.
[12] D. G. Luenberger, Linear and Nonlinear Programming, Second Edition, John Wiley and Sons, 1984.
[13] Ortuzar, J. De D. Y Willumnsen, L. Modelling Transport, John Wiley and
Sons, Inc., 1996
58
BIBLIOGRAFA
[14] Russo F. Modelli e metodi per la programmazione dei srvizi di trasporto publico
locale: uno stato dellarte . Franco Angeli Editore Et. Al 2002.
[15] Vargas G. Modelos lineales en Investigacin de Operaciones, Teora y Aplicaciones . Bogot: Fondo Editorial, Universidad Distrital Francisco Jos Caldas,
Bogot Colombia ,1990 Et. Al 2002.
[16] H. Yang, S. Yagar, Y. lida, and Y. Asakura. An algorithm for the inflow control problem on urban freeway networks with user-optimal flows. Transportation
Research, 28B:123-139, 1994
59