metaheurísticas en el diseño de sistemas de transporte público
DESCRIPTION
Metaheurísticas en el diseño de sistemas de transporte público. Antonio Mauttone Depto. de Investigación Operativa - InCo Facultad de Ingeniería - UdelaR. Metaheurísticas y Optimización sobre Redes Octubre 2013. Agenda. Planificación de sistemas de transporte público. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/1.jpg)
Metaheurísticas en el diseño de sistemas de transporte público
Antonio MauttoneDepto. de Investigación Operativa - InCo
Facultad de Ingeniería - UdelaR
Metaheurísticas y Optimización sobre RedesOctubre 2013
![Page 2: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/2.jpg)
A. Mauttone - MOR - Oct. 2013
Agenda
• Planificación de sistemas de transporte público.
• Metaheurística multiobjetivo para el diseño de recorridos.
• Tabu Search para la determinación de frecuencias.
![Page 3: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/3.jpg)
A. Mauttone - MOR - Oct. 2013
Parte 1:
Planificación de sistemas de transporte público
![Page 4: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/4.jpg)
A. Mauttone - MOR - Oct. 2013
Planificación de sistemas de transporte público
Etapa DecisionesObjetivos
principalesPrincipal tomador
de decisionesHorizonte temporal
Diseño de recorridosTrazados de
recorridosMín. tiempo viaje y costo de operación
Entidad reguladora Largo plazo
Determinación de frecuencias
Valores de frecuencias
Mín. tiempo viaje y costo de operación
Entidad reguladora Mediano plazo
Construcción de tablas de horarios
Hora de partida y llegada de viajes
Mín. tiempo viaje y costo de operación
Entidad reguladora, operadores
Mediano/corto plazo
Asignación de flotaAsignación de buses
a viajesMín. costo de
operaciónOperadores Mediano/corto plazo
Asignación de personal
Asignación de personal a buses
Mín. costo de operación
Operadores Mediano/corto plazo
![Page 5: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/5.jpg)
A. Mauttone - MOR - Oct. 2013
Planificación de sistemas de transporte público
Etapa DecisionesObjetivos
principalesPrincipal tomador
de decisionesHorizonte temporal
Diseño de recorridosTrazados de
recorridosMín. tiempo viaje y costo de operación
Entidad reguladora Largo plazo
Determinación de frecuencias
Valores de frecuencias
Mín. tiempo viaje y costo de operación
Entidad reguladora Mediano plazo
Construcción de tablas de horarios
Hora de partida y llegada de viajes
Mín. tiempo viaje y costo de operación
Entidad reguladora, operadores
Mediano/corto plazo
Asignación de flotaAsignación de buses
a viajesMín. costo de
operaciónOperadores Mediano/corto plazo
Asignación de personal
Asignación de personal a buses
Mín. costo de operación
Operadores Mediano/corto plazo
![Page 6: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/6.jpg)
A. Mauttone - MOR - Oct. 2013
Problemas de optimización en TP
• De complejidad combinatoria y no lineal.
• Con estructura subyacente de red.
• Gran tamaño: orden de 1000 nodos y arcos.
• Sub-sistemas complejos: comportamiento de pasajeros.
• Metaheurísticas: alternativa de solución viable.
![Page 7: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/7.jpg)
A. Mauttone - MOR - Oct. 2013
Parte 2:
Metaheurística multiobjetivo para el diseño de recorridos*
* En base a trabajos en co-autoría con María E. Urquhart
![Page 8: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/8.jpg)
A. Mauttone - MOR - Oct. 2013
Plan
• Optimización multi-objetivo: conceptos y metodologías.
• Diseño de recorridos en transporte público: problema y algoritmo de solución.
• Aplicación: caso de estudio real.
![Page 9: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/9.jpg)
Optimización multi-objetivo
![Page 10: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/10.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivo
Optimización (Ehrgott y Gandibleux, 2002):
Hacer una tarea de la “mejor forma posible”, respecto a un único criterio, p.e. minimización de costos o maximización de beneficios.
min f(x)
s.a.
x X
![Page 11: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/11.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivo
• En algunos casos es imposible resumir en un único objetivo, diferentes opiniones, motivaciones y metas encontradas en un proceso de decisión donde hay intereses en conflicto.
• Imposible arribar a una solución “ideal”, es decir, aquella que optimiza cada objetivo en forma individual.
![Page 12: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/12.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivo
Optimización multi-objetivo:
Diferentes funciones objetivo, parcialmente contradictorias y a veces expresadas en unidades diferentes.
“min” [f1(x),…, fm(x)]
s.a.
x X
![Page 13: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/13.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivo
Definiciones y Notación (Deb, 2001; Ehrgott, 2005): • x’X es eficiente (o Pareto optimal) si no existe otra xX
tal que f(x) ”” f(x’).
• f(x) ”” f(x’) si fi(x) fi(x’) i1..m y
j1..m tal que fj(x) fj(x’)
• Si x’ es eficiente entonces f(x’) es un punto no dominado. • Si x1,x2X cumplen f(x1) ”” f(x2) entonces se dice que x1
domina a x2y f(x1) domina a f(x2).
![Page 14: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/14.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivo
Definiciones y Notación: • El subconjunto de todas las soluciones eficientes de X
se denomina conjunto eficiente XE.
• El conjunto de todos los puntos no dominados
y’=f(x’) Y, donde x’XE, se denomina conjunto no dominado YN (o frente de Pareto).
• Muchas veces se utilizan los términos solución eficiente y no dominada indistintamente.
![Page 15: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/15.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivo
Espacio de decisiones Espacio de objetivos
x1
x2
x3
x4
f(x1)
f(x2)f(x3)
f(x4)
Conjunto eficiente XE = {x1,x2,x4}.
Conjunto no dominado YN = {f(x1),f(x2),f(x4)}.
x4 domina a x3.
x1,x2,x4 son no dominados.
![Page 16: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/16.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivo
• Para seleccionar una única solución de XE se requiere de información adicional, que se asume dada por un agente decisor (decision maker, DM).
• Información que incluye criterios subjetivos, políticos, etc.
• Modos a priori, a posteriori e interactivo.
![Page 17: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/17.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivoOptimización combinatoria multi-objetivo (MOCO):• El dominio X es discreto.
• Cuando se adopta el modo a posteriori, el problema resultante es usualmente NP-hard (no hay chances de encontrar un algoritmo de orden polinomial para encontrar XE). Incluso cuando los problemas asociados de objetivo único son fáciles de resolver. Por ejemplo
“min” (i=1..nci1xi, i=1..nci2xi)
s.a.
x {0,1}n
x (0,…,0) ci1,ci2 0, i=1..n
(Ehrgott y Gandibleux, 2004)
![Page 18: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/18.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivoMétodos aproximados para MOCO:• La resolución exacta de un problema MOCO (adoptando el modo a
posteriori) además de ser costosa (por su complejidad computacional) no es práctica (desde el punto de vista del DM).
• Significado del término “aproximado”.
• Algoritmos que encuentran un sub-conjunto de XE (Sayin y Kouvelis, 2004). Cada solución encontrada es eficiente (o Pareto optimal).
• Heurísticas multi-objetivo: encuentran un conjunto de soluciones no dominadas no necesariamente en XE.
![Page 19: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/19.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivo
Conjunto YN (solución exacta)
Subconjunto de YN (soluciones Pareto optimales)
Conjunto de soluciones no dominadas (no necesariamente Pareto optimales)
![Page 20: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/20.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivoHeurísticas multi-objetivo:• Mecanismos específicos de exploración del espacio de
soluciones. Cercanía y diversidad.
• Metaheurísticas multi-objetivo: Adaptaciones de sus contrapartes de objetivo único. Basadas en poblaciones (Algoritmos Genéticos, Coello 2000, Deb 2001) y en trayectorias (Tabu Search, Simulated Annealing, Ehrgott y Gandibleux, 2004).
![Page 21: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/21.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivoGRASP (original):Greedy Randomized Adaptive Search Procedures (Feo y Resende,
1995).
procedure GRASP
bestSolution = {};
for i=1 to Iterations
solution = Construction(i);
solution = LocalSearch(solution);
Update(bestSolution, solution);
end for;
return bestSolution;
end GRASP;
![Page 22: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/22.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivoGRASP (multi-objetivo):Variantes para problemas MOCO (Baldoquín, 2002; Soares y Arroyo, 2004).
procedure MO_GRASP
paretoFront = {};
for i=1 to Iterations
solution = Construction(i, tradeOffi);
solution = LocalSearch(solution, tradeOffi);
Update(paretoFront, solution);
end for;
return paretoFront;
end GRASP;
![Page 23: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/23.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización multi-objetivoMO_GRASP: GRASP Multi objetivo
Soluciones resultantes de la construcción
Soluciones resultantes de la búsqueda local
Trayectoria de la búsqueda local
Frente de Pareto
![Page 24: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/24.jpg)
Diseño de recorridos en transporte público
![Page 25: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/25.jpg)
A. Mauttone - MOR - Oct. 2013
Transit Network Design Problem
• Definición de Baaj y Mahmassani (1991).
• Diseño de recorridos y frecuencias para un sistema de transporte público,
• optimizando simultaneamente los objetivos de usuarios y operadores,
• en base a información relativa a la red de calles y a la demanda inter-zonal de viajes.
![Page 26: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/26.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Modelo• Datos del problema:
– Un grafo no dirigido G que representa la red de calles (o sistema de zonas); las aristas son ponderadas con el tiempo de viaje entre sus vértices extremos.
– Una matriz origen-destino D que representa la demanda entre vértices en un horizonte de tiempo dado.
• Variables de decisión:– Conjunto de recorridos R,– con sus correspondientes frecuencias F.
d11 … d1n
. . . . dn1 … dnn
![Page 27: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/27.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Restricciones
• Cubrimiento de demanda:– Cada elemento de D (par de vértices) con
demanda no nula debe estar conectado por al menos un recorrido de R; un transbordo (como máximo) es permitido.
• Frecuencias:– Deben pertenecer a un conjunto de valores
predeterminedos.
![Page 28: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/28.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Funciones objetivo
• Usuarios: min Z1= i=1..nj=1..n dij(tvij + twij)
Minimizar tiempo de viaje y de espera para cada par de vértices (i,j), ponderado por la demanda dij. Valores de tv y tw son determinados por el sub-modelo de asignación.
• Operadores: min Z2 = rkR fktk
Minimizar tamaño de la flota, tk es la duración del recorrido rk.
![Page 29: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/29.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Sub-modelo de asignación• Necesario para calcular Z1.
• Aplica las hipótesis sobre el comportamiento (selección de recorridos) de la demanda D con respecto a los recorridos de R.
• Distribuye la matriz de demanda D sobre los recorridos de R.
• Usamos el modelo de Baaj y Mahmassani (1990).
ij
kl
dij
i - ji - j
i - k - l - j
![Page 30: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/30.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP y optimización multi-objetivo
• En sistemas reales de transporte público los objetivos de usuarios y operadores son contrapuestos.
• En un sentido general, muchos recorridos con altas frecuencias redunda en bajos valores para Z1 y altos para Z2 y viceversa.
![Page 31: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/31.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP y optimización multi-objetivo
min Z1(x)
min Z2(x)
s.a.
x X
• Modo a posteriori adoptado por primera vez por Israeli y Ceder (1993).
• Modelo planteado por Mauttone y Urquhart (2006).
• Problema de optimización combinatoria multi-objetivo (Ehrgott y Gandibleux, 2004).
• Solución: un conjunto de soluciones no-dominadas.
Z1
Z2
![Page 32: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/32.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Formulaciones con función objetivo única: alta complejidad combinatoria (Israeli y Ceder, 1993); resultado teórico de complejidad disponible para ciertas variantes (Börndorfer et al, 2007; Schöbel and Scholl, 2006). Enfoque multi-objetivo agrega dificultad.
• Aproximación al conjunto eficiente XE.
• Metaheurística multi-objetivo GRASP TNDP propuesta en (Mauttone y Urquhart, 2006).
![Page 33: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/33.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo• GRASP TNDP:
– Construcción: Produce un conjunto de recorridos R que cubre la matriz de demandas.
– Búsqueda local: Asigna frecuencias F factibles y óptimas (aproximación) en los recorridos.
procedure MO_GRASP
paretoFront = {};
for i=1 to Iterations
solution = Construction(i, tradeOffi);
solution = LocalSearch(solution, tradeOffi);
Update(paretoFront, solution);
end for;
return paretoFront;
end GRASP;
– Parámetro trade off :
Duración máxima de recorridos (construcción) y coeficientes y en la función objetivo compuesta Z = Z1 + Z2 (búsqueda local).
![Page 34: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/34.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Construcción: – Pair Insertion Algorithm (Mauttone y Urquhart, 2009).
– Genera recorridos usando el camino más corto entre pares de vértices con alta demanda.
– Inserta pares de vértices en recorridos existentes en la solución en construcción.
![Page 35: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/35.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
i
j
k
l
p
q
![Page 36: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/36.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
i
j
k
l
p
q
![Page 37: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/37.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
i
j
k
l
p
q
![Page 38: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/38.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
i
j
k
l
p
q
![Page 39: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/39.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
i
j
k
l
p
q
![Page 40: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/40.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
i
j
k
l
p
q
![Page 41: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/41.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
i
j
k
l
p
q
![Page 42: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/42.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivoprocedure PIA
l = lista de pares de vértices (i,j) con dij<>0;
while (demanda D no cubierta) do
(u,v) = seleccionar elemento (i,j) con máxima demanda dij en l;
r = Crear un recorrido con el camino más corto entre u y v en G;
r' = Crear un recorrido insertando u y v en las posiciones más adecuadas en el recorrido
más conveniente r'' en R;
if costo(r) < costo(r') - costo(r'') then
R = R {r};
Eliminar de l los pares de vértices cuya demanda es cubierta directamente por r;
else
R = R {r'} - {r''};
Eliminar de l los pares de vértices cuya demanda es cubierta directamente por r';
end if;
Actualizar demanda cubierta por recorridos de R;
end while;
Filtrar recorridos en R;
return R;
end PIA;
![Page 43: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/43.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Construcción:
– Complejidad computacional: O(n2) posibilidades de inserción para un par de vértices en un recorrido formado por n vértices.
![Page 44: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/44.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo• Búsqueda local:
– Varía el valor de frecuencia de cada recorrido en la solución.
– Vecindad: Valores contiguos en el dominio de frecuencias . Tamaño 2|F|.
– Avanza en la dirección dada por la función objetivo compuesta Z = Z1 + Z2.
![Page 45: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/45.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
= {1/60, 1/40, 1/30, 1/20, 1/10, 1/5}
Fi = {1/30, 1/50, 1/5}
![Page 46: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/46.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
= {1/60, 1/40, 1/30, 1/20, 1/10, 1/5}
Fi = {1/30, 1/50, 1/5}
![Page 47: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/47.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
• Ejemplo:
= {1/60, 1/40, 1/30, 1/20, 1/10, 1/5}
Fi = {1/30, 1/50, 1/5}
Fi + 1 = {1/20, 1/50, 1/5}
![Page 48: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/48.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo• Evaluación de las funciones objetivo:
– Sub-modelo de asignación de Baaj y Mahmassani (1990).– Necesario para evaluar cada cada solución en la
búsqueda local.– Asigna la matriz de demandas D a los recorridos R,
teniendo en cuenta las frecuencias F, asumiendo que los pasajeros tratan de:
1. Minimizar transbordos.
2. Minimizar tiempo de viaje entre recorridos posibles.
3. Toman el primer bus de cualquier línea que les sirve, según 1 y 2.
![Page 49: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/49.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo• Sub-modelo de asignación:
Calcula tiempo de viaje y espera para dij como:
tvij=kRijwktij
k twij=1/(2kRijfk)
donde wk=fk/(2lRijfl), Rij es el conjunto de recorridos que
conectan la demanda dij y tijk es el tiempo de i a j usando el
recorrido rk.
![Page 50: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/50.jpg)
A. Mauttone - MOR - Oct. 2013
TNDP: Metaheurística multi-objetivo
procedure GRASP TNDP
Calcular caminos más cortos entre todos los pares de vértices en G;
P = {};
for i = 1 to NumIters do
tmax = Valor aleatorio uniforme en [tmaxini,tmax
end];
R = Construcción(i, , tmax);
F = Frecuencias iniciales;
S = (R,F);
= Vector aleatorio de pesos;
BúsquedaLocal(, S, P);
end for;
return P;
end GRASP TNDP;
![Page 51: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/51.jpg)
Aplicación
![Page 52: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/52.jpg)
A. Mauttone - MOR - Oct. 2013
Caso de estudio
• Ciudad de Rivera, Uruguay, 65.000 habitantes aprox.• 13 líneas de ómnibus.• Tiempos entre pasadas: 20, 30, 40 y 60 minutos,
depende de la línea.• Fuerte presencia del transporte público en la ciudad,
debido a: tradición, geografía, crecimiento.• Publicado en Mauttone y Urquhart (2007).
![Page 53: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/53.jpg)
A. Mauttone - MOR - Oct. 2013
Construcción del caso
• Zonificación: 4 x 4 cuadras
• Grafo: 84 vértices y 143 aristas
• Demanda: conteos origen-destino
r1
r2
![Page 54: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/54.jpg)
A. Mauttone - MOR - Oct. 2013
0
50
100
150
200
250
200 250 300 350 400 450 500 550
Costo de usuarios, Z 1 (S )
Cos
to d
e op
erad
ores
, Z2(S
)
frente calculado P
solución de Rivera
Resultados numéricos238 soluciones no dominadas en 3 horas y 16 minutos (Pentium 4).
![Page 55: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/55.jpg)
A. Mauttone - MOR - Oct. 2013
Resultados numéricosSolución Z1 Z2 |R| 1/f t
1 229,34 226,22 44 13 45
3 239,69 179,53 46 16 43
5 247,09 144,99 43 17 45
7 252,43 117,44 26 16 53
9 262,88 96,69 18 16 62
11 292,46 62,39 28 30 52
13 321,60 45,98 16 28 69
15 349,58 36,64 11 33 90
17 381,58 28,94 16 41 65
19 437,81 20,54 10 47 90
Rivera 401,56 25,65 13 37 63
![Page 56: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/56.jpg)
A. Mauttone - MOR - Oct. 2013
Discusión de resultados
Cercanía de la solución de Rivera al frente:– Algoritmo aproximado, pueden existir mejores
soluciones, que no fueron encontradas.– Si el algoritmo encontró soluciones muy buenas:
• Solución histórica de Rivera es “buena”, ajustes permanentes ralizados con conocimiento local.
• Matriz OD utilizada se estimó en base a las líneas de la solución de Rivera. La demanda relevada está fuertemente adaptada a la oferta de la solución, por lo que es esperable que su evaluación en el modelo sea buena.
![Page 57: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/57.jpg)
A. Mauttone - MOR - Oct. 2013
Parte 3:
Tabu Search para la determinación de frecuencias*
* En base a trabajos en co-autoría con Héctor Martínez y María E. Urquhart
![Page 58: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/58.jpg)
A. Mauttone - MOR - Oct. 2013
Plan
• Tabu Search: principales conceptos.
• Optimización de frecuencias en transporte público: formulación matemática y solución metaheurística.
• Aplicaciones.
![Page 59: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/59.jpg)
A. Mauttone - MOR - Oct. 2013
Tabu Search• Motivación:
– Problema P de optimización (minimización) de la forma: min c(x), x X
– Donde S(x) es la vecindad de x (soluciones factibles en X a las que puedo llegar desde x, mediante movimientos)
Tomado de (Glover, 1989)
![Page 60: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/60.jpg)
A. Mauttone - MOR - Oct. 2013
Tabu Search• Motivación:
– Problema P de optimización (minimización) de la forma: min c(x), x X
– Donde S(x) es la vecindad de x (soluciones factibles en X a las que puedo llegar desde x, mediante movimientos)
Tomado de (Glover, 1989)
Principal desventaja:criterio de parada en óptimo local, puede no ser el óptimo global.
![Page 61: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/61.jpg)
A. Mauttone - MOR - Oct. 2013
Tabu Search
• Idea: – Continuar la exploración aunque no se mejore la
solución actual, sin caer nuevamente en el óptimo local desde donde se viene.
• Conceptos:– Conjunto T de movimientos tabu que restringen la
búsqueda por un período dado de t iteraciones (tenure).
– Criterios de aspiración: la condición tabu de un movimiento puede revertirse según sea conveniente.
![Page 62: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/62.jpg)
A. Mauttone - MOR - Oct. 2013
Tabu Search
Más detalles en (Glover y Laguna, 1998)
![Page 63: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/63.jpg)
A. Mauttone - MOR - Oct. 2013
Optimización de frecuencias
• Dados:– Un conjunto fijo de líneas.– Una matriz origen-destino.
• Definir el intervalo de tiempo entre vehículos sucesivos en cada línea.
• Considerando intereses de los usuarios (bajo tiempo de viaje) y operadores (bajo costo operacional).
![Page 64: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/64.jpg)
A. Mauttone - MOR - Oct. 2013
Modelado del problema
• Representación de las líneas y de la demanda
• Representación del comportamiento de los pasajeros.
• Formulación de programación matemática.
![Page 65: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/65.jpg)
A. Mauttone - MOR - Oct. 2013
Líneas y demanda
Bus stopBus line
Real elements
Stop node
Travel arcBoarding arcAlighting arc
Endpoint of street segment node
Graph model
Demanda:
Conjunto de pares OD, cada uno tiene sus correspondientes nodos origen, destino y un valor de demanda (viajes por unidad de tiempo).
![Page 66: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/66.jpg)
A. Mauttone - MOR - Oct. 2013
Comportamiento de los pasajeros
Aav
AaNnwfv
Nnbvv
wvc
a
Wn
Pnaa
nAa
aAa
a
Nnn
Aaaa
wv
nn
P
0
,
s.t.
min,
Estrategias óptimas (Spiess y Florian, 1989): minimización del tiempo total de viaje esperado.
• Formulación lineal.
• La solución es un hiper camino más corto.
• La demanda es dividida entre las líneas atractivas que conducen al destino.
Tiempo de espera: 1/fi
División de la demanda: fk / fi
![Page 67: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/67.jpg)
A. Mauttone - MOR - Oct. 2013
Formulación: optimización de frecuencias
Dados:
– Un conjunto de líneas L– Un máximo tamaño de flota B
Introducimos:
– Un conjunto de posibles valores de frecuencias = {1,… m}
– Una variable binaria ylf que toma el valor 1 si la línea l usa la frecuencia f.
– Una estructura auxiliar para el grafo subyacente.
1
23
![Page 68: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/68.jpg)
A. Mauttone - MOR - Oct. 2013
Formulación: optimización de frecuencias
...1,1,0
,,0
,,
,,,
,,
,1
s.t.
min
)()(
..1
..1
,,
)(
mfLly
KkAav
KkAayv
KkAaNnwv
KkNnbvv
Lly
Bcy
wvc
lf
ak
Bafalkak
nP
nkfak
nkAa
akAa
ak
mflf
Ll mf laalff
Kk Nnnk
Aaaka
wvy
a
nn
P
• Propuesta en Martínez et al, 2012.
• Equivalente a la formulación de Constantin y Florian (1995), que es no-lineal bi-nivel.
• Naturaleza lineal entera mixta.
• Para instancias pequeñas, puede resolverse utilizando un solver.
![Page 69: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/69.jpg)
A. Mauttone - MOR - Oct. 2013
Tabu Search para optimización de frecuencias
• Conjunto de líneas L = {1..l}.
• Conjunto de frecuencias = {1,… m}.
• Exactamente una frecuencia debe ser asignada a cada línea (ml posibilidades).
• Búsqueda local basada en operaciones INCREASE y DECREASE aplicadas a la frecuencia de cada línea.
• Vecindad: se obtiene aplicando INCREASE a una línea l1 y DECREASE a otra línea l2 l1 (para todo par de líneas). Tamaño: |L|(|L|-1)
![Page 70: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/70.jpg)
A. Mauttone - MOR - Oct. 2013
Tabu Search para optimización de frecuencias
• Propuesta en Martínez et al, 2012.
• Para evitar quedar atrapados en óptimos locales (Glover, 1989).
• Tabu list: registra la última iteración donde cada línea cambió su frecuencia.
• Para cada posible movimiento (INCREASE,DECREASE) aplicado a (l1 ,l2), se verifican los valores tenure de ambas operaciones.
• Aspiración por defecto: se remueve la condición tabu para vecinos con menor valor de tenure, hasta llegar a un valor Nmin.
• La restricción de tamaño de flota es penalizada en la función objetivo.
• El sub-modelo de asignación es invocado para evaluar cada vecino.
![Page 71: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/71.jpg)
A. Mauttone - MOR - Oct. 2013
Experimentos numéricos
• Casos de prueba:– Mandl: 15 vértices, 21 aristas, 7 líneas.
– Rivera: 84 vértices, 143 aristas, 13 líneas.
– Montevideo: 4945 vértices,
14672 aristas, 133 líneas.
• Se ejecutaron los modelos:– Exacto: formulación matemática implementada en solver
CPLEX.
– Aproximado: Tabu Search implementado en C++.
• Hardware Core i5 e i7.
![Page 72: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/72.jpg)
A. Mauttone - MOR - Oct. 2013
ResultadosReferencia:• Sub-índices exacto e y aproximado a• O es el mejor valor objetivo encontrado• I es el porcentaje de mejora con respecto a la solución actual• T es el tiempo de ejecución en segundos• G es el gap porcentual con respecto a una cota inferior
Modelo original
Modelo sin transbordos Sensibilidad al conjunto de frecuencias
![Page 73: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/73.jpg)
A. Mauttone - MOR - Oct. 2013
Resultados
Progreso del valor objetivo Progreso del tamaño de flota
Caso de Montevideo:• 500 iteraciones de búsqueda local, 9 minutos por cada iteración.• Solución inicial: todas las líneas con frecuencia 1/12 minutos.• Flota inicial: 1524 buses (cercana al valor máximo disponible 1500).• Mejor solución encontrada disminuye un 1,7% el valor objetivo de la solución inicial.
![Page 74: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/74.jpg)
A. Mauttone - MOR - Oct. 2013
Conclusión y discusión
• El método aproximado basado en Tabu Search para optimización de frecuencias obtiene buenos resultados, en relación a la cercanía al óptimo global.
• Permite resolver instancias que no son soportadas por el método exacto.
• Permite obtener mejoras de tiempos de viaje en casos de ciudades reales.
• Es escalable.
![Page 75: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/75.jpg)
A. Mauttone - MOR - Oct. 2013
Referencias bibliográficasBaaj, M.; Mahmassani, H. TRUST: A LISP program for the analysis of transit route configurations. Transportation Research
Record 1283:125–135, 1990.
Baaj, M; Mahmassani, H. An AI-based approach for transit route system planning and design. Journal of Advanced Transportation 25(2):187–210, 1991.
Baldoquín, G. Approximate solution of an extended 0/1 knapsack problem using GRASP. En: XI Congreso Latino-Iberoamericano de Investigación de Operaciones, Concepción, Chile, 2002.
Borndörfer, R.; Grötschel, M.; Pfetsch, M. A column-generation approach to line planning in public transport. Transportation Science, 41(1):123-132, 2007.
Coello, C. An updated survey of GA-based multiobjective optimization techniques. ACM Computing Surveys 32(2):109-143, 2000.
Deb, K. Multi-Objective Optimization using Evolutionary Algorithms. Wiley, 2001.
Ehrgott, M.; Gandibleux, X. Multiple Criteria Optimization: State of the Art Annotated Bibliographic Surveys (International Series in Operations Research & Management Science). Springer, 2002.
Ehrgott, M.; Gandibleux, X. Approximative solution methods for multiobjective combinatorial optimization. Top: Revista de la Asociación Española de Estadística e Investigación Operativa 12(1):1–89, 2004.
Ehrgott, M. Multicriteria Optimization. Springer, 2005.
Feo, T.; Resende, M. Greedy Randomized Adaptive Search Procedures. Journal of Global Optimization 6:109-133, 1995.
Glover, F. Tabu search part I. ORSA Journal on Computing 1(3):190-206, 1989.
Glover, F.; Laguna, M. Tabu search. Springer, 1998.
Israeli, Y.; Ceder, A. Transit route design using scheduling and multiobjective programming techniques. En: Daduna, J.; Branco, I.; Pinto, J. (eds). Proceedings of the Sixth International Workshop on Computer Aided Scheduling of Public Transport, Springer, 1993.
Martínez, H.; Mauttone, A.; Urquhart, M. Formulations and metaheuristic approach to frequency optimization in public transportation systems. Conference on Advanced Systems for Public Transport, Santiago, Chile, 2012.
![Page 76: Metaheurísticas en el diseño de sistemas de transporte público](https://reader035.vdocuments.pub/reader035/viewer/2022062422/56814016550346895dab5fb2/html5/thumbnails/76.jpg)
A. Mauttone - MOR - Oct. 2013
Referencias bibliográficasMauttone, A.; Urquhart, M. A Multi-Objective Metaheuristic approach for the Transit Network Design Problem. En: 10th
International Conference on Computer Aided Scheduling of Public Transport, Leeds, United Kingdom, 2006.
Mauttone, A.; Urquhart, M. Optimización multi-objetivo de recorridos y frecuencias en transporte público aplicado a un caso de estudio real. En: XIII Congreso Chileno de Ingeniería de Transporte, Santiago, Chile, 2007.
Mauttone, A.; Urquhart, M. A route set construction algorithm for the Transit Network Design Problem. Computers and Operations Research, 36(8):2440–2449, 2009.
Sayin, S.; Kouvelis, P. The Multiobjective Discrete Optimization Problem: A Weighted Min-Max Two-Stage Optimization Approach and a Bicriteria Algorithm. Management Science 51(10):1572–1581, 2005.
A. Schöbel and S. Scholl. Line planning with minimal traveling time. In L.G. Kroon and R.H. Möhring, editors, 5th Workshop on Algorithmic Methods and Models for Optimization of Railways, 2005.
Soares, D.; Arroyo, J. A GRASP algorithm for the multi-objective knapsack problem. En: XXIV International Conference of the Chilean Computer Science Society, Arica, Chile, 2004.