ALGORITMO GENETICO PARA TRANSPORTE

Como continuación de este trabajo y como en cualquier otro proyecto, existen diversas líneas de investigación que pueden aplicar el modelo del algoritmo genético u otros algoritmos relacionados a la metaheurística y en las que es posible continuar trabajando. Durante el desarrollo de este proyecto han surgido algunas ideas de posibles investigaciones futuras que se atacaría en un futuro; algunas de ellas, están directamente relacionadas con este trabajo de investigación y son el resultado de cuestiones que han ido surgiendo durante la realización de la misma.

A continuación, se presentan algunos trabajos futuros que pueden desarrollarse como resultado de esta investigación:

Diseño de redes de telecomunicaciones usando el algoritmo genético. El diseño de redes de telecomunicación es un problema similar al problema estudiado en este proyecto que busca el diseño mas optimo para un sistema de rede de telecomunicaciones.

Diseño de redes de agua potable usando algoritmos metaheurísticos. Es este futuro trabajo se buscaría construir un sistema óptimo para transportar agua al menor costo posible usando algoritmos metaheurísticos.

Planeamiento y control de la trayectoria de un robot móvil. Un robot móvil necesita seguir una ruta optima evitando distintos obstáculos.

Los autores del trabajo titulado “Aplicación del algoritmo de colonia de hormigas al problema del agente viajero”; afirman, que el algoritmo de colonia de hormigas se basa en la búsqueda de alimentos por parte de las hormigas, trazando el camino más corto entre el hormiguero y el emplazamiento de alimentos. Con respecto al problema TSP; en un principio las hormigas siguen rutas aleatorias y luego selecciona cuál ciudad será la siguiente a ser visitada, esta selección está basada en una probabilidad que es función de la distancia a la ciudad (o visibilidad) y la cantidad de rastros presente en la ruta que conecta las ciudades. Las hormigas tienen memoria sobre las ciudades que han visitado y las que no ha visitado; y cuando ha completado el viaje, deja una sustancia o rastro en cada tramo.

En la fase uno, obtenemos las coordenadas del depósito ubicado en Saylla chico y de las 74 tiendas ubicadas en los distritos de Cusco, Santiago, Wánchaq y San Sebastián. Se hizo uso de Google Maps para seleccionar las direcciones de las tiendas en el mapa y así obtener las coordenadas.

En la fase dos, ya contamos con las coordenadas de las tiendas y el depósito principal, por lo tanto, haciendo uso de la API de Google Maps calculamos un tiempo estipulado que se toma un vehículo en la ruta entre las entre las coordenadas.

En la fase tres, Evaluamos y generamos el tiempo de retraso en el que los vehículos se tardaran. Este es un tiempo extra al tiempo de viaje el cual es producido por tráfico vehicular en cada una de las rutas.

.

En la fase cuatro, se genera el vector de demanda por cada tienda. Este tiene que tener relación con la capacidad de cada unidad vehicular que empleara la empresa ya que puede que la cantidad de vehículos no abastezca a todos los locales.

.

5) En la fase cuatro, se genera la población inicial del algoritmo genético.

...