Metaheurística para la solución del transport network design problem (TNDP) multiobjetivo con demanda multiperiodo

Abstract

En este trabajo se estudia el problema de Transporte Público, usualmente conocido como TNDP (Transport Network Design Problem) multiobjetivo. Este consiste en encontrar la combinación ideal de rutas y frecuencias, que permita realizar un balance entre los intereses de los usuarios y los operadores, que se contraponen. Utiliza como datos de entrada un grafo con sus respectivos costos de transporte (en este caso tiempos) y demandas asociadas a cada par de nodos. Como método de solución a este problema de optimización combinatoria multiobjetivo, se propone el uso de la metaheurística Búsqueda en Vecindades Variables (VNS), que resuelve problemas de optimización buscando soluciones competitivas mediante el cambio de vecindario iterativamente. El método propuesto es probado en el caso de estudio diseñado por Mandl (Mandl, 1980), que consiste en 15 nodos y 21 arcos, y una matriz de demandas simétrica. El modelo primero se resolvió con el caso original para compararlo con autores que en oportunidades pasadas han trabajado el mismo problema. Posteriormente el VNS propuesto se probó con un modelo de demanda cambiante en 3 momentos del día (Mañana, tarde y noche) para corroborar los resultados positivos obtenidos en el primer ejercicio y darle un alcance mayor a la solución del problema volviéndolo multiperiodo.

In this work we study the Transport Network Design Problem (TNDP). It consists in finding the ideal combination of routes and frequencies that allow the decision maker to balance the interests of the users and the transit operators, which are opposite. The TNDP uses as input a graph, with their transportation costs (in this case time), and the demands associated to each pair of nodes. Our proposed approach to solve the TNDP is based on a Variable Neighborhood Search (VNS) metaheuristic. VNS have been used to solve different kinds of combinatorial optimization problems and it consists in searching competitive solutions by iterative changes of the neighborhood. The VNS is tested first for the case study designed by Mandl (Mandl, 1980), which consists in 15 nodes and 21 arcs, and a symmetric demand matrix. In the first place, the model was run for that original case to compare it with other authors who worked this problem in the past. Then, we tested the VNS approach for a changing demand model in 3 moments of the day (Morning, afternoon and night) to prove the positive results obtained in the first exercise and give a greater scope to the problem solution.