Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos
ilustraciones, diagramas
- Autores:
-
Ferrer, Daniel
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/84862
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales
Contaminación del aire
Air - Pollution
Metaheurísticas
Problema de ruteo de vehículos con flota heterogénea
Búsqueda local guiada
Búsqueda local
Aprendizaje de máquina
Metaheuristics
Fleet size and mix vehicle routing problem
Guided local search
Local search
Machine learning
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNACIONAL2_7a3349871363f4ea5e640442d77cc412 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/84862 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos |
| dc.title.translated.eng.fl_str_mv |
Development of an optimization algorithm based on guided local search for the carbon footprint minimization problem in heterogeneous vehicle routing |
| title |
Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos |
| spellingShingle |
Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos 000 - Ciencias de la computación, información y obras generales Contaminación del aire Air - Pollution Metaheurísticas Problema de ruteo de vehículos con flota heterogénea Búsqueda local guiada Búsqueda local Aprendizaje de máquina Metaheuristics Fleet size and mix vehicle routing problem Guided local search Local search Machine learning |
| title_short |
Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos |
| title_full |
Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos |
| title_fullStr |
Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos |
| title_full_unstemmed |
Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos |
| title_sort |
Desarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneos |
| dc.creator.fl_str_mv |
Ferrer, Daniel |
| dc.contributor.advisor.none.fl_str_mv |
Bula, Gustavo |
| dc.contributor.author.none.fl_str_mv |
Ferrer, Daniel |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales |
| topic |
000 - Ciencias de la computación, información y obras generales Contaminación del aire Air - Pollution Metaheurísticas Problema de ruteo de vehículos con flota heterogénea Búsqueda local guiada Búsqueda local Aprendizaje de máquina Metaheuristics Fleet size and mix vehicle routing problem Guided local search Local search Machine learning |
| dc.subject.lemb.spa.fl_str_mv |
Contaminación del aire |
| dc.subject.lemb.eng.fl_str_mv |
Air - Pollution |
| dc.subject.proposal.spa.fl_str_mv |
Metaheurísticas Problema de ruteo de vehículos con flota heterogénea Búsqueda local guiada Búsqueda local Aprendizaje de máquina |
| dc.subject.proposal.eng.fl_str_mv |
Metaheuristics Fleet size and mix vehicle routing problem Guided local search Local search Machine learning |
| description |
ilustraciones, diagramas |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-11-02T18:56:46Z |
| dc.date.available.none.fl_str_mv |
2023-11-02T18:56:46Z |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/84862 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/84862 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Alpaydin, E. (2014). Introduction to Machine Learning Second Edition. In Methods in molecular biology (Clifton, N.J.) (Vol. 1107). http://www.ncbi.nlm.nih.gov/pubmed/24272434 Arnold, F., & Gendreau, M. (2017). Efficiently Solving Very Large Scale Routing Problems Efficiently Solving Very Large Scale Routing Problems. CIRRELT-2017-75. Arnold, F., Gendreau, M., & Sörensen, K. (2019). Efficiently solving very large-scale routing problems. Computers and Operations Research, 107, 32–42. https://doi.org/10.1016/j.cor.2019.03.006 Arnold, F., & Sörensen, K. (2019). What makes a VRP solution good? The generation of problem-specific knowledge for heuristics. Computers and Operations Research, 106, 280–288. https://doi.org/10.1016/j.cor.2018.02.007 Astarita, C. (2013). El Gran Juego de las Tierras Raras. Journal of Chemical Information and Modeling, 53(9), 1689–1699. https://doi.org/10.1017/CBO9781107415324.004 Baldacci, R., Battarra, M., & Vigo, D. (2008a). Routing a heterogeneous fleet of vehicles. In Operations Research/ Computer Science Interfaces Series (Vol. 43, pp. 3–27). https://doi.org/10.1007/978-0-387-77778-8_1 Baldacci, R., Battarra, M., & Vigo, D. (2008b). The Vehicle Routing Problem: Latest Advances and New Challenges. In Operations Research/ Computer Science Interfaces Series (Vol. 43). Bautista-Valhondo, J. (2003). Adaptación de la heurística LIN-KERNINGHAM para la resolución de problemas de diseño de itinerarios : Secuenciación de unidades con restricciones múltiples View project. October. https://doi.org/10.13140/RG.2.2.17660.33929 Bektaş, T., & Laporte, G. (2011). The Pollution-Routing Problem. Transportation Research Part B: Methodological, 45(8), 1232–1250. https://doi.org/10.1016/j.trb.2011.02.004 Blum, C. (2003). Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison Metaheuristics in Combinatorial Optimization. In ACM Computing Surveys (Vol. 35, Issue 3). Climatico, G. I. de E. sobre el C. (2019). Maintaining Humanity’s Life Support Systems in the 21st Century Scientific Consensus on. http://consensusforaction.stanford.edu/see-scientific-consensus/consensus_english.pdf Corzo, J. A. (2019). Análisis Multivariado Aplicado con aplicaciones en R Notas de clase Daza, J. M., Montoya, J. R., & Narducci, F. (2010). RESOLUCIÓN DEL PROBLEMA DE ENRUTAMIENTO DE VEHÍCULOS CON LIMITACIONES DE CAPACIDAD UTILIZANDO UN PROCEDIMIENTO METAHEURÍSTICO DE DOS FASES. Eshtehadi, R., Fathian, M., & Demir, E. (2017). Robust solutions to the pollution-routing problem with demand and travel time uncertainty. Transportation Research Part D: Transport and Environment, 51, 351–363. https://doi.org/10.1016/j.trd.2017.01.003 Feng, Y., Zhang, R. Q., & Jia, G. (2017). Vehicle Routing Problems with Fuel Consumption and Stochastic Travel Speeds. Mathematical Problems in Engineering, 2017. https://doi.org/10.1155/2017/6329203 Figliozzi, M. (2010). Vehicle routing problem for emissions minimization. Transportation Research Record, 2197, 1–7. https://doi.org/10.3141/2197-01 Fisher, M. (1995). Vehicle routing. Handbooks in Operations Research and Management Science, 8(C), 1–33. https://doi.org/10.1016/S0927-0507(05)80105-7 Ge, Z., Song, Z., Ding, S. X., & Huang, B. (2017). Data Mining and Analytics in the Process Industry: The Role of Machine Learning. IEEE Access, 5, 20590–20616. https://doi.org/10.1109/ACCESS.2017.2756872 Gendreau, M., & Potvin, J.-Y. (2010). Variable Nneighborhood search (chapter). Handbook of Metaheuristics, 146(September 2010), 648. https://doi.org/10.1007/978-1-4419-1665-5 Ha, S. H. (2010). Behavioral assessment of recoverable credit of retailer’s customers. Information Sciences, 180(19), 3703–3717. https://doi.org/10.1016/j.ins.2010.06.012 Hansen, P., Mladenovic, N., Andrés Moreno Pérez, J., Sánchez, F., & Cruz de Tenerife, S. (2003). Variable Neighbourhood Search. Revista Iberoamericana de Inteligencia Artificial. No, 19, 77–92. http://www.aepia.org/revista Hillier, F. S., & Lieberman, G. J. (2010). Introducción a la Investigación de Operaciones (M. G. Hill (ed.); Novena Edi). Hines, W. W., & Montgomery, D. C. (1993). Probabilidad y estadística para ingeniería y administración. In Applied Statistics (Vol. 22, Issue 1). Huang, B., Thorne, P. W., Banzon, V. F., Boyer, T., Chepurin, G., Lawrimore, J. H., Menne, M. J., Smith, T. M., Vose, R. S., & Zhang, H. M. (2017). Extended reconstructed Sea surface temperature, Version 5 (ERSSTv5): Upgrades, validations, and intercomparisons. Journal of Climate, 30(20), 8179–8205. https://doi.org/10.1175/JCLI-D-16-0836.1 Huemer, M. (2011). Heuristics for the vehicle routing problem with multiple deliverymen. August. Irnich, S., Toth, P., & Vigo, D. (2014). Chapter 1: The Family of Vehicle Routing Problems. In Vehicle Routing (pp. 1–33). Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9781611973594.ch1 Koç, Ç., Bektaş, T., Jabali, O., & Laporte, G. (2016). Thirty years of heterogeneous vehicle routing. In European Journal of Operational Research (Vol. 249, Issue 1, pp. 1–21). Elsevier. https://doi.org/10.1016/j.ejor.2015.07.020 Kramer, R., Subramanian, A., Vidal, T., & Cabral, L. D. A. F. (2015). A matheuristic approach for the Pollution-Routing Problem. European Journal of Operational Research, 243(2), 523–539. https://doi.org/10.1016/j.ejor.2014.12.009 Larose, D. T., & Larose, C. D. (2014). Discovering Knowledge in Data. In Discovering Knowledge in Data. https://doi.org/10.1002/9781118874059 Leung, S. C. H., Zheng, J., Zhang, D., & Zhou, X. (2010). Simulated annealing for the vehicle routing problem with two-dimensional loading constraints. Flexible Services and Manufacturing Journal, 22(1–2), 61–82. https://doi.org/10.1007/s10696-010-9061-4 Li, X. Y., Tian, P., & Leung, S. C. H. (2009). An ant colony optimization metaheuristic hybridized with tabu search for open vehicle routing problems. Journal of the Operational Research Society, 60(7), 1012–1025. https://doi.org/10.1057/palgrave.jors.2602644 Lucas, F., Billot, R., & Sevaux, M. (2019). A comment on “What makes a VRP solution good? The generation of problem-specific knowledge for heuristics.” Computers and Operations Research, 110, 130–134. https://doi.org/10.1016/j.cor.2019.05.025 Medina, L. B. R., Rotta, E. C. G. La, & Castro, J. A. O. (2011). Una Revisión al Estado del Arte del Problema de Ruteo de Vehículos: Evolución Histórica Y Métodos De Solución. Ingeniería, 16(2), 35–55. http://revistas.udistrital.edu.co/ojs/index.php/reving/article/view/3832 Molina, J. C. (2012). Problema VRP con flota heterogénea. Muñoz-Villamizar, Montoya-Torres, & Caceres Cruz, J. (2020). A SIMULATION-BASED ALGORITHM FOR THE INTEGRATED LOCATION AND ROUTING PROBLEM IN URBAN LOGISTICS. Suparyanto Dan Rosad (2015, 5(3), 248–253. Nikfarjam, A., Moosavi, A., Rezaei, N., & Ebrahimnejad, S. (2019). A green vehicle routing problem with time windows considering the heterogeneous fleet of vehicles: two metaheuristic algorithms. European J. of Industrial Engineering, 13(4), 507. https://doi.org/10.1504/ejie.2019.10022249 Olivera, A. (2004). Heurísticas para Problemas de Ruteo de Vehículos. Olson, R. S., & Moore, J. H. (2016). Olson Moore - TPOT A Tree-based Pipeline Optimization Tool for .pdf. 163–173. Pessoa, A., Sadykov, R., & Uchoa, E. (2018). Enhanced Branch-Cut-and-Price algorithm for heterogeneous fleet vehicle routing problems. European Journal of Operational Research, 270(2), 530–543. https://doi.org/10.1016/j.ejor.2018.04.009 Posada, J., & González, C. (2013). Fuel Consumption in Vehicles for Highway Transportation - Predictive Models. Revista Ingenierías Universidad de Medellín, 12(23), 35–46. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1692-33242013000200004&lng=en&nrm=iso&tlng=es Rezgui, D., Chaouachi Siala, J., Aggoune-Mtalaa, W., & Bouziri, H. (2019). Application of a variable neighborhood search algorithm to a fleet size and mix vehicle routing problem with electric modular vehicles. Computers and Industrial Engineering, 130(January 2018), 537–550. https://doi.org/10.1016/j.cie.2019.03.001 Ropke, S., & Pisinger, D. (2006). An adaptive large neighborhood search heuristic for the pickup and delivery problem with time windows. Transportation Science, 40(4), 455–472. https://doi.org/10.1287/trsc.1050.0135 Sörensen, K., Sevaux, M., & Glover, F. (2018). A history of metaheuristics. Handbook of Heuristics, 2–2(January), 791–808. https://doi.org/10.1007/978-3-319-07124-4_4 Suarez-Chilma, V. F., Sarache, W. A., & Costa, Y. J. (2018). Una Solución al Enrutamiento de Vehículos en Ciudades Montañosas Considerando Aspectos Ambientales y Económicos. Información Tecnológica, 29(3), 3–14. https://doi.org/10.4067/s0718-07642018000300003 Suzuki, Y. (2011). A new truck-routing approach for reducing fuel consumption and pollutants emission. Transportation Research Part D: Transport and Environment, 16(1), 73–77. https://doi.org/10.1016/j.trd.2010.08.003 TAHA, H. A. (2012). Investigación de Operaciones. Toth, P., & Vigo, D. (2002). 1. An Overview of Vehicle Routing Problems. In The Vehicle Routing Problem (pp. 1–26). Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9780898718515.ch1 Trujillano, J., Sarria, A., Esquerda, A., Mariona, B., Matilde, P., & Jaume, M. (2008). Aproximación a la metodología basada en árboles de decisión (CART). Mortalidad hospitalaria del infarto agudo de miocardio. Gaceta Sanitaria, 22(SUPPL. 1), 65–70. https://doi.org/10.1157/13115113 Voudouris, C., Tsang, E. P. K., & Alsheddy, A. (2003). Guided Local Search. https://doi.org/10.1007/978-1-4419-1665-5 Wang, S., Lu, Z., Wei, L., Ji, G., & Yang, J. (2016). Fitness-scaling adaptive genetic algorithm with local search for solving the Multiple Depot Vehicle Routing Problem. SIMULATION, 92(7), 601–616. https://doi.org/10.1177/0037549715603481 Wolsey, L. A. (2008). Mixed Integer Programming. Wiley Encyclopedia of Computer Science and Engineering, 1, 1–10. https://doi.org/10.1002/9780470050118.ecse244 Wu, X., Kumar, V., Ross, Q. J., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Yu, P. S., Zhou, Z. H., Steinbach, M., Hand, D. J., & Steinberg, D. (2008). Top 10 algorithms in data mining. In Knowledge and Information Systems (Vol. 14, Issue 1). https://doi.org/10.1007/s10115-007-0114-2 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
98 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Industrial |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/84862/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/84862/2/1152434863.2023.pdf https://repositorio.unal.edu.co/bitstream/unal/84862/3/1152434863.2023.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a 25cde1c5f9343224a94f5685ab72875a 31a9971c01d6d222d0b72fc800a203d3 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089804323749888 |
| spelling |
Atribución-NoComercial 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Bula, Gustavo8e45985a6d0814a7dbae3b03dab5cac1Ferrer, Danielc32e426b95c3a68917c7c5a5824584912023-11-02T18:56:46Z2023-11-02T18:56:46Z2023https://repositorio.unal.edu.co/handle/unal/84862Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramasEl objetivo de este trabajo es la construcción de un algoritmo basado en búsqueda local guiada para la minimización de las emisiones equivalentes de CO2 a través de la minimización del consumo de combustible para una flota de vehículos heterogénea. Para lograr este objetivo se construye un conjunto de métricas o características que permitan distinguir entre soluciones “óptimas” de aquellas no optimas. Considerando diferentes valores de parámetros, se crean diversas instancias para las soluciones “optimas” y aquellas que no lo son. Luego, por medio de un árbol de decisiones se obtiene la caracterización de las métricas que reflejan la diferencia entre las soluciones. Posteriormente se analiza el impacto de un grupo definido de operadores de búsqueda local en la mejora de las métricas de las soluciones, de acuerdo con la caracterización hecha por el árbol de decisiones y se propone una versión de algoritmo búsqueda local guiado por la ordenada secuencia de los operadores que mejores resultados obtuvieron en la caracterización de esas métricas. Por último, se evalúa las soluciones entregadas por estos algoritmos respecto a otras soluciones. (Texto tomado de la fuente)The objective of this work is the construction of an algorithm based on guided local search for the minimization of CO2 equivalent emissions through the minimization of fuel consumption for a heterogeneous fleet of vehicles. To achieve this goal, a set of metrics or features is constructed to distinguish between "optimal" solutions and non-optimal ones. Considering different parameter values, several instances are created for "optimal" and non-optimal solutions. Then, by means of a decision tree, the characterization of the metrics that reflect the difference between the solutions is obtained. Subsequently, the impact of a defined group of local search operators on the improvement of the metrics of the solutions is analyzed, according to the characterization made by the decision tree, and a version of the local search algorithm is proposed, guided by the ordered sequence of the operators that obtained the best results in the characterization of those metrics. Finally, the solutions provided by these algorithms are evaluated with respect to other solutions.Contiene tablas e ilustraciones de los datosMaestríaMagíster en Ingeniería - Ingeniería IndustrialMetodología de carácter cuantitativo. La metodología para dar cumplimiento a los objetivos se establece a través de fases mostradas a continuación: Fases A. Entendimiento y formulación del problema: [A 1.1., A 1.2. y A.1.3, A.1.4] Presenta los conceptos de huella ambiental y de ruteo de vehículos para flotas heterogéneas. Discute los diferentes enfoques para el uso de la huella ambiental, analiza y discute sobre una selección de literatura alrededor de las mejores maneras de estimar la huella ambiental, se diseña el modelo matemático que integra las restricciones, la demanda y las estimaciones de la huella ambiental para los vehículos heterogéneos, se discute y analiza la importancia de estos modelos para la sostenibilidad en la logística. B. Propuesta a la solución al problema: [A 1.5., A 2.1. y A.2.2] Se hace un recorrido sobre las metaheurísticas que se han trabajado hasta ahora abordando el problema de minimización de la huella ambiental y de la guía inteligente para los problemas de ruteo de vehículos, se analizan como se han solucionado estos problemas y se integran los conceptos para generar una nueva propuesta de solución a este problema. C. Diseño del método guía: [A 3.1., A 3.2. y A 3.3 A 3.4 A.3.5] Analiza y presenta los modelos de machine learning que se han empleado en la actualidad para entregar caracterizaciones de variables, la manera en que se han caracterizado y los métodos para definir qué modelo es el mejor, definir que variables se van a usar para predecir el modelo, evaluar los resultados y generar las características de este modelo. D. Diseño del algoritmo: [A 4.1., A 4.2. y A 4.3 A 4.4 A.5.1 A5.2 A.5.3] Se estudian la manera en que se han trabajado los algoritmos de búsqueda local guiada, se construyen los modelos de guía y penalización, se generan las métricas con las que se va a analizar la solución al problema, se proponen las meta- heurísticas y los operadores con los que se va a trabajar el algoritmo, se diseña el algoritmo de acuerdo con la validación previa, se evalúa el modelo y se analizan los indicadores para entender si cumple con la minimización de la huella ambiental, así como su eficiencia en tiempo y memoria, se analizan los resultados y se divulgan.Gestión de Operaciones98 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ingeniería - Maestría en Ingeniería - Ingeniería IndustrialFacultad de IngenieríaBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá000 - Ciencias de la computación, información y obras generalesContaminación del aireAir - PollutionMetaheurísticasProblema de ruteo de vehículos con flota heterogéneaBúsqueda local guiadaBúsqueda localAprendizaje de máquinaMetaheuristicsFleet size and mix vehicle routing problemGuided local searchLocal searchMachine learningDesarrollo de un algoritmo de optimización basado en búsqueda local guiada para el problema de minimización en la huella de carbono en el ruteo de vehículos heterogéneosDevelopment of an optimization algorithm based on guided local search for the carbon footprint minimization problem in heterogeneous vehicle routingTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAlpaydin, E. (2014). Introduction to Machine Learning Second Edition. In Methods in molecular biology (Clifton, N.J.) (Vol. 1107). http://www.ncbi.nlm.nih.gov/pubmed/24272434Arnold, F., & Gendreau, M. (2017). Efficiently Solving Very Large Scale Routing Problems Efficiently Solving Very Large Scale Routing Problems. CIRRELT-2017-75.Arnold, F., Gendreau, M., & Sörensen, K. (2019). Efficiently solving very large-scale routing problems. Computers and Operations Research, 107, 32–42. https://doi.org/10.1016/j.cor.2019.03.006Arnold, F., & Sörensen, K. (2019). What makes a VRP solution good? The generation of problem-specific knowledge for heuristics. Computers and Operations Research, 106, 280–288. https://doi.org/10.1016/j.cor.2018.02.007Astarita, C. (2013). El Gran Juego de las Tierras Raras. Journal of Chemical Information and Modeling, 53(9), 1689–1699. https://doi.org/10.1017/CBO9781107415324.004Baldacci, R., Battarra, M., & Vigo, D. (2008a). Routing a heterogeneous fleet of vehicles. In Operations Research/ Computer Science Interfaces Series (Vol. 43, pp. 3–27). https://doi.org/10.1007/978-0-387-77778-8_1Baldacci, R., Battarra, M., & Vigo, D. (2008b). The Vehicle Routing Problem: Latest Advances and New Challenges. In Operations Research/ Computer Science Interfaces Series (Vol. 43).Bautista-Valhondo, J. (2003). Adaptación de la heurística LIN-KERNINGHAM para la resolución de problemas de diseño de itinerarios : Secuenciación de unidades con restricciones múltiples View project. October. https://doi.org/10.13140/RG.2.2.17660.33929Bektaş, T., & Laporte, G. (2011). The Pollution-Routing Problem. Transportation Research Part B: Methodological, 45(8), 1232–1250. https://doi.org/10.1016/j.trb.2011.02.004Blum, C. (2003). Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison Metaheuristics in Combinatorial Optimization. In ACM Computing Surveys (Vol. 35, Issue 3).Climatico, G. I. de E. sobre el C. (2019). Maintaining Humanity’s Life Support Systems in the 21st Century Scientific Consensus on. http://consensusforaction.stanford.edu/see-scientific-consensus/consensus_english.pdfCorzo, J. A. (2019). Análisis Multivariado Aplicado con aplicaciones en R Notas de claseDaza, J. M., Montoya, J. R., & Narducci, F. (2010). RESOLUCIÓN DEL PROBLEMA DE ENRUTAMIENTO DE VEHÍCULOS CON LIMITACIONES DE CAPACIDAD UTILIZANDO UN PROCEDIMIENTO METAHEURÍSTICO DE DOS FASES.Eshtehadi, R., Fathian, M., & Demir, E. (2017). Robust solutions to the pollution-routing problem with demand and travel time uncertainty. Transportation Research Part D: Transport and Environment, 51, 351–363. https://doi.org/10.1016/j.trd.2017.01.003Feng, Y., Zhang, R. Q., & Jia, G. (2017). Vehicle Routing Problems with Fuel Consumption and Stochastic Travel Speeds. Mathematical Problems in Engineering, 2017. https://doi.org/10.1155/2017/6329203Figliozzi, M. (2010). Vehicle routing problem for emissions minimization. Transportation Research Record, 2197, 1–7. https://doi.org/10.3141/2197-01Fisher, M. (1995). Vehicle routing. Handbooks in Operations Research and Management Science, 8(C), 1–33. https://doi.org/10.1016/S0927-0507(05)80105-7Ge, Z., Song, Z., Ding, S. X., & Huang, B. (2017). Data Mining and Analytics in the Process Industry: The Role of Machine Learning. IEEE Access, 5, 20590–20616. https://doi.org/10.1109/ACCESS.2017.2756872Gendreau, M., & Potvin, J.-Y. (2010). Variable Nneighborhood search (chapter). Handbook of Metaheuristics, 146(September 2010), 648. https://doi.org/10.1007/978-1-4419-1665-5Ha, S. H. (2010). Behavioral assessment of recoverable credit of retailer’s customers. Information Sciences, 180(19), 3703–3717. https://doi.org/10.1016/j.ins.2010.06.012Hansen, P., Mladenovic, N., Andrés Moreno Pérez, J., Sánchez, F., & Cruz de Tenerife, S. (2003). Variable Neighbourhood Search. Revista Iberoamericana de Inteligencia Artificial. No, 19, 77–92. http://www.aepia.org/revistaHillier, F. S., & Lieberman, G. J. (2010). Introducción a la Investigación de Operaciones (M. G. Hill (ed.); Novena Edi).Hines, W. W., & Montgomery, D. C. (1993). Probabilidad y estadística para ingeniería y administración. In Applied Statistics (Vol. 22, Issue 1).Huang, B., Thorne, P. W., Banzon, V. F., Boyer, T., Chepurin, G., Lawrimore, J. H., Menne, M. J., Smith, T. M., Vose, R. S., & Zhang, H. M. (2017). Extended reconstructed Sea surface temperature, Version 5 (ERSSTv5): Upgrades, validations, and intercomparisons. Journal of Climate, 30(20), 8179–8205. https://doi.org/10.1175/JCLI-D-16-0836.1Huemer, M. (2011). Heuristics for the vehicle routing problem with multiple deliverymen. August.Irnich, S., Toth, P., & Vigo, D. (2014). Chapter 1: The Family of Vehicle Routing Problems. In Vehicle Routing (pp. 1–33). Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9781611973594.ch1Koç, Ç., Bektaş, T., Jabali, O., & Laporte, G. (2016). Thirty years of heterogeneous vehicle routing. In European Journal of Operational Research (Vol. 249, Issue 1, pp. 1–21). Elsevier. https://doi.org/10.1016/j.ejor.2015.07.020Kramer, R., Subramanian, A., Vidal, T., & Cabral, L. D. A. F. (2015). A matheuristic approach for the Pollution-Routing Problem. European Journal of Operational Research, 243(2), 523–539. https://doi.org/10.1016/j.ejor.2014.12.009Larose, D. T., & Larose, C. D. (2014). Discovering Knowledge in Data. In Discovering Knowledge in Data. https://doi.org/10.1002/9781118874059Leung, S. C. H., Zheng, J., Zhang, D., & Zhou, X. (2010). Simulated annealing for the vehicle routing problem with two-dimensional loading constraints. Flexible Services and Manufacturing Journal, 22(1–2), 61–82. https://doi.org/10.1007/s10696-010-9061-4Li, X. Y., Tian, P., & Leung, S. C. H. (2009). An ant colony optimization metaheuristic hybridized with tabu search for open vehicle routing problems. Journal of the Operational Research Society, 60(7), 1012–1025. https://doi.org/10.1057/palgrave.jors.2602644Lucas, F., Billot, R., & Sevaux, M. (2019). A comment on “What makes a VRP solution good? The generation of problem-specific knowledge for heuristics.” Computers and Operations Research, 110, 130–134. https://doi.org/10.1016/j.cor.2019.05.025Medina, L. B. R., Rotta, E. C. G. La, & Castro, J. A. O. (2011). Una Revisión al Estado del Arte del Problema de Ruteo de Vehículos: Evolución Histórica Y Métodos De Solución. Ingeniería, 16(2), 35–55. http://revistas.udistrital.edu.co/ojs/index.php/reving/article/view/3832Molina, J. C. (2012). Problema VRP con flota heterogénea.Muñoz-Villamizar, Montoya-Torres, & Caceres Cruz, J. (2020). A SIMULATION-BASED ALGORITHM FOR THE INTEGRATED LOCATION AND ROUTING PROBLEM IN URBAN LOGISTICS. Suparyanto Dan Rosad (2015, 5(3), 248–253.Nikfarjam, A., Moosavi, A., Rezaei, N., & Ebrahimnejad, S. (2019). A green vehicle routing problem with time windows considering the heterogeneous fleet of vehicles: two metaheuristic algorithms. European J. of Industrial Engineering, 13(4), 507. https://doi.org/10.1504/ejie.2019.10022249Olivera, A. (2004). Heurísticas para Problemas de Ruteo de Vehículos.Olson, R. S., & Moore, J. H. (2016). Olson Moore - TPOT A Tree-based Pipeline Optimization Tool for .pdf. 163–173.Pessoa, A., Sadykov, R., & Uchoa, E. (2018). Enhanced Branch-Cut-and-Price algorithm for heterogeneous fleet vehicle routing problems. European Journal of Operational Research, 270(2), 530–543. https://doi.org/10.1016/j.ejor.2018.04.009Posada, J., & González, C. (2013). Fuel Consumption in Vehicles for Highway Transportation - Predictive Models. Revista Ingenierías Universidad de Medellín, 12(23), 35–46. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1692-33242013000200004&lng=en&nrm=iso&tlng=esRezgui, D., Chaouachi Siala, J., Aggoune-Mtalaa, W., & Bouziri, H. (2019). Application of a variable neighborhood search algorithm to a fleet size and mix vehicle routing problem with electric modular vehicles. Computers and Industrial Engineering, 130(January 2018), 537–550. https://doi.org/10.1016/j.cie.2019.03.001Ropke, S., & Pisinger, D. (2006). An adaptive large neighborhood search heuristic for the pickup and delivery problem with time windows. Transportation Science, 40(4), 455–472. https://doi.org/10.1287/trsc.1050.0135Sörensen, K., Sevaux, M., & Glover, F. (2018). A history of metaheuristics. Handbook of Heuristics, 2–2(January), 791–808. https://doi.org/10.1007/978-3-319-07124-4_4Suarez-Chilma, V. F., Sarache, W. A., & Costa, Y. J. (2018). Una Solución al Enrutamiento de Vehículos en Ciudades Montañosas Considerando Aspectos Ambientales y Económicos. Información Tecnológica, 29(3), 3–14. https://doi.org/10.4067/s0718-07642018000300003Suzuki, Y. (2011). A new truck-routing approach for reducing fuel consumption and pollutants emission. Transportation Research Part D: Transport and Environment, 16(1), 73–77. https://doi.org/10.1016/j.trd.2010.08.003TAHA, H. A. (2012). Investigación de Operaciones.Toth, P., & Vigo, D. (2002). 1. An Overview of Vehicle Routing Problems. In The Vehicle Routing Problem (pp. 1–26). Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9780898718515.ch1Trujillano, J., Sarria, A., Esquerda, A., Mariona, B., Matilde, P., & Jaume, M. (2008). Aproximación a la metodología basada en árboles de decisión (CART). Mortalidad hospitalaria del infarto agudo de miocardio. Gaceta Sanitaria, 22(SUPPL. 1), 65–70. https://doi.org/10.1157/13115113Voudouris, C., Tsang, E. P. K., & Alsheddy, A. (2003). Guided Local Search. https://doi.org/10.1007/978-1-4419-1665-5Wang, S., Lu, Z., Wei, L., Ji, G., & Yang, J. (2016). Fitness-scaling adaptive genetic algorithm with local search for solving the Multiple Depot Vehicle Routing Problem. SIMULATION, 92(7), 601–616. https://doi.org/10.1177/0037549715603481Wolsey, L. A. (2008). Mixed Integer Programming. Wiley Encyclopedia of Computer Science and Engineering, 1, 1–10. https://doi.org/10.1002/9780470050118.ecse244Wu, X., Kumar, V., Ross, Q. J., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Yu, P. S., Zhou, Z. H., Steinbach, M., Hand, D. J., & Steinberg, D. (2008). Top 10 algorithms in data mining. In Knowledge and Information Systems (Vol. 14, Issue 1). https://doi.org/10.1007/s10115-007-0114-2LICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/84862/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1152434863.2023.pdf1152434863.2023.pdfTesis de Maestría en Ingeniería - Ingeniería Industrialapplication/pdf1874872https://repositorio.unal.edu.co/bitstream/unal/84862/2/1152434863.2023.pdf25cde1c5f9343224a94f5685ab72875aMD52THUMBNAIL1152434863.2023.pdf.jpg1152434863.2023.pdf.jpgGenerated Thumbnailimage/jpeg5546https://repositorio.unal.edu.co/bitstream/unal/84862/3/1152434863.2023.pdf.jpg31a9971c01d6d222d0b72fc800a203d3MD53unal/84862oai:repositorio.unal.edu.co:unal/848622024-08-19 23:10:40.672Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |