Aplicación de metaheurísticas en el ordenamiento del transporte urbano en Camagüey

Yoan Martínez López; Lenier Guevara Yanes; Julio  Madera Quintana

Autores/as

Yoan Martínez López Universidad de Camagüey
Lenier Guevara Yanes Universidad de Camagüey
Julio Madera Quintana Universidad de Camagüey

Palabras clave:

metaheurísticas; modelos; transporte urbano; toma de decisiones

Resumen

En la práctica de la actividad económica, política y social, el hombre precisa del transporte como medio para satisfacer diversas necesidades. En esta investigación se desarrollan metaheurísticas en MATLAB para la organización del transporte urbano en Camagüey. Estos forman parte de una biblioteca que implementa el modelo propuesto por Baaj y Mahmassani. Se realizó el análisis computacional de los algoritmos: Algoritmo de Estimación de Distribución celular (cEDA), Recocido Simulado (SA), Búsqueda de Vecindad Variable (VNS) y Búsqueda Adaptativa Aleatoria Codicioso (GRASP). Se realizaron varios experimentos teniendo en cuenta la validación estadística realizada a los algoritmos, donde se demostró que el cEDA y el SA ofrecieron los mejores comportamientos. De este modo se evidencia la utilidad de las metaheurísticas para estudiar el problema del transporte urbano en Camagüey.

Citas

Ansola, C., E. S., & Rosete, A. (2021). Una solución metaheurística al problema de planificación de rutas de autobuses escolares con flota homogénea y selección de paradas. Ingeniería, 26(2), 233-253

Baaj, M. H., y Mahmassani, H. S. (1991). An AI‐based approach for transit route system planning and design. Journal of Advanced Transportation, 25(2), 187-209.

Bello, R., García Lorenzo, M. M., Ramón-Hernández, A., Bello-Garcia, B. ., Bello-Garcia, M., Caballero, Y., Madera-Quintana, J., Rodríguez, Y., Filiberto, Y., Martínez, Y., Simón Cuevas, A., Sánchez-Ansola, E., Pérez-Pérez, A. C., & Rosete Suárez, A. (2020). Una mirada a la inteligencia artificial frente a la COVID-19 en Cuba. Revista Cubana De Transformación Digital, 1(3), 27–36.

Campos Vasquez, N., Cueva Clemente, C., Bautista Zuñiga, L. M., & Sotomayor Burga, J. L. (2022). Métodos Algorítmicos para la optimización de rutas en el Sistema del Transporte Urbano; Pérez Pérez, A.

Carrión Rico, G., & García Hernández, M. (2007). gvSIG: Sistema de Información Geográfica en Software Libre de la Generalitat Valenciana.

Ceder, A., y Wilson, N. H. (1986). Bus network design. Transportation Research Part B: Methodological, 20(4), 331-344.

Ceder, A., Yang, Y., Liu, T., y Guan, W. (2016). A case study of Beijing bus crew scheduling: a variable neighborhood‐based approach. Journal of Advanced Transportation, 50(4), 434-445.

Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, , 7(Jan), 1-30.

Dib, O., Moalic, L., Manier, M.-A., y Caminada, A. (2017). An advanced GA–VNS combination for multicriteria route planning in public transit networks. Expert Systems with Applications, 72, 67-82.

Feo, T. A., y Resende, M. G. (1995). Greedy randomized adaptive search procedures. Journal of global optimization, 6(2), 109-133.

Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the american statistical association, 32(200), 675-701.

González. (2012). Los tranvías de vapor en España. Una historia (casi) desconocida. Presentado en el VI Congreso de Historia Ferroviaria Vitoria Gasteiz 2012.

García, S., Herrera, F. . (2009). Evolutionary undersampling for classification with imbalanced datasets: Proposals and taxonomy. Evolutionary computation, , 17(3), 275-306.

García, S., Herrera, F. . (2008). Evolutionary Under-Sampling for Classification with Imbalanced Data Sets. Proposals and Taxonomy. Evolutionary Computation. .

Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian journal of statistics, 65-70. Retrieved from https://www.jstor.org/stable/4615733

Iman, R. L., Davenport, J. M. (1980). Approximations of the critical region of the fbietkan statistic. Communications in Statistics-Theory and Methods, 9(6), 571-595.

Madera, J. , Alba, E., y Ochoa, A.. Parallel Estimation of Distribution Algorithms. En E. Alba, editor, Parallel Metaheuristics: A New Class of Algorithms. John Wiley & Sons, Inc., 2005.

Mahdi Amiripour, S., Mohaymany, A. S., y Ceder, A. (2015). Optimal modification of urban bus network routes using a genetic algorithm. Journal of Transportation Engineering, 141(3), 04014081.

Martínez, Y., Rodríguez-González, A.Y., Madera, J., Bethencourt Mayedo, M., Lezama, F..(2021) Cellular Estimation of Distribution Algorithm Designed to Solve the Energy Resource Management Problem Under Uncertainty. Engineering Applications of Artificial Intelligence journal, ISSN 0952- 1976,101(104231),

Martínez, Y., Oquendo, H., Caballero, Y., Guerra, L. E., Junco, R., Benítez, I., . Madera, J. (2020) a). Aplicación de la investigación de operaciones a la distribución de recursos relacionados con la COVID-19. Retos de la Dirección, 14(2), 86-105.

Martínez, Y., Rodríguez, A. Y., Madera, J., Mayedo, M., Moya, A., y Santiago, O. M. (2020) b) . Applying some EDAs and hybrid variants to the ERM problem under uncertainty. Paper presented at the Proceedings of the 2020 Genetic and Evolutionary Computation Conference Companion.

Martínez, Y., Madera, J., y Leguen, I. (2016). Algoritmos evolutivos con estimación de distribución celulares. Revista Cubana de Ciencias Informáticas, 10, 159-170.

Martínez, Y., Madera, J., Rodríguez, A. Y., y Barigye, S. (2019) a). Cellular Estimation Gaussian Algorithm for Continuous Domain. Journal of Intelligent & Fuzzy Systems, 36(5), 4957-4967.

Martínez, Y., Rodríguez, A., Madera, J., Moya, A., Morgado, B., y Mayedo, M. B. (2019) b). CUMDANCauchy-C1: a cellular EDA designed to solve the energy resource management problem under uncertainty. Paper presented at the Proceedings of the Genetic and Evolutionary Computation Conference Companion.

Mauttone, A. (2005). Optimización de recorridos y frecuencias en sistemas de transporte público urbano colectivo.

Mauttone, A., Cancela, H., y Urquhart, M. (2002). Diseño y optimización de rutas y frecuencias en el transporte colectivo urbano, modelos y algoritmos. Paper presented at the XI Congreso Chileno de Ingenierıa de Transporte.

Mauttone, A., Urquhart, M. E. (2009). A multi-objective metaheuristic approach for the transit network design problem. Public Transport, 1(4), 253-273.

Mladenović, N., Hansen, P. (1997). Variable neighborhood search. Computers & operations research, 24(11), 1097-1100.

Morris, E. A., Ortegón-Sánchez,. & Warren, J (2015). Movilidad sostenible: un proyecto viable para las ciudades cubanas [Sustainable Mobility-a viable project for Cuban cities]. Temas, (83):36–43.

Oliva, D. (2021). Metaheuristics in Machine Learning: Theory and Applications. E. H. Houssein, & S. Hinojosa (Eds.). Springer

Oyón, J. L. (1999). Transporte público y estructura urbana:(de mediados s. XIX a mediados s. XX): Gran Bretaña, Francia y países germánicos. Ecología Política(17), 17-35.

Rasjido, J., Alancay, N., Villagra, S., & Pandolfi, D. (2016). Optimización de Rutas Aplicadas al Transporte de Personas. CDD 607, 25.

Sánchez, M. G. (2015). Calesas, quitrines y ómnibus: transportación urbana en La Habana del siglo XIX. Revista Quiroga, 36-51.

Shapiro, S. S., Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591-611.

Torres, I. M. G., Cardoso, E. C. I. , Mora, J. T., Gómez, Z. M. Q., Giraldo, C. M., y Rosabal, A. G (2020). Efecto económico parcial de la covid-19 y sus resultados en Camagüey, Cuba. Retos de la Dirección, tomo 14(2):34–54.

Van Laarhoven, P. J., Aarts, E. H. (1987). Simulated annealing. In Simulated annealing: Theory and applications (pp. 7-15): Springer.

Zhao, F., Ubaka, I., y Gan, A. (2005). Transit network optimization: minimizing transfers and maximizing service coverage with an integrated simulated annealing and tabu search method. Transportation Research Record, 1923(1), 180-188.