ISSN 0798 1015

Vol. 41 (Nº 17) Año 2020. Pág. 15

Desarrollo de un algoritmo para seleccionar la ubicación de puntos de abastecimiento minimizando los tiempos y costos de transporte

Development of an algorithm to select the location of supply points reducing transport times and costs

PAREJO, Melissa 1; DÍAZ, Lauriza 2; PARRA, Luis 3; VILLARREAL, Hillary 3; FABREGAS, Jonathan 4; PALENCIA, Argemiro 5; VELILLA, Wilmer 6

Recibido: 24/01/2020 • Aprobado: 18/04/2020 • Publicado 14/05/2020

Contenido

1. Introducción

2. Metodología

3. Resultados

4. Conclusiones

Referencias bibliográficas

1. Introducción

La optimización de rutas es una estrategia que se ha utilizado para dar solución a problemas industriales en el área de la logística, implementado algoritmos enfocados en la reducción de costos, observados en trabajos como los de(Adarme, Fontanilla, y Arango, 2011; Dehghanbaghi y Sajadieh, 2017; Mejía, 2007; Mercado Coronado, Maestre, Leal Narváez, y Leal Narváez, 2018; Zhao, Wang, Lai, y Xia, 2004) . Donde se describe que el transporte generalmente representa el elemento individual más importante en los costos de logística para la mayoría de las empresas. Se ha observado que el movimiento de carga absorbe entre uno y dos tercios de los costos totales de logística (Ballou, 2004; Espinosa, Toro, y Vanegas, 2016; Ortiz de Díaz, Rodríguez Dasilva, y Coronado Rojas, 2014) . Mientras tanto las necesidades del buen manejo del transporte han llevado como consecuencia a la inversión de nuevas infraestructuras en los países, restructurando la planificación de estos servicios, teniendo una mayor coordinación y control, como la creación de nuevas vías de comunicación (Corredor, Giraldo Aguirre, Henriquez, y Hurtado Hurtado, 2018) . Indicando una correcta gestión del transporte desde el punto de vista logístico obligando a que el responsable esté involucrado no sólo de las tareas del día al día, sino que sea parte de los planes estratégicos y tácticos de la empresa, para adaptar sus necesidades a medio y largo plazo en que la empresa lo necesite (Arreola Rivera, Moreno Delgado, y Carrillo Mendoza, 2013; Fontalvo Cerpa, González, Velilla, Parejo, y Vásquez, 2016) . Frente a esta temática en trabajos como los desarrollados por (Chand, Thakkar, y Ghosh, 2018) muestran la importancia de establecer una metodología tanto cuantitativa como cualitativa enfocada en el desarrollo de la clasificación de prioridades para establecer una planificación correcta en cadenas de suministro del sector minero destacando la minimización de costos frente al mercado global. Además, (Jajja, Chatha, y Farooq, 2018) realizaron un estudio sobre capacidades dinámicas relacionando los sistemas de riesgo en cadenas de suministro en un amplio grupo de empresas del sector manufacturero para mejorar el rendimiento y los tiempos de estos. Así como (Jiang, Li, y Shen, 2018) en su estudio utilizan un método para proponer medidas para fortalecer la gestión logística del riesgo de la cadena de suministro del sector portuario de las empresas del puerto de Qingdao-China. A su vez, (Xu et al., 2019) desarrollan un marco para evaluar el riesgo de la sostenibilidad de la cadena de suministro basados en el ámbito operacional, social y ambiental, comparando sistemas de producción como lo es el sector de las confecciones y el automotriz. Para estas soluciones ingenieriles se utilizan las herramientas TIC pertinentes, tales como softwares para la optimización de estos procesos, haciendo énfasis en la optimización de la etapa de transporte en una cadena de suministro, como lo son los puntos de distribución, se logra generar un algoritmo que permita calcular las mejores rutas según los puntos de demanda que están en el mapa de operación, haciendo bucles para generar rutas alternativas y escoger la mejor opción según el tiempo y costo que esta requiera.

La presente investigación se desarrolló en base al lenguaje Python (Oliphant, 2007) implementando la interfaz gráfica en el IDE Spyder (Raybaut, 2017) que permite una gran variedad de funciones a través de su librería incluyendo NumPy muy utilizada para manejar vectores, matrices y graficas (Millman y Aivazis, 2011).  Permitiendo en la simulación la obtención de un valor mínimo encontrado entre el número de iteraciones realizadas para los tiempos y costos de transporte.

Según el método de Costeo ABC (Activity Based Costing), no son los productos sino las actividades que causan los costos (Sánchez Barraza, 2014). Por lo tanto, si se disminuye el tiempo y el recorrido, se disminuye los costos operacionales. El método principal para esta simulación es el euclidiano aplicado en el plano como ya se ha realizado en diferentes investigaciones (Millman y Aivazis, 2011) por lo cual está dirigido a las rutas de transporte de camiones desde el punto de abastecimiento hasta los puntos de demanda, realizando simulaciones para encontrar la ruta que produce los menores costos operacionales. En la Figura 1 se puede observar la interfaz gráfica de la herramienta IDE Spyder utilizando como lenguaje de programación Python para obtener simulaciones que permitan representar los trayectos de 3 camiones reduciendo el tiempo y el recorrido utilizados por los mismos con base a los menores costos de operación.

Figura 1
Interfaz gráfica de la herramienta IDE Spyder usando lenguaje Python

El código se prepara para generar aleatoriamente una necesidad, creando 3 puntos de abastecimiento inicial para tres 3 camiones transportadores, los cuales deben recorrer una determinada distancia en un espacio establecido para hacer la entrega de los productos solicitados, de los cuales se generan 20 ubicaciones como puntos de demanda donde deben entregar de 1 a 5 cajas, dicha distribución se realiza aleatoriamente para que la simulación pueda interactuar con los márgenes de costos y distancias a recorrer para así hacer minimización utilizando el método  euclidiano, y así lograr la reducción de tiempos y costos. Ver Tabla 1.

Tabla 1
Condiciones de operación
para realizar simulación

Como es mostrado en la Figura 1 donde se presenta la interfaz gráfica, se puede destacar que para un escenario se produjeron dos posibles soluciones en cuanto a rutas y costos, mostrando que para el caso numero 2 se obtuvieron los menores costos y tiempos que para el caso 1, haciendo un 26% menores los gastos.

En la Figura 2. Se logra observar como las rutas se escogen partiendo de los puntos de abastecimiento y llegando a los puntos de demanda más cercanos sin chocar unas líneas con otras, es decir que dos camiones no llegan al mismo punto, creando así un resultado de cuánto tiempo se demora cada ruta y el costo que esta le genera a la empresa, mostrando así si se consigue o no un beneficio por la ruta trazada por código.

Figura 2
Resultado de una simulación
de rutas de transporte

De la imagen anterior se puede observar que cada uno de los camiones recorrió la ruta para la obtención de menores tiempos y costos de proceso sin que una de estas mejores rutas altere la de otro camión transportista.

Esta simulación se repite variando los puntos de abastecimiento de forma aleatoria, calculando los costos que esta generaría partiendo de ese punto. Para cada corrida utilizaron 100,000 iteraciones de las cuales el programa elige la que menor tiempo y costo represento para ocupar las rutas y entregar la demanda solicitada. Estos experimentos se realizaron en un computador con 1.6 Ghz de procesador con 8 GB de memoria RAM, comprobando así que este código es muy eficiente y no es necesario tener un elemento de computo muy potente para realizar la simulación de miles de casos.

A continuación, en la Figura 3 se presenta el esquema de flujo de proceso en el cual el algoritmo encuentra la mejor solución a un problema de minimización por tiempos y costos de ejecución.

Figura 3
Diagrama de flujo del proceso

Este trabajo integra una propuesta para mejorar las rutas de transporte por medio de un software, desarrollado en Python, creando simulaciones de las posibles rutas que puede tomar un camión de abastecimiento según los puntos de demanda y variando los puntos de abastecimiento, en una simulación que no consume muchos recursos por lo que se pueden crear muchas posibilidades de manera rápida, por lo que se puede concluir que al introducir esta tecnología dentro de una empresa se pueden mejorar los costos que generan las rutas de transporte, así mismo, minimizar los tiempos de entrega, beneficiándose así tanto la empresa como los consumidores. Este software es un prototipo que pretende llegar a enlazarse con sistemas de navegación por satélite creando así un registro de las rutas más eficientes para los camiones según el tráfico, por lo tanto, por medio de simulaciones se logrará mejorar dentro de una empresa la logística de transporte de productos de una manera rápida y eficiente.

Adarme, W., Fontanilla, C., y Arango, M. (2011). Modelos logísticos para la optimización del transporte de racimos de fruto fresco de palma de aceite en colombia ciencia. Ciencia e Ingeniería Neogranadina, 21(1), 89–113. Retrieved from http://www.redalyc.org/articulo.oa?id=91122651006

Arreola Rivera, R., Moreno Delgado, L., y Carrillo Mendoza, J. de J. (2013). Logística de transporte y su desarrollo. Observatorio de La Economía Latinoamericana, 185.

Ballou, R. H. (2004). Logística: Administración de la cadena de suministro. Pearson Educación.

Chand, P., Thakkar, J. J., y Ghosh, K. K. (2018). Analysis of supply chain complexity drivers for Indian mining equipment manufacturing companies combining SAP-LAP and AHP. Resources Policy, 59(May), 389–410. https://doi.org/10.1016/j.resourpol.2018.08.011

Corredor, J. E., Giraldo Aguirre, D. C., Henriquez, C. M., y Hurtado Hurtado, S. L. (2018). Ecosistema de la competitividad caqueteña. Revista Estrategia Organizacional, 7(1), 11–31. https://doi.org/10.22490/25392786.2695

Dehghanbaghi, N., y Sajadieh, M. S. (2017). Joint optimization of production, transportation and pricing policies of complementary products in a supply chain. Computers and Industrial Engineering, 107, 150–157. https://doi.org/10.1016/j.cie.2017.03.016

Espinosa, M., Toro, B., y Vanegas, J. G. (2016). Proceso de consolidación logístico para una empresa de transporte: desarrollo de un modelo de medición jerárquico. Revista ESPACIOS, 37(No 22), 20.

Fontalvo Cerpa, W., González, F., Velilla, W., Parejo, M., y Vásquez, M. (2016). Liderazgo y gestión ambiental, el caso de la comercialización de aceites lubricantes. Dictamen Libre, (19), 69–76. https://doi.org/10.18041/2619-4244/dl.19.2903

Jajja, M. S. S., Chatha, K. A., y Farooq, S. (2018). Impact of supply chain risk on agility performance: Mediating role of supply chain integration. International Journal of Production Economics, 205(August), 118–138. https://doi.org/10.1016/j.ijpe.2018.08.032

Jiang, B., Li, J., y Shen, S. (2018). Supply Chain Risk Assessment and Control of Port Enterprises: Qingdao port as case study. Asian Journal of Shipping and Logistics, 34(3), 198–208. https://doi.org/10.1016/j.ajsl.2018.09.003

Mejía, G. (2007). Optimización del proceso logístico en una empresa de colombiana de alimentos congelados y refrigerados Logistics Optimization in a Colombian Frozen and. Revista De Ingenieria, 26.

Mercado Coronado, M., Maestre, P., Leal Narváez, E. A., y Leal Narváez, N. E. (2018). Un algoritmo de corte de nubes de puntos para el procesamiento y copia de objetos 3D/A slicing algorithm of points cloud for processing and copy of 3D objects. Prospectiva, 16(1), 60–66. https://doi.org/10.15665/rp.v16i1.1423

Millman, K. J., y Aivazis, M. (2011). Python for scientists and engineers. Computing in Science and Engineering, 13(2), 9–12. https://doi.org/10.1109/MCSE.2011.36

Oliphant, T. E. (2007). Python for Scientific Computing Python Overview. Computing in Science and Engineering, 10–20.

Ortiz de Díaz, M., Rodríguez Dasilva, R., y Coronado Rojas, O. (2014). Propuesta de un sistema de distribución para la cadena de suministro de la empresa pastor, C.A. Espacios, 35(6), 1–23.

Raybaut, P. (2017). Spyder - Documentation. Spyder 2.3 Documentation. https://doi.org/http://dx.doi.org/10.1016/0388-0001(94)90016-7

Sánchez Barraza, B. (2014). Implicancias Del Método De Costeo Abc. Quipukamayoc, 21(39), 65. https://doi.org/10.15381/quipu.v21i39.6273

Xu, M., Cui, Y., Hu, M., Xu, X., Zhang, Z., Liang, S., y Qu, S. (2019). Supply chain sustainability risk and assessment. Journal of Cleaner Production, 225, 857–867. https://doi.org/10.1016/j.jclepro.2019.03.307

Zhao, Q. H., Wang, S. Y., Lai, K. K., y Xia, G. P. (2004). Model and algorithm of an inventory problem with the consideration of transportation cost. Computers and Industrial Engineering, 46(2), 389–397. https://doi.org/10.1016/j.cie.2003.12.019

1. Ing. Industrial, Estudiante de la Maestría en Ingeniería Industrial. Universidad del Norte. Colombia.

2. Ing. Industrial, Estudiante de la Especialización en Gerencia de Producción y Operaciones Logísticas. Universidad Autónoma del Caribe. Colombia.

3. Semillero de investigación. Facultad de ingeniería. Universidad Autónoma del Caribe. Grupo de investigación IMTEF. Colombia.

4. MSc en Ingeniería Mecánica. Estudiante de Doctorado en Dirección de Proyectos de la Universidad Benito Juárez G. Docente de la Universidad Autónoma del Caribe. Colombia.

5. Ph.D en Ingeniería. Docente de la Universidad Autónoma del Caribe. Grupo de investigación GIIMA. Colombia.

6. Ph.D en Ingeniería Mecánica. Docente de la Universidad Autónoma del Caribe. Grupo de investigación IMTEF. Colombia. wilmer.velilla@uac.edu.co