Optimizing transportation systems and logistics network configurations: from biased-randomized algorithms to fuzzy simheuristics

Abstract

Transportation and logistics (T&L) are currently highly relevant functions in any competitive industry. Locating facilities or distributing goods to hundreds or thousands of customers are activities with a high degree of complexity, regardless of whether facilities and customers are placed all over the globe or in the same city. A countless number of alternative strategic, tactical, and operational decisions can be made in T&L systems; hence, reaching an optimal solution – e.g., a solution with the minimum cost or the maximum profit – is a really difficult challenge, even with the most powerful of computers. Approximate methods, such as heuristics, metaheuristics, and simheuristics, may be used to solve T&L problems. They do not guarantee optimal results, but they yield good solutions in short computational times. These characteristics become even more important when considering uncertainty conditions, since they increase T&L problems’ complexity. Modeling uncertainty involves the introduction of complex mathematical formulas and procedures, however, the model realism increases and, therefore, so does its reliability in representing real world situations. Stochastic approaches, which require the use of probability distributions, are among the approaches employed most often to model uncertain parameters. Alternatively, if the real world does not provide enough information to reliably estimate a probability distribution, then fuzzy logic approaches become an alternative to model uncertainty. Hence, the main objective of this thesis is to design hybrid algorithms that combine fuzzy and stochastic simulation with approximate and exact methods to solve T&L problems considering operational, tactical, and strategic decision levels. Therefore, biased-randomized heuristics and metaheuristics are firstly explained to solve T&L problems that only include deterministic parameters. Later, Monte Carlo simulation is introduced to these approaches to deal with stochastic parameters. Finally, fuzzy simheuristics are employed to address simultaneously fuzzy and stochastic uncertainty.

El transporte y la logística (T&L) son actualmente funciones de gran relevancia en cualquier industria competitiva. La localización de instalaciones o la distribución de mercancías a cientos o miles de clientes son actividades con un alto grado de complejidad, independientemente de si las instalaciones y los clientes se encuentran en todo el mundo o en la misma ciudad. En los sistemas de T&L se pueden tomar un sinnúmero de decisiones alternativas estratégicas, tácticas y operativas; por lo tanto, llegar a una solución óptima —por ejemplo, una solución con el mínimo costo o la máxima utilidad— es un desafío realmente difícil, incluso para las computadoras más potentes que existen hoy en día. Así pues, métodos aproximados, tales como heurísticas, metaheurísticas y simheurísticas, son propuestos para resolver problemas de T&L. Estos métodos no garantizan resultados óptimos, pero ofrecen buenas soluciones en tiempos computacionales cortos. Estas características se vuelven aún más importantes cuando se consideran condiciones de incertidumbre, ya que estas aumentan la complejidad de los problemas de T&L. Modelar la incertidumbre implica introducir fórmulas y procedimientos matemáticos complejos; sin embargo, el realismo del modelo aumenta y, por lo tanto, también su confiabilidad para representar situaciones del mundo real. Los enfoques estocásticos, que requieren el uso de distribuciones de probabilidad, son uno de los enfoques más empleados para modelar parámetros inciertos. Alternativamente, si el mundo real no proporciona suficiente información para estimar de manera confiable una distribución de probabilidad, los enfoques que hacen uso de lógica difusa se convierten en una alternativa para modelar la incertidumbre. Así pues, el objetivo principal de esta tesis es diseñar algoritmos híbridos que combinen simulación difusa y estocástica con métodos aproximados y exactos para resolver problemas de T&L considerando niveles de decisión operativos, tácticos y estratégicos. En primer lugar, se exponen heurísticas y metaheurísticas sesgadas-aleatorizadas para resolver problemas de T&L que solo incluyen parámetros determinísticos. Posteriormente, la simulación Monte Carlo se agrega a estos enfoques para modelar parámetros estocásticos. Por último, se emplean simheurísticas difusas para abordar simultáneamente la incertidumbre difusa y estocástica.

El transport i la logística (T&L) són actualment funcions de gran rellevància a qualsevol indústria competitiva. La localització d'instal·lacions o la distribució de mercaderies a centenars o milers de clients són activitats amb un alt grau de complexitat, independentment de si les instal·lacions i els clients es troben a tot el món o a la mateixa ciutat. En els sistemes de T&L es poden prendre un gran nombre de decisions alternatives estratègiques, tàctiques i operatives; per tant, arribar a una solució òptima —per exemple, una solució amb el mínim cost o la màxima utilitat— és un desafiament realment difícil, fins i tot per als ordinadors més potents que hi ha avui dia. Així doncs, mètodes aproximats, com ara heurístiques, metaheurístiques i simheurístiques, són proposats per resoldre problemes de T&L. Aquests mètodes no garanteixen resultats òptims, però ofereixen bones solucions en temps computacionals curts. Aquestes característiques esdevenen encara més importants quan es consideren condicions d'incertesa, ja que augmenten la complexitat dels problemes de T&L. Modelar la incertesa implica introduir fórmules i procediments matemàtics complexos; però el realisme del model augmenta i, per tant, també la seva confiabilitat per representar situacions del món real. Els enfocaments estocàstics, que requereixen l'ús de distribucions de probabilitat, són un dels enfocaments més emprats per modelar paràmetres incerts. Alternativament, si el món real no proporciona prou informació per estimar de manera fiable una distribució de probabilitat, els enfocaments que fan ús de lògica difusa es converteixen en una alternativa per modelar la incertesa. Així doncs, l'objectiu principal d'aquesta tesi és dissenyar algorismes híbrids que combinin simulació difusa i estocàstica amb mètodes aproximats i exactes per resoldre problemes de T&L considerant nivells de decisió operatius, tàctics i estratègics. En primer lloc, s'exposen heurístiques i metaheurístiques esbiaixades-aleatoritzades per resoldre problemes de T&L que només inclouen paràmetres determinístics. Posteriorment, la simulació Monte Carlo s'afegeix a aquests enfocaments per modelar paràmetres estocàstics. Finalment, es fan servir simheurístiques difuses per abordar simultàniament la incertesa difusa i estocàstica.