Optimización De Rutas Para La Recolección De Residuos De Arroz En El Cantón Daule.
Gespeichert in:
| Titel: | Optimización De Rutas Para La Recolección De Residuos De Arroz En El Cantón Daule. (Spanish) |
|---|---|
| Alternate Title: | Route Optimization for Rice Waste Collection in Daule Canton. (English) |
| Autoren: | Mónica, Gómez-Ríos, Iparreño-Santamaría, Leonardo, Quiroz Martínez, Miguel Ángel |
| Quelle: | Neutrosophic Computing & Machine Learning; 2025, Vol. 40, p267-275, 9p |
| Schlagwörter: | SIMULATED annealing, VEHICLE routing problem, METAHEURISTIC algorithms, ROBUST optimization, SUSTAINABILITY, ANT algorithms |
| Abstract (English): | This paper presents a comprehensive hybrid methodology for solving the Capacitated Vehicle Routing Problem (CVRP), focusing on the environmental challenge of optimizing routes for rice waste collection in Daule Canton. The CVRP is formulated as a graph-based problem, where the objective is to minimize the total distance traveled by a fleet of capacity-constrained vehicles while collecting waste from multiple points. Google OR-Tools, a robust optimization toolkit, was employed to model and solve the problem. Simulated annealing was used as the primary metaheuristic to improve solution quality, offering a powerful approach to explore the solution space and find near-optimal solutions. The metaheuristics were carefully defined and parameterized to ensure effective performance under various constraints, such as vehicle capacity and route length. This approach not only addresses the operational aspects of waste collection but also contributes to environmental sustainability by reducing fuel consumption and emissions. The results demonstrate the effectiveness of simulated annealing in solving the CVRP within acceptable computational times, suggesting its suitability for practical applications in waste management. Future work will explore other metaheuristics, such as genetic algorithms and ant colony optimization, to improve solution quality and computational efficiency. By comparing these approaches, we aim to provide a more robust framework for route optimization in similar environmental and logistics scenarios. [ABSTRACT FROM AUTHOR] |
| Abstract (Spanish): | Este documento presenta una metodología híbrida integral para resolver el Problema de Enrutamiento de Vehículos Capacitados (CVRP), centrándose en el desafío ambiental de optimizar las rutas para la recolección de residuos de arroz en el Cantón Daule. El CVRP se formula como un problema basado en grafos, donde el objetivo es minimizar la distancia total recorrida por una flota de vehículos con capacidad limitada mientras recolecta residuos de múltiples puntos. Se empleó Google OR-Tools, un robusto kit de herramientas de optimización, para modelar y resolver el problema. El recocido simulado se utilizó como la metaheurística principal para mejorar la calidad de la solución, ofreciendo un enfoque poderoso para explorar el espacio de soluciones y encontrar soluciones casi óptimas. Las metaheurísticas se definieron y parametrizaron cuidadosamente para garantizar un rendimiento efectivo bajo diversas restricciones, como la capacidad del vehículo y la longitud de la ruta. Este enfoque no solo aborda los aspectos operativos de la recolección de residuos, sino que también contribuye a la sostenibilidad ambiental al reducir el consumo de combustible y las emisiones. Los resultados demuestran la eficacia del recocido simulado para resolver el CVRP en tiempos computacionales aceptables, lo que sugiere su idoneidad para aplicaciones prácticas en la gestión de residuos. En trabajos futuros se explorarán otras metaheurísticas, como algoritmos genéticos y optimización de colonias de hormigas, para mejorar la calidad de la solución y la eficiencia computacional. Mediante la comparación de estos enfoques, buscamos proporcionar un marco más robusto para la optimización de rutas en escenarios ambientales y logísticos similares. [ABSTRACT FROM AUTHOR] |
| Copyright of Neutrosophic Computing & Machine Learning is the property of Multimedia Larga and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) | |
| Datenbank: | Complementary Index |
Full Text Finder 
Nájsť tento článok vo Web of Science Schreiben Sie den ersten Kommentar!