Noelia Cáceres Sánchez TESIS DOCTORAL - Universidad de Sevilla
Noelia Cáceres Sánchez TESIS DOCTORAL - Universidad de Sevilla
Noelia Cáceres Sánchez TESIS DOCTORAL - Universidad de Sevilla
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Capítulo 5: APLICACIÓN A LA ESTIMACIÓN DE MATRICES ORIGEN-DESTINO 137<br />
0.61803 (razón áurea) veces más pequeño que el intervalo <strong>de</strong> búsqueda <strong>de</strong> la anterior iteración.<br />
En nuestro problema, el valor óptimo <strong>de</strong> λ se encuentra aplicando el algoritmo iterativamente<br />
<strong>de</strong>ntro <strong>de</strong>l intervalo inicial [0, 1] en la dirección dij (m) . De modo que una vez encontrado el paso<br />
óptimo, se proce<strong>de</strong> a la actualización <strong>de</strong> la matriz O–D para la siguiente iteración.<br />
Para la finalización <strong>de</strong>l algoritmo <strong>de</strong> optimización, la aproximación relativa a las proporciones<br />
<strong>de</strong> rutas pk implica cierto zigzagueo en los valores <strong>de</strong> la función objetivo entre estimaciones<br />
sucesivas, lo cual dificulta el po<strong>de</strong>r incorporar un criterio <strong>de</strong> finalización basado en valores<br />
<strong>de</strong> las <strong>de</strong>rivadas, en valores <strong>de</strong> la función objetivo en dos pasos consecutivos, o en la<br />
diferencia relativa entre dos estimados sucesivos. Por ello, el criterio <strong>de</strong> terminación <strong>de</strong>l<br />
algoritmo se basa en i) un número máximo <strong>de</strong> subproblemas (o etapas Lagrangianas), y ii) un<br />
número máximo <strong>de</strong> iteraciones por subproblema. Es necesario especificar que no hay reglas<br />
específicas para elegir este número máximo <strong>de</strong> subproblemas e iteraciones, al igual que ocurría<br />
con las cotas superiores e inferiores <strong>de</strong>finidas en (22), sino que estos valores <strong>de</strong>pen<strong>de</strong>n <strong>de</strong>l<br />
criterio <strong>de</strong>l planificador y su conocimiento práctico. Por último, indicar que una característica <strong>de</strong><br />
este algoritmo es que la matriz O–D, para la cual se obtiene el mejor valor <strong>de</strong> la función<br />
objetivo <strong>de</strong>ntro las diferentes iteraciones <strong>de</strong> una etapa o subproblema concreto, es almacenada y<br />
usada como punto <strong>de</strong> partida para el siguiente subproblema.<br />
5.3.4.3 Especificaciones <strong>de</strong>l mo<strong>de</strong>lo<br />
Por razones <strong>de</strong> simplificación <strong>de</strong> las ecuaciones, los valores <strong>de</strong> los factores <strong>de</strong> peso opcionales<br />
� |b serán fijados a uno para todas las fronteras <strong>de</strong> los casos prácticos que en los siguientes<br />
apartados se evalúan. Asimismo, se ha puesto especial interés en la elección <strong>de</strong> los factores <strong>de</strong><br />
peso (� i O , � j D ,� ) asociados con las restricciones funcionales integradas <strong>de</strong>ntro <strong>de</strong> la función<br />
Lagrangiana aumentada (32), y sobre el comportamiento <strong>de</strong>l algoritmo <strong>de</strong>sarrollado para niveles<br />
<strong>de</strong> congestión <strong>de</strong> la red (cuantificada por el número <strong>de</strong> iteraciones necesarias para conseguir una<br />
solución en equilibrio).<br />
El extenso rango o intervalo <strong>de</strong> valores en el cual se encuentran las magnitu<strong>de</strong>s implicadas en el<br />
problema <strong>de</strong> estimación <strong>de</strong> matrices O–D, las cuales son viajes generados, atraídos y totales,<br />
insta hacia un proceso natural <strong>de</strong> escalado <strong>de</strong> las restricciones basado en los valores iniciales <strong>de</strong><br />
dichas magnitu<strong>de</strong>s, es <strong>de</strong>cir, respecto al estimado inicial<br />
(0)<br />
T ij a diferentes niveles <strong>de</strong> agregación.<br />
Por tanto, cada restricción funcional (22) (c, d y e) es normalizada (o escalada) por su<br />
correspondiente valor inicial, resultando un conjunto <strong>de</strong> restricciones normalizadas que dan<br />
lugar a penalizaciones <strong>de</strong> violaciones <strong>de</strong> las restricciones proporcionales a valores relativos <strong>de</strong><br />
las correspondientes magnitu<strong>de</strong>s. En otras palabras, no posee la misma importancia exce<strong>de</strong>r en