Resolución del problema integrado de enrutamiento y gestión de inventarios con múltiples vehículos mediante programación lineal entera mixta

Contexto: El control y distribución de inventarios son procesos claves en la pérdida tanto de eficiencia como de eficacia en el campo de la logística, a nivel global. Según el Departamento Nacional de Planeación de Colombia, en el año 2020, los rubros de transporte, almacenamiento e inventarios correspondieron al 73,9 % del costo logístico total. La resolución del problema de enrutamiento inventario con múltiples vehículos (IRP) representa una alternativa para hacer que los tiempos de ciclo sean más cortos, más flexibles y menos costosos. Método: En este artículo se describen y comparan modelos matemáticos de la literatura para el problema base, adaptándolo a su variante con múltiples vehículos y resolviéndolo a través modelos de programación lineal entera mixta, mediante la solución de instancias de baja y media complejidad matemática, planteando dos maneras de gestionar el inventario y tres formas de eliminar la creación de sub-tours. Para obtener los resultados se utiliza el software AMPL en un computador con procesador Intel Core i5-5200U CPU @ 2.2 GHz y 4 GB de RAM, considerando un tiempo máximo de ejecución de una hora. Resultados:  El modelo de flujos muestra el mejor desempeño en cuanto a tiempos computacionales y calidad de la respuesta con respecto a la política de máximo nivel (ML), y la variante MTZ es el segundo mejor modelo. Por último, la variación general reporta mayores tiempos de ejecución y valores GAP más altos. Los modelos presentan buen desempeño para instancias de pequeño y mediano tamaño. Conclusiones: En esta investigación se presenta una metodología general que puede ser adaptada a diferentes aplicaciones del problema integrado de inventarios y enrutamiento con múltiples vehículos. Se comprobó que las respuestas generadas son de buena calidad, destacando la eliminación de sub-tours por medio del modelo de flujos y la gestión de inventarios bajo la política ML. Los trabajos futuros deben encaminarse en busca de nuevas alternativas a la optimización exacta, tales como las heurísticas o metaheurísticas, que permitan estar lo más cerca posible del óptimo en tiempos de computación más cortos. Además, se podrían considerar demandas estocásticas y el manejo de productos perecederos, entre otros.