BTC_Final

PROBLEMA

• puedo combinar ambos transportes
• los envíos no pueden ser paralelos al mismo cedis, es decir, el siguiente transporte, sale de la planta hasta que el transporte anterior regrese a la misma planta.
• un mismo proveedor no puede tener diferentes paradas de cedis; una vez que realiza la entrega a un cedis determinado, debe salir y regresar a la misma planta.
• se cuenta con dos tipos de transportes: vehicular (full y trailer) y ferroviario (furgon, gondolva, tolva)
• cada transporte tiene una capacidad que puede transportar (en toneladas): full - 30, trailer - 60, furgon - 60, gondola - 90, tolva - 120.
• todos los transportes que se envíen deben estar llenos, NO pueden ir a medias.
• el transporte ferroviario necesita mandar mínimo 5 vagones juntos y máximo 10 para poder salir.
• existe disponibilidad de número de proveedores que van a cada planta.
• existe un número de disponibilidad de proveedores por tipo de transporte (vehícular full o trailer, y transporte furgones, gondolas y tolvas)
• cada proveedor tiene un origen (o planta) del que sale
• tenemos un tiempo de tránsito de cada planta a cada cedis
• tenemos una tabla con la distribución de toneladas que cada planta le manda a cada cedis
• tenemos el tiempo de carga y descarga de cada transporte: furgon 2 hrs, gondola 3 hrs, tolva 4 hrs, full 1 hr, trailer 2hrs
• se deben realizar los 1000 envíos (distribuidos entre cada planta y cedis) en un tiempo máximo de 720 horas.
• dentro de las 720 horas, se debe tomar en cuenta el tiempo total de cada viaje (tiempo ciclo = (tiempo transporte de planta a cedis específico * 2) + (tiempo de carga/descarga*2) ) de cada planta a cada cedis hasta completar los 1,000 envíos distribuidos entre estos.
• el costo de transporte, se da únicamente por los kilómetros que recorre el transporte

Librerías

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.3.2

library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ lubridate 1.9.3     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     ✔ tidyr     1.3.0
## ✔ readr     2.1.4

## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(pillar)

## 
## Attaching package: 'pillar'
## 
## The following object is masked from 'package:dplyr':
## 
##     dim_desc

library(psych)

## 
## Attaching package: 'psych'
## 
## The following objects are masked from 'package:ggplot2':
## 
##     %+%, alpha

library(skimr)
library(readr)
library(GGally)

## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2

library(corrplot)

## corrplot 0.92 loaded

library(reshape2)

## 
## Attaching package: 'reshape2'
## 
## The following object is masked from 'package:tidyr':
## 
##     smiths

library(gmodels)
library(mice)

## 
## Attaching package: 'mice'
## 
## The following object is masked from 'package:pillar':
## 
##     squeeze
## 
## The following object is masked from 'package:stats':
## 
##     filter
## 
## The following objects are masked from 'package:base':
## 
##     cbind, rbind

library(VIM)

## Loading required package: colorspace
## Loading required package: grid
## VIM is ready to use.
## 
## Suggestions and bug-reports can be submitted at: https://github.com/statistikat/VIM/issues
## 
## Attaching package: 'VIM'
## 
## The following object is masked from 'package:datasets':
## 
##     sleep

library(scales)

## 
## Attaching package: 'scales'
## 
## The following objects are masked from 'package:psych':
## 
##     alpha, rescale
## 
## The following object is masked from 'package:purrr':
## 
##     discard
## 
## The following object is masked from 'package:readr':
## 
##     col_factor

library(gridExtra)

## 
## Attaching package: 'gridExtra'
## 
## The following object is masked from 'package:dplyr':
## 
##     combine

library(quantmod)

## Loading required package: xts
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## 
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
## 
## 
## ######################### Warning from 'xts' package ##########################
## #                                                                             #
## # The dplyr lag() function breaks how base R's lag() function is supposed to  #
## # work, which breaks lag(my_xts). Calls to lag(my_xts) that you type or       #
## # source() into this session won't work correctly.                            #
## #                                                                             #
## # Use stats::lag() to make sure you're not using dplyr::lag(), or you can add #
## # conflictRules('dplyr', exclude = 'lag') to your .Rprofile to stop           #
## # dplyr from breaking base R's lag() function.                                #
## #                                                                             #
## # Code in packages is not affected. It's protected by R's namespace mechanism #
## # Set `options(xts.warn_dplyr_breaks_lag = FALSE)` to suppress this warning.  #
## #                                                                             #
## ###############################################################################
## 
## Attaching package: 'xts'
## 
## The following objects are masked from 'package:dplyr':
## 
##     first, last
## 
## Loading required package: TTR
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

library(tseries)
library(fImport)

## Loading required package: timeDate
## 
## Attaching package: 'timeDate'
## 
## The following object is masked from 'package:pillar':
## 
##     align
## 
## Loading required package: timeSeries
## 
## Attaching package: 'timeSeries'
## 
## The following object is masked from 'package:zoo':
## 
##     time<-
## 
## The following object is masked from 'package:psych':
## 
##     outlier

library(seriation)

## Registered S3 methods overwritten by 'registry':
##   method               from 
##   print.registry_field proxy
##   print.registry_entry proxy

library(forecast)
library(gvlma)
library(olsrr)

## 
## Attaching package: 'olsrr'
## 
## The following object is masked from 'package:datasets':
## 
##     rivers

library(car)

## Loading required package: carData
## 
## Attaching package: 'car'
## 
## The following object is masked from 'package:psych':
## 
##     logit
## 
## The following object is masked from 'package:purrr':
## 
##     some
## 
## The following object is masked from 'package:dplyr':
## 
##     recode

library(MASS)

## 
## Attaching package: 'MASS'
## 
## The following object is masked from 'package:olsrr':
## 
##     cement
## 
## The following object is masked from 'package:dplyr':
## 
##     select

library(knitr)
library(kableExtra)

## Warning: package 'kableExtra' was built under R version 4.3.2

## 
## Attaching package: 'kableExtra'
## 
## The following object is masked from 'package:dplyr':
## 
##     group_rows

EDA — EXPLORATORY DATA ANALYSIS

Lectura del dataset y realización de datasets necesarios

btc = read.csv("/Users/ximenaverastegui/Desktop/envios.csv") #envíos 

# exclusivo: paquetes que van de cada planta a cada CeDis
destino <- subset(btc, select = -c(Peso..Ton., EarliestDeliveryTime, LatestDeliveryTime, Producto))

# exclusivo: tiempos de tránsito de cada planta a cada CeDis en vehículo y ferroviario (horas)
transito = read.csv("/Users/ximenaverastegui/Desktop/transito.csv")

ubi_plantas <- c("Pta_Zapotiltic","Pta_Monterrey","Pta_Hidalgo","Pta_Norte","Pta_Guadalajara","Pta_Edo_Mex","Pta_Queretaro")

ubi_cedis <- c("BNPLRO0001","CLCOAA0035","BNENDA0001","CLARIA0001","CIOCES0001","BNMELI0001","CLCUOC0001","BSCAOS0001","BNENDA2658","BNTINA0001","CLCOMA0001","CLCOAN0001","AGAGES0001","CLCUOC0018","CLCOMA0077")

capacidad_descarga <- data.frame(
  Equipo = c("Furgon", "Goldona", "Tolva", "Full", "Trailer"),
  Capacidad.ton = c(60,90,120,30,60),
  TiempoDescarga.hr = c(2,3,4,1,2)
)

tarifas_completo = read.csv("/Users/ximenaverastegui/Desktop/tarifas.csv")
tarifas_completo$Costo.por.Kilometro <- as.numeric(gsub("\\$", "", tarifas_completo$Costo.por.Kilometro))
tarifas <- subset(tarifas_completo, select = -c(Servicio,Destino))

total_proveedor <- data.frame(
  Proveedor = c("FERRO01",
"FERRO02",
"FERRO03",
"EDO_FULL_CMX_FV_1",
"EDO_TRAILER_CMX_FV_1",
"GDL_FULL_CMX_FV_1",
"GDL_TRAILER_CMX_FV_1",
"HID_FULL_CMX_FV_1",
"HID_TRAILER_CMX_FV_1",
"LOC_FULL_CMX_FV_1",
"LOC_TRAILER_CMX_FV_1",
"MEX_FULL_CMX_FV_1",
"MTY_FULL_CMX_FV_1",
"MTY_TRAILER_CMX_FV_1",
"NOR_FULL_CMX_FV_1",
"NOR_TRAILER_CMX_FV_1",
"QUE_FULL_CMX_FV_1",
"QUE_TRAILER_CMX_FV_1",
"REY_FULL_CMX_FV_1",
"REY_TRAILER_CMX_FV_1",
"ZOP_FULL_CMX_FV_1",
"ZOP_TRAILER_CMX_FV_1"),
Total = c(84,84,84,30,15,30,15,30,15,30,15,30,30,15,30,15,30,15,30,15,30,15))

total_equipo <- data.frame(
  Equipo = c("Furgon","Gondola","Tolva","Full","Trailer"),
  Total = c(84, 84, 84, 300,    135)
)

disponibilidadTipo <- read.csv("/Users/ximenaverastegui/Desktop/disponibilidadTipo.csv")
disponibilidadTipo[is.na(disponibilidadTipo)] <- 0

Bar Charts — visualización rápida de paquetes de planta a CeDis

# lista única de plantas
plantas_unicas <- unique(btc$Origen)

# creación de gráficos de barras para cada planta
for (planta in plantas_unicas) {
  datos_planta <- btc[btc$Origen == planta, ]
  
  paquetes_por_destino <- table(datos_planta$Destino)
  paquetes_por_destino
  
  #barplot(paquetes_por_destino,main=planta,xlab = "Centro de Distribución",ylab = "Cantidad de Paquetes")
  
  barplot(paquetes_por_destino, main = planta, xlab = "Centro de Distribución", ylab = "Cantidad de Paquetes", ylim=c(0, max(paquetes_por_destino) + 1))

  text(x = barplot(paquetes_por_destino, plot = FALSE), y = paquetes_por_destino + 0.1, label = paquetes_por_destino, cex = 0.8, col = "black")

  # Mostrar el nombre de cada centro de distribución sobre cada barra
  text(x = barplot(paquetes_por_destino, plot = FALSE), y = -0.5, label = names(paquetes_por_destino), cex = 0.8, srt = 45, pos = 2, xpd = TRUE)

}

Tabla PAQUETES

# TABLA PAQUETES
# Instalar y cargar el paquete knitr si no está instalado
if (!requireNamespace("knitr", quietly = TRUE)) {
  install.packages("knitr")
}
library(knitr)
# Crear una tabla con los datos
plantas_unicas <- unique(btc$Origen)

tabla_datos <- matrix(0, nrow = length(plantas_unicas) + 1, ncol = length(unique(btc$Destino)) + 1)
rownames(tabla_datos) <- c(plantas_unicas, "Total")
colnames(tabla_datos) <- c(unique(btc$Destino), "Total")

# Llenar la tabla con la cantidad de paquetes entregados
for (planta in plantas_unicas) {
  datos_planta <- btc[btc$Origen == planta, ]
  paquetes_por_destino <- table(datos_planta$Destino)
  tabla_datos[planta, names(paquetes_por_destino)] <- paquetes_por_destino
  tabla_datos[planta, "Total"] <- sum(paquetes_por_destino)  # Calcular total de paquetes por planta
}

# Calcular el total de paquetes por centro de distribución y agregarlo como una fila adicional
for (i in 1:ncol(tabla_datos)) {
  tabla_datos[length(plantas_unicas) + 1, i] <- sum(tabla_datos[1:length(plantas_unicas), i])  # Calcular total de paquetes por centro de distribución
}

# Mostrar la tabla con formato y estilos CSS
kable(tabla_datos, format = "html") %>%
  kable_styling("striped", full_width = FALSE) %>%
  column_spec(1, bold = TRUE) %>%
  add_header_above(c(" " = 1, "Centro de Distribución" = ncol(tabla_datos))) %>%
  add_footnote("Nota: Los valores representan la cantidad de paquetes entregados por planta y centro de distribución.")

	Centro de Distribución
	BNPLRO0001	CLCOAA0035	BNENDA0001	CLARIA0001	CIOCES0001	BNMELI0001	CLCUOC0001	BSCAOS0001	BNENDA2658	BNTINA0001	CLCOMA0001	CLCOAN0001	AGAGES0001	CLCUOC0018	CLCOMA0077	Total
Pta_Monterrey	15	14	12	8	3	6	15	5	4	11	5	12	6	14	6	136
Pta_Zapotiltic	13	7	7	7	7	10	10	7	11	8	14	9	11	15	11	147
Pta_Hidalgo	11	10	11	9	6	5	9	11	10	6	14	11	6	13	5	137
Pta_Norte	11	10	10	9	9	12	7	9	9	15	14	17	12	7	8	159
Pta_Guadalajara	11	9	14	8	6	9	11	10	10	8	6	9	9	8	5	133
Pta_Edo_Mex	12	6	8	11	16	6	14	12	13	15	5	7	12	12	8	157
Pta_Queretaro	4	5	10	10	11	6	3	14	5	7	12	13	11	6	13	130
Total	77	61	72	62	58	54	69	68	62	70	70	78	67	75	56	999
a Nota: Los valores representan la cantidad de paquetes entregados por planta y centro de distribución.

#install.packages("openxlsx")
#library(openxlsx)
#datos <- as.data.frame.matrix(tabla_datos)
#write.xlsx(datos, "paquetes.xlsx")

Tabla TONELADAS

# TABLA TONELADAS
# Crear una tabla con los datos
plantas_unicas <- unique(btc$Origen)

tabla_datos_ton <- matrix(0, nrow = length(plantas_unicas) + 1, ncol = length(unique(btc$Destino)) + 1)
rownames(tabla_datos_ton) <- c(plantas_unicas, "Total")
colnames(tabla_datos_ton) <- c(unique(btc$Destino), "Total")

# Llenar la tabla con la cantidad de paquetes entregados y convertir a toneladas
for (planta in plantas_unicas) {
  datos_planta_ton <- btc[btc$Origen == planta, ]
  paquetes_por_destino_ton <- table(datos_planta_ton$Destino)
  toneladas_por_destino <- paquetes_por_destino_ton * 30  # Convertir paquetes a toneladas
  tabla_datos_ton[planta, names(paquetes_por_destino_ton)] <- toneladas_por_destino
  tabla_datos_ton[planta, "Total"] <- sum(toneladas_por_destino)  # Calcular total de toneladas por planta
}

# Calcular el total de toneladas por centro de distribución y agregarlo como un renglón adicional
for (i in 1:ncol(tabla_datos_ton)) {
  tabla_datos_ton["Total", i] <- sum(tabla_datos_ton[1:length(plantas_unicas), i])
}

# Mostrar la tabla con formato y estilos CSS
kable(tabla_datos_ton, format = "html") %>%
  kable_styling("striped", full_width = FALSE) %>%
  column_spec(1, bold = TRUE) %>%
  add_header_above(c(" " = 1, "Centro de Distribución" = ncol(tabla_datos_ton))) %>%
  add_footnote("Nota: Los valores representan la cantidad de toneladas entregadas por planta y centro de distribución.")

	Centro de Distribución
	BNPLRO0001	CLCOAA0035	BNENDA0001	CLARIA0001	CIOCES0001	BNMELI0001	CLCUOC0001	BSCAOS0001	BNENDA2658	BNTINA0001	CLCOMA0001	CLCOAN0001	AGAGES0001	CLCUOC0018	CLCOMA0077	Total
Pta_Monterrey	450	420	360	240	90	180	450	150	120	330	150	360	180	420	180	4080
Pta_Zapotiltic	390	210	210	210	210	300	300	210	330	240	420	270	330	450	330	4410
Pta_Hidalgo	330	300	330	270	180	150	270	330	300	180	420	330	180	390	150	4110
Pta_Norte	330	300	300	270	270	360	210	270	270	450	420	510	360	210	240	4770
Pta_Guadalajara	330	270	420	240	180	270	330	300	300	240	180	270	270	240	150	3990
Pta_Edo_Mex	360	180	240	330	480	180	420	360	390	450	150	210	360	360	240	4710
Pta_Queretaro	120	150	300	300	330	180	90	420	150	210	360	390	330	180	390	3900
Total	2310	1830	2160	1860	1740	1620	2070	2040	1860	2100	2100	2340	2010	2250	1680	29970
a Nota: Los valores representan la cantidad de toneladas entregadas por planta y centro de distribución.

#datos_ton <- as.data.frame.matrix(tabla_datos_ton)
#write.xlsx(datos_ton, "toneladas.xlsx")

OPTIMIZACIÓN CICLOS

x <- c(60,90,120,60,90,120,60,90,120,60,90,120)

# Generar las combinaciones
combinations_list <- unlist(lapply(0:length(x), function(m) {combn(x, m = m, simplify = FALSE)}), recursive = FALSE)

# Verificar si la longitud de cada subelemento es igual a 1
#is_length_1 <- sapply(combinations_list, function(comb) length(comb) == 1)
is_length_5 <- sapply(combinations_list, function(comb) length(comb) == 5)
is_length_6 <- sapply(combinations_list, function(comb) length(comb) == 6)
is_length_7 <- sapply(combinations_list, function(comb) length(comb) == 7)
is_length_8 <- sapply(combinations_list, function(comb) length(comb) == 8)
is_length_9 <- sapply(combinations_list, function(comb) length(comb) == 9)
is_length_10 <- sapply(combinations_list, function(comb) length(comb) == 10)

# Imprimir los subelementos con longitud igual a 1
#combinations_list[is_length_1]
#combinations_list[is_length_5]
#combinations_list[is_length_6]
#combinations_list[is_length_7]
#combinations_list[is_length_8]
#combinations_list[is_length_9]
#combinations_list[is_length_10]


# me interesa length 5, 6, 7, 8, 9, 10. Hacer un ciclo for con estos y luego multipllicar el costo del tipo de vagon (con restricción si 60 = costoFurgon, 90 = costoGondola, 120 = costoTolva) * KM de la Planta al Cedis (recorro la matriz y veo que coincida con qué??? ). Y luego ver que la suma de este de el número del envío y si no, se mete en otro ciclo para hacer más lapsos y ver con qué otra combinación concuerda.