El Problema de Carga de Contenedores: una
Aproximación Paralela y Multi-objetivo
Jesica de Armas, Yanira Gonzalez, Gara Miranda, Coromoto León
Resumen— El problema de carga de contenedores
surge en muchas industrias de distribución y trans-
porte. Se trata de un problema de optimización
NP-completo. En este trabajo se aborda su resolu-
ción multi-objetivo mediante el algoritmo evoluti-
vo NSGA-II, intentando mejorar la única aproxi-
mación conocida que resuelve el problema con múlti-
ples objetivos: la maximización del volumen utilizado
y la maximización del peso empaquetado. Se com-
para experimentalmente el comportamiento de las
aproximaciones y se presentan diversas paraleliza-
ciones basadas en islas del algoritmo evolutivo tratan-
do de mejorar el resultado y obtener más rápidamente
soluciones competitivas. Los experimentos muestran
que la aplicación de técnicas multi-objetivo, tales co-
mo los algoritmos evolutivos multi-objetivo, permite
la obtención de soluciones no alcanzables mediante el
uso de estrategias que no han sido diseñadas explı́cita-
mente para tratar con más de un objetivo. Además,
mediante el uso de las paralelizaciones se consigue al-
canzar soluciones de mayor calidad en menor tiempo.
Palabras clave— Empaquetado de 3 Dimensiones,
Problema de Carga de Contenedores, Optimización
Multi-objetivo, Computación Evolutiva, Modelos
Basados en Islas.
I. Introducción
El problema de carga de contenedores (CLP-
Container Loading Problem) pertenece a un área de
investigación activa y tiene numerosas aplicaciones
en el mundo real, particularmente en el transporte
de contenedores y en las industrias de distribución.
El aumento constante del coste del combustible es
una gran motivación para los transportistas a la ho-
ra de maximizar el espacio utilizado en los contene-
dores, reduciendo ası́ al mı́nimo el número global de
viajes necesarios [1]. Además, minimizar los espa-
cios vacı́os en los contenedores no sólo es un requi-
sito económico, sino también un problema ecológi-
co debido a las consecuencias negativas del aumento
del tráfico en el medio ambiente [2]. De entre los
problemas de corte y empaquetado, los de carga de
contenedores han sido muy estudiados. En general,
el problema consiste en distribuir un conjunto de
piezas rectangulares (cajas) en un objeto rectangu-
lar grande (contenedor) de manera que se maximice
el volumen total de las cajas empaquetadas, es decir,
se trata de obtener un patrón de empaquetado que
utilice el espacio del contenedor lo máximo posible.
Según la tipologı́a mejorada de problemas de corte
y empaquetado propuesta por Wäscher et. al [3], el
CLP se puede clasificar como un problema de tres
Dpto. Estadı́stica, I.O. y Computación Universidad de
La Laguna, 38271, Tenerife, Spain E-mails: jdearmas@ull.es,
ygonzale@ull.es, gmiranda@ull.es, cleon@ull.es
dimensiones de un solo objeto grande de colocación
(three-dimensional rectangular SLOPP ).
Computacionalmente, se trata de un problema
NP-duro [4], es decir, no se puede obtener una
solución exacta en un tiempo polinomial. Por ello,
aunque existe algún trabajo aislado que lo aborda
usando un algoritmo exacto [5], la mayorı́a de los
estudios se centran en proporcionar soluciones me-
diante heurı́sticas y metaheurı́sticas. Las heurı́sticas
se pueden desarrollar teniendo en cuenta diferentes
distribuciones especı́ficas: construcción de muros o
wall-building [6], [7], disposición de bloques o cuboid
arrangement [8], [9], contrucción de pilas o stack-
building [10], [11], y cortes de guillotina [12]. En la
literatura relacionada existe una gran cantidad de
algoritmos heurı́sticos [2], [6], [7], [13], [14], [15], [16]
Sin embargo, en los últimos años se ha incrementado
la atención hacia las metaheurı́sticas como los algo-
ritmos genéticos [10], [17], [18], [19], el recocido simu-
lado [20], [21], [22], la búsqueda tabú [8], [23], y los
algoritmos hı́bridos [24], [25], [26], [27]. En ocasiones,
estos procesos pueden incluir paralelizaciones, es el
caso de algunos algoritmos genéticos paralelos [28],
búsquedas tabú paralelas [29], o búsquedas locales
hı́bridas paralelas [30].
A la hora de resolver un CLP en la realidad, nor-
malmente la maximización del espacio usado es el
objetivo más importante, pero existen otras cues-
tiones que se pueden tener en cuenta. En [6] se des-
criben muchos requerimientos prácticos, tales como
las restricciones de orientación, la distribución de la
carga, la estabilidad, las prioridades de embarque,
el lı́mite de peso de los contenedores, etc. Dado que
es muy común en la logı́stica de las empresas, dispo-
ner de contenedores de un volumen determinado que
pueden albergar un peso máximo debido a la tara
del vehı́culo de transporte, en este trabajo se trata
un CLP con múltiples objetivos que se define for-
malmente de la siguiente manera: Dado un conjun-
to de n piezas con ancho wi , profundidad di , alto
hi , peso weighti , y un solo contenedor con dimen-
siones conocidas (W, D, H) donde wi ≤ W , hi ≤ H,
y di ≤ D, y una capacidad máxima de albergar peso
t weightmax , el problema consiste en empaquetar las
piezas en el contenedor sin superposición mientras se
maximiza el peso total de las piezas empaquetadas y
la utilización del contenedor. El problema se resuelve
suponiendo que:
Las piezas son cajas rectangulares con dimen-
siones conocidas (wi , di , hi ). Cada caja se puede colo-
car en el contenedor en un máximo de seis variantes
de rotación, si no están prohibidas.
Cada caja se coloca en el suelo del contenedor o
encima de otra caja.
La estabilidad de la distribución de las cajas no
se considera, ya que se asume el uso de material de
relleno para impedir posibles problemas.
A pesar de que en la industria de transporte re-
al es más común la necesidad de optimizar varios
objetivos al mismo tiempo, sólo se conoce un tra-
bajo de la literatura que trata el CLP con múlti-
ples objetivos [31], utilizando para ello un algoritmo
de recocido simulado hibridizado con una heurı́sti-
ca de relleno. Los algoritmos evolutivos multi-
objetivo (MOEAs - Multi-Objective Evolutionary
Algorithms) se han mostrado prometedores a la ho-
ra de resolver problemas multi-objetivo del mun-
do real. Concretamente han proporcionado solu-
ciones competitivas para otro tipo de problemas de
corte y empaquetado [32], [33], por lo que se desea
comprobar su efectividad en el CLP multi-objetivo
aquı́ definido, realizando una comparativa con la
única aproximación multi-objetivo conocida [31] que
tiene en cuenta los mismos objetivos: maximización
del peso y volumen usado del contenedor. Además,
para mejorar el rendimiento y obtener resultados de
buena calidad en menor tiempo se llevará a cabo un
estudio de las paralelizaciones usando modelos basa-
dos en islas.
El resto del artı́culo se organiza del siguiente mo-
do. En primer lugar se hará una breve introducción
acerca de la optimización multi-objetivo en la Sec-
ción II. En la Sección III se presenta la aproximación
multi-objetivo que se ha desarrollado para resolver
el problema. Finalmente, en la Sección IV se mues-
tran los resultados experimentales y en la Sección V
las conclusiones a las que se ha llegado.
II. Optimización Multi-objetivo
Los problemas de optimización multi-objetivo o
multi-criterio (MOPs) surgen en la mayorı́a de dis-
ciplinas del mundo real. Los distintos objetivos nor-
malmente se encuentran en conflicto o competencia,
pero deben de ser optimizados simultáneamente. En
la práctica, suele ser imposible encontrar un único
óptimo que domine a todo el resto de soluciones.
Por lo tanto, no existe una solución que optimice
todos los objetivos simultáneamente. Los MOPs se
pueden definir formalmente como:
Optimizar f (x) = (f1 (x), f2 (x), ..., fk (x)) sujeto a x ∈ X
(1)
donde f (x) es el vector objetivo, fi (x) es el i-ésimo
objetivo a optimizar, x es el vector de decisión y
X es la región factible en el espacio de decisiones.
Mientras en la optimización mono-objetivo la solu-
ción óptima está normalmente definida de manera
clara, en los MOPs esto no se mantiene. En lugar
de un único óptimo, existe un conjunto o frente de
alternativas de compromiso, conocidas como frente
óptimo de Pareto, constituido por las soluciones no
dominadas y:
∄z/ ∀i ∈ 1..k fi (z) ≥ fi (y), ∃i ∈ 1..k fi (z) > fi (y) (2)
Estas soluciones son óptimas porque no existen otras
soluciones en el espacio de búsqueda que sean supe-
riores a ellas cuando se tienen en cuenta todos los
objetivos. Es decir, una solución y se dice que es no
dominada si no existe otra solución z que sea mejor
en al menos uno de los objetivos y en menos tan
buena como y en el resto. El objetivo más común
es obtener un conjunto de soluciones no dominadas
que se encuentren tan cerca de la óptima como sea
posible.
III. Aproximación Multi-objetivo
Los algoritmos evolutivos (EAs) se han mostrado
prometedores para el cálculo de soluciones a pro-
blemas de optimización grandes y difı́ciles, y se han
usado con éxito en una gran variedad de aplicaciones
reales [34]. De hecho, cuando se aplican a MOPs,
actúan mejor que otras estrategias de búsquedas
a ciegas. Los EAs especı́ficamente diseñados para
las funciones de múltiples objetivos se conocen co-
mo MOEAs [35]. En la literatura se han propuesto
muchas alternativas de algoritmos de este tipo[36]:
VEGA, NPGA, NSGA [37], SPEA, IBEA, etc. En
este sentido, existe un framework llamado MET-
CO [38], que proporciona las implementaciones de
algunos de esos MOEAs. METCO es un entorno pa-
ralelo basado en plugins para la optimización multi-
objetivo, que permite a los usuarios especificar sim-
plemente los detalles relacionados con el problema
(representación, evaluación de los objetivos, opera-
dores, ...) sin tener que preocuparse por los detalles
internos de la implementación del algoritmo. El en-
torno de trabajo proporciona también una interfaz
simple, flexible y eficiente para establecer y modi-
ficar los parámetros usados dentro del algoritmo.
A. Representación
Para la representación de las soluciones candi-
datas, se ha utilizado la estructura que se puede ver
en la Figura 1. Se trata de una secuencia formada
por tipo de pieza, número de piezas de ese tipo y
orientación para esas piezas. De esta manera se de-
termina el orden en el que se van a colocar todas
las piezas en el contenedor y sus orientaciones. Ca-
da pieza tiene permitidas dos, cuatro o seis orienta-
ciones posibles, según se determine en la instancia de
entrada. Ası́, para indicar la orientación de una pieza
Fig. 1. Ejemplo de la representación de una solución
 Fig. 2. Posibles orientaciones para una pieza
Fig. 3. Proceso de la heurı́stica de colocación
se utiliza un dı́gito que va desde 0 hasta 5 (Figura 2),
indicando una rotación de la pieza con respecto a
su orientación original. Para que el cromosoma sea
válido, debe contener la totalidad de las piezas de
cada tipo diferente. Usando esta representación, el
Fig. 4. Creación de huecos
tamaño del cromosoma puede variar, dependiendo
de cómo se agrupen las piezas de cada tipo.
B. Generación de la población inicial
Para la generación inicial de individuos considé-
rese: N el número total de piezas, n el número de
tipos de piezas, t ∈ [1..n] el tipo de pieza, numt
el número de piezas de tipo t, numot el número de
orientaciones posibles para las piezas de tipo t, y
nt ∈ [1..numt ] el número de veces que aparece un
tipo de pieza t en el cromosoma. En primer lugar
se ha de generar aleatoriamente un tipo de pieza t
para el que aún queden piezas por colocar, luego la
cantidad de piezas de ese tipo ct ∈ [1..numt ] que
se va a considerar para el gen actual, y finalmente
la orientación ot ∈ [0..numot ] para ese conjunto de
piezas. Se han de realizar estos pasos hasta que se
haya introducido la totalidad de las piezas de cada
tipo, cumpliéndose para el individuo o cromosoma
completo las siguientes condiciones:
nt
X nt
n X
X
a) ∀t (ct )j = numt b) (ct )j = N (3)
j=1 t=1 j=1
C. Evaluación de los Objetivos
Cada cromosoma representa un cierto orden en el
que las piezas se van a colocar en el contenedor y con
qué orientación. Basándonos en esta información,
se pueden evaluar ambos objetivos de optimización,
volumen y peso total, haciendo uso de una heurı́sti-
ca. Dicha heurı́stica se basa en el almacenamiento
por niveles de las piezas dentro del contenedor y fun-
ciona del siguiente modo (Figura 3):
Se introduce la primera pieza en la esquina infe-
rior izquierda del fondo del contenedor. Esta pieza
determinará el ancho del primer nivel y generará dos
huecos, uno enfrente y otro arriba (Figura 4).
 Fig. 5. Operador de cruce
Se recorre el resto del cromosoma intentando in-
troducir las piezas en ese nivel y si no se consigue
se crea un nuevo nivel adyacente al anterior con esa
pieza. Para hacer esta comprobación se siguen las
siguientes pautas:
• Se intentan llenar en primer lugar los huecos que
se han creado en frente. Si no se encuentra ningún
hueco en frente en el que quepa la pieza actual, se
pasa a comprobar si cabe en alguno de los huecos
de arriba. Si tampoco cabe en ninguno de estos hue-
cos se comprueba si cabe en algún hueco lateral. Si
la pieza tampoco cabe en este conjunto de huecos,
entonces descartamos la pieza en este nivel, e inten-
tamos introducirla cuando se cree el siguiente nivel.
• En el caso de que la pieza quepa en alguno de
los huecos se comprueba si encaja perfectamente sin
dejar más huecos. Si es ası́, entonces, el hueco desa-
parece y se inserta la pieza en el contenedor. De lo
contrario, se inserta creando los nuevos huecos gen-
erados.
Cuando se hayan introducido todas las piezas
posibles, el valor de los objetivos (volumen y peso)
se puede calcular fácilmente sumando los volúmenes
y pesos de todas esas piezas.
D. Operadores
Como se ha usado una codificación que representa
implı́citamente las soluciones del problema, los dis-
tintos tipos de operadores que se apliquen deben de
tratar con sus caracterı́sticas especı́ficas. Se ha im-
plementado un cruce de un punto que funciona del
siguiente modo:
En primer lugar se selecciona un punto al azar de
cada individuo.
Se intercambian las partes de cada individuo des-
pués de los puntos seleccionados.
Se modifica la primera parte de cada individuo
para que se respete el número total de piezas de cada
tipo presente en el cromosoma. Es decir, se elimi-
nan tipos de piezas si sobran piezas de ese tipo, o se
agregan si faltan (Figura 5).
Para la mutación se han introducido tres tipos
diferentes de movimientos sobre el cromosoma, ca-
da uno de ellos aplicados bajo la probabilidad de
mutación:
Agregar un gen: se genera de forma aleatoria un
tipo de pieza. Luego, se buscan en el cromosoma to-
das las posiciones donde se localicen piezas de este
tipo, y se selecciona una de ellas. Del gen selecciona-
do, se escoge un número de piezas de manera que
queden repartidas entre ese gen y el nuevo que se va
a agregar. Entonces se selecciona una orientación en-
tre las permitidas para ese tipo de pieza y se escoge
aleatoriamente la posición del cromosoma en la cual
se va a insertar el nuevo gen desplazando el resto
hacia la derecha (Figura 6).
Fig. 6. Operador de mutación Agregar t2
Eliminar un gen: se genera una posición dentro
del cromosoma de forma aleatoria y se comprueba
si se repite más veces el mismo tipo de pieza. Si
no existen más genes de ese tipo, no se realiza la
operación. De lo contrario, se seleccionará aleatoria-
mente un gen de entre los del mismo tipo y se incre-
mentará su número de piezas con el número de piezas
del primer gen a eliminar para poder borrarlo. Como
puede suceder que ambos genes no posean el mismo
tipo de orientación de piezas, se selecciona uno de
los dos de forma aleatoria. Finalmente, se elimina
el gen realizando compactación hacia la izquierda
(Figura 7).

Fig. 7. Operador de mutación Eliminar
Cambiar un gen: se genera una posición aleato-
ria del cromosoma y se le cambia también de forma
aleatoria el tipo de orientación dentro de las posibles
para el tipo de pieza (Figura 8).
Fig. 8. Operador de mutación Cambiar
IV. Evaluación Experimental
El propósito de este estudio es resolver el CLP
multi-objetivo utilizando estrategias evolutivas y al-
gunas paralelizaciones que ofrece METCO [38], un
framework paralelo basado en plugins para opti-
mización multi-objetivo. Se pretenden mejorar los
únicos resultados conocidos de un trabajo [31] que
aborda el problema real con múltiples objetivos.
Gracias al uso de METCO, se evita la implemen-
tación desde cero de MOEAs, ya que proporciona
implementaciones de algunos de los MOEAs más uti-
lizados en la literatura. La evaluación experimental
se ha llevado a cabo usando un cluster dedicado de
20 nodos de doble núcleo con un sistema operativo
Debian gnu/Linux. El framework y la aproximación
del problema se han implementado en C++ y com-
pilado con gcc 4.1.3 y mpich 1.2.7. Para el estudio
computacional, se ha utilizado la instancia real pro-
puesta en [31]. Se trata de una instancia con 12 tipos
de productos de diferentes dimensiones y pesos aso-
ciados (Tabla I). En el artı́culo que se ha tomado
como referencia no se da información acerca de las
orientaciones de las cajas. Por ello y dado que algu-
nas de ellas contienen lı́quidos, se ha supuesto que
sólo es posible rotar la base de las cajas.
En dicho trabajo, el problema se resuelve utilizan-
do un algoritmo de recocido simulado junto a una
heurı́stica de relleno, y asignando diferentes pesos,
desde 0 hasta 1, a cada objetivo. Los parámetros
del algoritmo de recocido simulado utilizados para
el problema son: temperatura inicial Tin = 5000,
temperatura final Tf = 0,0001, constante α = 0,987
y número de iteraciones que debe de llevarse a cabo
para cada temperatura ilmax = 12. Sin embargo, en
el presente estudio, se ha utilizado el algoritmo evo-
lutivo NSGA-II, dado su buen comportamiento en
otros problemas de corte y empaquetado [32], [33].
Después de realizar una serie de pruebas, la probabi-
lidad de mutación se ha fijado a 0.3, la probabilidad
de cruce a 0.9 y el tamaño de la población a 20. En
primer lugar, se ha llevado a cabo un estudio secuen-
cial con estos parámetros, realizando 30 repeticiones
de 30000 evaluaciones (1500 generaciones) cada una.
Si se calcula la media del mayor volumen obtenido
en cada uno de los 30 frentes finales, se puede com-
probar que el valor expresado en porcentaje de vol-
umen usado del contenedor (91.13 %), supera clara-
mente el mejor porcentaje (87.51 %) de los resulta-
dos aportados por el artı́culo de referencia [31]. Lo
mismo ocurre si se calcula la media del mayor peso
en cada uno de los 30 frentes finales, obteniéndose
un valor de 7199.52 kg frente a los 7157.06 kg de
referencia. La Tabla II muestra las dos medias ante-
riormente halladas con el correspondiente valor del
objetivo contrario y las cuatro soluciones diferentes
conseguidas en [31] para la instancia tratada. Clara-
mente, los resultados obtenidos mejoran los valores
de referencia, obteniéndose mayor volumen empa-
quetado que el mejor de los cuatro valores de volu-
men de referencia, incluso cuando nos centramos en
los resultados con mayores pesos asociados (segunda
columna).
Para identificar el área del espacio de búsqueda
que se está explorando y ver el comportamiento gen-
eral del algoritmo evolutivo aplicado a este proble-
ma, si se dibujan directamente los 30 frentes de Pare-
to puede ser muy confuso, por lo que aquı́ se han
utilizado las superficies de alcance [39]. La Figura 9
muestra las superficies de alcance 1, 15 y 30 para
la instancia tratada y los puntos que se proporcio-
nan en el artı́culo que se ha utilizado de referen-
cia. Como se puede observar, los resultados cubren
una gran área del espacio de soluciones, ofreciendo
Superficies de alcance
7210
7200
7190
Peso
7180
7170
Puntos Referencia
7160
Superficie_1
Superficie_15
7150
Superficie_30
1.9e+071.95e+07 2e+07 2.05e+072.1e+072.15e+072.2e+072.25e+072.3e+07
Volumen
Fig. 9. Superficies de alcance para las 30 ejecuciones
 TABLA I
Instancia de referencia

ID Descripción ancho/largo/alto(cm) N.cajas Peso(kg) Volumen Total(cm3)

1 Detergente 40/36/28 325 20.00 13,104,000
2 Lejı́a 54/28/30 25 22.00 1,134,000
3 Cuidado Personal 54/28/30 75 2.35 3,402,000
4 Detergente 39/29/32 75 20.00 2,714,400
5 Producto Afeitar 15/10/20 10 1.47 30,000
6 Cuidado Bebés 42/37/25 150 2.80 5,827,500
7 Pasta Dientes 36/18/18 3 3.72 34,992
8 Champú 18/17/22 25 4.97 168,300
9 Champú 22/17/22 50 5.00 411,400
10 Champú 12/11/16 5 1.33 10,560
11 Lejı́a 30/27/40 20 17.60 648,000
12 Producto Afeitar 19/7/21 3 0.12 8,379
Total 766 9905.37 27,493,531

TABLA II
Comparativa de objetivos

Media Volumen Media Peso Valor 1 Valor 2 Valor 3 Valor 4

Volumen ( %) 91.13 % 90.87 % 87.51 % 86.13 % 86.09 % 85.96 %
(cm3 ) 22315526 22250896 21427698 21089791 21079997 21048165
Peso (kg) 7197.39 7199.52 6713.37 7157.06 7150.41 7151.37

TABLA III
Número de evaluaciones y tiempo por porcentaje de hipervolumen

HIPERVOL. Secuencial Paralelo 2 Paralelo 4 Paralelo 8

Eval. Tiempo Eval. Tiempo Eval. Tiempo Eval. Tiempo
80 % 333 7.598 150 1.811 130 0.796 65 0.207
85 % 493 11.249 240 2.897 210 1.286 155 0.494
90 % 800 18.255 516 6.229 388 2.376 291 0.928
95 % 2880 65.718 1170 14.125 836 5.121 789 2.516
99 % 7125 162.584 5051 60.979 3071 18.811 2175 6.937

un conjunto de soluciones de compromiso entre los
dos objetivos, de manera que la persona encarga-
da de tomar las decisiones podrá elegir la opción
que más convenga en cada caso. Sin embargo, las
diferentes soluciones propuestas en [31] quedan por
debajo de las superficies de alcance, siendo comple-
tamente dominadas por las nuevas soluciones. En
realidad el primer punto de referencia (21427698,
6713.37) se sale de la gráfica dado que el valor del
peso es mucho menor que los demás, pero dado su
volumen asociado también es dominado. De este mo-
do se demuestra la validez de los algoritmos evolu-
tivos multi-objetivo para hacer frente a este tipo de
problemas, superando los resultados obtenidos me-
diante un algoritmo de recocido simulado. Además
se obtiene el conjunto de soluciones de compromiso
en una sola ejecución, mientras que el algoritmo apli-
cado en [31] asigna distintos pesos a cada objetivo,
y para cada una de las combinaciones de pesos se
requiere de una ejecución.
Una vez que se ha verificado esto, serı́a intere-
sante ver si los modelos paralelos basados en islas que
ofrece METCO pueden mejorar el comportamiento
del modelo secuencial. Los modelos basados en islas
dividen la población original en un conjunto de sub-
poblaciones independientes. Cada sub-población es
asociada a una isla, y sobre cada isla se ejecuta una
configuración de MOEA de forma independiente du-
rante un cierto tiempo. Una configuración está cons-
tituida por un algoritmo de optimización con sus
respectivos parámetros. Generalmente, cada proce-
sador constituye una isla, de forma que cada isla
evoluciona en paralelo de forma independiente. Sin
embargo, dado que los esquemas colaborativos sue-
len alcanzar mejores resultados, se incluye una fase
de migración que permite el intercambio de indivi-
duos entre islas. Este comportamiento colaborativo
añade al esquema basado en islas la posibilidad de
obtener un mejor comportamiento. Existen cuatro
modelos basados en islas diferentes [35]: todas las
islas ejecutan la misma configuración (homogéneo),
todas las islas ejecutan una configuración diferente
(heterogéneo), cada isla evalúa un subconjunto dife-
rente de funciones objetivo y cada isla representa
una región distinta en los dominios del fenotipo o del
genotipo. En este trabajo se analiza el modelo de is-
las homogéneo, donde todas las islas ejecutan la mis-
ma configuración de un MOEA, el NSGA-II en este
caso. En esta clase de modelo paralelo, el proceso de
migración que permite el intercambio de individuos
entre islas es esencial. Dado que cada algoritmo evo-
lutivo podrı́a explorar regiones del espacio diferen-
tes, este mecanismo puede permitir enriquecer las
soluciones locales de cada isla, pudiendo obtenerse a
la larga una mayor eficiencia en el esquema [40].
Ası́, se han realizado ejecuciones usando el modelo
homogéneo con el algoritmo NSGA-II y los mismos
parámetros aplicados en la ejecución secuencial, em-
pleando dos, cuatro y ocho islas. Las migraciones
se realizan en cada generación bajo una probabili-
dad de 0.1, y en caso de realizarse se migrarán 4
indivı́duos. En la Figura 10 se muestra el hipervolu-
men [41] para cada una de las versiones. Los resul-
tados para las ejecuciones paralelas de dos islas con-
siguen mejorar los resultados secuenciales cuando va
aumentando el número de evaluaciones y, por tanto,
el tiempo. Sin embargo, las ejecuciones con cuatro y
ocho islas no son capaces de mejorar la calidad de
las soluciones secuenciales en el mismo número de
evaluaciones totales. Esto es debido a que cuantas
más islas se utilicen menor es el número de evalua-
ciones o generaciones que realiza cada una de ellas
por separado, es decir, las mismas evaluaciones son
repartidas entre más procesadores, con lo cual cada
uno avanza menos en la exploración. Ası́, si se realiza
un análisis en profundidad de cuántas evaluaciones
en promedio necesita cada procesador para alcan-
zar un porcentaje del hipervolumen (Tabla III) se
puede comprobar que cada procesador en las ejecu-
ciones paralelas lleva a cabo menos evaluaciones que
el procesador en la ejecución secuencial. Además, se
observa que al aumentar la calidad de la solución
el número de evaluaciones que necesita cada proce-
sador va aumentando cada vez más. Dado que las
sincronizaciones de los modelos paralelos no conll-
evan demasiado overhead, los tiempos de ejecución
son proporcionales al número de evaluaciones ejecu-
tadas por procesador. Por lo tanto, al disminuir el
número de evaluaciones realizadas por cada proce-
sador en las ejecuciones paralelas con respecto al se-
cuencial, disminuye el tiempo necesario para alcan-
zar soluciones de una determinada calidad.
V. Conclusiones
Se ha abordado la resolución de una versión multi-
objetivo del CLP aplicando el algoritmos evolutivo
NSGA-II y paralelizaciones. En la literatura sólo se
conoce la referencia de un trabajo que lo aborda uti-
lizando un algoritmo de recocido simulado teniendo
en cuenta múltiples objetivos: la maximización del
volumen total a empaquetar y la maximización del
peso total empaquetado. Por ello este trabajo se ha
centrado en tratar de mejorar las soluciones conoci-
1
Modelos secuencial y paralelos
0.98
0.96
0.94
Hipervolumen
0.92
0.9
0.88
0.86 NSGAII sec
NSGAII par 2
0.84 NSGAII par 4
NSGAII par 8
0.82
0.8
0 5000 10000 15000 20000 25000 30000
Evaluaciones
Fig. 10. Evolución del hipervolumen
das, utilizando estrategias evolutivas y paralelismo.
Los resultados demuestran el buen comportamien-
to de la estrategia evolutiva ante este problema,
obteniéndose mejores valores que los conocidos. Ade-
mas, gracias a las paralelizaciones del algoritmo evo-
lutivo se mejora el comportamiento del secuencial,
obteniendo soluciones de calidad en menor número
de evaluaciones y, por tanto, en menor tiempo. El
modelo paralelo que ofrece mayor rendimiento es el
que utiliza dos islas, dado que al aumentar el número
de islas el número evaluaciones se reparte entre más
procesadores, de modo que cada isla puede avanzar
menos en cada exploración.
Existen muchos otros algoritmos evolutivos multi-
objetivo que se pueden aplicar a este problema. En
este sentido, se podrı́an realizar pruebas con ellos y
llevar a cabo una comparativa del comportamiento
de dichos algoritmos. De este modo, existirı́a además
la posibilidad de ejecutar diferentes modelos parale-
los heterogéneos, de manera que cada isla ejecute un
algoritmo distinto. Ası́ no solo se pretende ahorrar
tiempo a través de la distribución del esfuerzo com-
putacional, sino obtener los beneficios algorı́tmicos
derivados de la cooperación de varias poblaciones.
Por otra parte, dada la estructura del cromosoma
que se ha utilizado para representar a un individuo se
podrı́a realizar un estudio en profundidad sobre los
posibles operadores de mutación y crossover y ver su
influencia en las ejecuciones paralelas heterogéneas.
Finalmente, se podrı́a llevar a cabo una evaluación
de los resultados que se pueden obtener aplicando
las estrategias evolutivas multi-objetivo a otras ins-
tancias usadas con algoritmos mono-objetivo.
Agradecimientos
Este trabajo ha sido financiado por el ec (feder)
y el Ministerio Español de Tenologı́a y Ciencia como
parte del ‘Plan Nacional de i+d+i’ (tin2008-06491-
c04-02). El Gobierno de Canarias ha financiado tam-
bién este trabajo a través del proyecto de investi-
gación pi2007/015. El trabajo de Jesica de Armas ha
sido financiado por la beca fpu-ap2007-02414.
 Referencias
[1] F. Parreño, R. Alvarez-Valdes, J. F. Oliveira, and J. M.
Tamarit, “Neighborhood structures for the container
loading problem: a vns implementation,” Journal of
Heuristics, vol. 16, pp. 1–22, February 2010.
[2] Z. Wang, K. W. Li, and J. K. Levy, “A heuristic for the
container loading problem: A tertiary-tree-based dynam-
ic space decomposition approach,” European Journal of
Operational Research, vol. 191, no. 1, pp. 86–99, Novem-
ber 2008.
[3] G. Wäscher, H. Haußner, and H. Schumann, “An im-
proved typology of cutting and packing problems,” Eu-
ropean Journal of Operational Research, vol. 183, no. 3,
pp. 1109–1130, December 2007.
[4] G. Scheithauer, “Algorithms for the Container Load-
ing Problem,” in Operations Research Proceedings 1991.
1992, pp. 445–452, Springer-Verlag.
[5] M. Hifi, “Exact algorithms for unconstrained three-
dimensional cutting problems: a comparative study,”
Computation and Operational Research, vol. 31, pp. 657–
674, April 2004.
[6] E. E. Bischoff, F. Janetz, and M. S. W. Ratcliff, “Loading
pallets with non-identical items,” European Journal of
Operational Research, vol. 84, no. 3, pp. 681–692, August
1995.
[7] D. Pisinger, “Heuristics for the container loading prob-
lem,” European Journal of Operational Research, vol.
141, no. 2, pp. 382–392, 2002.
[8] A. Bortfeldt and H. Gehring, “A tabu search algorithm
for weakly heterogeneous container loading problems,”
OR Spectrum, vol. 20, no. 4, pp. 237–250, December
1998.
[9] M. Eley, “Solving container loading problems by block
arrangement,” European Journal of Operational Re-
search, vol. 141, no. 2, pp. 393–409, 2002.
[10] H. Gehring and A. Bortfeldt, “A Genetic Algorithm for
Solving the Container Loading Problem,” International
Transactions in Operational Research, vol. 4, no. 5-6, pp.
401–418, 1997.
[11] W. Huang and K. He, “A caving degree approach for the
single container loading problem,” European Journal of
Operational Research, vol. 196, no. 1, pp. 93–101, 2009.
[12] X.Q. Ding, Y.S. Han, and X.L. Zhang, “A discussion
of adaptive genetic algorithm solving container-loading
problem,” Periodical of Ocean University of China, vol.
34, no. 5, pp. 844–848.
[13] H. Gehring, K. Menschner, and M. Meyer, “A computer-
based heuristic for packing pooled shipment containers,”
European Journal of Operational Research, vol. 44, no.
2, pp. 277–288, 1990.
[14] J. A. George and D.F. Robinson, “A heuristic for pack-
ing boxes into a container,” Computers and Operations
Research, vol. 7, no. 3, pp. 147–156, 1980.
[15] K. He and W. Huang, “An efficient placement heuris-
tic for three-dimensional rectangular packing,” Compu-
tation and Operational Research, vol. 38, pp. 227–233,
January 2011.
[16] W. Zhou-jing and L. Kevin W., “Layer-layout-based
heuristics for loading homogeneous items into a single
container,” Journal of Zhejiang University SCIENCE
A, vol. 8, no. 12, 2007.
[17] D.Y. He, J.Z. Cha, and Y.D. Jiang, “Research on so-
lution to complex container loading problem based on
genetic algorithm,” Journal of Software, vol. 12, no. 9,
pp. 1380–1385, 2001.
[18] J.-L. Lin, B. Foote, S. Pulat, C.-H. Chang, and J.Y. Che-
ung, “Hybrid genetic algorithm for container packing in
three dimensions,” in Artificial Intelligence for Applica-
tions, 1993. Proceedings., Ninth Conference on, March
1993, pp. 353–359.
[19] L. H. W. Yeung and W. K. S. Tang, “A hybrid genet-
ic approach for container loading in logistics industry,”
IEEE Transactions on Industrial Electronics, vol. 52, no.
2, pp. 617–627, 2005.
[20] M.J. Brusco, G.M. Thompson, and L.W. Jacobs, “A
morph-based simulated annealing heuristic for a modi-
fied bin-packing problem,” Journal of the Operational
Research Society, vol. 48, no. 4, pp. 433–439, April 1997.
[21] L. Faina, “A global optimization algorithm for the three-
dimensional packing problem,” European Journal of Op-
erational Research, vol. 126, no. 2, pp. 340–354, October
2000.
[22] Z. Jin, K. Ohno, and J. Du, “An efficient approach for the
three dimensional container packing problem with prac-
tical constraints,” Asia-Pacific Journal of Operational
Research, vol. 21, no. 3, pp. 279–295, 2004.
[23] J.M. Liu, Z.R. Dong, and G.K. Ma, “Solving container
loading based on tabu search algorithm,” Journal of
Shenyang University of Technology, vol. 31, no. 2, pp.
212–216, 2009.
[24] A. Bortfeldt and H. Gehring, “A hybrid genetic al-
gorithm for the container loading problem,” European
Journal of Operational Research, vol. 131, no. 1, pp. 143–
161, May 2001.
[25] T. Dereli and G. Sena Das, “A hybrid [‘]bee(s) algorithm’
for solving container loading problems,” Applied Soft
Computing, vol. 11, no. 2, pp. 2854–2862, 2011.
[26] J. Liu, Y. Yue, Z. Dong, C. Maple, and M. Keech, “A
novel hybrid tabu search approach to container loading,”
Comput. Oper. Res., vol. 38, pp. 797–807, April 2011.
[27] A. Moura and J. F. Oliveira, “A GRASP Approach to the
Container-Loading Problem,” IEEE Intelligent Systems,
vol. 20, no. 4, pp. 50–57, July 2005.
[28] H. Gehring and A. Bortfeldt, “A Parallel Genetic Algo-
rithm for Solving the Container Loading Problem,” In-
ternational Transactions in Operational Research, vol.
9, no. 4, pp. 497–511, 2002.
[29] A. Bortfeldt, H. Gehring, and D. Mack, “A parallel
tabu search algorithm for solving the container problem,”
Parallel Computing, vol. 29, pp. 641–662, 2003.
[30] D. Mack, A. Bortfeldt, and H. Gehring, “A parallel
hybrid local search algorithm for the container loading
problem,” International Transactions in Operational
Research, vol. 11, no. 5, pp. 511–533, 2004.
[31] T. Dereli and G. Sena Das, “A Hybrid Simulated An-
nealing Algorithm for Solving Multi-objective Container-
Loading Problems,” Applied Artificial Intelligence: An
International Journal, vol. 24, no. 5, pp. 463–486, 2010.
[32] J. de Armas, G. Miranda, C. Leon, and C. Segura, “Op-
timisation of a Multi-Objective Two-Dimensional Strip
Packing Problem based on Evolutionary Algorithms,”
International Journal of Production Research, vol. 48,
no. 7, pp. 2011– 2028, 2009.
[33] J. de Armas, G. Miranda, and C. León, “Two encod-
ing schemes for a multi-objective cutting stock problem,”
in 2011 IEEE Congress on Evolutionary Computation,
New Orleans, LA, June 2011, pp. 27–109.
[34] A. E. Eiben, Handbook of Evolutionary Computation,
IOP Publishing Ltd. and Oxford University Press, 1998.
[35] C. A. Coello, G. B. Lamont, and D. A. Van Veld-
huizen, Evolutionary Algorithms for Solving Multi-
Objective Problems, Genetic and Evolutionary Compu-
tation. Springer, 2007.
[36] C. A. Coello, “An Updated Survey of Evolutionary Mul-
tiobjective Optimization Techniques: State of the Art
and Future Trends,” in Proceedings of the Congress on
Evolutionary Computation. 1999, vol. 1, pp. 3–13, IEEE
Press.
[37] K. Deb, S. Agrawal, A. Pratab, and T. Meyarivan, “A
Fast Elitist Non-Dominated Sorting Genetic Algorithm
for Multi-Objective Optimization: NSGA-II,” in VI Con-
ference on Parallel Problem Solving from Nature. 2000,
vol. 1917 of LNCS, pp. 849–858, Springer.
[38] C. León, G. Miranda, and C. Segura, “METCO: A Par-
allel Plugin-Based Framework for Multi-Objective Op-
timization,” International Journal on Artificial Intelli-
gence Tools, vol. 18, no. 4, pp. 569–588, 2009.
[39] C.M. Fonseca and P. J. Fleming, “On the performance
assessment and comparison of stochastic multiobjective
optimizers,” in Parallel Problem Solving from Nature.
1996, LNCS, pp. 584–593, Springer-Verlag.
[40] D. A. Van Veldhuizen, J. B. Zydallis, and G. B. Lam-
ont, “Considerations in engineering parallel multiobjec-
tive evolutionary algorithms,” IEEE Transactions on
Evolutionary Computation, vol. 7, no. 2, pp. 144–173,
2003.
[41] E. Zitzler and L. Thiele, “Multiobjective Optimization
Using Evolutionary Algorithms - A Comparative Case
Study,” in Parallel Problem Solving from Nature. 1998,
vol. 1498 of LNCS, pp. 292–301, Springer.