Vol. 11/ Núm. 1 2024 pág. 3149
https://doi.org/10.69639/arandu.v11i2.490
Planificación de Rutas en MIPYMES Integrando el Algoritmo
del Agente Viajero con Google Maps, IA y Python: Un
enfoque práctico
Route Planning in MIPYMES Integrating the Traveling Salesman Algorithm with
Google Maps, AI, and Python: A Practical Approach
Aldair Alberto Muñoz Navarro
aldairalberto03@gmail.com
https://orcid.org/0009-0004-0333-3537
Instituto Tecnológico de Orizaba
México – Orizaba
Marcos Salazar Medina
marcos.sm@orizaba.tecnm.mx
https://orcid.org/0000-0001-6235-9973
Instituto Tecnológico de Orizaba
México – Orizaba
Mauricio Romero Montoya
mauricio.rm@orizaba.tecnm.mx
https://orcid.org/0000-0002-4325-7717
Instituto Tecnológico de Orizaba
México – Orizaba
Maricela Gallardo Cordova
maricelagal@gmail.com
https://orcid.org/0000-0003-1611-1357
Instituto Tecnológico de Orizaba
México – Orizaba
Gabriela Cabrera Zepeda
gabriela.cz@orizaba.tecnm.mx
Instituto Tecnológico de Orizaba
México - Orizaba
Artículo recibido: 20 octubre 2024 - Aceptado para publicación: 26 noviembre 2024
Conflictos de intereses: Ninguno que declarar
RESUMEN
Este estudio explora un enfoque práctico para optimizar la planificación de rutas en MIPYMES
utilizando el modelo matemático del Problema del Agente Viajero (TSP), la API de Google Maps,
inteligencia artificial y Python. La investigación se centra en comparar rutas empíricas, basadas
en la experiencia de los conductores, con rutas optimizadas generadas mediante un modelo
matemático (MTZ). Para ello, se recopiló información geoespacial precisa de rutas reales y se
procesaron mediante MTZ. Los resultados evidencian una mejora significativa en la eficiencia
logística, logrando reducciones en distancias recorridas, consumo de combustible y emisiones de
Vol. 11/ Núm. 1 2024 pág. 3150
CO₂. Estas conclusiones destacan la viabilidad de aplicar tecnologías avanzadas para transformar
procesos logísticos en soluciones más sostenibles y competitivas para las MIPYMES.
Palabras clave: rutas, logística, algoritmo, ia, Python
ABSTRACT
This study explores a practical approach to optimizing route planning in MSMEs using the
Traveling Salesman Problem (TSP) mathematical model, the Google Maps API, artificial
intelligence, and Python. The research focuses on comparing empirical routes, based on driver
experience, with optimized routes generated through a mathematical model (MTZ). To achieve
this, precise geospatial information from real routes was collected and processed using MTZ. The
results demonstrate a significant improvement in logistical efficiency, achieving reductions in
distances traveled, fuel consumption, and CO₂ emissions. These findings highlight the feasibility
of applying advanced technologies to transform logistical processes into more sustainable and
competitive solutions for MIPYMES.
Keywords: routing, logistics, algorithm, ai, python
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 11/ Núm. 1 2024 pág. 3151
INTRODUCCIÓN
La creciente y constante preocupación por reducir la contaminación ambiental en el mundo
ha llevado a explorar diversas formas para mejorar y optimizar las operaciones de las empresas,
además de que junto a ello deben seguir aumentando su capacidad de competir entre ellas. Por lo
cual hoy en día es primordial que las empresas y en especial las micro, pequeña y medianas
(MIPYMES), sigan actualizando sus funciones, áreas y técnicas que utilicen para seguir siendo
competitivas contra las grandes empresas en el ritmo del entorno tan acelerado en el que se vive,
sin dejar de lado su conciencia con el medio ambiente y la contaminación que también generan.
Particularmente en México, de acuerdo el área metropolitana de la Ciudad de México es
una de las áreas urbanas más grandes y contaminadas del mundo y cerca del 85% de los
contaminantes del aire en esta área provienen de vehículos automotores (Cota Salgado, 2020).
Además, según el Instituto Nacional de Ecología y Cambio Climático (INECC) de la
Secretaría del Medio Ambiente y Recursos Naturales (INECC,2021) de las distintas fuentes de
emisiones netas de CO2 en el país, el autotransporte contribuye con el 30.14% de las emisiones
totales de CO2 en el inventario general, y es el mayor emisor dentro de la categoría de transporte,
donde las emisiones totales por transporte son de 146,186.460Gg (giga gramo), lo que significa
que el autotransporte representa el 94.08% de las emisiones dentro del sector de transporte.
Es evidente que la reducción de los niveles de contaminación es un tema prioritario, no
solo por sus beneficios ambientales, sino también por el impacto en la disminución de los costos
asociados al transporte terrestre. A medida que la tendencia global avanza hacia la entrega directa
de productos al cliente, en lugar de que el cliente acuda por ellos, se hace más necesario optimizar
las operaciones logísticas.
Kuo y Wang (2011) afirman que estrategias como la minimización de la distancia recorrida,
la optimización de la velocidad y la gestión eficiente del peso de la carga son claves para reducir
el consumo de combustible y, por lo tanto, las emisiones de carbono.
También Rincón Abril (2001) destaca que la planificación eficiente en la distribución de
productos desde diversos depósitos hacia los consumidores finales es clave en la logística, ya que
puede reducir significativamente los costos de transporte, los cuales representan entre el 10% y
el 20% del costo final de los productos. Por ello, recomienda el uso de técnicas de Investigación
Operativa para optimizar este proceso.
Con lo cual una de las herramientas que ayudaría con lo dicho por Kuo y Wang, y Rincón
es el Problema del Agente Viajero, esta herramienta determina la ruta más eficiente para un
vendedor que debe visitar múltiples ubicaciones de clientes y regresar al punto de partida además
de entrar dentro de las técnicas de Investigación operativa. El Problema del Agente Viajero (TSP)
puede representarse mediante un gráfico, donde los nodos simbolizan las ubicaciones y los bordes
(o arcos) representan los trayectos directos entre ellas. (Rutas para vehículos | OR-Tools, s. f.)
Vol. 11/ Núm. 1 2024 pág. 3152
Otros autores también destacan la importancia de la planificación del ruteo, como lo son
Está claro que las MIPYMES enfrentan el desafío de adaptarse a prácticas más sostenibles
y eficientes en respuesta a la creciente demanda de reducir la huella ambiental y competir en un
entorno cada vez más exigente. Además, considerando el impacto del transporte en las emisiones
contaminantes y los costos operativos, resulta fundamental que las MIPYMES incorporen
herramientas avanzadas de planificación de rutas, como el Problema de Ruteo de Vehículos
(VRP).
A partir de la información presentada, el objetivo de este trabajo es presentar una
comparativa entre las distancias que se obtienen actualmente y las que un código de VRP puede
entregar, permitiendo a la empresa en Orizaba pasar de una selección de puntos de entrega
empírica a un proceso sistematizado y eficiente, optimizando las rutas de entrega para minimizar
distancias, consumo de combustible y, en consecuencia, reducir las emisiones de carbono.
MATERIALES Y MÉTODOS
Para presentar la comparativa de distancias empíricas contra un modelo matemático, se
realiza la siguiente metodología (Figura 1).
Figura 1
Metodología
Fuente: Elaboración propia
Recolección de datos
Para la recolección de datos, se debe acompañar al conductor del transporte repartidor. En
función de esto, se utiliza una aplicación de geolocalización que graba y guarda la imagen por las
calles por las cuales el vehículo pasa (Figura2). Al inicio de la ruta se registra el recorrido dentro
de la aplicación y se termina cuando llega a su primer destino(también llamado nodo), se espera
a que el repartidor descargue los productos y los entregue al cliente. Cuando el repartidor termine
Vol. 11/ Núm. 1 2024 pág. 3153
la entrega y suba al vehículo para poder continuar el recorrido, se inicia de nuevo la registro de la
ruta. Este procedimiento se repite hasta terminar todos los pedidos y regresar al punto de partida
Figura 2
Aplicación Velocímetro: Interfaz, sección de configuración y fragmento de ruta
Fuente: Elaboración propia
Vaciado de datos
Al concluir las entregas de los productos y se dirige al punto de partida, los datos registrados
en la aplicación mostrada en la Figura 2 se transfieren a una herramienta personalizada de mapas
llamada My Maps. Este procedimiento permite verificar la precisión de las distancias registradas.
En My Maps, se emplean elementos denominados "capas", que facilitan la organización de la
información dentro del mapa. Estas capas pueden incluir ubicaciones de entrega, rutas, zonas de
servicio, entre otros. (Google, s. f.)
Registro en My Maps
Los pasos para añadir los puntos de entrega a las capas se detallan a continuación:
1.-Añadir una capa de las coordenadas de todos los nodos(Figura 3)
Figura 3
Ruta Completa de los nodos(clientes visitados)
Fuente: Elaboración propia
Vol. 11/ Núm. 1 2024 pág. 3154
2.- Se añaden capas por cada conexión entre un nodo y otro, como se muestra en la figura 4. Para
verificar la distancia entre ellos y obtener los metros que recorre por cada intersección.
Figura 4
Par de nodos de una ruta y sus distancias
Fuente: Elaboración propia
Registro de Información de las Rutas
Al concluir el registro en My Maps, se suman los metros recorridos de cada fragmento para
obtener la distancia total y tiempos aproximados. Esto se guarda en un formato de Excel para
calcular el total del recorrido (Tabla 1).
Tabla 1
Ejemplo de Rutas con coordenadas
Coordenadas de ubicación
NODO
Longitud
Latitud
Demanda
Lugar
DC
18.8472890
-97.0989379
0
Sucursal Prolimp
Orizaba
Cliente1
18.8470859
-97.0916111
0.001
Industrias Chain
Cliente2
18.8467810
-97.1089244
17.112
Aborigen
Cliente 3
18.8487974
-97.1086505
0.0588
Hotel Alameda
Cliente 4
18.8453833
-97.1113565
7.545
ISECF
Cliente 5
18.8516318
-97.1063696
7.545
La Michoacan
Madero Norte 3
Cliente 6
18.8305458
-97.1051801
156.825
PROVIDA
Cliente 7
18.8344851
-97.0913526
6.783
Alimentos Ochoa
Cliente 8
18.8476472
-97.0723069
10.46
Molinera
Ruta
Empírica
1,2,3,4,5,6,7,8
Kilómetros
recorridos
20.824 Kilómetros
Nodo: representa a cada entrega al cliente, DC: punto de partida, la Longitud y Latitud de cada cliente se extrae de
Google Mapas, la demanda de los datos recabados y los nombres de los clientes los proporciono la empresa. Fuente:
Elaboración propia.
Vol. 11/ Núm. 1 2024 pág. 3155
Este procedimiento se realiza con cada uno de los días que se toman los datos.
Cálculo de matriz de distancias
Una vez obtenidas las tablas resumen se procede a calcular las matrices de distancias. Estas
son necesarias para añadir al modelo matemático MTZ que se utiliza en la siguiente sección, para
lo cual, se utiliza un código de programación que genere dicha matriz de distancias basada en las
coordenadas obtenidas en la tabla resumen. Este enfoque es indispensable, ya que en diversos
estudios se emplean matrices de distancias euclidianas para alimentar los algoritmos de
optimización; sin embargo, estas no son aplicables en la práctica debido a que las rutas efectivas
entre dos puntos no siempre coinciden en ambas direcciones. Para abordar esta limitación, se
utiliza la API de Google Maps dentro del código de programación, lo cual permite calcular
distancias reales entre los puntos, tomando en cuenta las direcciones de las calles y asegurando la
precisión necesaria para el recorrido completo.
El código se genera con ayuda de ChatGPT y se prueba mediante Google Colab. Colab,
conocido como "Colaboratory", es una plataforma que permite programar y ejecutar código en
Python directamente desde el navegador, eliminando la necesidad de configuraciones previas.
Ofrece acceso gratuito a GPUs y permite compartir contenido de manera sencilla. Esta
herramienta resulta especialmente útil para estudiantes, científicos de datos e investigadores en
inteligencia artificial. (Google Colab, s. f.)
El resultado que genera la matriz de distancias es el siguiente (Figura 5)
Figura 5
Matriz de distancias entre los nodos de la ruta dada en kilómetros por el Código en Google
Colab. Ret: significa el punto de entrega DC: es el punto de partida
Fuente: Elaboración propia con asistencia de ChatGPT
Vol. 11/ Núm. 1 2024 pág. 3156
Después se ejecuta el código de nuevo para cada una de las tablas resumen con sus
respectivos nodos y coordenadas y así obtener todas las matrices de distancias.
Optimización de Rutas
Se toma el modelo matemático MTZ nombrado así por sus autores Miller-Tucker-Zemlin,
para reducir la distancia obtenida de las rutas actuales, que hasta este momento se realiza
empíricamente bajo la experiencia del conductor. En este modelo añade una restricción para evitar
sub-tours en las rutas generadas.
El modelo y su desarrollo es el siguiente, de acuerdo con (Villegas Flórez et al., 2017)
Se utiliza un una variable Xij la cual tomará el valor de 1 si el arco de i a j es usado y 0 en
caso contrario. Cij es el costo asociado(en este caso será la distancia), de la visita de la ciudad j
después de visitar a la ciudad i, para esta variable se ocupa las matrices de distancia obtenidas en
la anterior sección.
Figura 6
Modelo MTZ
Fuente: (Hincapié et al., 2004)
La ecuación(figura 6) se refiere a la función objetivo, que busca minimizar la distancia
recorrida por el agente viajero, adicional a esta función se deben plantear las restricciones de
entrada y salida de cada ciudad.
Figura 7
Restricción de entrada
Fuente: (Hincapié et al., 2004)
Las restricciones del modelo son las siguientes:
El propósito de la ecuación (Figura 7) es garantizar que cada ciudad j sea llegada desde
exactamente una otra ciudad i.
Figura 8
Restricción de salida
Fuente: (Hincapié et al., 2004)
El propósito de la ecuación (Figura 8) es asegurar que de cada ciudad i se sale hacia
exactamente una otra ciudad j.
Vol. 11/ Núm. 1 2024 pág. 3157
Figura 9
Eliminación de sub-tours
Fuente: (Hincapié et al., 2004)
El propósito de la ecuación (Figura 9) es evitar la formación de subtoures, que son ciclos
cerrados que no incluyen todas las ciudades. Esto es crucial para asegurar que la solución forme
un único tour que visite todas las ciudades.
Con estas ecuaciones y las matrices de distancias, se ocupó ChatGPT para desarrollar y
entregar un código para Google Colab que implemente el modelo del agente viajero basado en el
enfoque MTZ de Villegas Flórez et al. (2017). El resultado de la optimización con una matriz de
distancias de prueba de una ruta es el siguiente(Figura10):
Figura 10
Resultados de la Ruta Mejorada
Costo mínimo: es la distancia obtenida en kilómetros, Ruta Optima: el orden en que los nodos son visitados, la versión
numpy: número de versión para la biblioteca que contiene las funciones para realizar los cálculos de optimización.
Fuente: Elaboración propia con asistencia de Chat GPT
Para calcular la emisión estimada de CO₂ en las rutas, se puede utilizar la ecuación
presentada en la Figura 10, siguiendo el método propuesto por Gómez (2009)
La ecuación(Figura 10) se utiliza para calcular las emisiones totales de un contaminante
específico (Ep) producido por un vehículo durante un recorrido. En este cálculo, KRV representa
la distancia total recorrida por el vehículo en kilómetros, mientras que FEp es el factor de emisión
del contaminante, obtenido de la ficha técnica del vehículo, el cual en este estudio tiene un valor
de 221 gramos por kilómetro recorrido. Al multiplicar la distancia total (KRV) por el factor de
emisión (FEp ), se obtiene la cantidad total de emisiones generadas durante la ruta, permitiendo
evaluar el impacto ambiental del transporte.
RESULTADOS Y DISCUSIÓN
A continuación, se presenta un análisis comparativo entre rutas optimizadas mediante el
modelo MTZ implementado en Python contra rutas empíricas, considerando métricas clave como
la distancia recorrida en kilómetros y las emisiones de CO₂ en gramos.
Vol. 11/ Núm. 1 2024 pág. 3158
Las gráficas y la tabla resumen los resultados obtenidos de las rutas, permitiendo una
visualización clara de las diferencias entre ambos enfoques.
Tabla 2
Tabla Resumen de las Rutas
Ruta
Forma de ejecución
Kilómetros
Combustible
(litros)
Emisión de CO2
estimada(g)
Ruta1 A
Python, Modelo MTZ
32.40
3.00
7150.40
Ruta1 B
Empírica
34.20
3.17
7558.42
Ruta2 A
Python, Modelo MTZ
19.10
1.77
4221.10
Ruta2 B
Empírica
20.82
1.93
4592.10
Ruta3 A
Python, Modelo MTZ
42.48
3.93
9387.30
Ruta3 B
Empírica
44.08
4.08
9721.90
Ruta4 A
Python, Modelo MTZ
30.10
2.79
6652.10
Ruta4 B
Empírica
37.54
3.47
8296.12
Ruta5 A
Python, Modelo MTZ
28.20
2.61
6232.20
Ruta5 B
Empírica
32.88
3.04
7267.36
Las Rutas A: Distancias empíricas de los datos obtenidos en campo, Rutas B: son el resultado del código generados en
Google Colab, la emisión estimada por la ficha técnica del vehículo multiplicada con los kilómetros recorridos Fuente:
Elaboración propia.
El análisis de las distancias recorridas muestra que la optimización mediante el modelo
MTZ reduce la longitud de las rutas en comparación con las rutas empíricas, logrando mejoras
significativas. Por ejemplo, en la Ruta 1, la distancia disminuye en un 5.27%, mientras que en la
Ruta 2 la reducción es del 8.28%. En la Ruta 4, el ahorro es aún más notable, alcanzando un
19.81%.(Figura 11).
Figura 11
Comparación en Kilómetros de las Rutas
Fuente: Elaboración propia
En términos de emisiones de CO₂, el impacto de la optimización también es positivo. En la
Ruta 1, las emisiones disminuyen un 5.39%, en la Ruta 2 un 8.07%, y en la Ruta 4 hasta un
19.82%. En general, la optimización permite una reducción promedio de alrededor del 10% en
32,40
34,20
19,10
20,82
42,48
44,08
30,10
37,54
28,20
32,88
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
40,00
45,00
50,00
Ruta1 A Ruta1 B Ruta2 A Ruta2 B Ruta3 A Ruta3 B Ruta4 A Ruta4 B Ruta5 A Ruta5 B
Comparación de Kilómetros
Kilómetros
Vol. 11/ Núm. 1 2024 pág. 3159
emisiones de CO₂, lo cual representa una contribución importante a la sostenibilidad ambiental.
(Figura 12).
Figura 12
Comparación en Emisión de CO₂, las Rutas
Fuente: Elaboración propia
Para comprobar que la mejora es estadísticamente significativa se utiliza un software con
una prueba de t-pareada con las distancias antes y después de utilizar el modelo MTZ de problema
del agente viajero.
1. Parámetro: Media
2. Hipótesis nula (H₀): La diferencia media entre las distancias originales y mejoradas es
igual a 0.
3. Hipótesis alternativa (H₁): La diferencia media entre las distancias originales y mejoradas
no es igual a 0.
4. Alfa=0.05
5. Estadístico P.
6. Regla de decisión
• Si el valor p es menor que alfa (0.05), rechazamos la hipótesis nula.
• Si el valor p es mayor o igual que alfa, no rechazamos la hipótesis nula.
7. Los datos se introducen en el software estadístico, los cuales arrojan lo siguientes resultados
7150,40
7558,42
4221,10
4592,10
9387,30
9721,90
6652,10
8296,12
6232,20
7267,36
0,00
2000,00
4000,00
6000,00
8000,00
10000,00
12000,00
Ruta1 A Ruta1 B Ruta2 A Ruta2 B Ruta3 A Ruta3 B Ruta4 A Ruta4 B Ruta5 A Ruta5 B
Comparación de Emisiones de CO2
Emisión de CO2 (g)
Vol. 11/ Núm. 1 2024 pág. 3160
Figura 12
Resultados de software estadístico
Distancia Original
Distancia mejorada
34.201
32.400
20.824
19.100
44.081
42.481
37.539
30.100
32.884
28.200
Fuente: Elaboración propia
Estos resultados dan un valor P de 0.040, con lo cual se llega a la siguiente conclusión:
Existe evidencia estadística suficiente para rechazar H
0
, por lo tanto, la mejora observada en las
distancias recorridas es estadísticamente significativa, con un nivel de significancia de 0.05
aceptar H
1
CONCLUSIONES
El objetivo principal de este estudio es presentar una comparativa entre las rutas empíricas
y las generadas mediante el modelo matemático MTZ, junto a la integrando de Google Maps API
y Python. Los resultados obtenidos evidencian que la metodología empleada logra cumplir dicho
objetivo, destacando las diferencias significativas en eficiencia y sostenibilidad.
Además, si se proyecta los resultados obtenidos considerando el promedio de 10% de
reducción en distancia y emisiones de CO₂, los beneficios acumulados serían significativos.
Extender esta optimización a lo largo de cuatro semanas, manteniendo este promedio, permitiría
alcanzar ahorros estimados de 103.44 kilómetros recorridos, 9.54 litros de combustible y
22,756.80 gramos de emisiones de CO₂.
Estos hallazgos confirman que la implementación de herramientas avanzadas de
optimización puede transformar procesos logísticos tradicionales en soluciones más eficientes y
sostenibles, ayudando a las MIPYMES a adaptarse a las demandas actuales de competitividad y
responsabilidad ambiental.
Agradecimientos
Quiero expresar mi más profundo agradecimiento a mi familia, quienes son el motor de
mi vida y mi mayor inspiración para seguir adelante cada día. Mis padres, en particular, han sido
mi pilar, brindándome apoyo y motivación incondicional en cada reto y desafío que he enfrentado,
y acompañándome siempre en este camino.
Extiendo mi gratitud a la institución que me ha proporcionado las herramientas y espacios
necesarios para desarrollar mis actividades académicas, así como a los profesores de calidad que
me han guiado y motivado a esforzarme por ser mejor cada día.
Vol. 11/ Núm. 1 2024 pág. 3161
Finalmente, agradezco al organismo Conahcyt por el apoyo otorgado, que me ha
permitido continuar con mi formación académica y aspirar a mayores oportunidades en mi
desarrollo profesional.
Vol. 11/ Núm. 1 2024 pág. 3162
REFERENCIAS
Cota Salgado, M. J. (2020). Mortalidad infantil y contaminación ambiental en la Ciudad de
México. http://repositorio-digital.cide.edu//handle/11651/4354
Hincapié, r. A., ríos porras, c. A., & gallego, r. A. (2004). Técnicas heurísticas aplicadas al
problema del cartero viajante (tsp). Scientia et technica, x(24), 1-6.
Inventario Nacional de Emisiones de Gases y Compuestos de Efecto Invernadero (INEGyCEI)—
Inventario Nacional de Emisiones de Gases y Compuestos de Efecto Invernadero
INEGYCEI 2020-2021—Datos.gob.mx/busca. (s. f.). Recuperado 27 de octubre de 2023,
de
https://datos.gob.mx/busca/dataset/inventario-nacional-de-emisiones-de-gases-y-
compuestos-de-efecto-invernadero-inegycei/resource/d202a24f-cc1f-46d2-80e8-
5d3389e92378
Kuo, Y., & Wang, C. (2011). Optimizing the VRP by minimizing fuel consumption. Management
of Environmental Quality: An International Journal, 22(4), 440-450.
https://doi.org/10.1108/14777831111136054
Villegas Flórez, J. A., Zapata Grisales, C. J., & Gatica, G. (2017). Una aplicación del método
MTZ a la solución del problema del agente viajero. Scientia Et Technica, 22(4), 341-344.
Google. (s. f.). Usar capas del mapa. Recuperado 19 de noviembre de 2024, de
https://support.google.com/mymaps/answer/3024933?hl=es&co=GENIE.Platform%3DD
esktop
Rutas para vehículos | OR-Tools. (s. f.). Google for Developers. Recuperado 25 de abril de 2024,
de https://developers.google.com/optimization/routing?hl=es-419
Google Colab. (s. f.). Recuperado 28 de mayo de 2024, de
https://research.google.com/colaboratory/intl/es/faq.html
Cindy Lara Gómez, Juan Fernando Mendoza Sánchez, María Guadalupe López Domínguez,
Rodolfo Téllez Gutiérrez, Wilfrido Martínez Molina, & Elia Mercedes Alonso Guzmán.
(2009). Propuesta metodológica para la estimación de emisiones vehiculares en ciudades
de la República Mexicana.
https://imt.mx/archivos/Publicaciones/PublicacionTecnica/pt322.pdf
Rincón Abril, L. A. (2001). Investigación de operaciones para ingenierías y administración de
empresas. Universidad Nacional de Colombia - Sede Palmira.
https://repositorio.unal.edu.co/handle/unal/51956
