| Tesis Doctorales de la Universidad de Alcalá |
| NOVEL METAHEURISTICS AND MACHINE LEARNING APPROACHES FOR SOLVING LOGISTICS PROBLEMS: RESOURCE ALLOCATION, COLLECTION, AND LAST-MILE DELIVERY | | Autor/a | Moreno Saavedra, Luis Miguel | | Departamento | Teoría de la Señal y Comunicaciones | | Director/a | Jiménez Fernández, Silvia | | Codirector/a | Portilla Figueras, José Antonio | | Fecha de depósito | 10-07-2025 | | Periodo de exposición pública | 10 a 24 de julio de 2025 | | Fecha de defensa | Sin especificar | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Esta tesis doctoral propone un conjunto de soluciones innovadoras para problemas complejos de optimización logística, utilizando una rama de la Inteligencia Artificial conocida como Computación Evolutiva, mediante la utilización de algoritmos bioinspirados. Además de los algoritmos bioinspirados, en esta tesis se utilizan también algoritmos clásicos de agrupación, perteneciente a otra rama de la Inteligencia Artificial conocida como Aprendizaje Máquina. El trabajo se enmarca en tres líneas de investigación de especial relevancia en los últimos años: el crecimiento del comercio electrónico debido a la pandemia mundial de CoViD-19, la necesidad de modelos logísticos más sostenibles con el medioambiente debido a la Agenda 2030 para el Desarrollo Sostenible, y el despliegue inteligente de tecnologías de vigilancia debido a la creciente cantidad de conflictos armados en los últimos años. Estas tres áreas, aunque distintas en su naturaleza, comparten la necesidad común de abordar problemas logísticos combinatorios, dinámicos y con múltiples restricciones, dónde los métodos tradicionales resultan ineficientes.
En el contexto del comercio electrónico, se propone una metodología de asignación eficiente de cargas de trabajo en sistemas de reparto de última milla, utilizando una unión de un algoritmo evolutivo y algoritmos de agrupamiento para equilibrar la carga de trabajo entre repartidores, optimizando rutas y tiempos de entrega. En cuanto a la logística verde, se abordan dos problemas: por un lado, la reasignación inteligente de vehículos ecológicos entre ciudades con Zonas de Bajas Emisiones (ZBE); por otro, la planificación de rutas óptimas para la recogida de residuos electrónicos (E-Waste), teniendo en cuenta costes operativos, ambientales y acústicos. En ambos casos, se desarrollan algoritmos evolutivos y heurísticos que permiten mejorar la sostenibilidad y eficiencia del sistema logístico. Por último, para el despliegue óptimo de sensores en entornos sensibles, se presenta una hibridación entre un algoritmo evolutivo y un algoritmo constructivo o iterativo que reduce los tiempos de convergencia y la carga computacional. En este problema el objetivo es maximizar el área cubierta por cada uno de los sensores, asegurando unos requisitos de seguridad en una determinada instalación crítica, minimizando el coste monetario a su vez.
En conjunto, los resultados obtenidos demuestran la eficacia de los algoritmos bioinspirados en la resolución de problemas logísticos complejos, ofreciendo soluciones eficientes, sostenibles y adaptadas a contextos reales. La tesis, por tanto, contribuye al desarrollo de una logística inteligente, equitativa y respetuosa con el medio ambiente, alineada con los retos actuales de la sociedad y de la industria. |
|
