Resumen
El transporte y la logística (T&L) son esenciales para el desarrollo de ciudades inteligentes, a medida que la urbanización se acelera y la demanda de soluciones sostenibles crece. Los sistemas de T&L mitigan los impactos negativos del transporte (contaminación del aire, ruido, emisiones de gases de efecto invernadero y consumo de energía) al tiempo que mejoran la eficiencia y la rentabilidad. A medida que las poblaciones urbanas y la conciencia ambiental aumentan, promover vehículos de bajas emisiones, como los vehículos eléctricos, y expandir el uso compartido de automóviles y servicios de transporte compartido se vuelve crucial. Sin embargo, estas tendencias también introducen desafíos, como las limitaciones de suministro y la congestión del tráfico, que sobrecargan la infraestructura. Abordar estos desafíos requiere la integración de tecnologías avanzadas, como inteligencia artificial, internet de las cosas (IoT), análisis de big data y técnicas de optimización. Estos desafíos a menudo se presentan como problemas de optimización combinatoria NP-difíciles, donde los métodos exactos son poco prácticos, especialmente para escenarios a gran escala y dinámicos que exigen soluciones rápidas, de alta calidad y toma de decisiones en tiempo real. Modelar la incertidumbre en los sistemas de T\&L añade complejidad, generalmente abordada mediante enfoques estocásticos utilizando distribuciones de probabilidad. Sin embargo, la naturaleza dinámica de los problemas del mundo real requiere soluciones aún más avanzadas. El objetivo principal de esta tesis es desarrollar un modelo que integre simulación, optimización ágil y aprendizaje automático para abordar los desafíos de T&L. La convergencia de estas tecnologías está moldeando el futuro de las ciudades inteligentes y sostenibles al permitir una toma de decisiones más precisa y receptiva. En esta tesis se utiliza un enfoque en capas para abordar las complejidades de T&L de manera progresiva. La primera capa tiene en cuenta el enfoque analítico de los datos del IoT. La segunda capa introduce heurísticas, heurísticas sesgadas aleatorizadas, metaheurísticas y optimización ágil para resolver problemas deterministas de T&L. La tercera capa incorpora simulaciones de Monte Carlo para tener en cuenta variables estocásticas, mejorando la robustez. La cuarta capa integra simulación de eventos discretos con Python, proporcionando una representación realista de las incertidumbres. Finalmente, la sim-learnheuristic combina simheurísticas con aprendizaje automático para abordar tanto las incertidumbres estocásticas como dinámicas. Los experimentos numéricos con instancias del mundo real y de referencia validan los algoritmos propuestos, demostrando su eficiencia en costos, tiempo y confiabilidad en escenarios de T&L dinámicos, inciertos y con restricciones.
