Etiqueta: optimización

¿Edificios más verdes y económicos? El poder de la «inteligencia de enjambre» en el diseño de pilares mixtos

La verticalización es una respuesta indispensable para alcanzar la densidad urbana necesaria en un planeta sobrepoblado; sin embargo, el método de construcción actual no resulta eficaz. Según el informe Global Status Report for Buildings and Construction 2024/2025, la industria de la construcción consume el 32 % de la energía global y es responsable del 34 % de las emisiones de CO₂. Con el acero y el hormigón representando el 18 % de ese total, la urgencia de un cambio de paradigma es absoluta.

Como ingenieros, nos enfrentamos a una pregunta crítica: ¿es posible seguir elevando nuestras ciudades sin destruir el ecosistema? La respuesta reside en la ingeniería de precisión y en la optimización de las columnas CFST (columnas tubulares de acero rellenas de hormigón), una solución técnica que está redefiniendo la eficiencia estructural y la sostenibilidad.

A continuación, os presentamos algunas ideas clave, fruto del trabajo de Alves y su equipo (2026), sobre la optimización multiobjetivo sostenible de columnas tubulares mixtas de acero y hormigón de alta resistencia. El trabajo se enmarca en el proyecto de investigación RESILIFE, que dirijo como investigador principal en la Universitat Politècnica de València, y es fruto de la estancia de investigación del profesor Élcio C. Alves en nuestra universidad.

1. Por qué el hormigón de alta resistencia es sorprendentemente la opción más ecológica.

Un hallazgo contraintuitivo, pero fundamental, del estudio de Alves (2026) es que el uso de hormigón de alta resistencia (HSC, por sus siglas en inglés) de 80 MPa o 90 MPa resulta ser la opción más sostenible. Aunque la producción de un metro cúbico de hormigón de alta resistencia emite más CO₂ que la de uno convencional, su mayor capacidad portante permite una reducción volumétrica significativa.

Al reducir el tamaño de las columnas, no solo se gana espacio útil en la arquitectura, sino que la disminución total del uso de materiales compensa con creces la huella de carbono de cada uno de ellos. Es una lección de diseño: el material más «caro» ambientalmente por unidad puede ser el que menos impacto tiene en el sistema en su conjunto.

«El uso de hormigón de alta resistencia (80 MPa o superior) y aceros de alto grado está plenamente justificado por la reducción significativa de las emisiones finales de la columna, lo que supera el impacto inicial de producir materiales más costosos». — Alves et al. (2026).

Variables de diseño de las columnas compuestas

2. MOPSO: inteligencia colectiva para equilibrar costes y emisiones.

El diseño tradicional suele ser un proceso manual que prioriza el coste directo. No obstante, en proyectos de alta complejidad, la ingeniería moderna recurre a la optimización mediante un enjambre de partículas con múltiples objetivos (MOPSO). Este algoritmo de «enjambre de partículas» simula comportamientos sociales para encontrar el equilibrio ideal, conocido como el frente de Pareto.

El MOPSO no proporciona una única solución, sino un conjunto de opciones óptimas que equilibran tres aspectos críticos: la minimización de costes, la reducción de kgCO₂ y la maximización de la capacidad de carga. El algoritmo ajusta simultáneamente variables técnicas como:

  • El diámetro y el espesor del tubo de acero.
  • El número y el diámetro de las barras de refuerzo internas.
  • El uso de aceros HSLA (High-Strength Low-Alloy), como el ASTM A572 Gr. 65 o el avanzado ASTM A913 Gr. 70.

Confiar en estos algoritmos permite encontrar geometrías que un diseñador humano difícilmente alcanzaría y optimizar cada gramo de acero para que cumpla su función estructural máxima.

3. La esbeltez: el factor que puede duplicar el coste de tu proyecto.

La altura de una columna no es un factor lineal en cuanto al impacto. Al analizar el paso de columnas de 3 a 5 metros, surge un «impuesto invisible» impulsado por la física: los efectos de segundo orden.

Según el método B1 de la norma NBR 8800:2008, al aumentar la longitud, la columna es más susceptible al pandeo. Esto obliga a incrementar drásticamente la sección de acero o a utilizar materiales con una resistencia mucho mayor para compensar la inestabilidad. Los resultados de esta transición son masivos:

  • Emisiones de CO₂: el incremento de 3 m a 5 m puede disparar las emisiones entre un 70 % y un 105 %.
  • Costes materiales: el presupuesto puede incrementarse entre un 50 % y un 80 %.

La esbeltez no solo supone un reto estético, sino también un riesgo financiero y medioambiental que exige una optimización matemática rigurosa para evitar duplicar la huella de carbono de la estructura.

Del papel a la práctica: superando estándares anteriores.

La evolución de los modelos de optimización está dando frutos tangibles. Al comparar los resultados de Alves et al. (2026) con investigaciones previas (como la de Correia et al., 2025), se observa que el uso de aceros de alto grado y modelos actualizados permite reducir las emisiones hasta en un 47 %.

Escenario de carga (Mxd/Myd) Correia et al. (2025) (kgCO₂) Alves et al. (2026) (kgCO₂)
Uniaxial (30/0 kNm) 286,44 233,89
Uniaxial alta (270/0 kNm) 446,26 265,94
Oblicua (27/27 kNm) 248,16 131,74

Lo más impresionante es que estas reducciones (que oscilan entre el 9 % y el 47 %) se lograron aumentando la capacidad de carga hasta en un 14 % en columnas reforzadas, mientras se reducía el área transversal de acero. Este hito ha sido posible gracias a la transición hacia aceros de mayor rendimiento, como el ASTM A913 Gr. 70.

Conclusión: hacia una ingeniería de precisión.

Los resultados son concluyentes: el uso de materiales HSC y de algoritmos MOPSO ya no es un lujo para proyectos experimentales, sino una necesidad imperativa para la sostenibilidad urbana. La ingeniería de precisión nos permite construir estructuras más resistentes y esbeltas con una fracción del impacto ambiental asociado a los métodos tradicionales.

La industria se encuentra ante una encrucijada técnica y ética: ¿estamos listos para abandonar las «recetas» de diseño tradicionales en favor de la optimización matemática?

Si pudieras reducir a la mitad la huella de carbono de tu próxima estructura simplemente ajustando la resistencia del hormigón y aplicando algoritmos de precisión, ¿por qué no lo harías?

En esta conversación puedes escuchar las ideas más interesantes sobre esta investigación.

En este vídeo se resume el contenido del artículo.

Sustainable_Vertical_Optimization

Referencia:

ALVES, E.C.; YEPES-BELLVER, L.; KRIPKA, M.; YEPES, V. (2026). Sustainable Multi-Objective Optimization of Tubular Composite Columns with High-Strength Steel and Concrete. Congress on Project Management and Engineering, AEIPRO, 7-9 de julio, Castellón (Spain).

CORREIA, L.; RODRIGUES, M. C. A.; ALVES, E. C. (2025). Multi-Objective Optimization of Steel and Concrete Tubular Composite Columns. Proceedings CILAMCE 2025, Vitória – ES – Brazil.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Prefabricado o «in situ»? El dilema del ciclo de vida en los marcos de hormigón

Para comprender la magnitud del desafío al que se enfrenta la infraestructura moderna, basta con observar un dato: para encontrar el equilibrio perfecto entre eficiencia y ética, la ingeniería ha tenido que analizar hasta 50 configuraciones optimizadas de una estructura que la mayoría de nosotros apenas notamos. Nos referimos a los pasos inferiores y a los marcos de carretera: ese esqueleto invisible de hormigón que sostiene nuestras vías de comunicación.

Como ingenieros, nos enfrentamos a una pregunta recurrente: ¿es mejor construir in situ (ISRCF), vertiendo el hormigón directamente en la obra, o apostar por sistemas prefabricados modulares (PRCAF)? La respuesta no es una verdad absoluta, sino un complejo mapa de compromisos en el que la geometría de la obra decide quién gana la batalla por la sostenibilidad.

Los resultados que presentamos son fruto de la siguiente publicación:

RUIZ-VÉLEZ, A.; SÁNCHEZ-GARRIDO, A.J.; ALCALÁ, J.; YEPES, V. (2026). Life-cycle environmental and social trade-offs in concrete road frame systems. Cleaner Environmental Systems, 22, 100462. DOI:10.1016/j.cesys.2026.100462

El trabajo se enmarca en el proyecto de investigación RESILIFE, que dirijo como investigador principal en la Universitat Politècnica de València.

La prefabricación: el campeón ambiental (con matices).

Si analizamos los datos con la metodología ReCiPe 2016, el sistema prefabricado (PRCAF) se presenta como el líder indiscutible en términos ambientales. Las cifras del estudio son claras: estas soluciones logran reducir el potencial de calentamiento global (GWP) entre un 9 % y un 17 % en comparación con los marcos construidos in situ.

Esta ventaja se debe principalmente a la optimización de las secciones transversales. Al producirse en entornos industriales controlados, el carbono embebido se reduce significativamente al emplear secciones más esbeltas y eficientes. Sin embargo, como expertos, debemos ser cautos al generalizar. Como bien señala la investigación original:

«No existe una tipología de construcción universalmente preferible; el rendimiento ambiental y social del ciclo de vida varía según la escala geométrica».

El factor de escala: por qué la longitud es el verdadero enemigo.

Al estudiar configuraciones de entre 8 y 16 metros de vano (longitud), hemos descubierto que la geometría dicta el impacto ambiental con una severidad implacable. El hallazgo técnico es contundente: aumentar el vano en solo dos metros incrementa el GWP entre un 23 % y un 25 %, mientras que cada metro adicional de profundidad del suelo solo lo incrementa en un 11 %.

¿Por qué ocurre esto? La respuesta se basa en la mecánica estructural básica del Eurocódigo 2. El aumento de la longitud del vano obliga a un incremento cuadrático de la demanda de material para contrarrestar los momentos flectores y garantizar la funcionalidad (control de grietas). En cambio, la profundidad del suelo genera principalmente cargas verticales, cuya relación con el consumo de material es mucho más lineal y moderada. En ingeniería, la longitud no solo es distancia, sino que también representa una carga exponencial para el planeta.

El sorprendente «giro» social: lo tradicional recupera terreno.

Aquí es donde el análisis técnico, realizado bajo los marcos PSILCA y la plataforma SOCA v2, revela una realidad contraintuitiva. Aunque el prefabricado es mejor desde el punto de vista ambiental, el sistema in situ (ISRCF) recupera una ventaja competitiva social en proyectos a gran escala.

Al alcanzar vanos de entre 14 y 16 metros, se presentan los denominados «puntos de cruce» (crossover points). En estas dimensiones, el sistema tradicional tiene un impacto social hasta un 10,8 % menor. Esto sucede porque, a gran escala, los riesgos de la cadena de suministro y de la logística de transporte de piezas prefabricadas en masa empiezan a superar la eficiencia industrial. El sistema ISRCF, al ser más intensivo en mano de obra local, actúa como un motor de resiliencia para la comunidad.

Para entender este impacto, debemos considerar los cuatro grupos de partes interesadas definidos por el modelo PSILCA: trabajadores, comunidad local, actores de la cadena de valor y sociedad.

Beneficios sociales según la escala del proyecto:

  • Vanos pequeños (8-10 metros): el sistema PRCAF es superior. La mecanización reduce los riesgos laborales para los trabajadores y minimiza las molestias (ruido, tráfico) para la comunidad local.
  • Vanos grandes (14-16 metros): el sistema ISRCF es preferible. Fomenta el empleo directo en la zona y fortalece a los actores locales de la cadena de valor (canteras y plantas cercanas), reduce la dependencia de riesgos globales y optimiza el impacto en la sociedad local.

 Estos resultados, evidentemente, dependen de las circunstancias locales. Por tanto, pueden variar según la región o las prioridades de cada caso concreto.

El ciclo de vida completo: del cemento a la carbonatación.

Para tomar una decisión ética, debemos aplicar un enfoque de «cuna a tumba» (cradle-to-grave). En los sistemas PRCAF, el impacto se concentra principalmente en la fase de fabricación, que representa entre el 89 % y casi el 100 % del total debido a la intensidad energética de las plantas industriales. En cambio, los sistemas ISRCF distribuyen su huella de forma más equilibrada entre la construcción y el fin de vida útil.

Un factor vital en este ciclo es la carbonatación. Durante los 100 años de vida útil definidos para estas estructuras, el hormigón actúa como una esponja química que secuestra CO₂. Este proceso se intensifica en la fase de desmantelamiento, cuando el hormigón triturado maximiza su superficie expuesta.

«El enfoque «de la cuna a la tumba» es esencial, ya que nos permite considerar no solo el impacto de fabricar hormigón, sino también su capacidad para absorber carbono y su facilidad de reciclaje al final de su vida útil».

Conclusión: hacia una ingeniería de precisión ética.

La elección entre el prefabricado y el in situ no debe tomarse a la ligera. Depende de la escala geométrica y de las prioridades del proyecto. Si buscamos la máxima eficiencia en GWP para un paso inferior pequeño, la opción es el PRCAF. Sin embargo, si nos enfrentamos a una estructura de gran vano en la que el tejido social es una prioridad, el ISRCF puede ser la opción más sostenible en términos integrales.

El futuro nos exige emplear la optimización paramétrica desde las primeras fases del diseño. Solo así podremos avanzar hacia una infraestructura que no solo soporte el tráfico, sino que también sostenga de manera equilibrada nuestro entorno y nuestras comunidades.

Como ciudadanos y profesionales, nos queda una reflexión pendiente: ¿deberíamos priorizar siempre la eficiencia industrial y la rapidez del prefabricado o es momento de dar más peso a la resiliencia social y al empleo local en las obras públicas que definen nuestro futuro?

En esta conversación puedes escuchar las ideas más interesantes de esta investigación.

Este vídeo resume bien el contenido del artículo científico al que hacemos referencia.

Infrastructure_Sustainability_Scaling

El artículo completo, al estar publicado en abierto, puede obtenerse haciendo clic en 1-s2.0-S2666789426000681-main.

Referencia:

RUIZ-VÉLEZ, A.; SÁNCHEZ-GARRIDO, A.J.; ALCALÁ, J.; YEPES, V. (2026). Life-cycle environmental and social trade-offs in concrete road frame systems. Cleaner Environmental Systems, 22, 100462. DOI:10.1016/j.cesys.2026.100462

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Resultados intermedios del proyecto de investigación RESILIFE

En este momento, estamos elaborando la justificación técnica y económica del proyecto de investigación RESILIFE. Los investigadores principales son Víctor Yepes y Julián Alcalá. El proyecto comenzó el 1 de septiembre de 2024 y se prevé que finalice a finales de 2027. Hemos hablado mucho de este proyecto en el blog.

Se trata del proyecto PID2023-150003OB-I00, cuya denominación es: «Optimización resiliente del ciclo de vida de estructuras híbridas y modulares de alta eficiencia social y medioambiental bajo condiciones extremas».

En la fase intermedia del proyecto, se han publicado 25 artículos en revistas indexadas en el JCR, de los cuales 17 están en el primer cuartil y 8 en el segundo. Pero quizás sea importante destacar que de ellos, 13 se han publicado en revistas del primer decil. Entre ellos tenemos un Featured Paper Award de Engineering Structures. En las referencias, al final de esta entrada, tenéis los artículos y sus enlaces para su descarga.

Este esfuerzo ha sido fruto del trabajo de un buen número de investigadores de distintas nacionalidades. Han participado 22 autores: Yepes, Kripka, Sánchez-Garrido, Yepes-Bellver, Navarro, Negrín, Alcalá, Luque Castillo, Guaygua, Tres Junior, De Medeiros, Villalba, Fernández-Mora, Brun-Izquierdo, Martínez-Muñoz, Martí, Ruiz-Vélez, García, Partskhaladze, Vitorio Junior, Onetta y Chagoyén. Hay presencia internacional en países como Brasil, Chile, Ecuador, Perú, Georgia y Cuba.

La investigación reciente en ingeniería civil y construcción, sintetizada en el proyecto RESILIFE y en estudios asociados, marca un cambio de paradigma hacia un enfoque de diseño integral. Este enfoque trasciende la mera eficiencia económica para integrar la resiliencia ante eventos extremos (incendios, sismos y colapsos progresivos), la sostenibilidad multidimensional (ambiental, social y económica) y la eficiencia operativa mediante la digitalización.

Avances en optimización multiobjetivo, sostenibilidad y resiliencia en la ingeniería estructural

Los hallazgos clave incluyen:

  • Sistemas híbridos y modulares: las tipologías de acero y hormigón, así como los sistemas modulares prefabricados (PVMB), demuestran una superioridad técnica y medioambiental significativa. Por ejemplo, las vigas híbridas de sección transversal variable (THVS) pueden reducir los costes de fabricación hasta en un 70 % y las emisiones en un 32 %.
  • Resiliencia integrada: la incorporación de la seguridad contra incendios y de un diseño robusto frente al colapso progresivo en las fases conceptuales no solo mejora la seguridad, sino que también puede optimizar costes (reducción de hasta el 21 % en pasarelas con requisitos de confort dinámico).
  • Sostenibilidad social: el análisis del ciclo de vida social (S-LCA) emerge como un factor crítico, especialmente en viviendas sociales, donde los aspectos sociales representan casi el 40 % del peso en la toma de decisiones.
  • Digitalización y modelado: el uso de BIM (herramientas como Endurify 2.0) y modelos subrogados (redes neuronales y Kriging) permite gestionar con precisión la vida útil remanente y optimizar la huella de carbono con errores predictivos mínimos.

1. Optimización multiobjetivo y resiliencia ante eventos extremos

La integración de factores de riesgo extremo como criterio principal de diseño permite desarrollar infraestructuras más seguras sin comprometer la viabilidad económica.

1.1 Resiliencia al fuego en pasarelas híbridas

  • Enfoque integrado: se propone el rendimiento ante el fuego como motor de diseño, junto con el coste, el impacto ambiental y la comodidad del peatón.
  • Configuraciones óptimas: se recomienda utilizar acero de menor resistencia en el alma y de mayor en las alas (una relación de límite elástico de aproximadamente 1,6).
  • Compromisos de diseño: existe una dicotomía geométrica, ya que las vigas más compactas mejoran la seguridad frente a incendios, mientras que las geometrías esbeltas favorecen el rendimiento dinámico. Una inversión adicional del 23 % en el coste puede evitar el colapso durante 10 minutos de exposición al fuego.

1.2 Resistencia al colapso progresivo (PC) y sismos

  • Marco OBDRPC: este marco integra principios de diseño resistente al colapso progresivo y de optimización basada en simulaciones, en los que se considera la interacción suelo-estructura (SSI).
  • El impacto de la interacción suelo-estructura puede generar diferencias de hasta el 24,29 % en el uso de materiales de la superestructura si no se tiene en cuenta dicha interacción.
  • Sistemas modulares en zonas sísmicas: en regiones como Quito, los sistemas modulares de acero laminado en caliente ofrecen el mejor rendimiento global, ya que reducen los tiempos de construcción y el impacto social, aunque los costes iniciales son más altos.
  • Refuerzo sísmico: el uso de polímeros reforzados con fibra de carbono (CFRP) se identifica como la mejor alternativa para el refuerzo de las vigas de hormigón deficientes, debido a su menor impacto ambiental y social en comparación con el encamisado de acero o de hormigón.

2. Sostenibilidad y análisis del ciclo de vida (ACV)

La sostenibilidad se evalúa mediante un enfoque de «triple balance» que abarca las dimensiones económicas (LCC), ambientales (LCA) y sociales (S-LCA).

2.1. Descarbonización y eficiencia de materiales

  • Puentes y pasarelas: la optimización de los pasos superiores de las carreteras puede reducir la huella de carbono en un 12 %. En los puentes de losa pretensados, se recomienda una relación de esbeltez de 1/28 y hormigón C-40 para maximizar la eficiencia energética.
  • Economía circular: el uso de losas aligeradas con plástico reciclado reduce el consumo de hormigón y acero entre un 23 % y un 33 %, lo que se traduce en una disminución del 24 % del potencial de calentamiento global.
  • Relación coste-emisiones: Se ha identificado una relación lineal: cada dólar ahorrado en la optimización de pasarelas reduce las emisiones de CO2 en aproximadamente 0,7727 kg por metro.

2.2 Dimensión social de la construcción

  • Vivienda social: el sistema Light Steel Frame (LSF) destaca como la opción más favorable en contextos de desarrollo, ya que ofrece un buen equilibrio entre coste, durabilidad y menor mantenimiento.
  • Riesgos sociales: la implementación de sistemas de construcción circular y modelos de optimización reduce los riesgos sociales hasta en un 20 % en las categorías de trabajadores y de la comunidad local.

3. Tipologías estructurales innovadoras.

El desarrollo de nuevas geometrías y combinaciones de materiales es fundamental para la eficiencia industrial.

Tipología Beneficios clave identificados
Vigas THVS (híbridas transversales de sección variable) Reducción de costes de fabricación hasta el 70%; reducción de emisiones hasta el 32%; menor carga axial en columnas y cimientos debido a la reducción del peso propio.
Sistemas modulares (PVMB) Despliegue más rápido, mayor resiliencia social y reducción de los impactos ambientales en comparación con los métodos convencionales in situ.
Estructuras MMC en costa El uso de cemento sulforresistente, impregnación hidrofóbica y humo de sílice aumenta la calificación de sostenibilidad en un 86% frente a diseños base en ambientes marinos agresivos.
Almacenes de acero con cerramientos de acero Menor impacto ambiental que el de los cerramientos de ladrillo o de bloques de hormigón, especialmente en escenarios de reciclaje al final de la vida útil.

4. Digitalización y herramientas de decisión.

La complejidad de los criterios de competencia exige el uso de herramientas informáticas avanzadas.

4.1 BIM y gestión de la vida útil

  • Endurify 2.0: este complemento para entornos BIM automatiza la planificación de la rehabilitación estructural y estima la vida útil remanente (RUL). Su aplicación reduce los costes totales en un 15 % y el impacto por proximidad en un 10 % en comparación con la planificación basada en expertos.
  • Indicadores de daño: el sistema analiza cuatro indicadores críticos: carbonatación, fisuración transversal, fluencia y deflexión.

4.2. Modelos subrogados y algoritmos de optimización

  • Precisión predictiva: las redes neuronales artificiales (ANN) y el modelo Kriging han demostrado ser muy precisos para optimizar la huella de carbono y la energía embebida, aunque tienden a sobreestimar ligeramente los valores observados.
  • Algoritmos metaheurísticos: el uso de algoritmos como NSGA-III, CTAEA y SMS-EMOA permite equilibrar objetivos en conflicto (rendimiento estructural frente a la constructibilidad), siendo NSGA-III el que muestra la mayor convergencia hacia el frente de Pareto.
  • Múltiples criterios (MCDM): se emplean métodos híbridos (BWM, TOPSIS, VIKOR y DEMATEL) para reducir la subjetividad del juicio experto y modelar las interdependencias causales entre los criterios de sostenibilidad.

5. Conclusiones y directrices de diseño

La síntesis de las fuentes permite establecer directrices prácticas para la infraestructura moderna:

  1. Priorizar la hibridación: El uso de secciones híbridas (de acero con distintos límites elásticos) y de sistemas mixtos de acero y hormigón ofrece las mayores ventajas económicas y medioambientales.
  2. Mantenimiento preventivo: en entornos agresivos (como las costas), la inversión inicial en materiales especiales (como el humo de sílice o las impregnaciones) compensa con creces la reducción de las intervenciones de mantenimiento reactivo.
  3. Enfoque holístico en la vivienda: la evaluación de los proyectos de vivienda social debe integrar obligatoriamente las dimensiones técnica y social, no solo la económica, para garantizar la resiliencia de la comunidad.
  4. Optimización desde el proyecto: La resiliencia al fuego y al colapso debe integrarse en la fase de diseño conceptual para evitar sobrecostes innecesarios en etapas avanzadas del proyecto.

Referencias:

  1. TRES JUNIOR, F.L.; DE MEDEIROS, G.F.; KRIPKA, M.; YEPES, V. (2026). Integrated Optimization Framework for Fire-Resilient and Sustainable Hybrid Steel-Concrete Composite Footbridges. Engineering Structures, 360, 122779. DOI:10.1016/j.engstruct.2026.122779
  2. GUAYGUA, B.; SÁNCHEZ-GARRIDO, A.; YEPES-BELLVER, L.; YEPES, V. (2026). A multi-criteria life-cycle decision framework for sustainable modular hospitals in seismic regions. Results in Engineering, 30, 110371. DOI:10.1016/j.rineng.2026.110371
  3. FERNÁNDEZ-MORA, V.; NAVARRO, I.J.; YEPES, V. (2026). Extending Building Lifespan: Integrating BIM and MCDM for Strategic Rehabilitation. Journal of Information Technology in Construction, 31:398-419. DOI:10.36680/j.itcon.2026.018
  4. LUQUE CASTILLO, X.; YEPES-BELLVER, L.; YEPES, V. (2026). Towards Sustainable Social Housing: An Integrative Life Cycle and Multi-Criteria Approach. Sustainable Cities and Society, 137, 107164. DOI:10.1016/j.scs.2026.107164
  5. SÁNCHEZ-GARRIDO, A.J.; NAVARRO, I.J.; YEPES, V. (2026). Multivariate Environmental and Social Life Cycle Assessment of Circular Recycled-Plastic Voided Slabs for Data-Driven Sustainable Construction. Environmental Impact Assessment Review, 118, 108297. DOI:10.1016/j.eiar.2025.108297
  6. SÁNCHEZ-GARRIDO, A.J.; NAVARRO, I.J.; YEPES, V. (2026). Optimizing reactive maintenance intervals for the sustainable rehabilitation of chloride-exposed coastal buildings with MMC-based concrete structure. Environmental Impact Assessment Review, 116, 108110. DOI:10.1016/j.eiar.2025.108110
  7. TRES JUNIOR, F.L.; DE MEDEIROS, G.F.; KRIPKA, M.; YEPES, V. (2025). Designing for Safety and Sustainability: Optimization of Fire-Exposed Steel-Concrete Composite Footbridges. Structural Engineering and Mechanics, 96 (4):337-350. DOI:10.12989/sem.2025.96.4.337
  8. NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Life-cycle environmental impact optimization of an RC-THVS composite frame for sustainable construction. Engineering Structures, 345, 121461. DOI:10.1016/j.engstruct.2025.121461 Featured Paper Award
  9. NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Manufacturing cost optimization of welded steel plate I-girders integrating hybrid construction and tapered geometry. International Journal of Advanced Manufacturing Technology, 140, 1601-1624. DOI:10.1007/s00170-025-16365-2
  10. NEGRÍN, I.; CHAGOYÉN, E.; KRIPKA, M.; YEPES, V. (2025). An integrated framework for Optimization-based Robust Design to Progressive Collapse of RC skeleton buildings incorporating Soil-Structure Interaction effects. Innovative Infrastructure Solutions, 10:446. DOI:10.1007/s41062-025-02243-z
  11. YEPES-BELLVER, L.; ALCALÁ, J.; YEPES, V. (2025). Predictive modeling for carbon footprint optimization of prestressed road flyovers. Applied Sciences, 15(17), 9591. DOI:10.3390/app15179591
  12. VILLALBA, P.; SÁNCHEZ-GARRIDO, A.; YEPES-BELLVER, L.; YEPES, V. (2025). A Hybrid Fuzzy DEMATEL–DANP–TOPSIS Framework for Life Cycle-Based Sustainable Retrofit Decision-Making in Seismic RC Structures. Mathematics, 13(16), 2649. DOI:10.3390/math13162649
  13. LUQUE CASTILLO, X.; YEPES, V. (2025). Multi-criteria decision methods in the evaluation of social housing projects. Journal of Civil Engineering and Management, 31(6), 608–630. DOI:10.3846/jcem.2025.24425
  14. LUQUE CASTILLO, X.; YEPES, V. (2025). Life Cycle Assessment of Social Housing Construction: A Multicriteria Approach. Building and Environment, 282:113294. DOI:10.1016/j.buildenv.2025.113294
  15. VITORIO JUNIOR, P.C.; YEPES, V.; ONETTA, F.; KRIPKA, M. (2025). Comparative Life Cycle Assessment of Warehouse Construction Systems under Distinct End-of-Life Scenarios. Buildings, 15(9), 1445. DOI:10.3390/buildings15091445
  16. NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Design optimization of a composite typology based on RC columns and THVS girders to reduce economic cost, emissions, and embodied energy of frame building construction. Energy and Buildings, 336:115607. DOI:10.1016/j.enbuild.2025.115607
  17. FERNÁNDEZ-MORA, V.; NAVARRO, I.J.; YEPES, V. (2025). Structural damage index evaluation in BIM environments. Structures, 74:108544. DOI:10.1016/j.istruc.2025.108544
  18. VILLALBA, P.; GUAYGUA, B.; YEPES, V. (2025). Optimal seismic retrofit alternative for shear deficient RC beams: a multiple criteria decision-making approach. Applied Sciences, 15(5):2424. DOI:10.3390/app15052424
  19. YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2025). Surrogate-assisted cost optimization for post-tensioned concrete slab bridges. Infrastructures, 10(2): 43. DOI:10.3390/infrastructures10020043.
  20. MARTÍNEZ-MUÑOZ, D.; MARTÍ, J.V.; YEPES, V. (2025). Game Theory-Based Multi-Objective Optimization for Enhancing Environmental and Social Life Cycle Assessment in Steel-Concrete Composite Bridges. Mathematics, 13(2):273. DOI:10.3390/math13020273
  21. NEGRÍN, I.; KRIPKA, M.; YEPES, V. (2025). Metamodel-assisted design optimization of robust-to-progressive-collapse RC frame buildings considering the impact of floor slabs, infill walls, and SSI implementation. Engineering Structures, 325:119487. DOI:10.1016/j.engstruct.2024.119487
  22. GUAYGUA, B.; SÁNCHEZ-GARRIDO, A.; YEPES, V. (2024). Life cycle assessment of seismic resistant prefabricated modular buildings. Heliyon, 10(20), e39458. DOI:10.1016/j.heliyon.2024.e39458
  23. YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2024). Artificial neural network and Kriging surrogate model for embodied energy optimization of prestressed slab bridges. Sustainability, 16(19), 8450. DOI:10.3390/su16198450
  24. RUIZ-VÉLEZ, A.; GARCÍA, J.; PARTSKHALADZE, G.; ALCALÁ, J.; YEPES, V. (2024). Enhanced Structural Design of Prestressed Arched Trusses through Multi-Objective Optimization and MCDM. Mathematics, 12(16), 2567. DOI:10.3390/math12162567
  25. SÁNCHEZ-GARRIDO, A.J.; NAVARRO, I.J.; YEPES, V. (2024). Sustainable preventive maintenance of MMC-based concrete building structures in a harsh environment. Journal of Building Engineering, 95:110155. DOI:10.1016/j.jobe.2024.110155

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Inteligencia artificial y turismo: cuando el software aprende de la naturaleza para diseñar la ruta perfecta.

Gestionar la logística de un operador turístico consiste, en esencia, en intentar imponer orden a un sistema inherentemente caótico. El desafío es monumental: coordinar rutas a 30 destinos distintos desde un centro de operaciones como el de Alicante, con una flota limitada de cuatro aviones y quince tripulaciones, en el que cada asiento cuenta.

En este entorno de baja demanda, los costes son fijos, pero la realidad es volátil: las cancelaciones de última hora y las reservas inesperadas convierten los planes iniciales en papel mojado. ¿Cómo se puede determinar la rentabilidad cuando el escenario cambia cada minuto? La solución más avanzada no proviene de la programación lineal clásica, sino de los principios de la biología evolutiva.

Inspirado en el estudio de Medina y Yepes sobre la aplicación de algoritmos genéticos (AG) al problema de rutas de vehículos con capacidad (CVRP), este análisis desglosa cómo la «supervivencia del más apto» se traduce en una estabilidad financiera sin precedentes para el sector aéreo. Podéis descargar el artículo completo aquí.

La «naturaleza» como el mejor ingeniero de rutas.

En logística avanzada, los métodos deterministas tradicionales se topan con un obstáculo insalvable cuando el número de destinos crece exponencialmente. Calcular la ruta óptima para una red que abarque de Casablanca a Venecia mediante fuerza bruta matemática resulta inmanejable en términos computacionales. Los algoritmos genéticos resuelven este problema emulando la evolución mediante los procesos de selección, cruce y mutación. En lugar de buscar una única respuesta perfecta, el sistema mantiene una «población» de soluciones que compiten entre sí.

Este enfoque permite gestionar restricciones ambiguas o contradictorias, como maximizar la ocupación frente a minimizar el tiempo de vuelo, de una forma que la matemática rígida no puede. El AG no solo busca, sino que también aprende a explorar.

«La característica específica de los AG es la exploración paralela y eficiente del espacio de soluciones, basada en la explotación de soluciones óptimas inducidas por los operadores de cruce y en la exploración de soluciones nuevas forzada por los operadores de mutación».

El poder de los «Tres Padres»: una recombinación genética única.

La gran innovación técnica que se destaca en el estudio es el uso de un operador de recombinación de tres progenitores (three-parent edge-mapped recombination operator). Mientras que en la genética biológica la herencia es dual, en la optimización de redes de distribución tres progenitores ofrecen una mayor riqueza de datos para generar una «descendencia» (una ruta) más robusta.

Este método extrae las mejores conexiones (arcos) de tres soluciones distintas. Si una conexión específica aparece en dos o tres de los «padres», se preserva en el «hijo» porque se considera una pieza de alta eficiencia. Para garantizar la viabilidad de la ruta, el algoritmo incluye una lógica de resolución de conflictos: si tres arcos convergen en un mismo nodo de la descendencia, el sistema elimina aleatoriamente uno de ellos para mantener la estructura de la red. Este enfoque de triple herencia permite alcanzar soluciones óptimas con una velocidad y precisión que superan con creces a los cruces tradicionales de dos progenitores.

De la incertidumbre del 43 % a la estabilidad del 2,7 %.

El impacto real de los AG se mide en la transformación de la volatilidad en previsibilidad. Al modelar la demanda de destinos como Ajaccio, Túnez o Malta mediante estructuras estocásticas, el estudio revela una capacidad asombrosa para absorber la incertidumbre. Con una flota de cuatro aviones de cincuenta asientos y quince tripulaciones, el sistema gestionó un volumen total de aproximadamente ochocientos pasajeros, con métricas de eficiencia envidiables.

Los datos son elocuentes: mientras que la demanda individual por destino presenta un coeficiente de variación del 43 % —una pesadilla operativa—, la optimización diaria reduce la variabilidad del coste por pasajero transportado a un asombroso 2,7 %. En la práctica, esto significa:

  • Coste medio por pasajero: 118 EUR.
  • Ocupación media de asientos: 65 %.
  • Velocidad de crucero optimizada: 240 nudos.

El sistema es tan eficiente a la hora de reorganizar escalas y rutas en función de la demanda real que el impacto financiero final permanece prácticamente inalterado a pesar de las fluctuaciones del mercado.

El «fantasma en la máquina»: el riesgo de la robustez excesiva.

Desde la perspectiva de la transformación digital, los AG presentan una paradoja fascinante: su robustez puede ser su mayor peligro. Diseñado para ofrecer siempre una solución viable, un código con errores profundos puede seguir funcionando y entregando resultados «aparentemente buenos» sin que el sistema se colapse.

El riesgo no es el fallo catastrófico, sino el equilibrio subóptimo. Un error oculto en el algoritmo podría estar dejando sobre la mesa un 5 % o un 10 % de beneficio potencial, camuflado por la capacidad del algoritmo para «sobrevivir» a sus propios defectos de programación. Esto subraya la importancia de la supervisión experta, ya que en los sistemas que evolucionan por sí mismos la validación humana es la única garantía de que no operamos con una ineficiencia invisible pero costosa.

El futuro es la interacción humano-máquina.

Los AGV no son herramientas de reemplazo, sino de colaboración. El estudio subraya la importancia de la interfaz gráfica, que permite al gestor logístico interactuar con el proceso en tiempo real. Un ser humano puede «inyectar» soluciones basadas en su experiencia o en su intuición clínica, y el algoritmo las asimilará y refinará a lo largo de miles de generaciones.

Esta sinergia es fundamental para integrar los «costes virtuales». Mientras la máquina optimiza distancias y consumo de combustible, el ser humano puede definir variables subjetivas pero críticas, como la inconveniencia política de un aeropuerto en tensión o la complejidad social de una escala concreta. Al traducir estas percepciones en valores en la función de coste, el sistema evoluciona hacia una estrategia proactiva capaz de simular escenarios futuros en lugar de simplemente reaccionar ante las cancelaciones diarias.

Conclusión: hacia una logística evolutiva.

El éxito de la red de Alicante, que conecta 30 destinos del Mediterráneo y de Europa occidental, confirma un cambio de paradigma: en la logística moderna, la flexibilidad es más valiosa que la precisión absoluta. Los modelos rígidos se quiebran ante la volatilidad de la demanda, pero los sistemas evolutivos se fortalecen con ella.

En un mercado que no perdona la ineficiencia, la pregunta para los líderes del sector es clara: ¿es mejor buscar una solución «perfecta» una sola vez o diseñar un sistema que evolucione constantemente ante cada nuevo desafío? La respuesta, como demuestran Medina y Yepes, radica en aprender de la naturaleza para conquistar los cielos.

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume los aspectos clave del artículo.

Evolutionary_Tourism_Logistics

Referencia:

MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. SORT, 27(1): 95-112.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Logística en tiempos de cambio: Cómo la optimización heurística se adapta a los vaivenes de la economía real

Más allá del GPS: por qué la ruta más corta no siempre es la más rentable.

Para cualquier responsable de operaciones, la intuición dicta una regla aparentemente infalible: cuanto menos kilómetros se recorren, mayores son los márgenes. Sin embargo, ante la complejidad de la última milla contemporánea, esta lógica resulta peligrosamente incompleta. El ahorro en combustible suele verse compensado por penalizaciones por entregas tardías, ineficiencias en el uso de la capacidad de carga o por el coste oculto de ignorar las regulaciones laborales.

El éxito no consiste en reducir la distancia de forma simplista, sino en maximizar la rentabilidad operativa. Es aquí donde el problema de las rutas de vehículos con flotas heterogéneas y ventanas de tiempo flexibles (VRPHESTW, Vehicle Routing Problem with Heterogeneous Fleet and Soft Time Windows) surge como la respuesta científica al caos logístico. Este modelo trasciende el mapa al integrar variables económicas, humanas y temporales en una única ecuación estratégica. Este artículo se basa en uno de los resultados más importantes de mi tesis doctoral, publicada en un trabajo que podéis encontrar al final de las referencias (Yepes y Medina, 2006).

La rentabilidad total sobre la distancia total recorrida: la nueva métrica de éxito.

El enfoque tradicional se limita a minimizar el consumo de kilómetros. No obstante, la logística de alto nivel exige una función con un objetivo económico que considere la operación como un centro de beneficios y no solo de costes. La fórmula es clara:

Beneficio = Ingresos Totales – Costes Operativos – Costes de Penalización por Ventanas de Tiempo.

En este modelo, los ingresos no son una cifra estática, sino que se consideran dos tasas: una fija por servicio y otra variable en función de la distancia y del volumen de la mercancía. La gran innovación es que la satisfacción del cliente se convierte en un activo negociable. Al monetizar los retrasos mediante penalizaciones, el algoritmo decide de forma autónoma si resulta más rentable aceptar una pequeña desviación en el horario de entrega o invertir en un vehículo adicional. La logística moderna, por tanto, no busca el «cumplimiento a cualquier precio», sino el equilibrio óptimo entre el servicio y el margen.

El poder estratégico de una flota «mixta».

Una de las mayores ventajas competitivas del transporte radica en la heterogeneidad. El modelo demuestra que una flota uniforme tiende a ser ineficiente. El algoritmo realiza un arbitraje constante entre distintos tipos de vehículos para encontrar la combinación que minimiza el coste total de propiedad y operación.

En este análisis, la selección de vehículos (categorizados como k = 1, 2 o 3) no solo se basa en el volumen de carga, sino también en un equilibrio sofisticado entre:

  • Capacidad y velocidad: desde el vehículo pequeño y ágil (k = 1), ideal para zonas urbanas densas, hasta el «pesado» (k = 3), con gran capacidad, pero mayor coste fijo y menor velocidad de maniobra.
  • Estructura de costes laborales: el sistema evalúa el impacto financiero de pasar de la remuneración por hora legal a las horas extraordinarias y, finalmente, a las severas penalizaciones económicas derivadas del exceso de jornada laboral, protegiendo así la rentabilidad y la seguridad jurídica de la empresa.

Como señala el estudio:

«Los problemas de rutas de vehículos en el mundo real requieren una función objetivo económica para medir la calidad de las soluciones».

Ventanas de tiempo flexibles: el tiempo como variable económica elástica.

En la logística convencional, una ventana de tiempo es un muro infranqueable: llegar un minuto tarde se considera un fallo del sistema. El concepto de «soft time windows» (ventanas de tiempo flexibles) revoluciona esta noción al considerar el tiempo como una variable económica elástica.

En lugar de prohibir las entregas fuera de horario, el modelo establece una penalización económica escalonada en función de la antelación o el retraso. Esta flexibilidad calculada permite que el sistema de optimización identifique rutas que, aunque «incumplen» ligeramente el horario, logran una consolidación de carga tan eficiente que el beneficio neto final es muy superior al de una ruta de cumplimiento rígido. Se pasa así de una logística de obediencia a una logística de resultados.

El hallazgo sorprendente: el valor estratégico del sesgo.

El descubrimiento más disruptivo de la investigación consiste en distinguir entre la función «objetivo» (el beneficio real que queremos obtener) y la función «guía» (las instrucciones que le damos al algoritmo para explorar el mapa).

En un experimento revelador, los investigadores «engañaron» al algoritmo aumentando artificialmente en un 10 % los costes de distancia en la función guía (escenario HES-B). Al evaluar la ruta resultante con los costes reales (escenario HES-A), el beneficio neto aumentó un 6,4 %.

¿Por qué funciona este sesgo estratégico? Al sobreponderar el coste de la distancia durante la fase de búsqueda, se obliga al algoritmo a encontrar clústeres de clientes extremadamente compactos y rutas más robustas que el peso económico estándar pasaría por alto. Este fenómeno demuestra que, para escapar de los «óptimos locales» (soluciones que parecen buenas, pero no lo son), a veces es necesario alterar la topología del problema para forzar al sistema a encontrar la excelencia global.

Un marco de tres pilares para la implementación.

Para ejecutar esta estrategia, se propone un marco de optimización híbrido que integra la exploración creativa y el rigor matemático.

  1. Fase de construcción inteligente (GRASP): no se generan rutas al azar, sino que se inicia el proceso seleccionando clientes «semilla» según criterios de alta rentabilidad y dificultad logística, lo que asegura un punto de partida sólido.
  2. Fase de diversificación global (VNS): el sistema utiliza una «búsqueda de vecindario variable» para desafiar las rutas establecidas. En esta fase se introduce variedad para evitar que la operación se estanque en las soluciones obvias.
  3. Fase de intensificación de precisión (algoritmo de umbral): un pulido final que somete cada ruta a un escrutinio de costes extremo, aceptando incluso soluciones ligeramente peores temporalmente para alcanzar el máximo céntimo de beneficio potencial.

Conclusión: hacia una logística con visión de negocio.

La optimización de rutas ha dejado de ser un problema geográfico para convertirse en una disciplina puramente estratégica de economía. El uso de algoritmos avanzados que integran flotas heterogéneas y ventanas de tiempo flexibles permite a las empresas navegar por la volatilidad de los costes y las exigencias del mercado con una precisión quirúrgica.

Optimizar no consiste solo en llegar antes, sino en comprender el coste exacto de cada minuto y cada kilómetro para decidir, basándose en datos, qué configuración de flota garantiza el crecimiento sostenible del negocio.

Pregunta para reflexionar: En su operación actual, ¿está optimizando para que sus vehículos recorran menos distancia o para que su balance de situación sea más robusto?

Puedes escuchar en esta conversación algunas de las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos básicos tratados.

Maximizing_Logistics_Profitability

Referencia:

YEPES, V.; MEDINA, J.R. (2006). Economic Heuristic Optimization for Heterogeneous Fleet VRPHESTW. Journal of Transportation Engineering, 132(4): 303-311. DOI: 10.1061/(ASCE)0733-947X(2006)132:4(303)

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Optimización paramétrica de vigas alveolares mixtas para minimizar la huella de carbono

Nuestras ciudades crecen a un ritmo vertiginoso, pero este progreso esconde una crisis climática silenciosa en sus cimientos. Según el reciente informe Global Status Report for Buildings and Construction 2024/2025, el sector de la edificación es responsable del 32 % del consumo mundial de energía y del alarmante 34 % de las emisiones de CO₂. En este contexto, el acero y el cemento se perfilan como los principales responsables, ya que representan por sí solos el 18 % de la huella de carbono total del sector.

Ante la urgencia climática, la ingeniería estructural se enfrenta a un desafío técnico fascinante: ¿podemos diseñar edificios más ligeros y sostenibles sin comprometer la seguridad estructural? Y, más específicamente, ¿cómo podemos romper el «paradigma del catálogo» cuando las soluciones comerciales estándar alcanzan sus límites físicos y medioambientales?

Al final de este post, en la referencia, tienes un enlace directo para descargar gratuitamente el artículo científico completo, ya que está publicado en abierto.

El poder de la optimización: Rompiendo los límites del catálogo

Las vigas alveolares son perfiles de acero con aberturas circulares en su interior que permiten aumentar la altura de la viga y, por tanto, su eficiencia, sin añadir masa. Sin embargo, la práctica tradicional se ha limitado a replicar soluciones de los catálogos de los fabricantes, que suelen ser restrictivos.

Un hallazgo clave del estudio paramétrico actual revela que, para luces de 4 metros, los catálogos a menudo alcanzan su límite máximo permitido y dejan de ofrecer soluciones factibles bajo cargas elevadas. La verdadera innovación surge al dejar de considerar la losa colaborante como un elemento estático de catálogo. Al tratar variables como el espesor de la chapa y, sobre todo, la tasa de refuerzo de la losa como componentes activos del diseño, la ingeniería supera las barreras de los fabricantes tradicionales.

Algoritmos que imitan a la naturaleza: El «Particle Swarm Optimization» (PSO)

Para navegar por este complejo mar de posibilidades, se ha recurrido a la inteligencia colectiva del algoritmo de optimización por enjambre de partículas (PSO). No se trata de un simple ejercicio de búsqueda, sino de resolver un problema de objetivo único, restringido y con variables discretas.

El algoritmo funciona como un enjambre que explora un amplio espacio de búsqueda (identificado en la tabla 1 del estudio), evaluando simultáneamente 201 perfiles de acero diferentes, diversas resistencias de hormigón y geometrías de alvéolos, con el objetivo de encontrar la configuración que genere la menor huella de carbono posible.

«El algoritmo PSO ha demostrado ser eficaz para identificar soluciones óptimas, ya que permite que la introducción de refuerzo en la losa, combinada con un diseño optimizado, genere un impacto significativo en el diseño estructural».

El dato impactante: una reducción del 25% en emisiones de CO2

La precisión algorítmica no es solo un alarde tecnológico, sino que se traduce en un impacto medioambiental significativo. El análisis paramétrico demuestra que, especialmente en niveles de carga altos (6 kN/m²) y luces de gran tamaño, la optimización integrada del sistema viga-losa puede reducir las emisiones de CO₂ hasta un 25 %.

Este logro ecológico no se debe a un solo cambio, sino a una redistribución holística de los materiales. Al añadir refuerzo estratégico en la losa, el sistema permite reducir simultáneamente el espesor del steel deck y el volumen de hormigón superior, lo que disminuye directamente la masa de los materiales base que más contribuyen al calentamiento global.

 

Análisis de materiales: Por qué lo «más fuerte» no siempre es «más verde»

Es fundamental desmitificar la idea de que los materiales de alta resistencia siempre son la mejor opción sostenible. Al analizar las soluciones óptimas, los «ganadores» constantes fueron:

  • Acero: ASTM A572 Gr. 50 (con un factor de emisión de CO2 de 2.04 kgCO2/kg).
  • Hormigón: 25 MPa (con un factor de emisión de 374,00 kg de CO2/m³).

La clave del diseño inteligente radica en que estos materiales presentan factores de emisión inferiores a los de sus equivalentes de alta resistencia. Por ejemplo, el acero A913 Gr. 65 tiene una mayor huella de carbono (2,13 kg CO2/kg) que el A572 Gr. 50. Por tanto, la eficiencia no depende de la potencia bruta del material, sino de una combinación inteligente y precisa dictada por el algoritmo.

Desmitificando el proceso: el peso de la masa frente al fuego industrial

A menudo se cuestiona si el proceso de fabricación de una viga con agujeros (corte y soldadura) compensa el ahorro de material. Los datos del estudio son contundentes y desmienten este mito:

  • Corte y soldadura insignificantes: Estos procesos industriales representan habitualmente menos del 1% de las emisiones totales de la estructura.
  • El dominio de la masa: El factor crítico sigue siendo la masa del perfil de acero original, que puede representar hasta el 70% del CO2 en escenarios optimizados.
  • El papel de la losa: El steel deck tiene un impacto considerable, oscilando entre el 11% y el 39% de las emisiones totales según la luz de la estructura.

En definitiva, el «coste» ambiental de perforar la viga es un precio mínimo frente al gran ahorro de material que permite su nueva geometría.

Conclusión: Hacia una ingeniería de precisión ambiental

Estamos dejando atrás la era de la construcción basada en la sobreespecificación y en el uso de catálogos estáticos. El futuro es la Ingeniería de Precisión Ambiental, donde cada componente, desde el diámetro del alvéolo hasta el milímetro de refuerzo en la losa, se trata como una variable viva.

La inteligencia artificial y el diseño paramétrico nos proporcionan las herramientas necesarias para reducir en una cuarta parte la huella de carbono de nuestras estructuras. Ante la actual crisis climática, la pregunta para los diseñadores ya no es si estos métodos funcionan, sino: ¿podemos permitirnos seguir construyendo con los ojos cerrados y con los catálogos del siglo pasado? El diseño integrado es nuestra herramienta más poderosa para redefinir el impacto de nuestro entorno construido.

En esta conversación puedes escuchar un debate sobre estas ideas.

En este vídeo se resumen bien las ideas más interesantes.

Referencia:

Brandão, M.C.L.; Yepes-Bellver, L.; Kripka, M.; Alves, É.C. Parametric Analysis in the Optimization Design of Composite Cellular Beams. Infrastructures 2026, 11, 135. https://doi.org/10.3390/infrastructures11040135

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

El arte de simplificar el caos: los modelos matemáticos de optimización.

En un mundo tan complejo, la toma de decisiones no puede dejarse al azar ni a la intuición desmedida. Nos encontramos ante un laberinto de variables en el que cada elección parece desencadenar consecuencias sistémicas.

Sin embargo, las matemáticas no pretenden capturar cada átomo de esta realidad, sino que su verdadero poder radica en su capacidad para destilarla. Un modelo matemático no es un reflejo del mundo, sino una herramienta de pensamiento diseñada para extraer su esencia y convertir el caos en una estructura inteligible y accionable.

A continuación, exploramos cinco revelaciones fundamentales sobre cómo la optimización matemática transforma nuestra capacidad estratégica.

La paradoja de la modelización: el equilibrio entre abstracción y realidad

A menudo se piensa que un modelo es mejor cuanto más se parece a la realidad. Sin embargo, en la ciencia de la optimización, modelar es una abstracción o representación simplificada de un segmento de la realidad. Intentar una copia exacta es un error de diseño, ya que la realidad es muy compleja y gran parte de ella resulta irrelevante para el problema.

La representación y la simplificación resultan difíciles de conciliar en la práctica. El estratega debe navegar entre dos riesgos: no crear algo tan simple que no represente el problema ni algo tan complejo que dificulte la identificación de las relaciones fundamentales. En este punto, es vital distinguir si operamos en un entorno determinista, donde los datos se conocen con certeza, o en uno estocástico, donde interviene el azar, pues esta clasificación definirá el rigor de nuestra estructura.

«La realidad es difícil de copiar de forma exacta».

El paisaje de las soluciones: navegando por el espacio factible

Para visualizar un problema complejo, debemos imaginar un paisaje de relieves accidentados que represente el conjunto de soluciones posibles. Sin embargo, no todo lo posible es realizable. En este punto, definimos el Espacio Factible (X) como el subconjunto del Espacio Posible (Ω) en el que las soluciones efectivamente cumplen nuestras condiciones.

En este terreno, la interpretación del relieve depende del objetivo que tengamos:

  • Si maximizamos, las cimas son los éxitos. Buscamos el óptimo global (la cumbre más alta), evitando quedar atrapados en un óptimo local (una colina que parece buena, pero que es inferior al máximo absoluto). Los valles representan los peores resultados.
  • Si minimizamos, el paradigma se invierte. El éxito se halla en el valle más profundo (el punto de menor coste o riesgo) y las cimas simbolizan la ineficiencia.

La brújula de las decisiones: los cuatro pilares del modelo

Para que un modelo sea un verdadero instrumento de gestión, debe integrar cuatro componentes estructurales que rigen el proceso de elección:

  • Variable de decisión: el factor que está bajo nuestro control. Es la cantidad cuyo valor debemos determinar para resolver el problema de decisión.
  • Parámetro: información conocida, también llamada constante o dato. Su precisión es crítica para la fidelidad del modelo.
  • Restricción: limitación infranqueable de los valores de las variables. Sin restricciones, no hay optimización real.
  • Función objetivo: nuestro norte matemático. Es la expresión que define el éxito en términos de datos y variables. A menudo, el desafío del estratega consiste en optimizar varias funciones objetivo de forma simultánea, equilibrando metas que pueden ser contrapuestas.

Sensibilidad: la resistencia ante la incertidumbre

Una solución óptima sobre el papel es frágil si no puede resistir los embates del mundo real. Debido a la «frecuente incertidumbre sobre el valor real de los parámetros», el estratega debe realizar un análisis de sensibilidad.

Este proceso evalúa cómo cambiaría la solución ante variaciones en los datos de entrada (los parámetros). No buscamos solo la solución más brillante, sino la más robusta.

Un buen consejo:

Si un pequeño cambio en un parámetro (como el precio de una materia prima o el tiempo de entrega) hace que tu solución óptima se venga abajo, no tienes un plan; tienes un riesgo. La validación consiste en asegurarse de que los valores tengan sentido y las decisiones puedan llevarse a cabo de manera efectiva.

El ciclo de validación: el filtro de la implementación

La modelización no es un acto lineal, sino un ciclo iterativo y riguroso. Según el proceso sistémico, no pasamos directamente del modelo a la decisión, sino que antes tenemos que pasar por un filtro de fuego:

  • Definición y datos: El proceso comienza con la identificación de los límites del problema y la recopilación de datos precisos para los parámetros.
  • Resolución y prueba: Tras resolver el modelo, nos preguntamos: ¿es válida la solución?
  • Iteración: Si la solución no tiene sentido lógico o resulta impracticable, el resultado es un modelo modificado. Debemos retroceder, ajustar nuestras suposiciones o la recopilación de datos y volver a resolver.

Solo cuando la solución ha sido validada, procedemos a su implementación. Las matemáticas sin validación práctica son mera abstracción; la ejecución es el juez final.

Conclusión: dominar la realidad mediante los modelos

Modelar es el arte de optimizar bajo restricciones, un principio de elección que separa el éxito fortuito de la eficiencia estratégica. En última instancia, existen distintos tipos de modelos según la naturaleza de sus variables (enteras o continuas) y la linealidad de sus funciones, pero todos comparten un objetivo: simplificar para dominar.

Pregunta para la reflexión: En su organización o proyecto actual, ¿toma decisiones basándose en parámetros validados o intenta escalar una cima sin saber si se encuentra en un óptimo local mientras el verdadero óptimo global se halla en un terreno que aún no ha modelado?

En esta conversación podéis escuchar ideas interesantes sobre los modelos de optimización.

El vídeo resume bien los conceptos más importantes tratados.

Os dejamos aquí un breve vídeo para explicar qué es un modelo matemático de optimización. Espero que os guste.

En este documento tenéis un resumen del tema.

Optimización_Matemática

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

El algoritmo de la naturaleza: El secreto de las hormigas para resolver problemas imposibles

¿Cómo es posible que insectos con capacidades individuales sumamente limitadas resuelvan problemas geométricos y logísticos que a la humanidad le han llevado décadas de estudio formal para dominar?

En el rincón más sencillo de un jardín tiene lugar un fenómeno asombroso: una comunidad de diminutos seres encuentra, sin mapas, líderes jerárquicos ni tecnología GPS, el camino más corto entre un hormiguero y una fuente de alimento.

Este prodigio de la naturaleza no es solo una curiosidad biológica, sino la piedra angular de la optimización mediante colonias de hormigas (ACO), una potente metaheurística computacional que actúa como puente entre la eficiencia orgánica y los algoritmos más avanzados de la actualidad.

A continuación, exploramos cinco lecciones fundamentales que estos optimizadores naturales nos enseñan sobre la resolución de problemas complejos.

La inteligencia no reside en el individuo, sino en el colectivo.

En el mundo de las hormigas, la genialidad no es una cualidad de un «líder» con una visión superior, sino que surge del grupo. Así, el comportamiento inteligente surge de la masa, lo que desafía nuestras nociones tradicionales de gestión jerárquica. La ciencia ha comprobado que la brillantez del sistema no radica en sus componentes aislados, sino en la red de interacciones entre ellos.

Como se describe en los fundamentos de la inteligencia colectiva:

«En la naturaleza existen ejemplos de colectivos de individuos cuyo comportamiento es aparentemente inteligente, sin que esta característica se manifieste en sus componentes individuales».

Esta realidad nos invita a reflexionar sobre un cambio de paradigma: frente al liderazgo humano centralizado, la naturaleza propone una lógica bottom-up, en la que la suma de acciones simples y coordinadas supera la capacidad de cualquier genio individual.

El «Universo» como herramienta de comunicación dinámica.

Para que una colonia resuelva un problema, no es necesario que todas las hormigas conozcan el mapa completo del entorno. De hecho, ningún agente posee un conocimiento global. El éxito depende de la interacción con su «universo», que actúa como depositario físico de la información.

Según el contexto científico, deben cumplirse tres condiciones esenciales para que se produzca este comportamiento:

  • Existencia de un objetivo prioritario: una meta clara (como la locomoción o la alimentación) que proporciona un norte y, crucialmente, dicta el comportamiento de los agentes incluso en ausencia de información local.
  • Reglas de interacción local: si existe información local, el agente la utiliza para tomar decisiones que le permitan alcanzar el objetivo más rápidamente. Los agentes independientes depositan y modifican datos en el entorno, comunicando indirectamente los resultados de sus esfuerzos.
  • Un universo donde actuar: el entorno es la «geografía» por la que transitan. Es el medio que proporciona los datos necesarios y en el que se encuentra la memoria colectiva del sistema.

Feromonas: el rastro que se convierte en memoria adaptativa.

El proceso mediante el cual las hormigas optimizan sus rutas es un fascinante ciclo químico-digital. Todo comienza con una exploración aleatoria del entorno. Tan pronto como un individuo encuentra una fuente de alimento, evalúa su cantidad y calidad. Al regresar al hormiguero, deposita una sustancia química llamada feromona.

Este rastro oloroso sirve de señal para las demás hormigas. El camino más corto acaba ganando por una cuestión de frecuencia: las hormigas que viajan por la ruta más breve regresan antes y con mayor frecuencia, por lo que refuerzan ese rastro más rápido que en las rutas largas.

Sin embargo, la clave del éxito radica en la fragilidad del rastro: la feromona es dinámica y se evapora con el tiempo. Si un camino deja de usarse, la señal desaparece. Esta capacidad de «olvido» o plasticidad es vital, ya que permite que el sistema sea flexible y evita la «estagnación», impidiendo que la colonia se quede atrapada en soluciones locales, ya sean mediocres u óptimas, que ya no resultan eficientes ante un entorno cambiante.

De la biología al código: el espejo de la optimización.

La informática ha logrado traducir estos comportamientos biológicos en algoritmos de búsqueda altamente sofisticados. Para comprender esta transición del mundo natural al ámbito del procesador, es necesario observar cómo cada elemento biológico encuentra su contraparte matemática.

Esta estructura permite a los programadores utilizar la lógica de la colonia para explorar enormes espacios de soluciones, donde encontrar la respuesta perfecta sería inviable con métodos tradicionales.

No estamos solos: el club de los optimizadores naturales.

Las hormigas no son las únicas maestras del arte de la economía de recursos. La naturaleza es un club exclusivo de optimizadores en el que la eficiencia es una ley universal de supervivencia, no una invención humana. Otros ejemplos destacados son:

  • Los cisnes: al volar en formación de V, calculan una distribución espacial precisa para minimizar el esfuerzo total que debe realizar la bandada para desplazarse de un punto A a otro B.
  • Los depredadores y los peces: los patrones de ataque de los primeros y las formaciones de los segundos buscan la máxima efectividad con el mínimo riesgo energético.
  • Los ciclistas: apelotonándose instintivamente en una carrera para reducir la resistencia al viento, emulan estos patrones de optimización colectiva.

Conclusión: un futuro inspirado en lo pequeño.

En 1991, los investigadores Corloni, Dorigo y Maniezzo abrieron una puerta trascendental al sugerir que podíamos imitar el comportamiento de los insectos para resolver problemas de optimización combinatoria. Esa semilla científica nos permite hoy en día gestionar redes de tráfico complejas, diseñar ciudades más habitables y optimizar las cadenas logísticas globales que sustentan nuestra economía.

Si aprendiéramos a «escuchar» y a observar con mayor detenimiento los rastros y la información que fluyen en nuestro propio universo, quizá descubriríamos soluciones a problemas que hoy consideramos irresolubles.

En definitiva, nos queda una reflexión provocadora: si una hormiga no sabe que está resolviendo un algoritmo, ¿qué problemas estamos resolviendo colectivamente sin darnos cuenta?

En esta conversación puedes escuchar algunas de las ideas más interesantes sobre el tema.

Este vídeo resume bien los conceptos básicos de la optimización mediante la colonia de hormigas.

Ant_Colony_Optimization Ant_Colony_Optimization

Referencias:

COLORNI, A.; DORIGO, M.; MANIEZZO, V. (1991). Distributed optimization by ant colonies, in VARELA, F.J.; BOURGINE, P. (eds.) Proceedings of the First European Conference on Artificial Life (ECAL-91). The MIT Press: Cambrige, MA, 134-142.

MARTÍNEZ, F.; PEREA, C.; YEPES, V.; HOSPITALER, A.; GONZÁLEZ-VIDOSA, F. (2007). Optimización heurística de pilas rectangulares huecas de hormigón armado. Hormigón y Acero, 244: 67-80. ISBN: 0439-5689. (link)

MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2010). Heuristic Optimization of RC Bridge Piers with Rectangular Hollow Sections. Computers & Structures, 88: 375-386. ISSN: 0045-7949.  (link)

YEPES, V. (2003). Apuntes de optimización heurística en ingeniería. Editorial de la Universidad Politécnica de Valencia. Ref. 2003.249. Valencia, 266 pp. Depósito legal: V-2720-2003.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Por qué «no existe la comida gratis» en el mundo de los algoritmos

El mito del algoritmo universal: una humillación necesaria.

Durante décadas, la comunidad científica persiguió con arrogancia el «santo grial»: el algoritmo de optimización universal. Se soñaba con una «caja negra», ya fuera basada en elegantes procesos evolutivos o en redes neuronales profundas, capaz de resolver cualquier problema, desde el diseño de un puente atirantado hasta la logística del viajante, con una eficiencia superior.

Sin embargo, esta búsqueda no solo era ambiciosa, sino que también era fundamentalmente errónea. La revelación de que no existe una inteligencia algorítmica absoluta supuso un golpe de humildad para quienes creían haber capturado la esencia del aprendizaje, cuando en realidad solo habían logrado un ajuste estadístico fortuito.

La revelación matemática: todos los algoritmos son, en promedio, iguales.

Este mito fue desmentido en 1997 por David Wolpert y William Macready. Sus teoremas «No Free Lunch» (NFL) establecieron una igualdad matemática absoluta que rompe el ego de cualquier programador: si promediamos el rendimiento sobre el conjunto de todos los problemas posibles, cualquier algoritmo sofisticado es idéntico a una búsqueda aleatoria.

Lo que un algoritmo gana en un tipo de problemas, lo paga inevitablemente con un fracaso estrepitoso en otro. No hay «comida gratis»: la superioridad de un algoritmo genético de última generación frente a un proceso de búsqueda ciega es una ilusión que solo se sostiene cuando ignoramos la inmensidad del espacio de funciones posibles.

El teorema uno nos muestra que el uso del conocimiento del dominio puede mejorar el rendimiento, a costa de la generalidad.

La geometría del éxito: el problema de la «alineación».

Para comprender la optimización del éxito, debemos abandonar la idea de la «fuerza bruta» y abrazar la geometría. Imagine el espacio de todas las funciones posibles como una esfera gigantesca. En este espacio, cada algoritmo es un vector v y la distribución de los problemas que deseamos resolver es otro vector p.

Estar «bien adaptado» a un problema significa que el vector del algoritmo apunta en la misma dirección que el del problema.

  • Alineación geométrica: que el vector del algoritmo apunte en la misma dirección que el del problema. El rendimiento es, en esencia, el producto interno de ambos vectores.
  • Sacrificio de la generalidad: un algoritmo «generalista» apunta hacia todas partes y, por tanto, su proyección (su éxito) en un punto concreto es nula.
  • Curvatura del conocimiento: el éxito no reside en el código, sino en cómo este «se dobla» para encajar con la estructura lógica y física del problema.

Los investigadores del problema del viajante no han creado algoritmos «mejores» en términos absolutos, sino que han esculpido herramientas íntimamente alineadas con la geometría específica de las rutas y las distancias.

El golpe al ego: el algoritmo aleatorio como juez de paz.

Los teoremas 5 y 6 de Wolpert y Macready introducen un estándar de rigor que actúa como un «mínimo ético» para la ciencia. Si un algoritmo no consigue que el coste disminuya más rápido que con una búsqueda aleatoria, el investigador habrá fracasado.

Esta métrica es el antídoto contra el fraude intelectual del ajuste fino o manual. Muchos de los éxitos que se describen en la literatura no son más que el resultado de forzar un algoritmo a un puñado de problemas específicos sin superar el umbral de una búsqueda ciega. Superar al «juez de paz» aleatorio es la única prueba de que el algoritmo ha logrado capturar alguna estructura real del problema.

Consecuencias prácticas: el fin del experto generalista.

En ingeniería civil, las implicaciones del NFL son tajantes. No existen programas comerciales que puedan optimizar cualquier estructura de forma indiscriminada. Las herramientas generales (como las toolboxes estándar de Matlab) suelen ser ineficaces porque carecen del «conocimiento del hormigón».

Esta realidad ha provocado una «carrera armamentística» hacia la especialización.

  • Hibridación: La respuesta de la ingeniería moderna consiste en combinar metaheurísticas con técnicas de deep learning y redes neuronales para «aprender» la estructura del dominio.
  • Alineación estructural: un matemático brillante fracasará al optimizar un puente atirantado si no comprende la resistencia de los materiales. No se trata de falta de cálculo, sino de que su algoritmo no está alineado con la «curvatura» física del problema. El conocimiento experto es lo que permite al algoritmo encontrar el camino en un espacio de búsqueda que, de otro modo, sería un desierto uniforme.

El dilema del observador: la ceguera del éxito pasado.

Incluso cuando un algoritmo ha funcionado bien hasta ahora, el teorema 10 (sección VII) nos da un jarro de agua fría: observar el rendimiento pasado no garantiza el éxito futuro sin un conocimiento adicional sobre la función de coste. Sin conocer la estructura, no vemos el siguiente paso.

En este estado de «oscuridad estructural», un procedimiento de elección «irracional» (cambiar un algoritmo que ha funcionado bien por otro que ha funcionado mal) es tan válido como uno «racional». Sin suposiciones sobre la relación entre el algoritmo y la función, el comportamiento pasado es un predictor pobre. La lógica solo surge cuando el observador aporta información que no está presente en los datos.

Conclusión: hacia una optimización consciente.

Debemos aceptar una verdad incómoda: nuestra inteligencia artificial es un reflejo limitado del conocimiento que somos capaces de codificar en ella. La ciencia de la optimización ya no debe buscar el «algoritmo perfecto», sino métodos más profundos para transferir el conocimiento del dominio al proceso de búsqueda.

Si el rendimiento de nuestras máquinas depende por completo de lo que ya sabemos sobre el mundo, ¿no será que la «inteligencia artificial general» es un mito termodinámico, similar a la máquina de movimiento perpetuo? Quizás el mayor descubrimiento de Wolpert y Macready no fue matemático, sino filosófico: la inteligencia no es más que el conocimiento del problema disfrazado de código.

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos más importantes tratados.

The_Universal_Algorithm_Myth

Referencias:

GARCÍA, J.; YEPES, V.; MARTÍ, J.V. (2020a). A hybrid k-means cuckoo search algorithm applied to the counterfort retaining walls problem. Mathematics,  8(4), 555.

MARTÍNEZ-MUÑOZ, D.; GARCÍA, J.; MARTÍ, J.V.; YEPES, V. (2022). Optimal design of steel-concrete composite bridge based on a transfer function discrete swarm intelligence algorithm. Structural and Multidisciplinary Optimization, 65:312. DOI:10.1007/s00158-022-03393-9

NEGRÍN, I.; CHAGOYÉN, E.; KRIPKA, M.; YEPES, V. (2025). An integrated framework for Optimization-based Robust Design to Progressive Collapse of RC skeleton buildings incorporating Soil-Structure Interaction effects. Innovative Infrastructure Solutions, 10:446. DOI:10.1007/s41062-025-02243-z

WOLPERT, D.H.; MACREADY, W.G. (1997). No Free Lunch Theorems for Optimization. IEEE Transactions on Evolutionary Computation, 1(1):67-82.

YEPES-BELLVER, L.; BRUN-IZQUIERDO, A.; ALCALÁ, J.; YEPES, V. (2025). Surrogate-assisted cost optimization for post-tensioned concrete slab bridges. Infrastructures, 10(2): 43. DOI:10.3390/infrastructures10020043.

A continuación os dejo el artículo original «No Free Lunch Theorems for Optimization». Se ha convertido en un clásico de optimización heurística.

Pincha aquí para descargar

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

La inteligencia de la naturaleza: cinco lecciones de los algoritmos genéticos.

Optimizar una estructura de hormigón no es solo una cuestión de cálculo, sino una batalla contra la entropía. Además, en la búsqueda de la combinación precisa entre la cantidad de acero y la resistencia del hormigón, el ingeniero se enfrenta a un océano de variables en el que la solución «perfecta» suele estar oculta bajo capas de complejidad técnica. Por tanto, el proceso exige no solo rigor analítico, sino también una comprensión profunda de cómo interactúan todos los factores que condicionan el diseño estructural.

Ante este desafío, la ingeniería moderna ha dejado de lado las calculadoras para observar el mecanismo de diseño más refinado de la historia: la selección natural.

Hace más de un siglo, Charles Darwin descubrió que la supervivencia es el resultado de un proceso en el que sobreviven los más aptos y transmiten sus rasgos. Hoy en día, aplicamos este rigor biológico a los algoritmos genéticos. Estos sistemas no solo resuelven problemas, sino que también imitan la vida misma para encontrar respuestas con una elegancia estructural que antes considerábamos inalcanzable.

Lección 1: La evolución no ocurre en el individuo, sino en su código.

Una de las distinciones más profundas de la computación evolutiva es que la mejora de un sistema no se logra manipulando el objeto final (el puente o la viga), sino su receta original. Para que un algoritmo sea verdaderamente evolutivo, debe comprender que el éxito se forja en las estructuras subyacentes, tal y como lo definió Davis en 1991:

«La evolución opera en los cromosomas, en lugar de en los individuos a los que representan».

Este enfoque resulta fascinante por lo contraintuitivo que es: para optimizar una estructura física (el fenotipo), manipulamos un vector binario o un string (el genotipo). Al trabajar con la representación abstracta, permitimos que el código explore cambios profundos sin las limitaciones del diseño inmediato, entendiendo que el cromosoma es el verdadero custodio de la adaptación global.

Lección 2: El diccionario biológico del programador.

Para resolver problemas de ingeniería como si fueran organismos vivos, debemos traducir la realidad física a un lenguaje genético preciso. Ver una solución técnica como un «ser» con ADN transforma radicalmente nuestra metodología de resolución.

  • Fenotipo: la solución final y detectable; la expresión física de la interacción genética.
  • Genotipo: la estructura o plan maestro a partir del cual se construye el organismo.
  • Cromosoma: vector o cadena de datos que almacena información.
  • Gen: Cada elemento del vector (un «vagón de tren» en la cadena de datos).
  • Alelo: el valor específico que adopta ese elemento (el bit o dato concreto).
  • Locus: posición exacta del gen, fundamental porque controla un carácter específico de la solución.
  • Aptitud (fitness): función objetivo que mide la capacidad de la solución para sobrevivir en su entorno técnico.

Lección 3: La «ruleta» de la supervivencia y la selección natural.

La selección natural no funciona como un sorteo, aunque tampoco actúa como una sentencia absoluta. Este principio se traslada al código mediante el método de la ruleta. En dicho procedimiento, cada solución se representa por un segmento circular cuya superficie es proporcional a su nivel de aptitud.

Esta «justicia algorítmica» garantiza que los mejores tengan mayores probabilidades de dejar descendencia. Sin embargo, no garantiza el monopolio de la reproducción, ya que los individuos menos aptos mantienen una pequeña probabilidad de transmitir sus genes. Este «caos controlado» es vital, ya que garantiza la diversidad estructural y evita que el algoritmo se estanque en óptimos locales, es decir, soluciones que parecen buenas solo porque el sistema ha perdido la capacidad de mirar más allá de lo inmediato.

Lección 4: Cruzamiento y mutación. El «sexo» de los datos.

La evolución exige novedad. Si nos limitáramos a clonar a los mejores, el progreso se detendría. Por ello, los algoritmos utilizan la recombinación o cruzamiento, mediante el cual dos progenitores intercambian información para crear descendientes con rasgos mixtos. Se destacan operadores sofisticados como el PMX (Partially-Matched Crossover), que copia un fragmento del código manteniendo las posiciones y rellena el resto con valores no utilizados, y el SEX (Strategic Edge Crossover), que busca identificar y preservar secuencias presentes en ambos progenitores.

Pero la mezcla no es suficiente. Es necesaria la mutación para introducir variaciones que no existían en la población original.

«Mutación: modificación espontánea de la información genética».

La mutación actúa como un factor de diversificación radical. Ya sea reemplazando un bit o recombinando elementos al azar sin considerar su aptitud inicial, este mecanismo introduce el «ruido» necesario para sacudir el sistema y permitirle dar el salto a fronteras de eficiencia completamente nuevas.

Lección 5: La memoria es un lastre para la evolución.

Siguiendo la lógica de Holland, uno de los conceptos más disruptivos de la evolución es su capacidad para vivir en el presente absoluto. A diferencia de otros sistemas de optimización que arrastran sesgos históricos, la evolución es un proceso sin memoria en el sentido estricto, ya que es una eficiencia de estado.

Durante la formación de nuevos cromosomas, el algoritmo solo tiene en cuenta la información del periodo inmediatamente anterior. Este enfoque «radical» permite que el sistema converja hacia la excelencia técnica basándose exclusivamente en la eficacia actual de los rasgos, sin verse frenado por configuraciones que fueron útiles en el pasado, pero ya no sirven para afrontar los desafíos del presente. Se podría decir que es una búsqueda de la perfección despojada de prejuicios históricos.

Los algoritmos genéticos demuestran que la naturaleza ya había resuelto los problemas de optimización más difíciles hace millones de años. Al adoptar estas leyes biológicas, la ingeniería no solo encuentra mejores soluciones para sus puentes y edificios, sino que lo hace con una elegancia que solo la evolución puede dictar.

Si principios tan elementales como la herencia y la mutación pueden dar lugar a estructuras de hormigón de una eficiencia asombrosa, ¿qué otros procesos naturales esconden hoy la clave para el próximo gran avance en la inteligencia de nuestro software?

En esta conversación puedes escuchar las ideas más interesantes sobre este tema.

Este vídeo resume bien los conceptos básicos de los algoritmos genéticos.

Aquí tenéis un vídeo en el que explico este algoritmo. Espero que os interese.

Genetic_Algorithms

Referencias:

DENNETT, D.C. (1999). La peligrosa idea de Darwin. Galaxia Gutenberg. Círculo de Lectores, Barcelona.

HOLLAND, J.H. (1975). Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor.

MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2010). Heuristic Optimization of RC Bridge Piers with Rectangular Hollow Sections. Computers & Structures, 88: 375-386. ISSN: 0045-7949.  (link)

MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. Statistics and Operations Research Transactions, 27(1): 95-112.  ISSN: 1696-2281.  (pdf)

PONZ-TIENDA, J.L.; YEPES, V.; PELLICER, E.; MORENO-FLORES, J. (2013). The resource leveling problem with multiple resources using an adaptive genetic algorithm. Automation in Construction, 29(1):161-172. DOI:http://dx.doi.org/10.1016/j.autcon.2012.10.003. (link)

YEPES, V. (2003). Apuntes de optimización heurística en ingeniería. Editorial de la Universidad Politécnica de Valencia. Ref. 2003.249. Valencia, 266 pp. Depósito legal: V-2720-2003.

Licencia de Creative Commons
Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.