Machine Learning en la optimización de rutas: una revisión sistemática

• Autores: Olivares Guzman, Cristhian Samyr, Saavedra Moscoso, Cristopher William
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/14679
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14679
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Inteligencia artificial; Optimización de rutas; Aprendizaje por refuerzo; Logística; Sostenibilidad; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta revisión sistemática analiza el impacto del Machine Learning (ML) y la Inteligencia Artificial (IA) en la optimización de rutas, un desafío crítico en logística y transporte. El estudio identifica los métodos predominantes de ML/IA aplicados en este campo, destacando el creciente uso del aprendizaje por refuerzo, las redes neuronales LSTM con mecanismos de atención y los enfoques híbridos que combinan algoritmos tradicionales con técnicas de aprendizaje profundo. La investigación evalúa comparativamente estos métodos frente a técnicas de optimización convencionales, revelando que las soluciones basadas en ML ofrecen ventajas significativas en eficiencia computacional y adaptabilidad a entornos dinámicos, mientras que los métodos tradicionales aún mantienen ciertas ventajas en precisión para problemas específicos. El análisis sectorial demuestra una amplia implementación en logística comercial, comercio electrónico, respuesta humanitaria e industria 4.0, con beneficios tangibles que incluyen reducción de costos operativos, mejora en la satisfacción del cliente y disminución del impacto ambiental. Los resultados sugieren que la integración de ML/IA en la optimización de rutas no representa simplemente una mejora incremental sino una transformación fundamental en la gestión logística, aunque persisten desafíos relacionados con la infraestructura tecnológica, la calidad de datos y la interpretabilidad de soluciones. Esta revisión proporciona una base sólida para investigadores y profesionales interesados en avanzar en la aplicación de estas tecnologías para enfrentar los crecientes desafíos logísticos en diversos contextos del mundo real.