Algoritmo de optimización híbrido para resolver problemas de planificación de rutas basado en el algoritmo de optimización de lobos grises

Rutas más inteligentes en ciudades saturadas

Cada día, conductores, furgonetas de reparto y robots se enfrentan al mismo desafío: ¿cómo ir de A a B de forma rápida, segura y sin desperdiciar combustible ni tiempo? Este artículo presenta un nuevo método informático que planifica rutas más cortas y suaves a través de redes de calles complejas repletas de obstáculos y congestión. Tomando ideas de cómo cazan los lobos grises en manada y de cómo buscan oro los prospectores, los autores muestran cómo guiar vehículos y robots de manera más eficiente por entornos urbanos concurridos.

Por qué importan mejores rutas

A medida que las ciudades crecen y el tráfico se densifica, incluso pequeñas mejoras en el enrutamiento pueden traducirse en grandes ahorros de tiempo, energía y emisiones. Los métodos tradicionales de búsqueda de rutas pueden funcionar bien cuando el mapa es sencillo, pero a menudo se ralentizan o se quedan atascados cuando el entorno está lleno de giros y barreras posibles. Los métodos modernos “inteligentes” de búsqueda tratan de imitar la naturaleza —como bandadas de aves o colonias de hormigas— para explorar muchas opciones a la vez y decantarse por buenas soluciones. Uno de esos métodos, llamado algoritmo de optimización de lobos grises, se ha vuelto popular por ser simple y flexible, pero aún padece tres problemas principales: puede quedarse atrapado en soluciones subóptimas, puede converger demasiado pronto y no siempre explora todo el mapa de forma exhaustiva.

Mezclando lobos, caos y buscadores de oro

Para superar estas debilidades, los autores diseñan una versión mejorada que denominan CGGWO. Mantiene la idea básica de una manada virtual de lobos grises que buscan la mejor ruta, pero cambia cómo la manada se dispersa y aprende. Primero, en lugar de situar a los lobos en puntos iniciales aleatorios, el método usa un truco matemático llamado mapeo caótico para dispersarlos de manera más uniforme por el área de búsqueda. Esto aumenta la probabilidad de que al menos algunos lobos descubran regiones prometedoras del mapa. A continuación, el método toma una regla de otra técnica inspirada en los buscadores de oro. Aquí, el lobo líder “alfa” es empujado hacia regiones especialmente ricas del espacio de búsqueda, tal como los mineros se desplazan gradualmente hacia áreas con más oro. Este paso inyecta aleatoriedad controlada y diversidad, ayudando a la manada a escapar de elecciones locales pobres.

Cruces ingeniosos y pequeños sacudones

CGGWO añade luego dos tipos de movimientos de “cruzamiento” que mezclan información entre los lobos. En el movimiento horizontal, dos rutas candidatas intercambian partes de sus recorridos, reduciendo puntos ciegos y fomentando que la búsqueda cubra el mapa de forma más completa. En el movimiento vertical, distintas secciones dentro de una misma ruta se combinan entre sí, lo que puede revitalizar partes estancadas de la solución y evitar que la manada se congele prematuramente en una ruta defectuosa. Finalmente, una dosis suave de mutación gaussiana —pequeños empujes aleatorios guiados por el rendimiento de cada lobo— mantiene a la manada explorando. Si la ruta de un lobo es peor que la media, recibe una sacudida más fuerte, lo que ayuda al grupo a no quedar atrapado en un rincón del paisaje de soluciones.

Poniendo el nuevo método a prueba

Los investigadores primero prueban CGGWO en 23 problemas matemáticos estándar que se usan ampliamente para evaluar algoritmos de búsqueda. Estos problemas abarcan desde paisajes suaves con un único valle óptimo hasta terrenos irregulares salpicados de muchos mínimos locales. En la mayoría de estas pruebas, CGGWO encuentra mejores soluciones, converge más rápido y muestra un comportamiento más estable que varios competidores conocidos, incluido el algoritmo original de lobos grises, la optimización por enjambre de partículas y los algoritmos genéticos. El equipo aplica luego el método a un problema realista de planificación de rutas basado en una cuadrícula simplificada de calles cerca de una zona comercial concurrida en Lhasa. Los obstáculos representan tramos bloqueados o congestionados, y el objetivo es unir un punto de inicio y uno de destino con una ruta corta y suave que los evite.

Viajes más cortos y suaves

En la prueba estilo tráfico, CGGWO produce de forma consistente rutas más cortas con menos giros bruscos que los otros métodos, requiriendo además un tiempo de cálculo moderado. En comparación con el algoritmo original de lobos grises y varias técnicas rivales, sus rutas planificadas son más rectas y fáciles de seguir, reduciendo la distancia hasta en aproximadamente una cuarta parte en algunas comparaciones. Para el lector general, la conclusión es clara: al combinar inteligentemente ideas del caos, la caza en grupo y la prospección de oro, el nuevo método explora los mapas de forma más completa y resiste quedarse atrapado en soluciones meramente aceptables. Eso lo convierte en una herramienta prometedora para futuros sistemas de navegación, robots de reparto y otras máquinas inteligentes que deben encontrar rápidamente rutas seguras y eficientes a través de los laberintos concurridos y cambiantes de las ciudades modernas.

Cita: Cheng, G., Liu, Y. Hybrid optimization algorithm for solving path planning problems based on grey wolf optimization algorithm. Sci Rep 16, 8479 (2026). https://doi.org/10.1038/s41598-026-35037-z

Palabras clave: planificación de rutas, algoritmo de optimización, transporte inteligente, inteligencia de enjambre, navegación robótica