Estudio comparativo de ACO, Dijkstra y NN para la eficiencia de enrutamiento en redes de recogida de residuos

Por qué importan rutas de basura más inteligentes

Tras cada camión de basura que pasa por su calle se esconde un rompecabezas complejo: cómo visitar numerosos contenedores y barrios mientras se conduce lo menos posible. Con las ciudades generando miles de millones de toneladas de residuos y los costes de combustible y las emisiones en alza, incluso pequeñas mejoras en el enrutamiento pueden ahorrar dinero, reducir la contaminación y aliviar el tráfico. Este artículo plantea una pregunta práctica para las ciudades modernas: entre tres métodos populares para calcular rutas de camiones de recogida, ¿cuál funciona realmente mejor cuando las redes se vuelven más grandes y concurridas?

Tres maneras de encontrar un camino

El estudio compara tres familias de métodos de enrutamiento, cada una reflejando un estilo distinto de toma de decisiones. La primera, llamada Optimización por Colonia de Hormigas (ACO), se inspira en cómo las hormigas reales depositan y siguen trayectorias de feromonas: los caminos prometedores se refuerzan con el tiempo, mientras que los más débiles se desvanecen. La segunda, el algoritmo de Dijkstra, es una receta matemática clásica que siempre encuentra el camino más corto en una red cuando las condiciones son fijas y conocidas. La tercera, el método del Vecino Más Cercano, imita una conjetura humana rápida: desde donde estás, simplemente dirígete al punto no visitado más cercano y repite. Los tres se aplican al mismo tipo de mapa urbano abstracto, donde intersecciones y puntos de recogida están representados como nodos conectados por carreteras con costes que reflejan distancia y congestión.

Construir ciudades virtuales para probar las ideas

En lugar de confiar en un pueblo concreto, los autores construyen redes viales sintéticas que se parecen a trazados urbanos típicos. Estas redes son dispersas, con cada punto conectado solo a unos pocos otros, e incluyen un rango de tamaños desde 10 hasta más de 50 ubicaciones para reproducir desde pequeños distritos hasta zonas urbanas considerables. Los tramos de carretera llevan costes “ponderados por congestión”, por lo que las vías más concurridas o largas son efectivamente más caras de usar. En cada uno de estos mapas virtuales, se pide a los tres algoritmos que encuentren rutas de bajo coste entre un punto de inicio y otro de destino elegidos. Para mantener la comparación justa, los tres usan la misma estructura de costes subyacente, y los métodos más aleatorios se ejecutan muchas veces para que los investigadores puedan medir tanto su rendimiento medio como su variabilidad.

Qué revelan las pruebas cara a cara

Los resultados muestran un patrón claro. En redes pequeñas, medianas y grandes, ACO descubre de forma consistente rutas con el coste total medio más bajo. Sus hormigas exploran, aprenden de la experiencia y gradualmente se concentran en caminos más baratos, lo que resulta especialmente valioso a medida que las redes crecen y los costes de las vías se vuelven más desiguales. El algoritmo de Dijkstra es extremadamente estable: dado el mismo mapa y costes, siempre devuelve la misma ruta, con muy poca dispersión en los resultados. Sin embargo, cuando se consideran costes ponderados por congestión y trazados más complejos, sus rutas resultan algo más caras que las halladas por un ACO bien ajustado. El método del Vecino Más Cercano es el más rápido de ejecutar pero rinde peor: al perseguir siempre el punto más cercano siguiente, tiende a pasar por alto atajos inteligentes a largo plazo y produce las rutas más caras y las más inconsistentes.

Comprobar que las diferencias son reales

Para asegurar que estas brechas de rendimiento no son simples casualidades debidas a la variación aleatoria, los autores usan una herramienta estadística conocida como la prueba de rangos con signo de Wilcoxon. Esta prueba compara resultados emparejados de los algoritmos en las mismas instancias de la red sin asumir que los datos sigan una distribución en forma de campana. En todos los tamaños de red que estudian, la prueba indica que los ahorros de coste de ACO frente a Dijkstra y al Vecino Más Cercano son estadísticamente significativos y no accidentales. Al mismo tiempo, las medidas de dispersión muestran el equilibrio entre estabilidad y flexibilidad: las rutas de Dijkstra apenas varían, mientras que los resultados de ACO cambian ligeramente de una ejecución a otra a medida que explora alternativas antes de asentarse cerca de las mejores rutas.

Qué significa esto para las calles de la ciudad

Para los gestores urbanos, el mensaje del artículo es a la vez práctico e intuitivo. Si la red vial es pequeña y las condiciones son bastante estables, un método clásico de camino más corto como Dijkstra es simple y fiable. Cuando las redes son mayores y la congestión u otros costes varían en el espacio, un enfoque inspirado en las hormigas puede extraer rutas notablemente más baratas, aunque requiera más esfuerzo computacional en segundo plano. La estrategia rápida y rudimentaria del Vecino Más Cercano, aunque tentadora por su velocidad, deja sistemáticamente dinero y combustible sobre la mesa. En conjunto, el estudio ofrece una guía puesta a prueba: elija métodos deterministas para escenarios pequeños y previsibles, pero favorezca la optimización adaptativa basada en enjambres a la hora de planificar una recogida de residuos rentable y escalable en ciudades modernas y en crecimiento.

Cita: Anitha, R., Parthiban, A. Comparative study of ACO, dijkstra, and NN for routing efficiency in waste collection networks. Sci Rep 16, 13346 (2026). https://doi.org/10.1038/s41598-026-42866-5

Palabras clave: recogida de residuos urbanos, optimización de rutas, optimización por colonia de hormigas, algoritmos de camino más corto, logística de ciudades inteligentes