Nuevo Modelo Optimiza Rutas de Vehículos Eléctricos para Entregas Frigoríficas
Un equipo de investigadores chinos ha presentado un avance significativo en la logística urbana sostenible, desarrollando un modelo innovador que optimiza las rutas de entrega para vehículos eléctricos (VE) en el exigente sector de la cadena de frío. El estudio, liderado por He Meiling de la Escuela de Ingeniería Automotriz y de Tráfico de la Universidad de Jiangsu, aborda un desafío crítico: cómo entregar productos perecederos que requieren diferentes niveles de temperatura —desde ambiente hasta congelado— de manera eficiente, rentable y respetuosa con el medio ambiente.
La investigación, publicada en la revista Journal of Jiangsu University (Natural Science Edition), introduce una solución integral que combina tecnología de aislamiento pasivo, un sofisticado algoritmo de optimización y una visión práctica de las operaciones logísticas modernas. El resultado es un modelo de «co-distribución multi-temperatura» (MTCD) para vehículos eléctricos bajo ventanas de tiempo flexibles (STW), que promete reducir drásticamente los costos operativos, la flota de vehículos necesaria y la huella de carbono asociada a las entregas de última milla.
En las ciudades contemporáneas, la demanda de productos frescos y congelados a través del comercio electrónico y las cadenas minoristas ha crecido exponencialmente. Tradicionalmente, este servicio se ha basado en flotas de vehículos frigoríficos especializados, cada uno dedicado a un rango de temperatura específico. Esta estrategia, aunque efectiva, es inherentemente ineficiente. Las flotas son más grandes, los vehículos a menudo circulan con capacidad subutilizada, y el consumo energético —y por ende, las emisiones— es considerable. La transición hacia vehículos eléctricos para estas tareas es una prioridad global para descarbonizar el transporte, pero los VE enfrentan sus propios desafíos, principalmente su autonomía limitada y la necesidad de infraestructura de carga.
El modelo propuesto por He Meiling, Fu Wenqing, Han Xun y Wu Xiaohui ofrece una respuesta elegante a estas complejidades. En lugar de depender de sistemas de refrigeración mecánica activa, que consumen mucha energía de la batería y aumentan el costo del vehículo, el modelo utiliza una tecnología de enfriamiento pasivo. Se emplean cajas aisladas equipadas con materiales de cambio de fase (PCM), conocidos en el estudio como «acumuladores de frío» (coolers). Estos acumuladores se precargan con frío en el centro de distribución y luego mantienen la temperatura deseada en compartimentos separados dentro de un vehículo eléctrico estándar. Esto permite que un solo VE transporte simultáneamente productos a temperatura ambiente, refrigerados y congelados, maximizando la utilización del vehículo y eliminando la necesidad de una flota diversa y especializada.
El corazón del estudio es su marco matemático de optimización, diseñado para minimizar el costo total de la entrega. Este costo no se limita al consumo de electricidad, sino que incorpora una amplia gama de factores: el costo de uso del vehículo, el costo de transporte (basado en la distancia recorrida), el costo de refrigeración (determinado por el número de acumuladores de frío utilizados), el costo de carga de la batería, los costos de incentivo o penalización por entregas anticipadas o tardías, y, crucialmente, el costo de pérdida de producto por deterioro. La inclusión del costo de deterioro es un aporte fundamental, ya que vincula directamente la eficiencia de la ruta con la calidad del producto y la satisfacción del cliente, un aspecto a menudo pasado por alto en modelos más simples.
Para resolver este problema de optimización altamente complejo, que pertenece a la categoría de Problemas de Enrutamiento de Vehículos Eléctricos (EVRP) con múltiples restricciones, el equipo desarrolló una versión mejorada del Algoritmo de Colonia de Hormigas (ACO). El ACO es una metaheurística inspirada en el comportamiento de búsqueda de alimento de las hormigas reales, que utiliza feromonas virtuales para encontrar rutas óptimas. Sin embargo, el ACO clásico puede converger lentamente y quedar atrapado en soluciones subóptimas. Para superar estas limitaciones, los investigadores crearon un algoritmo híbrido, denominado Algoritmo de Colonia de Hormigas Mejorado (IACO).
El IACO integra tres mejoras clave. Primero, combina el ACO con el algoritmo 2-opt, una técnica de búsqueda local que mejora iterativamente las rutas al invertir segmentos de la misma, lo que refina la solución y evita óptimos locales. Segundo, introduce una «matriz de ahorros» en la regla de transferencia de estado, que guía a las hormigas hacia pares de clientes cuya conexión directa ahorra más distancia en comparación con un recorrido vía el centro de distribución. Tercero, y más innovador, incorpora dos factores específicos del problema: un «factor de espera de ventana de tiempo» que prioriza a los clientes donde el tiempo de espera (por llegada anticipada) es mínimo, y un «factor de impacto del producto congelado» que da una mayor probabilidad de selección a los clientes con una alta demanda de productos congelados, los cuales son más sensibles al retraso y al deterioro. Esta combinación de búsqueda global, refinamiento local y heurísticas guiadas por el dominio del problema hace que el IACO sea excepcionalmente potente y eficiente.
La validez y eficacia del modelo y del algoritmo IACO fueron demostradas a través de un riguroso análisis basado en los famosos conjuntos de datos de Solomon, un estándar de referencia en la investigación de enrutamiento de vehículos. El primer conjunto de experimentos se centró en validar el algoritmo IACO contra soluciones óptimas conocidas y resultados de la literatura. Los resultados mostraron que el IACO es altamente competitivo. En el caso del escenario RC101, el algoritmo logró una mejora del 1,083% en la distancia recorrida en comparación con la solución óptima conocida, destacando su superior capacidad de búsqueda.
El segundo y más revelador conjunto de experimentos comparó directamente el modelo de co-distribución multi-temperatura con el modelo tradicional de entrega de temperatura única. Utilizando una versión modificada del conjunto de datos RC101 con 30 clientes y 20 estaciones de carga, la simulación arrojó resultados asombrosos. El enfoque tradicional, que requiere vehículos separados para cada categoría de temperatura, necesitaba un total de 11 vehículos para completar todas las entregas. En contraste, el modelo de co-distribución multi-temperatura logró el mismo objetivo con solo 5 vehículos, una reducción del 54,5%. Esta drástica reducción en el tamaño de la flota se traduce directamente en menores costos de capital, menos necesidad de personal y una huella de movilidad mucho más pequeña.
Además del tamaño de la flota, el modelo de co-distribución también redujo los eventos de carga en un 78%, de 6 paradas a solo 1 durante toda la operación. Esta eficiencia es crítica, ya que la carga frecuente consume tiempo valioso y pone presión sobre la infraestructura urbana de carga. La capacidad de completar más entregas con una sola carga mejora la confiabilidad y la productividad operativa. El costo total de entrega optimizado fue calculado en 2.731,53 yuanes, un valor que engloba todos los costos relevantes, desde la electricidad hasta el potencial deterioro de productos.
El estudio también investigó el impacto de la flexibilidad de las ventanas de tiempo blandas en el rendimiento general. Al ampliar el rango de entrega aceptable desde un 50% hasta un 200% más allá de la ventana ideal del cliente, los investigadores observaron una tendencia clara: a medida que la ventana se ampliaba, el número de vehículos requeridos disminuía y el costo total mostraba una tendencia decreciente. Cuando la ventana de tiempo se amplió en un 100%, el número de vehículos alcanzó su mínimo de 5. Una ampliación adicional no redujo el tamaño de la flota, pero continuó reduciendo el costo total, principalmente al transformar el costo de incentivo de una penalización a una recompensa. Esto se debe a que un horario más flexible permite una secuenciación de rutas mejor, lo que permite a los vehículos llegar antes y mantener una mayor frescura del producto, minimizando así las pérdidas. Este hallazgo proporciona una valiosa perspectiva estratégica para los gestores logísticos: ofrecer a los clientes ventanas de entrega ligeramente más flexibles puede generar ahorros operativos sustanciales sin comprometer la calidad del servicio.
Las implicaciones de esta investigación trascienden el ámbito académico. Para las empresas de logística, el modelo ofrece una vía clara para reducir costos y mejorar la eficiencia en el sector de la cadena de frío, que crece rápidamente. Al adoptar la co-distribución multi-temperatura con vehículos eléctricos estándar, las empresas pueden racionalizar sus flotas, reducir su consumo energético y mejorar sus credenciales de sostenibilidad. Para los planificadores urbanos y responsables políticos, los hallazgos respaldan el caso para invertir en infraestructura de carga para vehículos eléctricos e incentivar soluciones de entrega verde de última milla. La reducción en los kilómetros recorridos por vehículos (VKT) y las emisiones asociadas contribuye a un aire más limpio y menos congestión en los centros urbanos.
Más allá de los vehículos, el éxito del algoritmo IACO demuestra el poder de las técnicas de optimización híbrida para abordar problemas complejos del mundo real. La integración de una búsqueda global (ACO), un refinamiento local (2-opt) y heurísticas específicas del problema proporciona un marco robusto que puede adaptarse a otros desafíos logísticos, como el enrutamiento dinámico, la distribución multinivel o las operaciones de ayuda en desastres.
Aunque el modelo actual representa un salto adelante significativo, los autores reconocen sus limitaciones y esbozan vías para futuras investigaciones. El estudio asume una demanda estática de los clientes y condiciones ideales, sin tener en cuenta factores dinámicos como el tráfico en tiempo real, las interrupciones climáticas o cambios repentinos en el volumen de pedidos. Incorporar estos elementos haría que el modelo fuera aún más robusto y reflejara mejor las condiciones operativas reales. Además, trabajos futuros podrían explorar estrategias de búsqueda local más sofisticadas o técnicas de aprendizaje automático para mejorar aún más la calidad de la solución.
La transición hacia una logística urbana sostenible no es una tarea sencilla, pero esta investigación proporciona una herramienta poderosa para ayudar a navegar el camino. Al combinar tecnología de embalaje innovadora con una sofisticada optimización algorítmica, He Meiling, Fu Wenqing, Wu Xiaohui de la Universidad de Jiangsu y Han Xun de la Academia de Policía de Sichuan han demostrado una solución práctica y escalable para el futuro de la entrega en la cadena de frío. Su trabajo muestra que, con la combinación adecuada de tecnología e inteligencia, es posible entregar alimentos más frescos, reducir costos y proteger el medio ambiente, todo ello con una flota de vehículos eléctricos más pequeña e inteligente.
Este estudio es un testimonio del poder de la investigación interdisciplinaria, que fusiona conocimientos de ingeniería del transporte, investigación de operaciones y ciencia ambiental. Aborda una necesidad crítica en la sociedad moderna: la entrega eficiente y sostenible de bienes esenciales. A medida que el comercio electrónico continúa creciendo y las poblaciones urbanas se expanden, la demanda de soluciones logísticas inteligentes y verdes solo se intensificará. El modelo presentado en este artículo ofrece un plan de acción convincente para que la industria logística enfrente este desafío de frente.
La investigación también destaca la importancia de las ventanas de tiempo blandas como una palanca estratégica para la optimización. En una era en la que las expectativas de los clientes sobre la velocidad de entrega aumentan constantemente, este estudio ofrece una perspectiva contraintuitiva pero valiosa: a veces, ofrecer un poco más de flexibilidad puede conducir a mejores resultados generales. Al alinear los horarios de entrega con la eficiencia operativa en lugar de las demandas rígidas de los clientes, las empresas pueden lograr un escenario de beneficio mutuo: menores costos para ellas y productos más frescos y de mayor calidad para sus clientes.
El uso de materiales de cambio de fase para el control de la temperatura es otra conclusión clave. Esta solución de baja tecnología y alto impacto evita la necesidad de unidades de refrigeración costosas y de alto consumo energético, lo que la hace accesible para una gama más amplia de operadores, incluidas las pequeñas y medianas empresas. Esta democratización de la tecnología de la cadena de frío puede ayudar a ampliar el acceso a alimentos frescos en comunidades desatendidas, contribuyendo a objetivos sociales y económicos más amplios.
En conclusión, esta investigación representa una contribución significativa al campo de la logística sostenible. Va más allá de los modelos teóricos para proporcionar una solución práctica y basada en datos que se puede implementar en el mundo real. La combinación de co-distribución multi-temperatura, vehículos eléctricos y optimización inteligente de rutas ofrece un enfoque holístico para los desafíos de la entrega moderna. A medida que las ciudades se esfuerzan por volverse más inteligentes y verdes, estudios como este serán esenciales para dar forma al futuro de la movilidad urbana y las cadenas de suministro.
Los hallazgos son particularmente oportunos, ya que gobiernos y corporaciones de todo el mundo establecen objetivos ambiciosos de neutralidad de carbono. El sector logístico, un importante contribuyente a las emisiones de gases de efecto invernadero, debe desempeñar un papel central en esta transición. El modelo desarrollado por He Meiling y sus colegas proporciona una hoja de ruta clara y ejecutable para reducir el impacto ambiental de la entrega de última milla, uno de los segmentos más intensivos en carbono de la cadena de suministro.
En última instancia, esta investigación no trata solo de algoritmos y funciones de costo; trata de crear una forma más eficiente, resistente y sostenible de mover bienes en el siglo XXI. Al repensar cómo entregamos productos sensibles a la temperatura, podemos construir un sistema logístico que sea mejor para las empresas, mejor para los consumidores y mejor para el planeta.
He Meiling, Fu Wenqing, Han Xun, Wu Xiaohui, School of Automotive and Traffic Engineering, Jiangsu University; Intelligent Policing Key Laboratory of Sichuan Province, Sichuan Police College; Department of Transportation Management, Sichuan Police College. Journal of Jiangsu University (Natural Science Edition), DOI: 10.3969/j.issn.1671-7775.2024.06.002