La infraestructura urbana se degrada con el tiempo, lo que requiere renovaciones periódicas para mantener la funcionalidad y seguridad. Cuando la renovación se retrasa más allá de la vida útil restante de la infraestructura, se vuelven necesarias intervenciones de emergencia costosas para prevenir fallos. Por lo tanto, los tomadores de decisiones deben equilibrar los costos esperados de intervención de emergencia frente a los impactos de congestión del tráfico. Formalizamos esta compensación como un problema de programación de mantenimiento de redes viales con plazos inciertos, que presenta desafíos de optimización, incluyendo evaluación computacionalmente costosa y un espacio de solución que crece exponencialmente. Para abordar estos desafíos, este artículo contribuye con un enfoque de optimización híbrido que combina aprendizaje automático con algoritmos genéticos para la programación de renovación de infraestructuras a gran escala bajo incertidumbre. Formalizamos el problema como un problema de optimización multiobjetivo en dos niveles que tiene en cuenta explícitamente las vidas útiles inciertas de la infraestructura a través de modelos de fallo probabilísticos. Desarrollamos un método de evaluación progresiva de límites inferiores que integra modelos de sustitución de aprendizaje automático con un algoritmo genético multiobjetivo para mejorar la calidad de la solución al permitir más iteraciones dentro de presupuestos computacionales fijos. Demostramos la efectividad del método en instancias de problemas sustancialmente más grandes (76 proyectos) que las abordadas previamente en la literatura, logrando mejoras estadísticamente significativas a través de múltiples métricas de rendimiento al aumentar la eficiencia computacional hasta 40 veces en comparación con enfoques estándar.
Bosch et al. (Tue,) estudiaron esta cuestión.