Ha aumentado la demanda de servicios de entrega de última milla asequibles y sostenibles en ciudades inteligentes debido al auge del comercio electrónico y la urbanización. Aparte de muchos desafíos para la infraestructura logística tradicional, se encuentran la contaminación ambiental, los costos operativos excesivos y la congestión del tráfico en las carreteras. La investigación presentada aquí propone un modelo de optimización para vehículos eléctricos habilitados por inteligencia artificial con el fin de mejorar la fiabilidad del servicio, reducir las emisiones de carbono y ahorrar tiempo en las entregas. El modelo de solución EVRP de acuerdo con parámetros específicos de la ciudad, como la capacidad de la batería, la disponibilidad de estaciones de carga y las condiciones de tráfico predominantes, ha sido desarrollado integrando Programación Lineal Entera Mixta (MILP) y enfoques metaheurísticos, es decir, Genético. El rendimiento del modelo fue validado con conjuntos de datos de entrega reales en una red simulada de la ciudad inteligente de Lagos. Según los hallazgos, en comparación con las metodologías de enrutamiento tradicionales, el modelo de optimización informado por IA ahorró emisiones de CO2 en un 31.4%, el tiempo de entrega en un 22.5% y la distancia total recorrida en un 17.8%. Adicionalmente, el sistema propuesto tenía flexibilidad ante los patrones de demanda cambiantes y el flujo de tráfico, mejorando la resiliencia de la logística urbana. Estos hallazgos ilustran cómo el enrutamiento de vehículos eléctricos utilizando inteligencia artificial puede apoyar las iniciativas políticas en ciudades inteligentes de bajas emisiones de carbono, mejorar la productividad empresarial y promover la sostenibilidad ambiental. Los responsables de políticas, las empresas de logística y los planificadores urbanos que buscan establecer redes de entrega sostenibles de última milla en ciudades que están surgiendo rápidamente encontrarán útil este estudio.
Popoola et al. (Wed,) estudiaron esta cuestión.