Transferencia de Aprendizaje en Algoritmos de Optimización Bioinspirada: Un Estudio Experimental en Logística de Transporte

UNIVERSIDAD DE VALPARA´ ISO Facultad de Ingenier´ıa Escuela de Ingenier´ıa Inform´atica TRANSFERENCIA DE APRENDIZAJE EN ALGORITMOS DE OPTIMIZACI´ ON BIOINSPIRADA: UN ESTUDIO EXPERIMENTAL EN LOG´ ISTICA DE TRANSPORTE Propuesta para Consorcio Doctoral Mag. David Alonso D´ıaz [email protected] December 15, 2025 Resumen La log´ıstica urbana y de ´ultima milla enfrenta crecientes desaf´ıos derivados de la congesti´on vehicular, la variabilidad de la demanda y la necesidad de reducir la huella de carbono, lo que exige soluciones adaptativas, eficientes y sostenibles. En este contexto, los algoritmos de optimizaci´on bioinspirados, como el Particle Swarm Optimization (PSO), han demostrado ser herramientas efectivas para resolver problemas complejos de ruteo de veh´ıculos en entornos urbanos; sin embargo, su aplicabilidad en escenarios reales se ve limitada por la rigidez de los modelos, los altos costos computacionales y la dificultad para reutilizar el conocimiento adquirido previamente. La presente investigaci´on propone desarrollar un simulador de optimizaci´on bioinspirada con transferencia de aprendizaje para ruteo urbano, que permita evaluar c´omo distintas estrategias de transferencia —soluciones iniciales, hiperpar´ametros o combinaciones de ambas— pueden mejorar el desempe˜no del PSO en escenarios distintos al original, acelerando la convergencia, reduciendo la distancia recorrida y disminuyendo las emisiones de CO2, lo que favorecer´a operaciones m´as sostenibles y eficientes. El estudio se enmarca dentro de un dise˜no experimental computacional basado en metodolog´ıas emp´ıricas en ingenier´ıa, contemplando m´etricas clave como distancia total, emisiones estimadas y tiempo de c´omputo, con el objetivo de proporcionar evidencia conceptual y metodol´ogica sobre la integraci´on de aprendizaje transferido en algoritmos bioinspirados, ampliando el conocimiento en optimizaci´on adaptativa y log´ıstica urbana, y generando un impacto social positivo mediante la oferta de herramientas pr´acticas para la planificaci´on eficiente y sostenible de redes de transporte urbano, contribuyendo as´ı a la reducci´on de emisiones y al mejoramiento de la calidad de los servicios de entrega. Palabras Claves: Log´ıstica urbana, Optimizaci´on bioinspirada, Particle Swarm Optimization, Transferencia de aprendizaje, Sostenibilidad. Abstract Urban and last-mile logistics face increasing challenges due to traffic congestion, fluctuating demand, and the urgent need to reduce carbon footprints, requiring adaptive, efficient, and sustainable solutions. In this context, bioinspired optimization algorithms, such as Particle Swarm Optimization (PSO), have proven effective in addressing complex vehicle routing problems in urban environments; however, their applicability in real-world scenarios is limited by model rigidity, high computational costs, and difficulties in reusing previously acquired knowledge. This research proposes the development of a bioinspired optimization simulator with transfer learning for urban routing, enabling the evaluation of different transfer strategies —initial solutions, hyperparameters, or combinations thereof— to enhance PSO performance in scenarios different from the original, accelerating convergence, reducing traveled distance, and lowering CO2emissions, thereby fostering more sustainable and efficient operations. The study follows a computational experimental design based on empirical engineering methodologies, assessing key metrics such as total distance, estimated emissions, and computation time, aiming to provide conceptual and methodological evidence for integrating transfer learning into bioinspired algorithms, advancing knowledge in adaptive optimization and urban logistics, and generating a positive social impact by offering practical tools for efficient and sustainable urban transportation planning, contributing to emission reduction and improved delivery services. Keywords: Urban logistics, bioinspired optimization, Particle Swarm Optimization, transfer learning, sustainability. 2 ´ Indice 1 Introducci´on 4 2 Trabajos Relacionados 5 2.1 Background ................................ 5 2.2 EstadodelArte.............................. 6 3 Materiales y M´etodos 7 3.1 Soluci´onpropuesta ............................ 7 3.2 Definici´on del estudio de validaci´on . . . . . . . . . . . . . . . . . . . 7 3.3 Definici´on de mediciones . . . . . . . . . . . . . . . . . . . . . . . . . 8 4 Dise˜no de la investigaci´on 8 4.1 Estado del arte de experimentaci´on . . . . . . . . . . . . . . . . . . . 8 4.2 Definici´ondelalcance........................... 9 4.3 Contexto experimental . . . . . . . . . . . . . . . . . . . . . . . . . . 9 4.4 Hip´otesis de investigaci´on . . . . . . . . . . . . . . . . . . . . . . . . 9 4.5 Variablesym´etricas ........................... 10 4.6 Selecci´on de instancias y muestreo . . . . . . . . . . . . . . . . . . . . 10 4.7 Dise˜no experimental y validez . . . . . . . . . . . . . . . . . . . . . . 10 4.8 Instrumentaci´on.............................. 10 5 Resultados 11 5.1 Ejecuci´on del estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 5.2 An´alisis estad´ıstico descriptivo . . . . . . . . . . . . . . . . . . . . . . 11 5.3 Testdehip´otesis ............................. 13 5.4 Respuestas a las preguntas de investigaci´on . . . . . . . . . . . . . . . 14 6 Discusi´on 15 6.1 Comparaci´on con estudios previos . . . . . . . . . . . . . . . . . . . . 15 6.2 Explicaci´on de resultados e implicancias . . . . . . . . . . . . . . . . 15 6.3 Amenazas a la validez y limitaciones . . . . . . . . . . . . . . . . . . 16 6.4 Conclusiones................................ 16 Referencias 17 3 1 Introducci´on La log´ıstica de transporte urbano y de ´ultima milla enfrenta crecientes desaf´ıos derivados del aumento en la demanda de entregas, la congesti´on vehicular y la necesidad de reducir la huella de carbono, considerando que el transporte es responsable de alrededor del 24 % de las emisiones globales de CO2[1]. Empresas, gobiernos y clientes buscan eficiencia, sostenibilidad y rapidez, pero los sistemas de distribuci´on suelen ser ineficientes, incrementando costos y emisiones [2, 3]. Esta problem´atica se intensifica debido a la limitada adaptabilidad de los modelos tradicionales de ruteo de veh´ıculos, que enfrentan altos costos computacionales y aplicabilidad reducida en escenarios din´amicos [4, 5]. En respuesta, los algoritmos de optimizaci´on bioinspirados, como Particle Swarm Optimization (PSO), han mostrado eficacia en problemas complejos de ruteo [6, 7, 8], aunque requieren tiempos de c´omputo elevados y carecen de mecanismos para reutilizar conocimiento previo. La transferencia de aprendizaje (transfer learning) surge como una estrategia prometedora para acelerar la convergencia y mejorar la generalizaci´on [9, 10, 11], pero su aplicaci´on a PSO en log´ıstica urbana es incipiente. Algunos estudios indican que la transferencia de soluciones parciales o configuraciones de par´ametros puede mejorar el desempe˜no en dominios complejos [12], aunque a´un existen vac´ıos respecto a c´omo distintos tipos de transferencia impactan escenarios urbanos con condiciones geogr´aficas y operativas variadas. Frente a este panorama, esta investigaci´on propone el desarrollo de un artefacto denominado Simulador de Optimizaci´on Bioinspirada con Transferencia de Aprendizaje para Ruteo Urbano, dise˜nado para entrenar PSO en un escenario base (Ciudad A) y evaluar diferentes configuraciones de transferencia en un escenario distinto (Ciudad B). Se busca comparar el desempe˜no del PSO sin transferencia, con transferencia de soluciones iniciales, de hiperpar´ametros y combinada, considerando m´etricas como distancia recorrida, emisiones estimadas y tiempo de c´omputo. Las preguntas de investigaci´on son: •¿La transferencia de aprendizaje mejora el desempe˜no del algoritmo PSO en un escenario de ruteo urbano distinto al original? •¿Qu´e tipo de transferencia (soluciones iniciales, hiperpar´ametros o ambas) genera mayor beneficio en t´erminos de distancia y emisiones? •¿C´omo var´ıa la eficiencia del PSO con transferencia frente a sin transferencia al cambiar la complejidad del escenario (distribuci´on geogr´afica)? El estudio es experimental y se desarrolla en un entorno de simulaci´on computacional, siguiendo la metodolog´ıa para estudios emp´ıricos en ingenier´ıa de Kitchenham et al. [13]. Las variables independientes son el tipo de transferencia y el algoritmo utilizado; las dependientes corresponden a distancia total recorrida, emisiones de CO2e y tiempo de c´omputo. Se espera que los resultados evidencien mejoras en eficiencia y sostenibilidad, aportando tanto al conocimiento cient´ıfico como a la planificaci´on log´ıstica urbana en escenarios reales. 4 2 Trabajos Relacionados En esta secci´on se presentan investigaciones previas que abordan problemas de optimizaci´on en log´ıstica urbana y de ´ultima milla, haciendo ´enfasis en el uso de algoritmos bioinspirados y t´ecnicas de transferencia de aprendizaje. Se describen tanto los avances en metodolog´ıas computacionales como los enfoques experimentales que permiten evaluar la eficiencia y sostenibilidad de las soluciones propuestas. El objetivo es contextualizar la presente investigaci´on, identificar vac´ıos en la literatura y destacar c´omo el artefacto propuesto puede aportar nuevas evidencias y mejoras en el desempe˜no de los algoritmos de optimizaci´on en escenarios urbanos complejos. 2.1 Background La log´ıstica urbana y de ´ultima milla enfrenta desaf´ıos significativos, donde la eficiencia operativa debe equilibrarse con la sostenibilidad ambiental y la equidad social. La creciente congesti´on vehicular y las altas emisiones de CO2derivadas del transporte urbano han impulsado la necesidad de soluciones log´ısticas m´as inteligentes y adaptativas [14, 15, 16]. En este contexto, los algoritmos bioinspirados, como Particle Swarm Optimization (PSO), han emergido como herramientas efectivas para abordar problemas complejos de optimizaci´on en redes log´ısticas urbanas [14, 16]. El PSO, inspirado en el comportamiento de enjambres naturales, ha sido adaptado para resolver el Problema de Ruteo de Veh´ıculos (VRP) y otros desaf´ıos log´ısticos, demostrando su capacidad para encontrar soluciones eficientes en espacios de b´usqueda complejos [14, 16]. No obstante, su aplicaci´on en entornos urbanos reales presenta limitaciones frente a la variabilidad de escenarios y condiciones operativas. La transferencia de aprendizaje permite que los modelos entrenados en un escenario se adapten y generalicen a otros con menor esfuerzo computacional [15]. Estudios recientes han explorado la combinaci´on de PSO con transferencia de aprendizaje para mejorar eficiencia y adaptabilidad. Li et al. [14] propusieron un modelo multiobjetivo considerando congesti´on y emisiones de carbono, mostrando mejoras en eficiencia y reducci´on de emisiones. Kourepinis et al. [15] desarrollaron una variante mejorada de PSO para ruteo urbano, enfatizando la adaptaci´on a las caracter´ısticas del entorno. Tan et al. [16] demostraron que optimizar par´ametros y adaptar PSO a la red log´ıstica mejora precisi´on, velocidad de convergencia y uso eficiente de recursos. Estas investigaciones subrayan la relevancia de combinar enfoques bioinspirados con transferencia de aprendizaje. Sin embargo, persiste la necesidad de estudios experimentales que comparen estrategias de transferencia —soluciones iniciales, hiperpar´ametros o combinaciones— y eval´uen su impacto en m´etricas clave como distancia recorrida, emisiones y tiempo de c´omputo. Este vac´ıo motiva la presente investigaci´on, que busca desarrollar y validar un simulador de optimizaci´on bioinspirada con transferencia de aprendizaje para ruteo urbano, con el objetivo de mejorar la eficiencia y sostenibilidad de las operaciones log´ısticas. 5 2.2 Estado del Arte La literatura reciente en ruteo de veh´ıculos converge en dos l´ıneas principales: (i) el perfeccionamiento de metaheur´ısticas cl´asicas, como PSO, para abordar variantes realistas del VRP, y (ii) la reutilizaci´on de conocimiento entre instancias o tareas relacionadas mediante estrategias de transferencia, tales como warm-start (transferencia de soluciones iniciales), transferencia de hiperpar´ametros y enfoques multitarea. Esta tendencia se observa tanto en estudios basados en metaheur´ısticas como en enfoques h´ıbridos con aprendizaje autom´atico y profundo. Kashyap et al. [17] proponen una variante de PSO con roulette-wheel selection (RWPSO) para el VRPTW, orientada a mitigar la convergencia prematura. Mediante experimentos sobre los benchmarks de Solomon, los autores muestran que mejoras en los operadores de selecci´on y exploraci´on permiten mantener la competitividad de PSO en escenarios con ventanas de tiempo. Por su parte, King y van Vuuren [18] introducen una heur´ıstica de reciclaje aplicada a un GA para el PVRPTW, reutilizando soluciones hist´oricas como poblaci´on inicial. Los resultados reportan reducciones de hasta un 26 % en el tiempo de c´omputo sin p´erdida de calidad, constituyendo evidencia directa de la efectividad de la transferencia de soluciones iniciales (warm-start) en problemas de ruteo. Deng et al. [19] presentan un esquema multitarea y multiobjetivo que combina aprendizaje profundo por refuerzo (modelo de atenci´on) con operadores evolutivos para el MOVRPTW. El enfoque permite transferir conocimiento entre tareas relacionadas y demuestra mejoras en frentes de Pareto sobre 45 instancias reales. De forma complementaria, Herdianto et al. [20] muestran que guiar metaheur´ısticas con caracter´ısticas aprendidas mediante aprendizaje supervisado mejora estad´ısticamente el desempe˜no en CVRP, reforzando el valor de reutilizar conocimiento aprendido. M´as recientemente, Wu et al. [21] proponen un marco h´ıbrido con transferencia de conocimiento para CVRP a escala industrial, utilizando selecci´on por similitud entre tareas y semillas incrementales. Sus resultados en benchmarks y escenarios reales confirman la madurez del enfoque de transferencia, al tiempo que evidencian la necesidad de mitigar efectos de transferencia negativa. La Tabla ?? sintetiza estos estudios destacando el problema abordado, el enfoque metodol´ogico, el tipo de transferencia empleada y las m´etricas utilizadas. S´ıntesis metodol´ogica. En conjunto, estos trabajos muestran que (i) PSO y sus variantes siguen siendo competitivos cuando se incorporan mecanismos que mejoran la exploraci´on y la selecci´on; (ii) la transferencia de soluciones iniciales reduce el tiempo de c´omputo sin degradar la calidad; y (iii) los enfoques multitarea y guiados por ML/DRL permiten acelerar la b´usqueda y mejorar la calidad de soluci´on, incluso en instancias reales. Desde el punto de vista experimental, los estudios coinciden en comparar configuraciones con y sin transferencia, utilizar benchmarks estandarizados y m´etricas como distancia total, n´umero de veh´ıculos, tardanzas y tiempo de c´omputo, junto con m´ultiples r´eplicas y an´alisis estad´ıstico descriptivo. No obstante, persisten limita6 ciones comunes: la ausencia de an´alisis sistem´atico de distintos tipos de transferencia bajo un mismo marco experimental, la escasa evaluaci´on de posibles efectos de transferencia negativa y la concentraci´on en benchmarks de complejidad limitada. Estos vac´ıos motivan el presente estudio. 3 Materiales y M´etodos Esta secci´on describe los materiales, herramientas y procedimientos utilizados en el estudio experimental. Se presenta el artefacto desarrollado, los algoritmos bioinspirados considerados, los escenarios de simulaci´on y la metodolog´ıa empleada para evaluar el desempe˜no del sistema. Asimismo, se definen las variables, m´etricas y procedimientos de an´alisis utilizados para medir la eficiencia y sostenibilidad del ruteo urbano. 3.1 Soluci´on propuesta El artefacto desarrollado corresponde al Simulador de Optimizaci´on Bioinspirada con Transferencia de Aprendizaje para Ruteo Urbano, un entorno computacional orientado a la evaluaci´on de problemas de log´ıstica de ´ultima milla mediante algoritmos bioinspirados, particularmente Particle Swarm Optimization (PSO), incorporando estrategias de transferencia de aprendizaje entre escenarios. El simulador integra cuatro componentes principales: (i) un generador de escenarios log´ısticos que permite definir mapas urbanos con nodos de clientes, matrices de distancias eucl´ıdeas y restricciones operativas; (ii) un algoritmo PSO configurable, con par´ametros ajustables y variantes para experimentar distintas estrategias de optimizaci´on; (iii) un m´odulo de transferencia de aprendizaje que posibilita la reutilizaci´on de soluciones iniciales, hiperpar´ametros o ambas; y (iv) un panel de resultados que visualiza rutas, curvas de convergencia, distancia total, emisiones estimadas de CO2e y tiempo de c´omputo. El simulador permite realizar experimentos controlados en dos escenarios urbanos simulados (Ciudad A y Ciudad B), comparando el desempe˜no del PSO con y sin transferencia de aprendizaje. Esta herramienta facilita el an´alisis de m´etricas clave relacionadas con eficiencia operativa y sostenibilidad, contribuyendo tanto al estudio cient´ıfico de la optimizaci´on bioinspirada como a aplicaciones pr´acticas en log´ıstica urbana. 3.2 Definici´on del estudio de validaci´on El estudio experimental se gu´ıa por las siguientes preguntas de investigaci´on: •PI1: ¿La transferencia de aprendizaje mejora el desempe˜no del PSO en un escenario urbano distinto al original? •PI2: ¿Qu´e tipo de transferencia genera mayores beneficios en t´erminos de distancia y emisiones? 7 •PI3: ¿C´omo var´ıa la eficiencia del PSO con transferencia frente a sin transferencia al aumentar la complejidad del escenario? La validaci´on se estructura mediante la metodolog´ıa Goal–Question–Metric (GQM). El objetivo es analizar el impacto de distintas estrategias de transferencia de aprendizaje en el PSO aplicado al ruteo urbano, evaluando mejoras en eficiencia y sostenibilidad desde una perspectiva experimental. Las preguntas corresponden a PI1–PI3 y las m´etricas se detallan en la subsecci´on siguiente. El alcance del estudio se limita a experimentos controlados en dos escenarios simulados, considerando exclusivamente variantes de PSO con diferentes configuraciones de transferencia. 3.3 Definici´on de mediciones Para responder las preguntas de investigaci´on se definen hip´otesis, factores, variables dependientes y m´etricas asociadas: •PI1: Se eval´ua el efecto de la presencia o ausencia de transferencia de aprendizaje sobre la distancia total recorrida, medida en kil´ometros. •PI2: Se analiza el impacto del tipo de transferencia (ninguna, soluciones iniciales, hiperpar´ametros o ambas) sobre la distancia recorrida, las emisiones estimadas de CO2e —calculadas a partir de la distancia y un factor de emisi´on— y el tiempo de c´omputo medido en segundos. •PI3: Se estudia la influencia de la complejidad del escenario (baja, media y alta, seg´un la dispersi´on geogr´afica de los clientes) sobre la convergencia del algoritmo, la distancia recorrida y las emisiones generadas, utilizando curvas de convergencia y m´etricas derivadas de PI2. 4 Dise˜no de la investigaci´on 4.1 Estado del arte de experimentaci´on La literatura experimental reciente en ruteo y log´ıstica muestra un uso creciente de metaheur´ısticas —en particular PSO— combinadas con estrategias de reutilizaci´on o transferencia de conocimiento, evaluadas mediante dise˜nos controlados y m´etricas comparables. Estudios como [14, 15, 16] analizan variantes de PSO en escenarios urbanos y redes log´ısticas, incorporando evaluaciones por distancia, emisiones, tiempo de c´omputo y an´alisis de convergencia, con m´ultiples r´eplicas para estabilidad estad´ıstica. En paralelo, trabajos m´as recientes introducen expl´ıcitamente mecanismos de transferencia: reutilizaci´on de soluciones iniciales (warm-start) [18], transferencia multitarea asistida por DRL [19], y gu´ıa basada en caracter´ısticas aprendidas [20]. A escala industrial, 8 [21] reporta marcos h´ıbridos con an´alisis expl´ıcito de transferencia negativa y estrategias de mitigaci´on. En conjunto, estos estudios establecen buenas pr´acticas experimentales: comparaci´on con y sin transferencia, an´alisis de convergencia, m´ultiples semillas, m´etricas de eficiencia y robustez, y, cuando es posible, validaci´on en instancias reales o industriales. 4.2 Definici´on del alcance Goal. Analizar el impacto de estrategias de transferencia de aprendizaje (soluciones iniciales, hiperpar´ametros y su combinaci´on) sobre el desempe˜no del PSO en ruteo urbano, evaluando mejoras en eficiencia y sostenibilidad desde una perspectiva experimental. Context. Experimentos computacionales off-line en escenarios urbanos simulados (Ciudad A y Ciudad B), con posibilidad de extensi´on a trazas reales. Subjects. Instancias sint´eticas de VRP, benchmarks p´ublicos (Solomon, CVRP/Uchoa) y, cuando est´en disponibles, datasets reales de ´ordenes urbanas. Treatments. Cuatro condiciones experimentales: sin transferencia (T0), transferencia de soluciones iniciales (T1), transferencia de hiperpar´ametros (T2) y transferencia combinada (T3). Measurements. Distancia total, emisiones estimadas, tiempo de c´omputo, convergencia y estabilidad entre r´eplicas. Assumptions y Limitations. Se asume distancia eucl´ıdea y factor de emisi´on constante; el estudio se restringe a PSO y a escenarios offline, limitando la validez externa inmediata. 4.3 Contexto experimental El dise˜no experimental se realiza en modalidad off-line, sin intervenci´on humana directa. La investigaci´on se estructura en dos fases: (i) evaluaci´on en problemas controlados (instancias sint´eticas y benchmarks), y (ii) validaci´on posterior en datos reales. El enfoque es inicialmente espec´ıfico (PSO en ruteo urbano) para obtener evidencia causal, con potencial de generalizaci´on metodol´ogica a otras metaheur´ısticas. 4.4 Hip´otesis de investigaci´on Se formulan tres conjuntos de hip´otesis: PI1 (efecto global de la transferencia): La incorporaci´on de transferencia de aprendizaje reduce significativamente la distancia total media frente a PSO sin transferencia. PI2 (comparaci´on de tipos de transferencia): La transferencia combinada (T3) produce mejoras significativas en distancia y emisiones respecto a transferencias parciales (T1, T2). 9 hist´oricas, siempre que esta se implemente de forma selectiva. En escenarios reales con variabilidad temporal, el uso de soluciones iniciales puede traducirse en reducciones de distancia recorrida y emisiones sin incrementar el costo computacional. En cambio, la transferencia de hiperpar´ametros requiere validaci´on previa y mecanismos adaptativos antes de su aplicaci´on operativa. 6.3 Amenazas a la validez y limitaciones El dise˜no experimental mitiga varias amenazas a la validez interna. La aleatoriedad del PSO se control´o mediante m´ultiples r´eplicas independientes con semillas distintas y un dise˜no balanceado y pareado por instancia. Asimismo, el control expl´ıcito de variables de bloqueo, como n´umero de part´ıculas, iteraciones y capacidad del veh´ıculo, contribuye a aislar el efecto del tipo de transferencia. No obstante, el estudio presenta limitaciones. En primer lugar, los experimentos se realizaron en un entorno off-line con instancias simuladas y benchmarks, lo que limita la validez externa hacia escenarios urbanos reales con din´amicas complejas, como tr´afico variable o ventanas de tiempo estoc´asticas. En segundo lugar, el an´alisis se restringe a una ´unica metaheur´ıstica (PSO), por lo que los resultados no son directamente generalizables a otros enfoques bioinspirados. Finalmente, las emisiones se estimaron mediante un factor constante por kil´ometro, lo que simplifica el impacto ambiental y no captura efectos asociados a congesti´on o consumo energ´etico variable. Estas limitaciones delimitan claramente el alcance de los resultados y justifican la necesidad de extensiones futuras. 6.4 Conclusiones Este trabajo evalu´o el impacto de distintas estrategias de transferencia de aprendizaje sobre el desempe˜no de un algoritmo de Optimizaci´on por Enjambre de Part´ıculas (PSO) aplicado a problemas de ruteo urbano. Para ello, se desarroll´o un estudio experimental controlado en el que el algoritmo fue entrenado en un escenario de referencia (Ciudad A) y evaluado en un escenario distinto (Ciudad B), considerando cuatro tratamientos: sin transferencia, transferencia de soluciones iniciales, transferencia de hiperpar´ametros y transferencia combinada. Los resultados permiten responder las preguntas de investigaci´on planteadas. En relaci´on con la PI1, la transferencia de soluciones iniciales mostr´o mejoras significativas en la distancia total recorrida y en las emisiones estimadas, respaldadas por an´alisis estad´ısticos y tama˜nos de efecto elevados. En cuanto a la PI2, se observ´o que no todas las estrategias de transferencia son efectivas: la transferencia de hiperpar´ametros y la transferencia combinada no presentan mejoras consistentes y, en varios casos, deterioran el desempe˜no, evidenciando transferencia negativa. Respecto a la PI3, no se identificaron incrementos significativos en el tiempo de c´omputo asociados a las estrategias evaluadas, lo que indica que las diferencias observadas no responden a un mayor costo computacional. 16 En conjunto, los resultados indican que la reutilizaci´on de soluciones iniciales constituye una estrategia de transferencia efectiva en el contexto experimental considerado, mientras que la transferencia de configuraciones internas del algoritmo requiere una aplicaci´on cautelosa y dependiente del escenario. Desde el punto de vista metodol´ogico, el estudio aporta un dise˜no experimental replicable para analizar de forma sistem´atica el impacto de la transferencia de aprendizaje en metaheur´ısticas aplicadas a ruteo urbano. No obstante, el estudio presenta limitaciones. Los experimentos se realizaron en un entorno off-line con instancias simuladas, lo que restringe la validez externa hacia escenarios reales y din´amicos. Adem´as, el an´alisis se limita a una ´unica metaheur´ıstica y a un modelo simplificado de emisiones, por lo que los resultados no deben generalizarse directamente a otros algoritmos ni a contextos operativos complejos. Trabajo futuro. Como trabajo futuro, se propone extender el an´alisis a otras metaheur´ısticas bioinspiradas y a escenarios din´amicos con demanda variable, as´ı como validar el enfoque en datasets reales de ruteo urbano. Asimismo, se sugiere incorporar m´etricas adicionales, como robustez y equidad en la distribuci´on de cargas, con el fin de obtener una caracterizaci´on m´as completa del desempe˜no en problemas log´ısticos urbanos. Referencias [1] International Energy Agency, “Co2 emissions from fuel combustion 2022,” 2023. [Online]. Available: https://www.iea.org/reports/co2-emissions-in-2022 [2] J.-P. Rodrigue, The Geography of Transport Systems, 5th ed. Routledge, 2020. [3] M. Savelsbergh and T. V. Woensel, “50th anniversary invited article—city logistics: Challenges and opportunities,” Transportation Science, vol. 50, no. 2, pp. 579–590, 2016. [4] T. G. Crainic and G. Laporte, “Planning models for freight transportation,” European Journal of Operational Research, vol. 274, no. 2, pp. 425–436, 2018. [5] J. Holgu´ın-Veras, Q. Wang, and M. Jaller, “On the environmental impacts of urban freight,” Transportation Research Part B, vol. 123, pp. 285–306, 2019. [6] J. Kennedy and R. Eberhart, “Particle swarm optimization,” in Proceedings of IEEE International Conference on Neural Networks, vol. 4, 1995, pp. 1942–1948. [7] M. Dorigo and T. St¨utzle, Ant Colony Optimization: Overview and Recent Advances. Springer, 2019. [8] M. Gendreau and J.-Y. Potvin, “Handbook of metaheuristics,” Springer, 2010. [9] S. J. Pan and Q. Yang, “A survey on transfer learning,” IEEE Transactions on Knowledge and Data Engineering, vol. 22, no. 10, pp. 1345–1359, 2010. 17 [10] J. Yosinski, J. Clune, Y. Bengio, and H. Lipson, “How transferable are features in deep neural networks?” in Proceedings of Advances in Neural Information Processing Systems (NeurIPS), 2014, pp. 3320–3328. [11] Z.-H. Zhou and J. Feng, “Deep forest: Towards an alternative to deep neural networks,” Proceedings of the AAAI Conference on Artificial Intelligence, 2016. [12] K. Q. Weinberger, F. Sha, and L. K. Saul, “Transferability in machine learning: An empirical study,” Journal of Machine Learning Research, 2021. [13] B. Kitchenham, S. L. Pfleeger, and L. Pickard, “Guidelines for performing systematic literature reviews in software engineering,” Technical Report, Keele University, 2002. [Online]. Available: https://www.researchgate.net/profile/Barbara-Kitchenham/ publication/302924724 Guidelines for performing Systematic Literature Reviews in Software Engineering/links/61712932766c4a211c03a6f7/ Guidelines-for-performing-Systematic-Literature-Reviews-in-Software-Engineering. pdf [14] K. Li, D. Li, and H. Ma, “An improved discrete particle swarm optimization approach for a multi-objective optimization model of an urban logistics distribution network considering traffic congestion,” Advances in Production Engineering & Management, vol. 18, no. 2, pp. 211–224, 2023. [15] V. Kourepinis, C. Iliopoulou, I. Tassopoulos, C. Aroniadi, and G. Beligiannis, “An improved particle swarm optimization algorithm for the urban transit routing problem,” Electronics, vol. 12, no. 15, p. 3358, 2023. [16] L. Tan et al., “Design and simulation of logistics network model based on modified pso,” PubMed Central, 2022. [Online]. Available: https: //pmc.ncbi.nlm.nih.gov/articles/PMC9286988/ [17] A. Kashyap and Others, “A roulette wheel particle swarm optimization for vehicle routing with time windows,” ..., 2023. [Online]. Available: ... [18] R. King and J. van Vuuren, “A recycling heuristic for initial solutions in periodic vrp metaheuristics,” ..., 2024. [Online]. Available: ... [19] X. Deng and Others, “Multi-task multi-objective evolutionary search based on deep reinforcement learning for multi-objective vehicle routing problems with time windows,” 2024. [Online]. Available: https://www.mdpi.com/2073-8994/ 16/8/1030 [20] A. Herdianto and Others, “Feature-based guidance for metaheuristics in capacitated vrp,” ..., 2024. [Online]. Available: ... 18 [21] Y. Wu and Others, “Knowledge transfer framework for industrial cvrp instances,” ..., 2025. [Online]. Available: ... 19