Algoritmo genético híbrido con población multi-componente para la optimización del tamaño de galerías comerciales desde un enfoque evolutivo
Introducción: Esta investigación (2024–2025) aborda el dimensionamiento y la localización de galerías comerciales en Soacha, Cundinamarca. El estudio enfrenta desafíos de optimización multiobjetivo (MOP) en la planificación retail mediante arquitecturas evolutivas avanzadas que integran criterios económicos, financieros y sociales.
Problema: Los algoritmos genéticos tradicionales en retail presentan convergencia prematura y baja diversidad poblacional, lo que limita el equilibrio entre objetivos económicos, financieros y sociales en contextos urbanos complejos.
Objetivo: Desarrollar y validar un Algoritmo Genético Híbrido (AGH) con arquitectura multicomponente para optimizar funciones de suma ponderada, mejorando la convergencia, la diversidad y la calidad de las soluciones de localización.
Metodología: El AGH emplea una población de 100 individuos dividida en cinco componentes: élite, descendientes, mutados, migrantes y anti-duplicados. Se estructura en dos fases que priorizan beneficios sociales y económico-financieros, utilizando operadores adaptativos y validación con datos reales de Soacha.
Resultados: El AGH superó a los métodos estándar, alcanzando un fitness de 0.832 (+5.2%) y convergencia en 185 generaciones (−47.2%), manteniendo una diversidad superior al 95%. Identificó siete soluciones óptimas para las comunas de Soacha, equilibrando el impacto social y la rentabilidad financiera (ROI).
Conclusión: El modelo constituye una herramienta eficiente para la planificación sostenible, al ofrecer flexibilidad decisional mediante pesos ajustables y superar las limitaciones de los algoritmos evolutivos tradicionales.
Originalidad: Introduce una arquitectura poblacional multicomponente que integra elitismo, migración y mecanismos anti-duplicación, aportando robustez a la optimización retail en contextos locales.
Limitaciones: Se basa en suma ponderada y validación técnica de escritorio; excluye variables ecológicas y procesos participativos de consulta comunitaria.
Cómo citar
Licencia
Derechos de autor 2026 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
[1] Z. H. Che, “Multiobjective optimization for planning the service areas of smart parcel locker facilities in logistics last mile delivery,” Mathematics, vol. 10, no. 3, p. 422, 2022, doi: https://doi.org/10.3390/math10030422.
[2] F. E. Zaizi, “Multi-objective optimization for personalized and fairness recommender systems: A hybrid approach,” SN Computer Science, vol. 6, no. 6, 2025, doi: https://doi.org/10.1007/s42979-025-04230-8.
[3] J. A. Aranda-Pinilla and J. A. Orjuela, “Multiobjective optimization in biofuel supply chain management: A review of the literature,” Ingeniería, vol. 20, no. 1, pp. 37–63, 2015, doi: https://doi.org/10.14483/udistrital.jour.reving.2015.1.a03.
[4] J. J. M. Álvarez, J. M. Cueva, and H. E. Espitia, “Review of genetic multi-objective optimization algorithms based on particle swarm,” Redes de Ingeniería, vol. 6, no. 2, pp. 54–76, 2015, doi: https://doi.org/10.14483/udistrital.jour.redes.2015.2.a06.
[5] C. A. Nallolla, P. Vijayapriya, and P. Sanjeevikumar, “Multi-objective optimization algorithms for a hybrid AC/DC microgrid using RES: A comprehensive review,” Electronics, vol. 12, p. 1062, 2023, doi: https://doi.org/10.3390/electronics12041062.
[6] J. Knowles and W. Zeng, “Evolutionary multiobjective optimization (EMO),” in Proc. Genetic and Evolutionary Computation Conf. (GECCO), 2024, pp. 1432–1459, doi: https://doi.org/10.1145/3638530.3648415.
[7] K. Deb and H. Jain, “An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach, Part I: Solving problems with box constraints,” IEEE Trans. Evol. Comput., vol. 18, no. 4, pp. 577–601, Aug. 2014, doi: https://doi.org/10.1109/TEVC.2013.2281535.
[8] Región Metropolitana Bogotá-Cundinamarca, “Boletín mensual: Análisis estadístico de Soacha,” May 2024. [Online]. Available: https://regionmetropolitana.gov.co/sites/default/files/archivos/publicaciones/2025-02-06/03.-boletin---analisis-estadistico-de-soacha.pdf
[9] K. Deb, Multi-objective optimization using evolutionary algorithms: An introduction. Kanpur, India: Indian Institute of Technology, 2011.
[10] R. T. Marler and J. S. Arora, “Survey of multi-objective optimization methods for engineering,” Structural and Multidisciplinary Optimization, vol. 26, no. 6, pp. 369–395, 2004.
[11] G. Luque, M. Martínez, and P. Ramírez, “Suma de ponderados normalizados para optimización multiobjetivo en proyectos urbanos,” Revista Colombiana de Ingeniería, vol. 40, no. 2, pp. 51–62, 2022.
[12] M. Domínguez-Ríos, “Métodos de normalización y agregación en optimización multiobjetivo,” 2017. [Online]. Available: https://www.tandfonline.com/doi/abs/10.1080/0305215X.2017.1290546
[13] J. A. Orjuela Ramírez, “Análisis de la eficiencia de centros comerciales, a través de análisis envolvente de datos,” Estudios Gerenciales, vol. 38, no. 165, pp. 328–342, Oct.–Dec. 2022, doi: https://doi.org/10.18046/j.estger.2022.165.616.
[14] K. Miettinen, Nonlinear multiobjective optimization. Boston, MA, USA: Kluwer Academic Publishers, 1999.
[15] T. Huang, H. Yin, and X. Huang, “Improved genetic algorithm for multi-threshold optimization in digital pathology image segmentation,” Scientific Reports, vol. 14, 2024, doi: https://doi.org/10.1038/s41598-024-73335-6.
[16] X. Wang, W. Zhao, J. N. Tang, and Y. A. Feng, “Evolution algorithm with adaptive genetic operator and dynamic scoring mechanism for large-scale sparse many-objective optimization,” Scientific Reports, vol. 15, p. 4892, 2025, doi: https://doi.org/10.1038/s41598-025-91245-z.
[17] A. Trivedi, S. Mei, Q. Tan, Y. Liu, and D. Srinivasan, “Optimal bidding strategy for virtual power plant participating in combined electricity and ancillary services market considering dynamic demand response price and integrated consumption satisfaction,” Energy, 2023, doi: https://doi.org/10.1016/j.energy.2023.128592.
[18] H. E. Hernández Riaño, “Optimización multiobjetivo aplicada a la ubicación y dimensionamiento de infraestructuras comerciales,” M.S. thesis, Universidad de los Andes, Bogotá, Colombia, 2023. [Online]. Available: https://repositorio.uniandes.edu.co/bitstreams/0a2ba22e-fcfc-45f1-8ad4-149222c8a499
[19] R. Fechete and A. Nedelcu, “Multi-objective optimization of the organization’s performance for sustainable development,” Sustainability, vol. 14, p. 9179, 2022, doi: https://doi.org/10.3390/su14159179.
[20] J. C. Segura Ortiz, “Viabilidad económica, social y financiera de proyectos urbanos frente al desarrollo territorial,” Dimensión Empresarial, vol. 13, no. 2, pp. 59–74, 2015.
[21] E. R. Fontaine, “Evaluación social de proyectos: Integración y análisis de impactos,” 2008. [Online]. Available: https://www.economicas.unsa.edu.ar/iie/archivos/syc/Fontaine.pdf
[22] S. M. Mahmoudi, M. A. Golkar, A. Ahmadian, and A. Elkamel, “Multi-objective optimization of hybrid energy systems using gravitational search algorithm,” Scientific Reports, p. 2550, 2025. [Online]. Available: https://www.nature.com/articles/s41598-025-86476-z
[23] J. Shao, Y. Lu, Y. Sun, and L. Zhao, “An improved multi-objective particle swarm optimization algorithm for the design of foundation pit of rail transit upper cover project,” Scientific Reports, 2025, doi: https://doi.org/10.1038/s41598-025-87350-8.
[24] G. Wang et al., “Multi-objective spatial optimization of urban land use considering carbon emissions and constraint conditions,” Sustainable Cities and Society, vol. 67, p. 102734, 2021, doi: https://doi.org/10.1016/j.scs.2021.102734.
[25] G. A. Neira González, “Algoritmo evolutivo multiobjetivo para la localización y asignación de paraderos de buses escolares,” M.S. thesis, Universidad de los Andes, Bogotá, Colombia, 2012. [Online]. Available: https://repositorio.uniandes.edu.co/server/api/core/bitstreams/2bf7947d-573f-4365-b70e-bfa9f91202a8/content
[26] X. Li, Y. Guo, Z. Liu, D. Sun, Y. Liu, and H. Wang, “A study on multi-objective optimization for the location selection of smart underground parking facilities in high-density urban areas of megacities: A case study of Jing’an district, Shanghai,” PLoS ONE, vol. 20, no. 6, p. e0326455, 2025, doi: https://doi.org/10.1371/journal.pone.0326455.
[27] X. Ren, M. Wang, G. Dai, and L. Peng, “Application of a multi-objective evolutionary algorithm based on transfer learning in sliding bearing,” Applied Soft Computing, vol. 176, p. 113111, 2025, doi: https://doi.org/10.1016/j.asoc.2025.113111.
[28] A. Aggarwal and Aakash, “A multi-attribute online advertising budget allocation under uncertain preferences,” Ingeniería Solidaria, vol. 14, no. 25, May 2018, doi: https://doi.org/10.16925/.v14i0.2225.
