Optimización dinámica de ruteo acelerada por GPU
22 de octubre de 2025
En determinados escenarios logísticos, la rapidez de respuesta es tan crítica como la calidad de la solución.
El reto
En algunos de nuestros proyectos, los algoritmos están concebidos para gestionar rutas dinámicas, y deben ser capaces de dar resultados en un tiempo muy limitado, es por ello, que la planificación de rutas no puede sólo ser precisa, también debe ser rápida.
Para poner a prueba el rendimiento del sistema bajo presión, utilizamos como ejemplo un escenario representativo: la optimización de la distribución de 138 nodos con ventanas temporales específicas, atendidos por una flota inicial de 20 vehículos.
El sistema debe respetar todas las restricciones operativas sin comprometer la viabilidad ni la calidad de la solución, y además resolverlo con el menor número de vehículos posible, maximizando la eficiencia en el uso de recursos.
El desafío consiste en que, desde la recepción de la información hasta la entrega de la solución optimizada, el sistema dispone de un límite de tiempo establecido por la operativa del cliente -5 minutos, para nuestro escenario representativo. En CPU, el cálculo requiere alrededor de 300 segundos, agotando prácticamente ese margen. Con la aceleración en GPU, logramos resolver el mismo problema en unos 40 segundos, con soluciones de la misma calidad y mucho más alineadas con la necesidad de reacción en tiempo real.
Solución tecnológica
Aunque ya trabajamos con técnicas de paralelización en CPU, sus límites son evidentes: pocos núcleos frente a la magnitud del problema y un ancho de banda de memoria que se queda corto. Esto hace que los cálculos superen sistemáticamente el umbral establecido, lo cual no encaja con el requisito de inmediatez de la operación. Es imprescindible dar un salto en capacidad de cómputo, pero ¿cómo hacerlo?
La respuesta vino de la mano de la GPU. Adaptamos un motor de optimización específicamente a este entorno, diseñado para explotar al máximo su arquitectura masiva. Gracias a ello, se pueden evaluar miles de combinaciones de rutas en paralelo y aplicar heurísticas de mejora de forma simultánea, algo imposible de conseguir con CPU.
El proceso comienza con la identificación de las restricciones críticas que deben incorporarse al modelo. A partir de ahí, se utiliza una arquitectura híbrida, donde Python funciona como capa de orquestación, mientras que los componentes más exigentes se implementaban en C++ y GPU. Este diseño permite que heurísticas clásicas como 2-opt o cross-exchange se ejecuten en paralelo sobre miles de rutas candidatas, multiplicando la capacidad de exploración en el mismo tiempo disponible.
Nuestra experiencia previa con proyectos en CPU nos dio un punto de referencia claro: mientras la CPU solo puede paralelizar a pequeña escala, la GPU multiplica por miles los hilos concurrentes, sacando el máximo partido al paralelismo en problemas combinatorios. Con ello no solo se consigue acelerar el cálculo, sino también explorar muchos más escenarios en el mismo intervalo, lo que se traduce en soluciones más sólidas y con mayor capacidad de reacción.
El resultado es un motor de ruteo adaptado, que hoy entrega soluciones viables en apenas 30–60 segundos, resolviendo con holgura la exigencia de negocio de contar con respuestas que respeten los tiempos de operación requeridos.
Impacto
El cambio a la optimización acelerada con GPU transforma por completo la operación. Lo que antes llevaba hasta cinco minutos ahora se resuelve en menos de un minuto. Esa reducción drástica del tiempo no solo es una mejora técnica: es la diferencia entre reaccionar tarde y anticiparse en el momento preciso.
Gracias a esta aceleración, el cliente gana una capacidad inédita de respuesta frente a imprevistos. Cuando surge una incidencia, un cambio en la demanda o una nueva restricción operativa, el sistema puede recalcular y proponer una solución en cuestión de segundos, manteniendo la operación fluida y bajo control.
Este salto tecnológico no se limita a la rapidez. También garantiza decisiones más sólidas, porque permite explorar muchas más alternativas en el mismo tiempo. Así, la calidad de las rutas no se sacrifica por la urgencia; al contrario, se refuerza.
El verdadero impacto se refleja en la ventaja competitiva alcanzada. Mientras otros necesitan minutos para ajustar su operación, este motor responde en segundos. En un sector donde cada minuto cuenta, esa agilidad se traduce en eficiencia, resiliencia y la capacidad de ofrecer un servicio diferencial al cliente.
Equipo
El equipo de desarrollo estuvo compuesto por dos Data Scientist y una Optimization Scientist, con una base que combina la formación en Matemáticas, Análisis Económico y Big Data Analytics, junto con experiencia en modelado secuencial, optimización avanzada e inteligencia artificial aplicada en entornos reales. Su trayectoria abarca la analítica avanzada y el diseño de sistemas eficientes, asegurando la adaptación de la tecnología GPU a las necesidades específicas del problema.
Links de referencia:
- Schulz, C. (2013). Efficient local search on the GPU: Investigations on the vehicle routing problem.
https://www.sciencedirect.com/science/article/abs/pii/S0743731512000640 - Abdelatti, M., Sodhi, M. (2020). An improved GPU-accelerated heuristic technique applied to the capacitated vehicle routing problem.
https://dl.acm.org/doi/10.1145/3377930.3390159?
#PassionForData
Categorías
Últimos artículos
José María Baca Daza
Graduado en Análisis Económico por la Universidad Pablo de Olavide y Máster en Big Data Analytics por la Universidad Carlos III de Madrid, con experiencia como analista en proyectos de datos, visualización y automatización en entornos académicos y tecnológicos.
Me gustan los videojuegos, los juegos de mesa, ir al gimnasio, cocinar sin prisas y perder el tiempo en internet de formas muy productivas.
- José María Baca Daza
