⚡ electrical engineering

Quantum-Inspired Evolutionary Optimization for CO2 Sensor Placement on the UCF Campus: Mathematical Formulation and Baseline Validation

Este artículo presenta un marco de optimización evolutiva de inspiración cuántica para la ubicación de 11 sensores de CO2 en el campus de la UCF con estrictas restricciones espaciales, logrando una cobertura del 72,73% de los corredores peatonales de alto tráfico —el doble de la línea base actual— al tiempo que establece una metodología escalable para el despliegue y la calibración de redes de sensores municipales.

Autores originales: Eswara Sai Kumar Kandula, Phani Raja Bharath Balijepalli, Utkarsh Singh, Soheil Sabri, Azadeh Vosoughi, Haofei Yu, Roopesh Mathur, Abhishek Chopra, Rut Lineswala

Publicado 2026-08-06

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Eswara Sai Kumar Kandula, Phani Raja Bharath Balijepalli, Utkarsh Singh, Soheil Sabri, Azadeh Vosoughi, Haofei Yu, Roopesh Mathur, Abhishek Chopra, Rut Lineswala

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando escuchar una plaza bulliciosa de la ciudad, pero solo tienes un puñado de micrófonos diminutos y de bajo costo. Quieres saber exactamente dónde están ocurriendo las conversaciones más fuertes para poder entender el estado de ánimo de la ciudad. Este es el mundo de la detección urbana (urban sensing), un campo donde los científicos utilizan redes de pequeños dispositivos para monitorear cosas como la calidad del aire. El desafío no es solo tener los micrófonos; es determinar exactamente dónde colgarlos. Si los pones en medio de un parque tranquilo, no escucharás nada interesante. Si los pones dentro de un edificio, no funcionarán en absoluto. Este es un rompecabezas gigante llamado optimización combinatoria, que es solo una forma elegante de decir "encontrar la mejor disposición entre un enorme número de posibilidades".

Para resolver esto, los investigadores suelen utilizar algoritmos evolutivos, que son como versiones digitales de la selección natural. Crean un montón de soluciones aleatorias, ven cuáles funcionan mejor, las mezclan y repiten el proceso hasta encontrar una ganadora. Recientemente, los científicos han comenzado a tomar ideas de la mecánica cuántica —la extraña física de las partículas diminutas— para hacer que estos algoritmos sean aún más inteligentes. En lugar de simplemente elegir un lugar a la vez, estas herramientas "inspiradas en la cuántica" pueden observar muchas posibilidades a la vez, como un explorador superrápido que revisa todos los caminos en un laberinto simultáneamente. Esto es importante porque obtener datos correctos sobre la calidad del aire ayuda a las ciudades a tomar mejores decisiones sobre salud pública, tráfico y dónde construir nuevos parques.

La Gran Cacería de Sensores en el Campus de la UCF

Ahora, enfoquémonos en una aventura específica: colocar sensores de dióxido de carbono (CO2) en el campus de la Universidad de Central Florida (UCF). Los investigadores se enfrentaron a una situación complicada. Tenían un presupuesto para exactamente 11 sensores, y cada sensor podía "ver" en un círculo con un radio de 223 metros. Pero el campus no era un campo vacío; era un laberinto complejo de edificios, lagos y bosques densos. No puedes colocar un sensor dentro de una pared, en medio de un lago o en lo profundo de un parche espeso de árboles donde quedaría bloqueado del cielo y del viento.

El equipo se hizo una pregunta simple pero difícil: ¿Dónde deberíamos poner estos 11 sensores para captar la mayor cantidad de CO2 de las personas que caminan por ahí?

La Forma Antigua vs. La Nueva Forma

Antes de este estudio, el campus ya tenía 11 sensores instalados. Los investigadores comprobaron qué tan bien estaban funcionando. Resultó que cubrían solo el 36.29% de las rutas de caminata de alto tráfico donde los estudiantes y el personal realmente respiran el aire. La ubicación antigua era como intentar ver un partido de fútbol parándose en las gradas vacías lejos del campo; daba una visión general de todo el estadio, pero se perdía toda la acción.

Los investigadores querían hacerlo mejor. Construyeron un mapa digital del campus y utilizaron un programa informático especial llamado Optimización Evolutiva de Inspiración Cuántica (QIEO, por sus siglas en inglés). Piensa en este programa como un jugador de videojuegos superinteligente que no solo adivina; utiliza trucos "cuánticos" para explorar millones de posibles ubicaciones de sensores en segundos.

Las Reglas del Juego

La computadora tenía que seguir reglas estrictas, o "restricciones", para asegurar que la solución fuera apta para el mundo real:

Zonas Prohibidas: Los sensores no podían colocarse dentro de edificios, agua o bosques densos.
La Regla de la Huella: Incluso si el centro del sensor era seguro, su "visión" (un círculo de 223 metros) no podía solaparse demasiado con áreas prohibidas. Por ejemplo, la visión podía solaparse con un bosque hasta un 15%, pero debía permanecer completamente libre de edificios y agua.
El Objetivo: Maximizar el número de "puntos de prioridad": lugares a lo largo de las vías de circulación concurridas donde es más probable que las personas estén expuestas al CO2.

El Gran Descubrimiento

Cuando el programa QIEO ejecutó sus simulaciones, encontró una nueva disposición para los 11 sensores que era drásticamente mejor.

El Resultado: El nuevo diseño cubría el 72.73% de las rutas de caminata concurridas.
La Comparación: ¡Esto es exactamente 2 veces (o 2×) mejor que la configuración actual!
El Bono: También superó a un método computacional "codicioso" estándar (que simplemente elige el mejor lugar uno por uno sin mirar hacia adelante) por un margen pequeño pero significativo, alcanzando un 67.82% de cobertura.

Los investigadores demostraron que los nuevos puntos estaban agrupados estrechamente a lo largo de las principales "venas" del campus por donde la gente camina, en lugar de estar distribuidos uniformemente por todo el mapa. Los sensores antiguos estaban repartidos para obtener una lectura general de fondo de todo el campus, pero los nuevos se enfocaron en los lugares específicos donde la gente realmente camina y respira.

La Pregunta de "¿Cuántos Necesitamos?"

El equipo también planteó una segunda pregunta: Si queremos cubrir un cierto porcentaje del campus, ¿cuál es el número mínimo de sensores que necesitamos? Esto se llama el "Problema Inverso".

Realizaron los cálculos y encontraron una verdad sorprendente sobre el dinero y la eficiencia:

Para cubrir el 40% de las rutas de caminata, solo necesitas 6 sensores.
Para el 50%, necesitas 7 sensores.
Para el 60%, necesitas 9 sensores.
Para el 70%, necesitas 11 sensores.

Aquí está el detalle: el campus actual tiene 11 sensores, pero solo cubre el 36.29%. El nuevo plan muestra que con solo 6 sensores colocados en los lugares correctos, podrías cubrir el 40.99% de las rutas. Esto significa que la universidad podría potencialmente reducir su presupuesto de sensores casi a la mitad (de 11 a 6) y aun así obtener más datos útiles sobre dónde respira la gente. O, si mantienen los 11, obtienen el doble de cobertura.

Por Qué Esto Importa

El estudio no solo encontró un mejor mapa; demostró que la forma en que colocas los sensores lo cambia todo.

No es solo matemática: Los investigadores se aseguraron de que los sensores pudieran instalarse realmente. Verificaron que cada nuevo punto estuviera cerca de un camino, lejos de edificios y seguro de los árboles.
No es magia: No pretendieron resolver el problema para todo el mundo. Demostraron que para este campus específico, usando este método específico, podían duplicar la efectividad.
Es un compromiso (trade-off): Los sensores antiguos eran buenos para ver el "panorama general" de todo el campus. Los nuevos sensores son mejores para ver los "puntos calientes" donde está la gente. Ambos son útiles, pero realizan trabajos diferentes.

Al final, este artículo muestra que, al usar matemáticas inteligentes de inspiración cuántica para respetar las reglas físicas del mundo (como no poner sensores en lagos), las ciudades y las universidades pueden obtener mucho más valor de sus redes de calidad del aire. Es un recordatorio de que, a veces, la mejor manera de resolver un problema no es comprar más dispositivos, sino pensar mejor dónde pones los que ya tienes.

Resumen Técnico: Optimización Evolutiva de Inspiración Cuántica para la Ubicación de Sensores de CO2 en el Campus de la UCF

Declaración del Problema
La proliferación de plataformas de Internet de las Cosas (IoT) de bajo costo ha hecho que el monitoreo denso de dióxido de carbono (CO2) en entornos urbanos sea factible; sin embargo, optimizar la ubicación de un presupuesto finito de sensores dentro de geometrías municipales complejas sigue siendo un desafío combinatorio no trivial. Los enfoques tradicionales suelen depender de dominios espaciales simplificados o heurísticas deterministas de Sistemas de Información Geográfica (SIG) que tienen dificultades para escalar con rejillas de candidatos de alta resolución y zonas de exclusión no convexas y complejas (por ejemplo, edificios, cuerpos de agua y vegetación densa). Además, las formulaciones evolutivas existentes utilizan frecuentemente penalizaciones escalares para desalentar las ubicaciones inviables, lo que permite que las violaciones ambientales persistan dentro de la población de búsqueda. Este estudio aborda el desafío específico de ubicar $N=11$ sensores de huella circular (radio $R=223$ m) en el campus de la Universidad de la Central de Florida (UCF). El objetivo es maximizar la cobertura ponderada con prioridad peatonal mientras se cumplen estrictamente las restricciones de emplazamiento estructural que excluyen edificios, agua y vegetación de clase forestal, asegurando así que la red resultante sea físicamente desplegable y metodológicamente sólida.

Metodología
La investigación propone un marco de optimización estructuralmente compatible que integra el procesamiento de datos geoespaciales, el modelado de la demanda y un algoritmo de Optimización Evolutiva de Inspiración Cuántica (QIEO).

Filtrado Geoespacial y Discretización de Candidatos:
A diferencia de los métodos tradicionales que aplican penalizaciones blandas, este marco emplea un riguroso proceso de filtrado espacial. El dominio de estudio se discretiza en una rejilla determinista de 30 m. Un punto candidato solo es admitido en el espacio de búsqueda si satisface criterios estrictos a nivel de centro (por ejemplo, distancia a edificios entre 5–140 m, distancia a senderos $\le$ 90 m) y filtros de intersección a nivel de huella (solapamiento con edificios $\le$ 35%, agua $\le$ 5% y vegetación forestal $\le$ 15%). Esto convierte las reglas de emplazamiento ambiental de penalizaciones blandas en garantías estructurales, asegurando que el optimizador busque exclusivamente dentro de un conjunto pre-validado de 502 ubicaciones factibles.
Modelado de la Demanda:
El objetivo de cobertura se define como un Problema de Localización de Instalaciones de Cobertura Máxima (MCFLP) ponderado por la demanda. En lugar de optimizar para una cobertura de área uniforme, el estudio prioriza la exposición peatonal. Se generan aproximadamente 5,230 puntos de prioridad a lo largo de corredores transitables, ponderados por la densidad de peatones (derivada de la Estimación de Densidad de Kernel). El objetivo es maximizar la fracción ponderada de estos puntos que caen dentro de la huella de al menos un sensor.
Motor de Optimización (QIEO):
El estudio utiliza un algoritmo de Optimización Evolutiva de Inspiración Cuántica. A diferencia de los Algoritmos Genéticos (GA) clásicos donde los individuos representan soluciones deterministas únicas, el QIEO utiliza la superposición de cúbits ( $\alpha|0\rangle + \beta|1\rangle$ ) para mantener una representación probabilística del espacio de búsqueda. Esto permite una exploración global más amplia en las primeras generaciones. El algoritmo emplea puertas de rotación cuántica para actualizar dinámicamente las amplitudes de probabilidad basándose en el individuo con mejor desempeño, colapsando la superposición hacia coordenadas discretas óptimas. Un mecanismo de "ajuste" (snapping) mapea las salidas algorítmicas continuas al candidato más cercano en la rejilla pre-filtrada, imponiendo restricciones de espaciamiento (apuntando a una separación de 1.5R) y cumplimiento estructural.
Formulación del Problema:
El estudio bifurca el problema en dos modos:

Problema Directo: Maximiza la cobertura para un presupuesto fijo de $N=11$ sensores.
Problema Inverso: Determina el número mínimo de sensores requeridos para alcanzar umbrales de cobertura específicos (40%, 50%, 60%, 70%), generando una curva de calibración de hardware versus cobertura.

Contribuciones Clave

Cumplimiento de Restricciones Estructurales: La introducción de una rejilla de candidatos determinista filtrada por huella que incorpora directamente las exclusiones de edificios, agua y vegetación en el espacio de búsqueda. Esto elimina la necesidad de ajustes manuales post-hoc y garantiza matemáticamente que cualquier solución producida sea físicamente desplegable.
Deconstrucción y Validación de la Línea Base: Una comparación rigurosa de la configuración optimizada contra la red actualmente desplegada en el campus de la UCF (11 sensores).
Análisis de Escalabilidad de Hardware: El desarrollo de una formulación de problema inverso para construir una curva de calibración transferible que vincula la inversión de capital en IoT (conteo de sensores) con la cobertura esperada de prioridad peatonal.

Resultados

Mejora de la Cobertura: La ubicación optimizada mediante QIEO de 11 sensores logró un 72.73% de cobertura de puntos de prioridad ponderados. Esto representa una mejora de 2× sobre la red de línea base actualmente desplegada (36.29%) y una mejora del 4.91% sobre una línea base de heurística voraz (greedy) no restringida (67.82%).
Satisfacción de Restricciones: La validación post-hoc confirmó que todas las posiciones de los sensores optimizados cumplieron estrictamente con las restricciones ambientales. Ningún centro de sensor vulneró los polígonos de edificios o agua, y el solapamiento de vegetación se mantuvo dentro del umbral del 15% (alcanzando exactamente el 15% para un sensor).
Convergencia y Eficiencia: El algoritmo demostró una convergencia robusta con una desviación estándar de solo 0.20% en 10 ejecuciones independientes. Localizó la solución óptima en aproximadamente 195 segundos en una estación de trabajo de escritorio estándar, contrastando con la intratabilidad de la enumeración de fuerza bruta (estimada en >361 millones de años para el mismo espacio de búsqueda).
Hallazgos del Problema Inverso: El barrido inverso reveló una relación no lineal entre el conteo de sensores y la cobertura. Alcanzar el 40% de cobertura requirió solo 6 sensores, mientras que alcanzar el 70% requirió 11. Notablemente, la configuración optimizada de 6 sensores (40.99% de cobertura) superó a la línea base existente de 11 sensores (36.29%), lo que sugiere una posible reducción del 45% en los costos de hardware para un monitoreo de exposición equivalente o superior.
Compromisos Operativos: El estudio identificó una divergencia fundamental en los objetivos de diseño: la red de línea base priorizó la representatividad geográfica amplia (espaciamiento medio 420 m), mientras que la solución QIEO priorizó los corredores peatonales de alta densidad (espaciamiento medio 348 m).

Significancia y Reivindicaciones
El artículo afirma que este trabajo cierra la brecha metodológica entre el mapeo geoespacial empírico y la optimización metaheurística avanzada. Al convertir las geometrías de emplazamiento municipal complejas en restricciones estructurales en lugar de penalizaciones blandas, el marco asegura que los resultados de la optimización no sean solo matemáticamente óptimos, sino operativamente viables.

El estudio posiciona el despliegue del campus de la UCF como una "celda unidad validada" para extensiones jerárquicas a escala metropolitana. La principal significancia radica en proporcionar a los planificadores municipales un marco cuantitativo para equilibrar las inversiones marginales de hardware frente a la cobertura de exposición peatonal esperada. La curva de calibración del problema inverso sirve como un instrumento de política, demostrando que el cumplimiento estricto de optimizaciones espacialmente explícitas puede reducir drásticamente el gasto de capital (CAPEX) de IoT sin sacrificar la resolución de monitoreo. Los autores enfatizan que, si bien las ubicaciones optimizadas son candidatas para el despliegue, estas deben someterse aún a calibración específica del sitio y validación de campo, y que el presente estudio se enfoca en la cobertura geométrica en lugar de la reconstrucción directa del flujo de CO2. Se identifica como necesario un trabajo futuro para escalar a áreas metropolitanas, integrar la dinámica microclimática 3D e incorporar arquitecturas de sensores móviles.