Problema: La nueva ley de pico y placa en Bogotá busca mejorar la movilidad y la calidad del aire.

Sin embargo, ha generado algunas consecuencias no deseadas como el aumento del tráfico en
ciertos horarios, la compra de un segundo vehículo por familia y el estrés social.

Objetivo: Minimizar el tiempo total de viaje en la ciudad de Bogotá.

Soluciones

1. Implementación de medidas de teletrabajo: Fomentar el teletrabajo algunos días a la

semana podría reducir la cantidad de vehículos en circulación y mejorar la conciliación
laboral y familiar.

2. Promoción de la bicicleta y otros medios de transporte alternativo: Implementar ciclo

vías, mejorar la infraestructura para peatones y ofrecer incentivos para el uso de bicicletas
y patinetas eléctricas, podría ayudar a reducir la congestión vehicular.

3. Estrategia para el problema del tráfico utilizando algoritmos genéticos:

3.1. Recopilación de datos:

Tráfico: Patrones de flujo vehicular, volumen de tráfico en diferentes puntos, horas pico, tipos de
vehículos.

Infraestructura vial: Red de calles, capacidad de las vías, semáforos, señalización.

Transporte público: Rutas, horarios, frecuencia, capacidad.

Calidad del aire: Niveles de contaminantes en diferentes puntos de la ciudad.

3.2. Modelado del problema:

Simulación del tráfico utilizando un modelo de transporte que incluya las variables recopiladas.

Identificación de los puntos críticos de congestión.

3.2.1 Herramientas para el modelado:

Software especializado en modelado de transporte. Y lenguajes de programación como Python

3.2.2. Ejemplo de modelado del problema del tráfico:

Consideremos una ciudad con la siguiente red de transporte:

4 zonas: A, B, C y D.

4 calles: Calle 1, Calle 2, Calle 3 y Calle 4.

Origen Destino Volumen (vehículos/hora)

A B 100
A C 50
A D 25
B C 75
B D 25
 C D 100
Intersecciones: Cada zona está conectada a las demás por una calle.

La capacidad de las calles es de 100 vehículos por hora en cada sentido.

3. Algoritmos genéticos:

Diseño de la funció: Evaluar la eficacia de cada solución potencial en la reducción del tráfico, la
mejora de la calidad del aire y la calidad de vida.

Selección de los parámetros: Población inicial, tasa de cruce, tasa de mutación, número de
generaciones.

Ejecución del algoritmo: Búsqueda de la mejor solución para la optimización del tráfico.

4. Implementación de la solución:

Modificación de la infraestructura vial: Rediseño de intersecciones, creación de nuevas vías,

implementación de sistemas inteligentes de tráfico.

Mejora del transporte público: Ampliación de la cobertura, aumento de la frecuencia, uso de

vehículos más eficientes.

5. Monitoreo y evaluación:

Medición del impacto de la estrategia en la congestión vehicular, la calidad del aire y la calidad de
vida.

6.Beneficios esperados:

 Reducción de la congestión vehicular.

 Mejora de la calidad del aire.
 Disminución del estrés en la población.
 Ahorro de tiempo y combustible.
 Mayor eficiencia del transporte público.
 Ciudad más sostenible y habitable.

7. Conclusiones:

El modelado del problema del tráfico puede ayudar a identificar soluciones para mejorar la fluidez
del tráfico, sin embargo, esto solo es un pequeño modelo, con pocos datos. Simplemente se da
una pequeña idea de cómo sería la implementación de un modelo utilizando algoritmos genéticos.

Referencias:

- https://www.microsoft.com/es-mx/industry/mobility?rtc=2&activetab=pillars:primaryr6
- https://ia-colombia.co/puede-la-ia-mejorar-el-trafico-en-las-ciudades-colombianas/
- https://inaoe.repositorioinstitucional.mx/jspui/bitstream/1009/379/1/GomezHE.pdf
- https://www.redalyc.org/pdf/6139/613965332003.pdf
- https://repositorio.uniandes.edu.co/server/api/core/bitstreams/3c4b416b-f906-422d-
a46c-c9da88e18965/content