Modelado matemático y optimización en sistemas complejos: una revisión de métodos y tendencias emergentes
DOI:
https://doi.org/10.62305/alcon.v6i4.1199Palabras clave:
modelado matemático; optimización; sistemas complejos; metaheurísticas; gemelos digitalesResumen
Los sistemas complejos (caracterizados por relaciones no lineales, múltiples escalas de interacción y comportamientos emergentes) constituyen uno de los principales desafíos de la ingeniería, la física aplicada y las ciencias computacionales contemporáneas; comprender y controlar su dinámica exige instrumentos matemáticos capaces de representar la incertidumbre, la interdependencia estructural y la evolución temporal de sus componentes. Esta revisión narrativa tiene como objetivo sintetizar los métodos de modelado matemático y las técnicas de optimización aplicadas a sistemas complejos, así como identificar las tendencias emergentes que están redefiniendo el campo. La búsqueda de literatura se realizó en bases de datos científicas indexadas, combinando términos en español e inglés relacionados con modelado matemático, optimización, metaheurísticas, gemelos digitales y teoría de redes complejas, priorizando publicaciones de los últimos cinco años; el proceso permitió examinar un conjunto amplio de estudios y seleccionar veintidós referencias pertinentes. Los resultados evidencian una consolidación de los algoritmos metaheurísticos bioinspirados como herramienta dominante para problemas de optimización no convexos, un avance sostenido de los modelos híbridos que combinan simulación física con aprendizaje automático (particularmente en gemelos digitales) y una creciente aplicación de la teoría de redes complejas para representar la interdependencia estructural de sistemas de ingeniería. Se concluye que la convergencia entre inteligencia artificial, optimización multiobjetivo y modelado basado en redes constituye la trayectoria más prometedora para abordar la complejidad creciente de los sistemas contemporáneos, aunque persisten desafíos relacionados con la interpretabilidad, el costo computacional y la validación empírica de los modelos propuestos.
Descargas
Citas
Almufti, S. M., Shaban, A. A., & Ali, Z. A. (2023). Overview of metaheuristic algorithms. Polaris Global Journal of Scholarly Research and Trends, 2(2), 10–32. https://doi.org/10.58429/pgjsrt.v2n2a144
Anderson, T., & Dragićević, S. (2020). Complex spatial networks: Theory and geospatial applications. Geography Compass, 14(9). https://doi.org/10.1111/gec3.12502
Azizi, M., Aickelin, U., & Khorshidi, H. A. (2023). Energy valley optimizer: A novel metaheuristic algorithm for global and engineering optimization. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-022-27344-y
Azizi, M., Talatahari, S., & Khodadadi, N. (2022). Multiobjective atomic orbital search (MOAOS) for global and engineering design optimization. IEEE Access, 10, 72572–72587. https://doi.org/10.1109/access.2022.3186696
Benaissa, B., Kobayashi, M., & Al Ali, M. (2024). Metaheuristic optimization algorithms: An overview. HCMCOUJS Journal of Science – Advances in Computational Structures, 14(1), 33–61. https://doi.org/10.46223/hcmcoujs.acs.en.14.1.47.2024
Chakraborty, S., Adhikari, S., & Ganguli, R. (2021). The role of surrogate models in the development of digital twins of dynamic systems. Applied Mathematical Modelling, 90, 662–681. https://doi.org/10.1016/j.apm.2020.09.037
El-kenawy, E. S. M., Abdelhamid, A. A., & Ibrahim, A. (2023). Al-Biruni earth radius (BER) metaheuristic search optimization algorithm. Computer Systems Science and Engineering, 45(2), 1917–1934. https://doi.org/10.32604/csse.2023.032497
Fernández de Córdoba, P. (2023). Aplicaciones del modelado matemático en problemas energéticos: un recorrido desde la investigación a la creación de empresas. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, 36(138), 93–103. https://doi.org/10.18257/raccefyn.36(138).2012.2436
Khodadadi, N., Azizi, M., & Talatahari, S. (2021). Multi-objective crystal structure algorithm (MOCryStAl): Introduction and performance evaluation. IEEE Access, 9, 117795–117812. https://doi.org/10.1109/access.2021.3106487
Kunzer, B., Bergés, M., & Dubrawski, A. (2022). The digital twin landscape at the crossroads of predictive maintenance, machine learning and physics based modeling. arXiv. https://doi.org/10.48550/arxiv.2206.10462
Li, T., Wang, G., & Guo, X. (2023). Evaluation and optimization of a command and control system based on complex networks theory. Electronics, 12(5), 1180. https://doi.org/10.3390/electronics12051180
Liu, J., Wang, R., & Deng, Y. (2025). Sharpbelly fish optimization algorithm: A bio-inspired metaheuristic for complex engineering. Biomimetics, 10(7), 445. https://doi.org/10.3390/biomimetics10070445
Moyano-Arias, R. J., Salazar-Álvarez, E. G., & Toalombo-Vargas, V. M. (2024). Matemáticas aplicadas a la programación: una revisión sobre la solución de algoritmos complejos. MQRInvestigar, 8(4), 3667–3692. https://doi.org/10.56048/mqr20225.8.4.2024.3667-3692
Myhre, S. F., Fosso, O. B., & Heegaard, P. E. (2020). Modeling interdependencies with complex network theory in a combined electrical power and ICT system. In 2020 International Conference on Probabilistic Methods Applied to Power Systems (PMAPS) (pp. 1–6). IEEE. https://doi.org/10.1109/pmaps47429.2020.9183667
Oyelade, O. N., Ezugwu, A. E., & Mohamed, T. I. A. (2022). Ebola optimization search algorithm: A new nature-inspired metaheuristic optimization algorithm. IEEE Access, 10, 16150–16177. https://doi.org/10.1109/access.2022.3147821
Posypkin, M., Gorshenin, A., & Titarev, V. A. (2022). Preface to the special issue on “Control, optimization, and mathematical modeling of complex systems”. Mathematics, 10(13), 2182. https://doi.org/10.3390/math10132182
Sanchís, R., & Peñarrocha, I. (2020). Modelado y optimización de la operación de un sistema de bombeo de múltiples depósitos. Universidade da Coruña, Servizo de Publicacións. https://doi.org/10.17979/spudc.9788497497749.0596
Talatahari, S., Azizi, M., & Gandomi, A. H. (2021). Material generation algorithm: A novel metaheuristic algorithm for optimization of engineering problems. Processes, 9(5), 859. https://doi.org/10.3390/pr9050859
Talib, S. A. (2023). Computational engineering advancements: General review of mathematical modeling in computer engineering applications. Al-Rafidain Journal of Engineering Sciences, 2(1), 51–71. https://doi.org/10.61268/h1dg2e95
Trojovský, P., Dehghani, M., & Hanus, P. (2022). Siberian tiger optimization: A new bio-inspired metaheuristic algorithm for solving engineering optimization problems. IEEE Access, 10, 132396–132431. https://doi.org/10.1109/access.2022.3229964
Veeranan, K., Vaidhyanathan, P., & Thamaraiselvi. (2024). Impact of mathematical models in IT system design and optimization. International Journal of Information Technology Research and Applications, 3(1), 1–11. https://doi.org/10.59461/ijitra.v3i1.83
Zhao, T. (2024). Artificial intelligence in mathematical modeling of complex systems. ICST Transactions on e-Education and e-Learning, 10. https://doi.org/10.4108/eetel.5256
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista Científica de Innovación Educativa y Sociedad Actual "ALCON"
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
