Inicio ▸ IA y aprendizaje automático ▸ Optimizador de Ubicación de Antenas — Enjambre de Partículas en Vivo

📡 Optimizador de Ubicación de Antenas — Enjambre de Partículas en Vivo

Observa cómo un enjambre real de Optimización por Enjambre de Partículas busca ubicaciones simuladas de torres de telefonía en vivo, actualizando genuinamente la velocidad de cada partícula a partir de su propia mejor puntuación de cobertura y la mejor conocida por el enjambre.

IA y aprendizaje automático 3D Avanzado 60 FPS PSO Inteligencia de enjambre

Acerca de esta simulación

Esta simulación ejecuta un algoritmo real de Optimización por Enjambre de Partículas (PSO) contra un problema simulado de emplazamiento de cobertura celular. Cada partícula del enjambre es una disposición candidata completa —la posición (x, y) de cada torre que propone— y en cada iteración se actualiza la velocidad de cada partícula con la regla PSO genuina v ← w·v + c₁·r₁·(pbest − x) + c₂·r₂·(gbest − x), y luego su posición con x ← x + v, usando nuevos valores aleatorios r₁, r₂ en cada paso. La aptitud es un objetivo real de calidad de cobertura: cobertura de señal ponderada por demanda en toda el área de servicio, con caída cuadrática por distancia y una penalización para las torres que cubren redundantemente el mismo terreno.

🔬 Qué muestra

Un área de servicio 3D vista desde arriba: puntos de demanda dimensionados y coloreados según el peso de población, tenues puntos rosados que muestran las posiciones candidatas de torres de cada partícula en movimiento, y postes brillantes con anillos de cobertura translúcidos que marcan la disposición de torres actual mejor conocida (gbest) del enjambre. Debajo, un gráfico en vivo hace seguimiento de la mejor aptitud histórica del enjambre y de la aptitud media actual —una curva de convergencia genuina, no una animación guionizada.

🎮 Cómo usarlo

Ajusta el tamaño del enjambre (10–60 partículas), el peso de inercia w (0.2–0.9), y el número de torres a colocar (3–8). Elige una disposición de puntos de demanda —Aleatoria, Agrupada ("ciudades"), o Cuadrícula— y ajusta el radio de cobertura por torre. Arrastra la vista 3D para rotar la cámara, y usa Reiniciar para generar una nueva ejecución con un nuevo campo de demanda y enjambre.

💡 ¿Sabías que...?

PSO se inspiró en el movimiento coordinado y sin líder de las bandadas de aves y los bancos de peces —ninguna partícula individual "conoce" la respuesta, pero el enjambre como conjunto converge de forma fiable porque cada partícula es empujada tanto por su propia memoria como por el mejor descubrimiento compartido del grupo. No necesita ninguna derivada de la función objetivo, que es exactamente por qué funciona tan bien en problemas de emplazamiento donde la cobertura no es una superficie suave y derivable.

Preguntas frecuentes

¿Qué es la Optimización por Enjambre de Partículas (PSO)?

La Optimización por Enjambre de Partículas es una metaheurística basada en población en la que un enjambre de soluciones candidatas ("partículas") se mueve a través del espacio de búsqueda, cada una atraída hacia la mejor posición que ha encontrado personalmente (pbest) y la mejor posición que ha encontrado todo el enjambre (gbest). A diferencia de los métodos basados en gradiente, PSO no necesita ninguna derivada de la función objetivo — solo la capacidad de evaluar una puntuación de aptitud para cualquier candidato— lo que la hace muy adecuada para problemas combinatorios de emplazamiento como la ubicación de antenas, donde la función de cobertura no es suave ni derivable en ninguna forma cerrada simple.

¿Cómo funciona realmente la regla de actualización de velocidad?

En cada iteración, cada partícula actualiza su velocidad con v ← w·v + c₁·r₁·(pbest − x) + c₂·r₂·(gbest − x), y luego se mueve con x ← x + v. El término de inercia w·v traslada el impulso existente de la partícula; el término cognitivo c₁·r₁·(pbest − x) la atrae de vuelta hacia su propia mejor posición histórica; el término social c₂·r₂·(gbest − x) la atrae hacia la mejor posición histórica del enjambre. r₁ y r₂ son números aleatorios independientes nuevos extraídos en cada dimensión y en cada iteración, de modo que ninguna partícula sigue una trayectoria idéntica a otra aunque compartan los mismos objetivos pbest y gbest. Esta simulación usa c₁ = c₂ = 1.6, valores estándar de la literatura sobre PSO.

¿Qué función objetivo puntúa la calidad de una ubicación de antenas?

Cada disposición candidata se puntúa sumando, sobre cada punto de demanda del área de servicio, el peso de demanda de ese punto multiplicado por la señal más fuerte que recibe de cualquier torre — modelada como una caída cuadrática con la distancia que llega a cero en el radio de cobertura (un modelo simplificado de pérdida de trayecto del mejor servidor). Luego se resta un término de penalización por los puntos de demanda cubiertos de forma redundante por más de una torre por encima de un umbral mínimo de señal, ya que los despliegues reales quieren que las torres se distribuyan para cubrir más terreno en lugar de apilarse sobre los mismos clientes. Esta es una función genuina y determinista de las coordenadas de las torres — nada de esto está guionizado o precocinado.

¿Por qué se comportan de forma diferente las curvas de la mejor aptitud y de la aptitud media?

La curva de la mejor (gbest) solo puede aumentar o mantenerse plana, porque el enjambre recuerda la mejor disposición que ha encontrado jamás y nunca la descarta — esto es una garantía estructural de cómo se rastrean pbest y gbest, no una animación guionizada. La curva media refleja la posición actual de cada partícula en cada iteración, que puede caer cuando las partículas se sobrepasan mientras exploran, y luego recuperarse a medida que el enjambre vuelve a converger. Observar ambas juntas muestra el verdadero equilibrio entre exploración y explotación: la aptitud media es más ruidosa al principio mientras las partículas están dispersas, y ambas curvas se estrechan juntas a medida que el enjambre converge en una región compartida del espacio de búsqueda.

¿Qué cambian los controles de peso de inercia y tamaño del enjambre?

El peso de inercia w escala cuánta de la velocidad previa de una partícula se traslada al siguiente paso: un w alto (cercano a 0.9) mantiene a las partículas moviéndose ampliamente y explorando más tiempo antes de asentarse, mientras que un w bajo (cercano a 0.2) amortigua el impulso rápidamente de modo que las partículas se acercan más rápido a pbest y gbest, pero corren el riesgo de asentarse en una disposición local mediocre. El tamaño del enjambre controla cuántas disposiciones candidatas independientes buscan en paralelo en cada iteración — un enjambre más grande muestrea más del espacio de ubicación por iteración y tiende a encontrar un mejor gbest más pronto, a costa de más evaluaciones de aptitud por paso.

¿Cómo se compara PSO con la búsqueda por fuerza bruta o el descenso de gradiente para el emplazamiento de torres?

La búsqueda por fuerza bruta sobre cada combinación posible de coordenadas de torres es computacionalmente inviable una vez que se tiene más de una o dos torres, porque el espacio de búsqueda crece exponencialmente con el número de torres. El descenso de gradiente necesita un objetivo derivable, pero la función de cobertura del mejor servidor usada aquí tiene quiebres cada vez que cambia la torre más cercana, y elecciones combinatorias como "qué torre cubre qué punto de demanda" no son en absoluto derivables de forma natural. PSO evita ambos problemas: solo necesita evaluar la aptitud de una disposición candidata, no derivarla, y su enjambre de candidatos paralelos explora muchas regiones del espacio de ubicación simultáneamente, lo que lo convierte en una opción práctica estándar para la optimización real de emplazamiento de antenas e instalaciones.