RT doctoral thesis T1 Improvement of Urban Public Transportation Systems in Sustainable Smart Cities A1 Peña Morales, David A2 Ingeniería Informática K1 Ciudades inteligentes y sostenibles K1 inteligencia computacional K1 vehículos eléctricos K1 optimización del transporte K1 algoritmos evolutivos K1 optimización multiobjetivo K1 vehículos autónomos K1 movilidad sostenible K1 Sustainable smart cities K1 computational intelligence K1 electric vehicles K1 transportation optimization K1 evolutionary algorithms K1 multi-objective optimization K1 autonomous vehicles K1 sustainable mobility AB La transición hacia ciudades inteligentes y sostenibles exige sistemas de transporte capaces deresponder a la creciente demanda de movilidad urbana, al tiempo que reducen el impacto ambiental y mejoran la eficiencia operativa. El transporte público y la recolección de residuos sólidosfiguran entre los servicios municipales de mayor intensidad energética y, por su dependencia decombustibles fósiles, constituyen fuentes críticas de emisiones de gases de efecto invernadero.Aunque la electrificación de flotas representa una alternativa prometedora, su implementaciónintroduce desafíos complejos en la gestión energética, la programación de vehículos y la planificación de rutas, lo que exige metodologías avanzadas de optimización que integren restriccionesoperativas reales y objetivos de sostenibilidad.Esta tesis propone un marco metodológico basado en inteligencia computacional para optimizarsistemas de transporte eléctrico en múltiples niveles de decisión. Se abordan tres problemascomplementarios: (i) el problema de programación de horarios con múltiples tipos de vehículos(Multi-Vehicle Type Timetabling Problem, MVTTP), centrado en la asignación de flotas y eldiseño de horarios en el transporte público; (ii) la optimización de perfiles de velocidad paraautobuses eléctricos autónomos; y (iii) el ruteo óptimo de camiones eléctricos para la recolecciónde residuos sólidos. Cada escenario se modela bajo condiciones operativas realistas y se resuelvemediante técnicas evolutivas e híbridas adaptadas a sus particularidades.Para el MVTTP, se desarrolla una formulación multiobjetivo novedosa resuelta mediante losalgoritmos NSGA-II y MOCell, con representaciones y operadores especializados que equilibran ladistribución de vehículos y la calidad del servicio. Para los autobuses autónomos, se propone unametodología en dos etapas que combina redes neuronales artificiales y algoritmos genéticos paragenerar perfiles de velocidad energéticamente eficientes, incorporando la topografía, las condiciones temporales y las restricciones del vehículo. Para la recolección de residuos, se formula unmodelo de ruteo que integra dinámicas complejas, como limitaciones de batería, procesos de compactación, descarga y frenado regenerativo, y se resuelve mediante un algoritmo genético híbridocon búsqueda local.La validación del marco propuesto se lleva a cabo con conjuntos de datos reales, y los resultadosevidencian mejoras significativas en eficiencia operativa, consumo energético y desempeño ambiental. En particular, los perfiles de velocidad optimizados incrementan la autonomía vehicular hastaen un 31,8 %, lo que permite realizar viajes adicionales. En conjunto, esta investigación demuestraque la inteligencia computacional ofrece soluciones eficaces y viables para los desafíos de la electromovilidad urbana, aportando modelos, algoritmos y herramientas analíticas que contribuyenal avance de los sistemas inteligentes de transporte. YR 2026 FD 2026 LK http://hdl.handle.net/10498/40575 UL http://hdl.handle.net/10498/40575 LA eng DS Repositorio Institucional de la Universidad de Cádiz RD 17-nov-2026