Asignación Dinámica de Recursos en Redes Vehiculares Mediante Aprendizaje por Refuerzo para la Optimización de la Cobertura y Eficiencia Operativa en Entornos Urbanos

Este proyecto aborda la ineficiencia en la distribución de recursos de comunicación en redes vehiculares (VANET) mediante la implementación de un sistema inteligente basado en aprendizaje por refuerzo (Q-learning) y análisis Markoviano. Ante el desafío que representa la alta movilidad vehicular y la variabilidad de las rutas en entornos urbanos, el sistema modela y entrena un controlador de red capaz de ajustar la activación de las Unidades de Infraestructura de Carretera (RSU) en tiempo real. El enfoque busca maximizar la eficiencia operativa y la cobertura, reduciendo el consumo energético innecesario y mejorando la continuidad del servicio. Al integrar técnicas de aprendizaje automático con simulaciones de movilidad, el proyecto propone una solución escalable y adaptativa que responde a la demanda dinámica de los usuarios. Los resultados esperados incluyen la validación de este modelo mediante simulaciones en software especializado, contribuyendo al desarrollo de infraestructuras de transporte más sostenibles y eficientes. Este trabajo se alinea con los Objetivos de Desarrollo Sostenible (ODS 9), promoviendo la innovación en sistemas de transporte inteligente y ciudades conectadas.<br/><br/><b>Objetivo</b>: <br/>Proponer un modelo matemático-algorítmico basado en aprendizaje por refuerzo para la asignación dinámica de recursos en redes vehiculares (VANET). El objetivo es optimizar la cobertura y la eficiencia operativa en entornos urbanos mediante el uso de algoritmos de aprendizaje automático.<br/><br/><b>Líneas de investigación</b>: <br/>Telecomunicaciones y tecnologías de la información