Integración de Visión Artificial y Optimización Cuántica en la Planificación de Trayectorias Robóticas.

Cuéllar Guerrero, Catherine Atenea

Published Dec 17, 2025• 0 citations

Abstract

En este artículo, se propone un enfoque híbrido para la planificación de trayectorias en robótica, combinando visión por computadora y técnicas de optimización cuántica. El objetivo principal es completar, a partir de una imagen del entorno, una matriz binaria de navegación utilizando métodos de procesamiento digital. Posteriormente, se implementa el algoritmo QAOA (Quantum Approximate Optimization Algorithm) con el simulador MPS de ProjectQ para hallar rutas óptimas en mapas con obstáculos, reforzando los resultados con el algoritmo clásico BFS. Este enfoque híbrido evidencia la factibilidad del enfoque cuántico-simbólico para la resolución de rutas paralelas.

DOI: 10.5281/zenodo.17959054

Related papers

Estudio de la eficiencia y comportamiento de QAOA frente a algoritmos clásicos en problemas de optimización.

Alberto Martínez Gallardo

Este trabajo se centra en el estudio de algoritmos de computación cuántica, con una introducción general al marco teórico de la computación cuántica, su naturaleza, estado actual y potencial en la resolución de problemas complejos. En particular, se aborda el uso de algoritmos cuánticos en tareas de optimización, un área de gran relevancia. Se analizarán problemas de optimización de funciones, enfocándonos en la optimización de diferentes tipos de potenciales. Para ello, se implementará el algoritmo QAOA (Quantum Approximate Optimization Algorithm), uno de los algoritmos cuánticos más representativos en este ámbito. Con el objetivo de contextualizar su rendimiento, se compararán sus resultados con los obtenidos mediante algoritmos clásicos de optimización como el método del descenso del gradiente y el método de Newton. El estudio incluirá tanto una comparación cuantitativa en términos de precisión, tiem- po de ejecución y calidad de la solución, como un análisis cualitativo de las diferencias entre enfoques clásicos y cuánticos. Asimismo, se examinará la influencia de los hiperparámetros de cada algoritmo sobre su rendimiento, con el propósito de identificar patrones o relaciones que permitan optimizar su configuración para distintos tipos de problemas.

Jun 1, 20250 citations

Optimización cuántica para planificación minera con capacidad flexible: Implementación de QAOA con variables de holgura

Bairon Rojas-Castro, Aldo Quelopana

Este trabajo presenta un estudio exploratorio y preliminar sobre la aplicación de un algoritmo cuántico variacional para resolver problemas de planificación minera a cielo abierto con capacidad de extracción flexible. El objetivo principal es evaluar la viabilidad técnica de la formulación propuesta y su resolución mediante QAOA, más que comparar su rendimiento frente a métodos clásicos o cubrir un amplio rango de instancias. Se desarrolla una formulación Quadratic Unconstrained Binary Optimization (QUBO) que incorpora variables de holgura para modelar restricciones de capacidad del tipo “menor o igual”, permitiendo operaciones por debajo de la capacidad máxima sin penalizaciones. La metodología emplea el Quantum Approximate Optimization Algorithm (QAOA) para optimizar la selección de bloques maximizando la ganancia económica de la extracción mientras respeta restricciones de precedencia geológica y límites operativos flexibles. El enfoque se valida mediante un caso de estudio en un yacimiento sintético de cobre de 18 bloques resuelto en un simulador cuántico, demostrando la capacidad del algoritmo cuántico para manejar la complejidad adicional introducida por las variables auxiliares. Esta investigación establece fundamentos para aplicar computación cuántica a problemas de planificación minera con mayor flexibilidad operativa.

Ingeniare. Revista chilena de ingenieríaSep 4, 20260 citations

Estudio comparativo de soluciones algorítmicas bajo el contexto de la computacion clásica y computación cuántica : estudio comparativo de soluciones algorítmicas bajo el contexto de la computacion clásica y computación cuántica para problemas de busqueda

Ivan Dario Simbaña Farinango

El presente trabajo de integración curricular tiene como objetivo analizar y comparar el desempeño de un algoritmo de búsqueda clásico y de un cuántico, en específico el algoritmo de Grover, con el fin de analizar y contrastar la ventaja computacional teórica y asintótica que proporciona la computación cuántica frente a los algoritmos clásicos, considerando las limitaciones del hardware cuántico actual. Se analizan las bases teóricas de estos dos enfoques, su complejidad temporal y su comportamiento frente a conjuntos de datos de tamaño distinto. La metodología que se emplea es la simulación de ambos algoritmos, es experimental, ya que permite observar y realizar comparaciones de tiempo y eficiencia para la localización de un elemento objetivo. En el caso del algoritmo cuántico, se implementa el algoritmo de Grover mediante simuladores cuánticos, analizando el impacto del número de qubits y de las iteraciones en los resultados obtenidos. Los resultados muestran que para la búsqueda clásica la complejidad de tiempo es O(n) en cambio en el caso del algoritmo de Grover esta se reduce a O(√n) siendo una mejora interesante que se centra en un n grande. A pesar de esto, existen limitaciones en la implementación de ordenadores cuánticos en la actualidad. Por último, se concluyó que el algoritmo de Grover es una alternativa bastante interesante para resolver problemas de búsqueda no estructurada y se muestra el potencial de la computación cuántica como una tecnología emergente con aplicaciones en la ingeniería.

May 28, 20260 citations

Modeling quantum algorithms for the simulation of biological neural networks

Lucas Damián Alaniz Pintos

Este proyecto tiene como objetivo explorar el potencial de los algoritmos cuánticos en la simulación de redes neuronales biológicas. Aprovechando la computación cuántica en la nube proporcionada por IBM Quantum, se integran técnicas avanzadas de inteligencia artificial (IA) para optimizar y mejorar los modelos neuronales. Se utilizan datos detallados de conectividad y expresión génica obtenidos del Allen Brain Atlas, procesados y limpiados para facilitar su uso en simulaciones cuánticas. Los resultados demuestran la capacidad de los algoritmos cuánticos para manejar la complejidad de las redes neuronales biológicas, proporcionando una herramienta poderosa para la investigación en neurociencia y biología. La computación cuántica ofrece ventajas significativas en términos de eficiencia y escalabilidad para la simulación de sistemas biológicos complejos. Este trabajo detalla los pasos realizados, los resultados obtenidos y las conclusiones derivadas del proceso, destacando el papel crucial de la IA en la optimización de los parámetros del circuito cuántico y en el análisis de los resultados de las simulaciones

Metrópolis | Revista de Estudios Universitarios GlobalesJul 16, 20240 citations

Optimización de carteras de inversión: un benchmark con modelos clásico, de computación cuántica y de hibridación AI /QC

Juan Pablo Braña, Alejandra M. J. Litterio, Alejandro Fernández

La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado Variational Quantum Eigensolver (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de forecasting multivariado basado en Machine Learning.

XXIII Workshop de Investigadores en Ciencias de la Computación (WICC 2021, Chilecito, La Rioja)Jan 1, 20210 citations

Implementación de computación cuántica para la optimización y mejora del algoritmo de Clustering K-Means en el contexto de la minería de datos

Dannyel Alejandro Alulema Rondal

La computación cuántica ha emergido como un paradigma revolucionario con el potencial de mejorar significativamente la resolución de problemas computacionales complejos. El algoritmo K-Means es ampliamente utilizado en la minería de datos para la clasificación y segmentación de grandes volúmenes de información. Sin embargo, su desempeño se ve afectado por problemas de escalabilidad y sensibilidad a la inicialización de centroides. Esta investigación explora la implementación de técnicas de computación cuántica para optimizar el algoritmo KMeans, proponiendo un modelo híbrido que combina elementos de la mecánica cuántica, como la superposición y el entrelazamiento, con la lógica del aprendizaje automático clásico. Se desarrolla una implementación del algoritmo cuántico en un entorno de simulación utilizando Qiskit, evaluando su rendimiento en comparación con K-Means clásico mediante métricas como la precisión y la cohesión de los clústeres. Los resultados muestran que el modelo cuántico logra una mejora en la eficiencia computacional y en la calidad de los clústeres, reduciendo el impacto de la inicialización aleatoria y optimizando la convergencia del proceso de agrupamiento. Finalmente, se presentan las limitaciones y desafíos de la computación cuántica aplicada a problemas de clasificación, destacando la necesidad de avances en hardware y algoritmos para lograr implementaciones prácticas a gran escala.

Jan 1, 20250 citations