el proyecto
Motivación, hipótesis y objetivos de MESH.
por qué
Los sistemas distribuidos sostienen buena parte de nuestra infraestructura cotidiana: la gestión del tráfico en las ciudades, el Internet de las Cosas en la agricultura o la industria, los mecanismos de ciberresiliencia de las redes de comunicación. Optimizarlos es un problema de ingeniería formidable, y la dificultad no es accidental. Surge de la confluencia de tres factores: la escala de los despliegues, que hace inviable la búsqueda exhaustiva; las interdependencias ocultas entre sus elementos, que convierten muchos de estos problemas en NP-duros; y los bucles de realimentación que esas relaciones generan, sobre todo cuando los elementos son agentes autónomos con intereses propios.
El estado del arte aborda estos retos solo en parte. Las metaheurísticas clásicas, como el temple simulado o los algoritmos evolutivos, encuentran buenas soluciones a gran escala, pero no aprovechan la estructura de relaciones del problema. Las técnicas de optimización distribuida basadas en paso de mensajes y negociación sí la explotan y gestionan bien los comportamientos autointeresados, pero su escalabilidad es limitada.
En el aprendizaje automático, las redes neuronales de grafos han demostrado que trabajar directamente sobre la estructura de los datos permite identificar relaciones latentes y resolver problemas antes intratables. MESH traslada esa «conciencia estructural» al dominio de la optimización de sistemas distribuidos.
hipótesis
Los algoritmos de optimización que integren y aprovechen de forma nativa las relaciones del problema, modelado como un grafo factor multicapa, superarán a las metaheurísticas tradicionales ciegas a la estructura, tanto en la calidad de las soluciones como en el tiempo de convergencia. Buscamos además que estas técnicas tengan un comportamiento anytime y que sirvan para guiar un sistema distribuido hacia resultados socialmente eficientes sin ignorar los objetivos de cada uno de sus agentes.
objetivos
Modelar sistemas distribuidos como grafos factor multicapa
Desarrollar una representación formal que capture tanto la estructura de red de un sistema distribuido como las dinámicas de interacción entre sus elementos, combinando las formulaciones de redes multicapa con el modelado de interacciones de orden superior mediante grafos factor. El modelo se enriquecerá de forma automática: a partir de datos reales o sintéticos, técnicas de aprendizaje autosupervisado en grafos identificarán relaciones ocultas que se incorporan como nuevos atributos, enlaces o capas.
Integrar la expresividad del modelo en las metaheurísticas
Adaptar las principales familias de algoritmos metaheurísticos para que exploten las relaciones expresadas en el grafo factor multicapa: operadores de cruce y mutación conscientes de las relaciones, reducción del número de variables según su importancia en la estructura y mecanismos de decisión que aceleren la convergencia, con métricas que cuantifiquen la ganancia frente a los algoritmos originales.
Reconfigurar y optimizar la estructura mediante paso de mensajes
Explorar métodos distribuidos que, durante la propia optimización, detecten qué propiedades estructurales del grafo facilitan o dificultan alcanzar buenas soluciones y las usen como puntos de palanca para inducir cambios en el modelo. Llamamos a este proceso reconformado del grafo factor multicapa. Ayuda a superar limitaciones intrínsecas del paso de mensajes, como el over-squashing, y se combina con técnicas de incrustación de grafos para escenarios de gran tamaño y con mecanismos de negociación que equilibren objetivos individuales y colectivos.
casos de uso
MESH es un proyecto de investigación no orientada: el modelo y las técnicas son generales. Para validarlos se trabajará con datos abiertos de tres dominios en los que el equipo tiene experiencia: las comunicaciones inalámbricas (Wi-Fi y 5G), el transporte urbano por carretera y la ciberseguridad, en particular la reconfiguración de redes frente a ataques. Entre los beneficios esperados están la autoconfiguración de redes para resistir ciberataques y la reducción del consumo energético.
ciencia abierta
Los resultados se publicarán siguiendo los principios FAIR y en acceso abierto. Los modelos pre-entrenados se distribuirán en Hugging Face y los datasets y versiones estables del software, con DOI, en la comunidad MESH de Zenodo, registrados en la plataforma AI-on-Demand e integrados en la European Open Science Cloud. Se organizará un taller en el que se mostrará cómo reproducir los experimentos de uno de los trabajos publicados a partir del código y los datos liberados.
impacto
La escalabilidad, las interdependencias y el comportamiento autointeresado han sido siempre las tres grandes limitaciones de la optimización de sistemas distribuidos complejos. MESH propone un modelo genérico y un conjunto de mecanismos distribuidos, apoyados en aprendizaje automático, que permiten abordarlas de forma conjunta y cerrar la brecha entre las metaheurísticas de propósito general y la optimización distribuida sobre grafos.
Sus aplicaciones contribuyen a los Objetivos de Desarrollo Sostenible 11 (ciudades sostenibles, por la reducción de congestión y emisiones), 7 (energía asequible y no contaminante, por la eficiencia de las redes inalámbricas) y 9 (industria, innovación e infraestructura, por la ciberresiliencia de infraestructuras críticas). El diseño de los algoritmos integra los requisitos de transparencia y supervisión humana del Reglamento de Inteligencia Artificial de la UE, y la perspectiva de género se aplica en la auditoría de sesgos de los datos y en funciones de coste que no penalicen patrones de movilidad complejos asociados a los cuidados.
financiación
Proyecto PID2025-174033NA-I00, financiado por MICIU/AEI/10.13039/501100011033, dentro de la convocatoria de Proyectos de Generación de Conocimiento 2025 del Plan Estatal de Investigación Científica, Técnica y de Innovación 2024-2027. Modalidad de proyectos de investigación no orientada, tipo A. Duración: 36 meses, del 1 de septiembre de 2026 al 31 de agosto de 2029. Importe concedido: 85.000 €. Ficha del proyecto en el Portal Científico de la UAH.
agradecimiento y cómo citar
Los artículos, repositorios, presentaciones y demás resultados derivados del proyecto deben incluir el siguiente agradecimiento:
Proyecto PID2025-174033NA-I00 financiado por MICIU/AEI/10.13039/501100011033.
Grant PID2025-174033NA-I00 funded by MICIU/AEI/10.13039/501100011033. Para citar el proyecto como tal:
de la Hoz, E., de la Cruz Piris, L. et al. (2026–2029). MESH: Metaheurísticas estructurales mejoradas multicapa para optimización distribuida (PID2025-174033NA-I00). Universidad de Alcalá. https://gnosis-uah.github.io/mesh/
El software, los datasets y los modelos tienen su propia cita, con DOI, en la página de recursos.
transferencia y contacto
MESH es un proyecto de generación de conocimiento y no persigue una transferencia inmediata, pero sus técnicas tienen aplicación directa en la configuración de redes de comunicaciones, la gestión del tráfico y la ciberresiliencia. Nos interesa colaborar con operadores de red, gestores de movilidad y centros de operaciones de seguridad que quieran validar estos métodos sobre sus propios escenarios. Las vías habituales son contratos de investigación con la Universidad de Alcalá, cátedras de empresa y proyectos conjuntos en convocatorias nacionales o europeas.
Contacto: Enrique de la Hoz, investigador principal, enrique.delahoz@uah.es.