10 Junio 2026

La investigación, publicada en IEEE Access y desarrollada con participación del profesor Rodrigo Carrasco, propone un innovador marco de aprendizaje por meta-refuerzo para mejorar la ejecución de tareas críticas en entornos complejos. El académico Rodrigo Carrasco, participó en la investigación “Scheduling Mixed-Criticality Systems on Varying-Speed Processors: A Meta-Reinforcement Learning Approach for Non-Preemptive Tasks”, recientemente publicada en la revista IEEE Access. El trabajo fue desarrollado junto a Muhammad El-Mahdy y Nouri Sakr. La investigación aborda uno de los desafíos más complejos en el ámbito de los sistemas críticos: garantizar que las tareas más importantes se ejecuten a tiempo incluso cuando los procesadores enfrentan condiciones adversas o degradaciones inesperadas. Este tipo de problemas es especialmente relevante en aplicaciones donde la seguridad y la confiabilidad son fundamentales, como la automatización industrial, los sistemas utilizados en la aviación y otras tecnologías de tiempo real. Aunque existe una amplia literatura sobre planificación de tareas en sistemas de criticidad mixta, gran parte de los estudios se ha concentrado en escenarios donde las tareas pueden interrumpirse y reanudarse posteriormente. En contraste, la planificación no preemptiva en la que una tarea debe completarse una vez iniciada, constituye un problema computacionalmente complejo que ha recibido menor atención. Para abordar este desafío, los investigadores desarrollaron un novedoso marco de aprendizaje por meta-refuerzo (Meta-RL). La propuesta combina dos enfoques complementarios: el algoritmo clásico Earliest Deadline First (EDF) y un planificador basado en aprendizaje por refuerzo entrenado para responder eficazmente a cargas de trabajo adversarias. Un metaagente analiza las características de cada escenario y selecciona dinámicamente la estrategia más adecuada para maximizar el desempeño del sistema. Los resultados obtenidos muestran el potencial de esta aproximación. A través de más de un millón de simulaciones inspiradas en condiciones reales, el marco Meta-RL logró superar el desempeño de los métodos tradicionales en escenarios complejos, garantizando una mejor ejecución de las tareas de mayor criticidad. Para el profesor Rodrigo Carrasco, este trabajo refleja las oportunidades que ofrece la inteligencia artificial para enfrentar problemas de optimización cada vez más desafiantes. La investigación contribuye al desarrollo de sistemas más robustos y seguros y abre nuevas líneas de trabajo en la intersección entre investigación operativa, aprendizaje automático y sistemas críticos. La publicación completa y un resumen del estudio están disponibles en el sitio del proyecto de investigación: Scheduling Mixed-Criticality Systems on Varying-Speed Processors: A Meta-Reinforcement Learning Approach for Non-Preemptive Tasks