<html><head><meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /></head><body style='font-size: 10pt; font-family: Verdana,Geneva,sans-serif'>
<p>Hola!</p>
<p>Les escribo para comentarles que en el segundo cuatrimestre de 2025, el Prof. Fernando Ordoñez junto con el Prof. Gonzalo Muñoz, ambos de la Universidad de Chile, dictará en forma virtual la materia optativa "HEURÍSTICAS PARA OPTIMIZACIÓN ENTERA Y APLICACIONES" invitado por el Instituto de Cálculo de la FCEN.</p>
<p>Esta asignatura tiene como propósito ofrecer a los estudiantes una introducción a heurísticas<br />modernas y clásicas para abordar problemas de optimización entera y combinatoria. Las<br />heurísticas son métodos computacionales que permiten encontrar soluciones de manera<br />eficiente a problemas complejos. Su desarrollo e incorporación en métodos exactos de<br />optimización ha sido fundamental en el despliegue de algoritmos avanzados en la<br />industria. En esta materia, se explorarán heurísticas generales como GRASP, Simulated<br />Annealing y Tabu Search, junto con heurísticas modernas que actualmente forman parte<br />de los solvers más exitosos de MIP y MINLP. El enfoque es tanto teórico como<br />computacional, permitiendo que los estudiantes diseñen, implementen y evalúen<br />heurísticas en problemas aplicados.</p>
<p>El programa de la materia se encuentra a continuación.</p>
<p>Esta materia tiene una carga total de 96 hs. y será dictada en forma virtual. Está siendo presentada como materia optativa de la Licenciatura en Ciencias de Datos y es correlativa de Introducción a la Investigación Operativa y Optimización.</p>
<p>Asimismo, ha sido presentada como materia optativa para el doctorado con el nombre "HEURÍSTICAS PARA OPTIMIZACIÓN ENTERA" con un puntaje sugerido de 4 puntos y está dirigida a estudiantes de posgrado con conocimientos de matemática que tengan conocimientos previos equivalentes a Introducción a la Investigación Operativa y Optimización.</p>
<p>Su reconocimiento está en trámite por lo que hemos habilitado un formulario de inscripción provisoria:</p>
<p>https://docs.google.com/forms/d/e/1FAIpQLSfsiq_1-IHSPqe_Bt43EwJKErRhxDqB6McFJ1--Ntle1Ak4ew/viewform?usp=header</p>
<p><br /></p>
<p>El horario previsto es <span>Lunes y Miércoles comenzando a las 17:15 hs.</span></p>
<p><br />Cualquier duda, pueden escribirme a anambianco@gmail.com</p>
<p><br />Saludos,</p>
<p>Ana M. Bianco</p>
<p><br />##########################################################################################</p>
<p>HEURÍSTICAS PARA OPTIMIZACIÓN ENTERA Y APLICACIONES</p>
<p>Este curso tiene como propósito ofrecer a los estudiantes una introducción a heurísticas modernas y clásicas para abordar problemas de optimización entera y combinatoria. Las heurísticas son métodos computacionales que permiten encontrar soluciones de manera eficiente a problemas complejos. Su desarrollo e incorporación en métodos exactos de optimización ha sido fundamental en el despliegue de algoritmos avanzados en la industria. En este curso, se explorarán heurísticas generales como GRASP, Simulated Annealing y Tabu Search, junto con heurísticas modernas que actualmente forman parte de los solvers más exitosos de MIP y MINLP. El enfoque es tanto teórico como computacional, permitiendo que los estudiantes diseñen, implementen y evalúen heurísticas en problemas aplicados.</p>
<p>La asignatura tiene como objetivo que los estudiantes aprendan a: <br />• Identificar y modelar problemas de optimización abordables mediante heurísticas. <br />• Implementar y evaluar computacionalmente heurísticas clásicas y modernas<br />• Diseñar estrategias heurísticas para problemas aplicados.<br />• Desarrollar un proyecto aplicado, presentando y comunicando propuestas y resultados de heurísticas en forma clara y argumentada.</p>
<p><br />Organización</p>
<p>La metodología de enseñanza y aprendizaje para este curso considera:</p>
<p>• Clases expositivas.<br />• Resolución de problemas computacionales.<br />• Presentaciones de investigadores del área.<br />• Trabajo en personal y en equipo.</p>
<p>Programa</p>
<p>Unidad 1. Introducción y problemas clásicos: <br />1.1. Introducción a problemas discretos y su complejidad computacional<br />1.2. Problemas clásicos: TSP, ruteo, coloreo<br />1.3. Algoritmos exactos</p>
<p>Unidad 2. Heurísticas y metaheurísticas clásicas:<br />2.1. Heurísticas de búsqueda local, greedy y GRASP<br />2.2. Simulated annealing<br />2.3. Tabu search</p>
<p>Unidad 3. Heurísticas y aplicaciones:<br />3.1. Heurísticas para Ruteo de Vehículos<br />3.2. Heurísticas para Problemas de Localización<br />3.3. Heurísticas para Programación de Tareas.</p>
<p>Unidad 4. Fundamentos de heurísticas para MILP:<br />4.1. Relajaciones y redondeo básico<br />4.2. Propagación de restricciones<br />4.3. Impacto en solvers</p>
<p>Unidad 5. Heurísticas para MILP:<br />5.2. RINS<br />5.3. Heurísticas de redondeo<br />5.4. Propagación<br />5.5. Diving<br />5.6. Feasibility pump<br />5.7. Pivoteo y line search</p>
<p>Unidad 6. Heurísticas para MINLP:<br />6.1. Feasibility pump<br />6.2. Large neighborhood search<br />6.3. Undercover</p>
<p><br />Bibliografía General</p>
<p>Berthold, Lodi, Salvagnin (2025). Primal Heuristics in Integer Programming. Cambridge University Press.</p>
<p>Taillard (2023). Design of Heuristic Algorithms for Hard Optimization: With Python Codes for the Travelling Salesman Problem. Springer Cham.</p>
<p><br /></p>
<p><br /></p>
</body></html>