[Institucional_dat] Optativa: HEURÍSTICAS PARA OPTIMIZACIÓN ENTERA Y APLICACIONES

[Dirección LCD]

Hola! 

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. 

Esta asignatura 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 esta materia, 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. 

El programa de la materia se encuentra a continuación. 

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. 

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. 

Su reconocimiento está en trámite por lo que hemos habilitado un
formulario de inscripción provisoria: 

https://docs.google.com/forms/d/e/1FAIpQLSfsiq_1-IHSPqe_Bt43EwJKErRhxDqB6McFJ1--Ntle1Ak4ew/viewform?usp=header


El horario previsto es Lunes y Miércoles comenzando a las 17:15 hs. 

Cualquier duda, pueden escribirme a anambianco en gmail.com 

Saludos, 

Ana M. Bianco 

##########################################################################################


HEURÍSTICAS PARA OPTIMIZACIÓN ENTERA Y APLICACIONES 

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. 

La asignatura tiene como objetivo que los estudiantes aprendan a: 
* Identificar y modelar problemas de optimización abordables mediante
heurísticas. 
* Implementar y evaluar computacionalmente heurísticas clásicas y
modernas
* Diseñar estrategias heurísticas para problemas aplicados.
* Desarrollar un proyecto aplicado, presentando y comunicando propuestas
y resultados de heurísticas en forma clara y argumentada. 

Organización 

La metodología de enseñanza y aprendizaje para este curso considera: 

* Clases expositivas.
* Resolución de problemas computacionales.
* Presentaciones de investigadores del área.
* Trabajo en personal y en equipo. 

Programa 

Unidad 1. Introducción y problemas clásicos: 
1.1. Introducción a problemas discretos y su complejidad computacional
1.2. Problemas clásicos: TSP, ruteo, coloreo
1.3. Algoritmos exactos 

Unidad 2. Heurísticas y metaheurísticas clásicas:
2.1. Heurísticas de búsqueda local, greedy y GRASP
2.2. Simulated annealing
2.3. Tabu search 

Unidad 3. Heurísticas y aplicaciones:
3.1. Heurísticas para Ruteo de Vehículos
3.2. Heurísticas para Problemas de Localización
3.3. Heurísticas para Programación de Tareas. 

Unidad 4. Fundamentos de heurísticas para MILP:
4.1. Relajaciones y redondeo básico
4.2. Propagación de restricciones
4.3. Impacto en solvers 

Unidad 5. Heurísticas para MILP:
5.2. RINS
5.3. Heurísticas de redondeo
5.4. Propagación
5.5. Diving
5.6. Feasibility pump
5.7. Pivoteo y line search 

Unidad 6. Heurísticas para MINLP:
6.1. Feasibility pump
6.2. Large neighborhood search
6.3. Undercover 

Bibliografía General 

Berthold, Lodi, Salvagnin (2025). Primal Heuristics in Integer
Programming. Cambridge University Press. 

Taillard (2023). Design of Heuristic Algorithms for Hard Optimization:
With Python Codes for the Travelling Salesman Problem. Springer Cham.
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://listas.exactas.uba.ar/pipermail/institucional_dat/attachments/20250731/ef66cd7c/attachment.htm>