Algoritmo de búsqueda local con restricciones adaptativas para problemas combinatorios de asignación

• Autores: Novas, Juan Matías
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Inteligencia Artificial (IA); Neighborhood search; Constraint programming; Combinatorial optimization; AI/OR; Eje temático: Industria y procesos productivos; TECHNOLOGY
• Institución: Universidad Nacional de Córdoba

Fil: Novas, Juan Matías. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Novas, Juan Matías. Consejo Nacional de Investigaciones Ciemtíficas y Técnicas. Centro de Investigación y Estudios de Matemática; Argentina.
Fil: Novas, Juan Matías. Universidad Tecnológica Nacional- Facultad Regional Córdoba. Centro de Investigación, Desarrollo y Transferencia de Sistemas de Información; Argentina.
El presente trabajo aborda un tipo de problema de optimización combinatoria, buscando principalmente reducir el espacio de soluciones posibles, mediante la consideración iterativa e incremental de restricciones, y métricas dependientes del dominio. En esencia se aborda un problema de asignación óptima mediante un tratamiento integrado IA/IO (inteligencia artificial e investigación operativa). La problemática se encuentra presente en diversos dominios prácticos, como en la producción (asignación de actividades a equipos productivos), gestión de proyectos (asignación de recursos a tareas), optimización financiera (selección de inversiones desde portfolio), logística (selección de rutas), entre otros. El algoritmo desarrollado integra aspectos de búsqueda local en vecindario restringido, con técnicas de programación con restricciones (“Constraint Programming”, CP) adaptativas. Se utilizó Python y librería CP de ORTools, así como Google Colab para su implementación y ejecución. Las pruebas iniciales indican que es eficaz, logrando alcanzar el set mínimo de soluciones no dominadas que componen el espacio de búsqueda. Es trabajo futuro mejorar su performance computacional.
ABSTRACT This work addresses a specific type of combinatorial optimization problem, primarily seeking to reduce the search space by iteratively and incrementally considering domain-dependent constraints and metrics. In essence, it tackles an optimal assignment problem through an integrated AI/OR approach. The problem is present in various practical domains, such as production (assigning activities to production teams), project management (assigning resources to tasks), financial optimization (selecting investments from a portfolio), logistics (selecting routes), among others. The developed algorithm integrates aspects of restricted neighborhood local search with adaptive constraint programming (CP) techniques. Python and the ORTools CP library, as well as Google Colab, were used for implementation and execution. Initial tests indicate its effectiveness in achieving the minimal set of non-dominated solutions that compose the search space. Future work will focus on improving its computational performance.
Fil: Novas, Juan Matías. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina.
Fil: Novas, Juan Matías. Consejo Nacional de Investigaciones Ciemtíficas y Técnicas. Centro de Investigación y Estudios de Matemática; Argentina.
Fil: Novas, Juan Matías. Universidad Tecnológica Nacional- Facultad Regional Córdoba. Centro de Investigación, Desarrollo y Transferencia de Sistemas de Información; Argentina.