Ministerio | GRAFO Research Group

Ciencia de la Computación para la Optimización de la Cadena de Suministro

Mon, 01 Sep 2025 00:00:00 +0000

Investigadores principales: Jesús Sánchez-Oro Calvo, Eduardo García Pardo
Entidad financiadora: Agencia Estatal de Investigación
Referencia externa: PID2024-160226OB-C22
Referencia interna: M4027
Duración: 01/09/2025 – 31/08/2028

Resumen:

La optimización de la cadena de suministro constituye uno de los grandes desafíos de la logística moderna. Este proyecto aborda dicho problema desde la perspectiva de la ciencia de la computación, aplicando técnicas avanzadas de optimización combinatoria y metaheurísticas para mejorar la planificación, coordinación y eficiencia de los distintos eslabones de la cadena: aprovisionamiento, producción, distribución y gestión del inventario. El objetivo es desarrollar modelos y algoritmos que permitan obtener soluciones de alta calidad en entornos dinámicos y con múltiples restricciones, contribuyendo a la reducción de costes y a la mejora de la sostenibilidad de las operaciones logísticas.

Nuevos avances en la metodología holística para la configuración, comparación y evaluación de metaheurísticas

Mon, 01 Sep 2025 00:00:00 +0000

Investigadores principales: José Manuel Colmenar Verdugo, Abraham Duarte Muñoz
Entidad financiadora: Agencia Estatal de Investigación
Referencia externa: PID2024-156045NB-I00
Referencia interna: M4018
Duración: 01/09/2025 – 31/08/2028
Cuantía financiación: 124.250 €

Resumen:

Las metaheurísticas son métodos de resolución de problemas de optimización combinatoria que han demostrado ser muy eficaces en la práctica. Sin embargo, su configuración, comparación y evaluación sigue siendo un proceso complejo y poco estandarizado. Este proyecto propone avanzar en una metodología holística que integre de forma coherente los distintos aspectos del diseño experimental con metaheurísticas: la selección y ajuste de parámetros, el diseño de benchmarks representativos, los protocolos estadísticos de comparación y la evaluación del rendimiento en condiciones reales. El objetivo es proporcionar a la comunidad investigadora herramientas y guías metodológicas rigurosas que permitan extraer conclusiones fiables y reproducibles sobre el comportamiento de estas técnicas.

AI4DDS - Artificial Intelligence for Data Driven Solutions

Fri, 19 Apr 2024 00:00:00 +0000

Investigador principal: Jesús Sánchez-Oro Calvo
Entidades financiadoras: Ministerio para la Transformación Digital y de la Función Pública (Ref. TSI-100930-2023-3)
Duración: 19/04/2024 - 31/12/2026
Financiación: 374.999,91

HOMERO – Una nueva metodología holística para la configuración, comparación y evaluación de metaheurísticas

Tue, 02 Aug 2022 00:00:00 +0000

Investigadores principales: Abraham Duarte, J. Manuel Colmenar. Entidades financiadoras: Ministerio de Ciencia e Innovación (PID2021-126605NB-I00). Duración: 01/01/2022 – 31/12/2024.

Resumen:

Las metaheurísticas (MHs) se encuentran entre las técnicas más destacadas y exitosas para resolver una gran cantidad de problemas de optimización combinatoria y numérica complejos y computacionalmente difíciles que surgen en las actividades humanas, como la economía (por ejemplo, la selección de carteras), la industria (por ejemplo, la programación o la logística), o la ingeniería (por ejemplo, el enrutamiento). Las MHs pueden considerarse marcos algorítmicos generales que requieren relativamente pocas modificaciones para abordar un problema específico. Aunque los MH no garantizan la optimalidad de las soluciones obtenidas (a diferencia de los algoritmos exactos), y no definen lo cerca que están las soluciones obtenidas de las óptimas (a diferencia de los algoritmos de aproximación), proporcionan soluciones “aceptables” en tiempos de computación razonables para problemas difíciles y complejos en ciencia e ingeniería.

Fred Glover acuñó el término metaheurística en 1986. Quería definir “un proceso maestro que guía y modifica otras heurísticas subordinadas para explorar soluciones más allá de la simple optimalidad local”. Las MHs constituyen una familia muy diversa de algoritmos de optimización que incluyen métodos como la búsqueda Tabu, los procedimientos de búsqueda adaptativa aleatoria codiciosa, la búsqueda dispersa, la búsqueda de vecindario variable, la búsqueda local iterada y los métodos de inicio múltiple. Además, las metaheurísticas bioinspiradas comenzaron con los Algoritmos Genéticos y, entre otros, incluyen muchos métodos diferentes como el Recocido Simulado, la Programación Genética, los Algoritmos Meméticos, la Optimización de Colonias de Hormigas y la Evolución Gramatical.

La investigación en MHs se ha centrado principalmente en el diseño de algoritmos eficaces y eficientes para resolver problemas de optimización difíciles. Esta línea de investigación ha tenido mucho éxito, como demuestran los miles de artículos publicados en revistas y congresos, los cientos de libros escritos y editados, y las conferencias nacionales e internacionales dedicadas a ello. Sin embargo, a pesar de la gran cantidad de conocimiento que se ha reunido, no existe una metodología holística establecida que ayude a los investigadores a la hora de diseñar procedimientos para problemas de optimización en: selección de instancias de referencia, ajuste de parámetros, análisis de sensibilidad, comparación de tiempos de ejecución y reproducibilidad, entre otros. De hecho, carecemos de algunos de los conocimientos fundamentales de las MH que nos permitirían crear dicha metodología.

El objetivo principal de este proyecto es desarrollar una metodología holística con un soporte científico para la aplicación de las MH en problemas de optimización. La metodología se complementará con un conjunto de herramientas de software de código abierto que será accesible a toda la comunidad científica.

Aunque se considerará un enfoque teórico para ampliar el cuerpo de conocimientos de los fundamentos metaheurísticos, esta investigación no se llevará a cabo de forma puramente abstracta. Por el contrario, se seguirá un enfoque orientado a la resolución de problemas mediante la elección de dominios de aplicación en los que el uso de las MH sea especialmente prometedor. En concreto, durante el desarrollo del proyecto se estudiarán las siguientes familias de problemas Localización de Instalaciones, Disposición de Instalaciones, Particionamiento de Grafos, Predicción del Consumo de Energía y Distribución de Energía.

SCOOP – Computer Science for Supply Chain OptimizatiOn Problems

Fri, 24 Jun 2022 00:00:00 +0000

Investigador principal: Eduardo García Pardo y Jesús Sánchez-Oro Calvo Entidades financiadoras: Ministerio de Economía y Competitividad (PID2021-125709OA-C22). Duración: 2022 – 2024.

Resumen:

Esta propuesta científica se centra en resolver problemas NP-Difíciles de optimización que aparecen en el contexto de la cadena de suministro, mediante el uso de una combinación eficiente de técnicas de Investigación de Operaciones e Inteligencia Artificial. La cadena de suministro incluye los recursos, actividades y organizaciones involucradas en el movimiento de materias primas y productos, en su viaje desde los proveedores iniciales hasta los clientes finales.

Dentro de la cadena de suministro, este proyecto se centra en los procesos y sistemas relacionados con los almacenes, incluida la logística de entrada y salida de productos. La optimización de los procesos en este contexto reduce los costes y, por tanto, un aumento de los beneficios. En este proyecto se propone el estudio de cuatro familias de problemas de optimización:

Recogida de pedidos en lotes: esta familia de problemas se centra en las actividades relacionadas con la recogida de pedidos en un almacén cuando la política de recogida sigue una estrategia de agrupación en lotes (varios pedidos se agrupan en un lote antes de iniciarse la ruta de recogida). Existen múltiples variantes de esta familia: offline (estáticos) / online (dinámicos); un operario / múltiples operarios; minimizando diferentes funciones objetivo (tiempo, longitud de ruta, balance de trabajo, costos, etc.).
Enrutamiento: esta familia ocupa un lugar central en la cadena de suministro. En ella hay problemas de enrutamiento vehículos (llamados problemas de enrutamiento nodos) en los que los clientes pueden ser representados por nodos en una red; y problemas de provisión de servicio, en los que el servicio se realiza en los arcos o bordes de una red. Este proyecto se centra en tres variantes de problemas de enrutamiento realistas en el contexto de la cadena de suministro: suficientemente cercano, estocástico y multi-objetivo.
Seguimiento: en la cadena de suministro, existen diversas redes cuya seguridad debe garantizarse: redes de comunicación, redes de transporte o redes de vigilancia. En este contexto, surgen muchos problemas de optimización como: seleccionar una cantidad de puntos que maximicen un área de vigilancia, determinar qué conexiones de red deben reforzarse, o elegir qué almacenes dominan/abastecen a otros.
Almacenamiento y ubicación: en esta línea de investigación se estudia la ubicación de los almacenes (visión estratégica) así como la correcta ubicación de los productos dentro del almacén (visión táctica u operativa según el contexto). Estas aplicaciones pueden abordarse mediante el uso de modelos pertenecientes a la familia de los denominados problemas de diversidad/dispersión. Para solucionar los problemas de optimización antes mencionados, se hará uso de procedimientos heurísticos y metaheurísticos.

Estas técnicas de inteligencia artificial son capaces de proporcionar soluciones aproximadas de alta calidad (algunas veces incluso óptimas) en tiempos de cómputo reducidos. Estas técnicas son adecuadas para abordar tareas de optimización difíciles en escenarios reales, donde la calidad de las soluciones es casi tan importante como el tiempo necesario para encontrarlas.

Este proyecto se basa en la sólida y exitosa colaboración de dos grupos de investigación complementarios: matemáticos (Univ. de Valencia) coordinados por los Profs. Martí y Martínez-Gavara, e informáticos (Univ. Rey Juan Carlos) coordinados por los Profs. Pardo y Sánchez.

DIETHA – Diseño, Implementación y Explotación de Técnicas Heurísticas Avanzadas

Wed, 02 Dec 2020 00:00:00 +0000

Investigador principal: Abraham Duarte Entidades financiadoras: Ministerio de Economía y Competitividad (TIN2012-35632-C02-02). Duración: 01/01/2013 - 31/12/2015,

Resumen:

Existe una gran cantidad de problemas que se enmarcan en el contexto de la optimización combinatoria caracterizados por el alto interés asociado a su resolución práctica. Este proyecto aborda cinco familias distintas de problemas combinatorios. Estas son:

Problemas de ordenación: con aplicaciones en el diseño VLSI o en la resolución eficiente de sistemas de ecuaciones. Problemas de localización: con interés en aplicaciones de telecomunicaciones como la distribución de regeneradores de señal o el diseño de redes. Problemas basados en grafos: con aplicaciones en la distribución de dispositivos electrónicos en placas electrónicas o en la segmentación de imágenes. Problemas de enrutamiento: centrándose en problemas multiobjetivo con aplicaciones en el transporte de materiales peligrosos o en sistemas de recomendación. Problemas de selección: con aplicaciones en la construcción de grupos diversos o el clustering de documentos. La metodología para resolver los problemas descritos anteriormente son procedimientos metaheurísticos, entre los que destacan los algoritmos evolutivos, la búsqueda tabú, la búsqueda de vecindades variables o GRASP, por citar algunos de los más conocidos. Para cada problema combinatorio, propondremos la metaheurística más adecuada en función de su estructura o modelo matemático. Nos centraremos principalmente en el diseño de estrategias novedosas para obtener soluciones de alta calidad. Además, se espera descubrir estrategias generales que puedan aplicarse fácilmente a otros problemas relacionados. También nos centraremos en la implementación eficiente y flexible de dichas estrategias, aprovechando las características de los nuevos lenguajes de programación y los microprocesadores multinúcleo. Por último, nos centraremos en la explotación a través de una plataforma de gestión, que integra los problemas abordados anteriormente. Simultáneamente, desarrollaremos una aplicación para poner en producción (en las empresas interesadas en nuestro proyecto de investigación) los algoritmos desarrollados durante el proyecto.

Además de resolver los problemas presentados anteriormente, un segundo objetivo del proyecto es desarrollar las propias metodologías metaheurísticas. Para afrontar con éxito este reto el equipo de investigación cuenta con el investigador Nenad Mladenovic, que ha desarrollado junto con Pierre Hansen la metodología de búsqueda de vecindario variable.

Todos estos problemas se integrarán en Optsicom, una herramienta de software que permite la ejecución de algoritmos dedicados a resolver problemas de optimización y analizar los resultados asociados. Optsicom puede utilizarse a dos niveles: como usuario final o como investigador de métodos heurísticos. En esta línea, los problemas integrados en Optsicom también estarán disponibles vía web en Optsicom Repository, una plataforma web para la gestión integral de problemas de optimización. En esta plataforma se publicará toda la información asociada a un problema de optimización. Para cada problema, se espera almacenar la descripción, los algoritmos, las instancias, los resultados experimentales y las referencias relevantes. Además, los resultados obtenidos mediante la ejecución de los algoritmos pueden ser comparados utilizando diferentes pruebas estadísticas que están disponibles como parte de la herramienta de software.

DIETHA II – Diseño, Implementación y Explotación de Técnicas Heurísticas Avanzadas

Wed, 02 Dec 2020 00:00:00 +0000

Investigador principal: Abraham Duarte. Entidades financiadoras: Ministerio de Economía y Competitividad (TIN2015-65460-C2-2-P). Duración: 01/01/2016 - 31/12/2018.

Resumen:

EMIGO – Metaheurísticas Eficientes para la Optimización en Grafos

Tue, 01 Dec 2020 00:00:00 +0000

Investigador principal: Abraham Duarte y José Manuel Colmenar Verdugo. Entidades financiadoras: Ministerio de Ciencia Innovación y Universidades. (Ref. PGC2018-095322-B-C22). Duración: 01/01/2019 - 31/12/2021.

Resumen:

Los sistemas de información se representan hoy en día comúnmente con un gráfico, lo que facilita su interpretación y comprensión. Un grafo es una estructura de datos abstracta formada por nodos y aristas, donde los nodos, a veces también denominados vértices, representan entidades, y las aristas son enlaces que conectan los nodos representando relaciones entre ellos. Desde un punto de vista teórico, un grafo es un par ordenado G = (V, E), donde V es el conjunto de vértices y E un conjunto de aristas, donde cada arista asocia dos vértices en V. Este tipo de grafos suele denominarse grafos no dirigidos y no ponderados. Los grafos en los que las aristas tienen orientación (es decir, dados los vértices u, v en V existe un arco entre u y v pero no el inverso) se conocen como grafos dirigidos. Por último, los grafos ponderados son aquellos en los que se asigna un número (peso) a cada arista. Estos pesos pueden representar costes, longitudes o capacidades, dependiendo del problema que se trate. Algunos autores llaman a este tipo de grafos “redes”.

Los grafos son la unidad básica de modelado en una gran variedad de áreas dentro de la informática y la informática, como la gestión de proyectos, la programación de la producción, el equilibrio de líneas, los planes de negocio o la visualización de software. La teoría de grafos ofrece una rica fuente de problemas y técnicas de optimización, programación y desarrollo de estructuras de datos. El diseño de una buena heurística o de algoritmos de aproximación para problemas de optimización suele requerir un importante conocimiento especializado y el método de ensayo y error sobre un grafo. En muchas aplicaciones del mundo real, suele ocurrir que el mismo problema de optimización se resuelve una y otra vez de forma periódica, manteniendo la misma estructura del problema pero diferenciando los datos. Esto proporciona una oportunidad para el aprendizaje de algoritmos heurísticos que exploten la estructura de dichos problemas recurrentes. Estudiamos el aprendizaje por refuerzo y la incrustación de grafos para abordar este reto. La política codiciosa aprendida se comporta como un meta-algoritmo que construye incrementalmente una solución, y la acción se determina por la salida de una red de incrustación de grafos que captura el estado actual de la solución.

El objetivo principal de este proyecto es resolver problemas de optimización difíciles, NP-duros en términos científicos, véase Garey y Johnson, (1990), en un grafo que modela una situación real. Un problema de optimización difícil es aquel para el que no es posible garantizar que la solución óptima se encuentre en un tiempo computacional “razonable”. En la práctica, hay muchos problemas difíciles que desencadenan el desarrollo de procedimientos eficientes capaces de encontrar “buenas” soluciones, incluso cuando éstas no pueden ser probadas como óptimas. Estos métodos, para los que la calidad de la solución es tan importante como el tiempo de cálculo necesario para encontrarla, se conocen como heurísticos. En la actualidad, una familia de heurísticas modernas e inteligentes, conocidas normalmente como metaheurísticas (Glover, 1986), son estrategias maestras que guían a los algoritmos subordinados para producir soluciones más allá de las que se obtienen normalmente en la búsqueda de la optimalidad local. Las metaheurísticas se encuentran entre las técnicas más destacadas y exitosas para resolver una gran cantidad de problemas de optimización combinatoria y numérica complejos y computacionalmente difíciles. Ambos grupos de investigación tienen una larga experiencia en el desarrollo y aplicación de estas metodologías. En este proyecto, proponemos la aplicación de las metodologías metaheurísticas para resolver problemas difíciles basados en grafos que surgen en los negocios y la industria.