III Simposio de Postgrado 2025: Ingeniería, ciencia e innovación

02 54 ¹ Centro de Investigación en Inteligencia de Negocios (CEINE), Departamento de Ingeniería Industrial (DII), Universidad de Chile ² DICE Lab, Instituto Politécnico de Setúbal, Portugal Catalina Miranda P. ¹* Pablo Cleveland O. ¹ , ² Sebastián Ríos P. ¹ *E-mail: catmiranda@ug.uchile.cl Un enfoque híbrido basado en heurísticas y aprendizaje automático para la programación de pedidos de hormigón minimizando la tardanza Resumen Implementar un modelo de optimización para calendarizar pedidos en la industria del hormigón, minimizando atrasos, implica un alto costo computacional, lo que dificulta su aplicación cuando se requiere respuesta en tiempo real. Las heurísticas pueden ser una alternativa dado su menor tiempo de ejecución, sin embargo, no garantizan encontrar soluciones c ercanas al óptimo en un tiempo suficientemente pequeño. Este trabajo investiga la posibilidad de predecir valores óptimos de un modelo de optimización mediante herramientas de Machine Learning, de manera más eficiente manteniendo una pérdida aceptable. En primer lugar, se diseñó una metaheurística Greedy, compuesta por cons- trucción y mejoramiento. Sus resultados se compararon con los de un modelo de optimización lineal entera mixta y una asignación aleatoria, usando datos que simulan una semana de pedidos en una planta de hormigón. Luego de comprobar factibilidad, coherencia y cercanía al óptimo, se utilizaron para en- trenar un modelo predictivo de Machine Learning (ML) con enfoque híbrido, que integra diferentes clasificadores y regresores de tipo ensemble. Gestión de Operaciones y Ciencia de Datos Un enfoque híbrido basado en heurísticas y aprendizaje automático para la programación de pedidos de hormigón minimizando la tardanza Catalina Miranda P. 1* , Pablo Cleveland O. 1,2 , Sebastián Ríos P. 1 1 Centro de Investigación en Inteligencia de Negocios (CEINE), Departamento de Ingeniería I ustrial (DII), Univ rsidad de Chile. 2 DICE Lab, Instituto Politécnico de Setúbal, Portugal *Email: catmiranda@ug.uchile.cl Resumen Implementar un modelo de optimización para calendarizar pedidos en la industria del hormigón, minimizando atrasos, implica un alto costo computacional, lo que dificulta su aplicación cuando se requi re r spu sta e i mpo real. Las heu ístic s pu den ser una alternativa dado su menor tiempo de ejecución, sin embargo, no garantizan encontrar soluciones cercanas al óptimo en un tiempo suficientemente pequeño. Este trabajo investiga la posibilidad de predecir valores óptimos de un modelo de optimización mediante herramientas de Machine Le rni g, de manera más eficiente manteniendo una pérdida aceptable. En primer lugar, se diseñó una metaheurística Gre dy, compuesta por construcción y mejoramiento. Sus resultados se compararon con los de un modelo de optimización lineal entera mixta y una asignación aleatoria, usando datos que simulan una semana de pedidos en una planta de hormigón. Luego de comprobar factibilidad, coherencia y cercanía al óptimo, se utilizaron para entrenar un modelo predictivo de Machine Le rning (ML) con enfoque híbrido, qu integra diferentes clasificadores y regresores de tipo ensemble. Método Atraso total promedio por grupos de instancias [minutos] Tiempo de ejecución promedio [segundos] Lunes Martes Miércoles Jueves Viernes Modelo de optimización 351.78 0 288.07 0 0 1323,85 Asignación aleatoria 7477.76 5389.98 11600.31 9209.79 8620.60 0,03 Metaheurística 387 8.56 306.95 16.71 18.18 138,09 Modelo de Machine Learning 371.31 3.36 327.61 25.36 285.34 7,7252 Tabla 1: Comparación de resultados obtenidos tras aplicar los diferentes métodos sobre las instancias de cada día Se obtuvo que el gap promedio entre el atraso total obtenido por la metaheurística y la solución óptima del modelo exacto es solo de 8.3%, representando una mejora promedio de 2968.8% con respecto a la asignación aleatoria (Tabla 1). Esto, requiriendo solo cerca de un 10% del tiempo de ejecución del modelo de optimización, validando su uso para la siguiente etapa de la investigación. Utilizando el enfoque ML, se obtuvieron predicciones del atraso total de cada instancia, con un error promedio de 50.93 minutos en test y de 27,79 minutos en validación, R2 de 81,4% y tiempo de ejecución de menos de un minuto. Así, el método propuesto prueba que herramientas de ML logran predecir valores cercanos al óptimo, con un tiempo de ejecución significativamente menor. Referencias [1] J.F. Chen y T.H. Wu. Total tardiness minimization on unrelated parallel machine scheduling with auxiliary equipment constraints. (2006) [2] M. Maghrebi, V. Periaraj, S. T. Waller y C. Sammut. Column generation-based approach for solving large-scale ready mixed concrete delivery dispatching problems. (2016) Tabla 1: Comparación de resultados obtenidos tras aplicar los diferentes métodos sobre las instancias de cada día. Se obtuvo que el gap promedio entre el atraso total obtenido r la metaheu- rística y la solución óptima del modelo exacto es solo de 8.3%, representando una mejora promedio de 2968.8% con respecto a la asignación aleatoria (Tabla 1). Esto, requiriendo s lo cerca de n 10% d l tiempo de ejecución el modelo d optimización, validando su uso para la siguient etapa de la investigación. Utilizando el enfoque ML, se obtuvieron predicciones del atraso total de cada instancia, con un error promedio de 50.93 minutos en test y de 27,79 minutos en validación, R2 de 81,4% y tiempo de ejecución de menos de un minuto. Así, el método propuesto prueba que herramientas de ML logran pred cir valores cer- canos al óptimo, con un tiempo de ejecución significativamente menor. __Referencias [1] J.F. Chen y T.H. Wu. Total tardiness minimization on unrelated parallel machine scheduling with auxiliary equipment constraints. (2006) [2] M. Maghrebi, V. Periaraj, S. T. Waller y C. Sammut. Column generation-based approach for solving large-scale ready mixed concrete delivery dispatching problems. (2016) Módulo Cs. de la Computación y Cs. de Datos e IA