Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning

Autores
Bermúdez, Carlos; Hernández, José Luis; Carnero, Mercedes; Alfonso, Hugo Alfredo; Minetti, Gabriela F.; Salto, Carolina; Ditz, Yanina; Vargas, Javier
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Esta línea de investigación introduce Machine Learning Seeding Tool (MLST), una herramienta genérica basada en aprendizaje automático orientada a predecir soluciones iniciales de alta calidad usadas en algoritmos metaheurísticos que resuelven problemas de optimización. A diferencia de los enfoques tradicionales que generan puntos de partida de manera aleatoria, MLST aprende patrones estructurales a partir de instancias previamente resueltas y propone soluciones iniciales que favorecen una convergencia más rápida y mejores resultados finales. Como caso de estudio, esta herramienta se aplica al problema de Diseño de Redes de Distribución de Agua (WDND), un problema de optimización combinatoria a gran escala con restricciones hidráulicas y operativas. Los resultados obtenidos muestran que la inicialización guiada por MLST mejora el desempeño del proceso de optimización frente a estrategias convencionales.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Optimización
Diseño redes de distribución de agua
Machine Learning
Seeding
Metaheurísticas
Optimización con restricciones
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195743
Acceder
id SEDICI_f5913abcdc9f977af0b9234eafec8bf5
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195743
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learningBermúdez, CarlosHernández, José LuisCarnero, MercedesAlfonso, Hugo AlfredoMinetti, Gabriela F.Salto, CarolinaDitz, YaninaVargas, JavierCiencias InformáticasOptimizaciónDiseño redes de distribución de aguaMachine LearningSeedingMetaheurísticasOptimización con restriccionesEsta línea de investigación introduce Machine Learning Seeding Tool (MLST), una herramienta genérica basada en aprendizaje automático orientada a predecir soluciones iniciales de alta calidad usadas en algoritmos metaheurísticos que resuelven problemas de optimización. A diferencia de los enfoques tradicionales que generan puntos de partida de manera aleatoria, MLST aprende patrones estructurales a partir de instancias previamente resueltas y propone soluciones iniciales que favorecen una convergencia más rápida y mejores resultados finales. Como caso de estudio, esta herramienta se aplica al problema de Diseño de Redes de Distribución de Agua (WDND), un problema de optimización combinatoria a gran escala con restricciones hidráulicas y operativas. Los resultados obtenidos muestran que la inicialización guiada por MLST mejora el desempeño del proceso de optimización frente a estrategias convencionales.Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf170-173http://sedici.unlp.edu.ar/handle/10915/195743spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195743Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.801SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning
title Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning
spellingShingle Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning
Bermúdez, Carlos
Ciencias Informáticas
Optimización
Diseño redes de distribución de agua
Machine Learning
Seeding
Metaheurísticas
Optimización con restricciones
title_short Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning
title_full Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning
title_fullStr Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning
title_full_unstemmed Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning
title_sort Mejorando la eficiencia de metaheurísticas mediante estrategias de inicializaciones basadas en machine learning
dc.creator.none.fl_str_mv Bermúdez, Carlos
Hernández, José Luis
Carnero, Mercedes
Alfonso, Hugo Alfredo
Minetti, Gabriela F.
Salto, Carolina
Ditz, Yanina
Vargas, Javier
author Bermúdez, Carlos
author_facet Bermúdez, Carlos
Hernández, José Luis
Carnero, Mercedes
Alfonso, Hugo Alfredo
Minetti, Gabriela F.
Salto, Carolina
Ditz, Yanina
Vargas, Javier
author_role author
author2 Hernández, José Luis
Carnero, Mercedes
Alfonso, Hugo Alfredo
Minetti, Gabriela F.
Salto, Carolina
Ditz, Yanina
Vargas, Javier
author2_role author
author
author
author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Optimización
Diseño redes de distribución de agua
Machine Learning
Seeding
Metaheurísticas
Optimización con restricciones
topic Ciencias Informáticas
Optimización
Diseño redes de distribución de agua
Machine Learning
Seeding
Metaheurísticas
Optimización con restricciones
dc.description.none.fl_txt_mv Esta línea de investigación introduce Machine Learning Seeding Tool (MLST), una herramienta genérica basada en aprendizaje automático orientada a predecir soluciones iniciales de alta calidad usadas en algoritmos metaheurísticos que resuelven problemas de optimización. A diferencia de los enfoques tradicionales que generan puntos de partida de manera aleatoria, MLST aprende patrones estructurales a partir de instancias previamente resueltas y propone soluciones iniciales que favorecen una convergencia más rápida y mejores resultados finales. Como caso de estudio, esta herramienta se aplica al problema de Diseño de Redes de Distribución de Agua (WDND), un problema de optimización combinatoria a gran escala con restricciones hidráulicas y operativas. Los resultados obtenidos muestran que la inicialización guiada por MLST mejora el desempeño del proceso de optimización frente a estrategias convencionales.
Red de Universidades con Carreras en Informática
description Esta línea de investigación introduce Machine Learning Seeding Tool (MLST), una herramienta genérica basada en aprendizaje automático orientada a predecir soluciones iniciales de alta calidad usadas en algoritmos metaheurísticos que resuelven problemas de optimización. A diferencia de los enfoques tradicionales que generan puntos de partida de manera aleatoria, MLST aprende patrones estructurales a partir de instancias previamente resueltas y propone soluciones iniciales que favorecen una convergencia más rápida y mejores resultados finales. Como caso de estudio, esta herramienta se aplica al problema de Diseño de Redes de Distribución de Agua (WDND), un problema de optimización combinatoria a gran escala con restricciones hidráulicas y operativas. Los resultados obtenidos muestran que la inicialización guiada por MLST mejora el desempeño del proceso de optimización frente a estrategias convencionales.
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195743
url http://sedici.unlp.edu.ar/handle/10915/195743
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
170-173
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982611648446464
score 13.265058

Publicaciones similares