B. González Rodríguez, I. Gómez Casares, B. Ghaddar, J. González Díaz, B. Pateiro López
En los últimos años, se ha popularizado el uso de técnicas de aprendizaje para mejorar el rendimiento de los algoritmos de optimización. En particular, el aprendizaje de reglas de ramificación en programación lineal entera mixta ha recibido gran atención, especialmente aquellas metodologías basadas en la imitación de strong branching. Recientemente, también se han logrado avances en programación no lineal, donde se han desarrollado métodos para aprender a seleccionar la mejor regla de ramificación entre un conjunto predefinido, obteniendo resultados prometedores. En esta charla exploraremos, en el contexto no lineal, los límites de mejora que se pueden alcanzar con los enfoques mencionados, utilizando relajaciones basadas en RLT para resolver problemas de optimización polinómica.
Palabras clave: Aprendizaje, optimización, ramificación
Programado
Métodos y aplicaciones de la IO III
13 de junio de 2025 11:00
Sala de prensa (MR 13)