Hybrid optimization strategies combine different algorithms to more efficiently address complex decision-making problems. This project proposes the use of deterministic optimization techniques together with machine learning and metaheuristic algorithms to solve challenges in management and engineering processes. In addition, a new hybrid strategy based on an Optimized Baseline Regressor (OBR) is introduced, enabling the direct integration of surrogate models generated from large volumes of data into optimization models. This methodology significantly improves decision-making efficiency by combining advanced process models with representations of complex systems, such as production and supply chains.
Las estrategias de optimización híbrida combinan distintos algoritmos para abordar de manera más eficiente problemas complejos de toma de decisiones. En este proyecto se propone el uso de técnicas de optimización determinista junto con algoritmos de aprendizaje automático y metaheurísticos para resolver desafíos en procesos de gestión e ingeniería. Además, se introduce una nueva estrategia híbrida basada en un Regresor de Base Optimizado (OBR), que permite integrar modelos subrogados generados a partir de grandes volúmenes de datos directamente en modelos de optimización. Esta metodología mejora significativamente la eficiencia en la toma de decisiones, al combinar modelos avanzados de procesos con representaciones de sistemas complejos, como los de producción y cadena de suministro.
