Universidad San Sebastián - Sede Bellavista, Santiago – Chile.

21 al 25 de Noviembre de 2022

El workshop WIA4OPT sobre Inteligencia Artificial y Optimización busca capitalizar a nivel local el impulso que ha vivido la unión de estas áreas durante los últimos años, tanto en las comunidades académicas como en la industria, motivando la generación de métodos modernos, principalmente desde la IA, que permitan enfrentar los crecientes desafíos que involucran los problemas de optimización de gran escala en diversos dominios.

El evento servirá como un foro interdisciplinario, tanto para investigadores en ambos campos, como para miembros de empresas, donde se discutirán soluciones novedosas a problemas en la unión entre ambas áreas o aplicaciones específicas con desafíos técnicos relevantes. El WIA4OPT está dividido en dos partes. En la primera se realizarán exposiciones de trabajos de destacados académicos nacionales. En la segunda parte, las empresas participantes se presentarán y expondrán brevemente su quehacer. El evento finalizara con un panel para que empresas y académicos interactúen con vistas a una potencial colaboración entre la universidad y la empresa.

EMPRESAS PARTICIPANTES

(Por confirmar)

CHARLAS ACADÉMICAS

Charla Académica 1

Training Binarized Neural Networks using MIP and CP.

Binarized Neural Networks (BNNs) are an important class of neural networks characterized by weights and activations restricted to the set $\{-1,+1\}$. BNNs provide simple compact descriptions and as such have a wide range of applications in low-power devices. In this paper, we investigate a model-based approach to training BNNs using constraint programming (CP), mixed-integer programming (MIP), and CP/MIP hybrids. We formulate the training problem as finding a set of weights that correctly classify the training set instances while optimizing objective functions that have been proposed in the literature as proxies for generalizability. Our experimental results on the MNIST digit recognition dataset suggest that—when training data is limited—the BNNs found by our hybrid approach generalize better than those obtained from a state-of-the-art gradient descent method. More broadly, this work enables the analysis of neural network performance based on the availability of optimal solutions and optimality bounds.

Dra. Margarita Castro, Pontificia Universidad Católica.

Charla Académica 2

Selección automática de algoritmos, en base a límites en recursos computacionales, para problemas NP-hard.

La selección automática de algoritmos persigue identificar el algoritmo, dentro de un portafolio, de mayor rendimiento para una instancia particular de un problema dado. Sin embargo, tradicionalmente, el trabajo previo en selección de algoritmos ignoraba límites preestablecidos sobre la cantidad de recursos computacionales disponibles. En esta charla nosotros discutiremos la importancia de considerar estos límites y cómo esto influye a la hora de diseñar modelos de selección automática de algoritmos efectiva y útil para problemas NP-hard.

Dr. Roberto Asín, Universidad de Concepción.

Charla Académica 3

Multi-Agent Path Finding: A New Boolean Encoding.

Multi-agent pathfinding (MAPF) is an NP-hard problem. As such, dense maps may be very hard to solve optimally. In such scenarios, compilation-based approaches, via Boolean satisfiability (SAT) and answer set programming (ASP), have been shown to outperform heuristic-search-based approaches, such as conflict-based search (CBS). In this paper, we propose a new Boolean encoding for MAPF, and show how to implement it in ASP and MaxSAT. A feature that distinguishes our encoding from existing ones is that swap and follow conflicts are encoded using binary clauses, which can be exploited by current conflict-driven clause learning (CDCL) solvers. In addition, the number of clauses used to encode swap and follow conflicts do not depend on the number of agents, allowing us to scale better. For MaxSAT, we study different ways in which we may combine the MSU3 and LSU algorithms for maximum performance. In our experimental evaluation, we used square grids, ranging from 20 x 20 to 50 x 50 cells, and warehouse maps, with a varying number of agents and obstacles. We compared against representative solvers of the state-of-the-art, including the search-based algorithm CBS, the ASP-based solver ASP-MAPF, and the branch-and-cut-and-price hybrid solver, BCP. We observe that the ASP implementation of our encoding, ASP-MAPF2 outperforms other solvers in most of our experiments. The MaxSAT implementation of our encoding, MtMS shows best performance in relatively small warehouse maps when the number of agents is large, which are the instances with closer resemblance to hard puzzle-like problems.

Dr. Jorge Baier, Pontificia Universidad Católica.

Charla Académica 4

Búsqueda Multi-Objetivo en Inteligencia Artificial

En varios problemas del mundo real es necesario optimizar más de un criterio o función objetivo. Algunos ejemplos son, la planificación de viajes de vehículos eléctricos (que involucra minimizar el consumo de energía y tiempo de viaje, entre otros objetivos), la panificación de líneas de trasmisión eléctrica (que involucra la optimización del costo de transmisión de energía y el impacto en las comunidades, entre otros objetivos económicos, sociales o medioambientales), y el reparto de última milla (que involucra la satisfacción del cliente y el costo de reparto, entre otros). En esta charla se presentarán los algoritmos del estado del arte para resolver este tipo problema desarrollados por nuestro grupo de investigación. Además, se presentará evidencia experimental que sustenta nuestra investigación, y parte del trabajo actual y futuro.

Dr. Carlos Hernandez, Universidad San Sebastián

Charla Académica 5

Herramientas de búsqueda local para la resolución de problemas de ruteo de vehículos.

Los algoritmos de búsqueda local han demostrado ser capaces de encontrar soluciones de calidad a problemas complejos de optimización combinatoria en tiempos acotados y en situaciones reales. En esta charla se presenta una revisión de algoritmos de búsqueda local que han demostrado buenos resultados en problemas de ruteo de vehículos complejos. Se presentan los principales tipos de acercamientos basados en vecindarios variables y búsqueda adaptiva. Se listan métodos de generación de soluciones y operadores de búsqueda clásicos para este tipo de problemas y su extensión a nuevas restricciones en problemas de la vida real en el área de ruteo de vehículos. Se presenta también un acercamiento que resuelve un problema de ruteo de vehículos multi-producto con mezclas que permite particularizar los métodos revisados y evidenciar la calidad de las soluciones y los tiempos de cómputo conseguidos.

Dra. Elizabeth Montero, Centro de Transportes y Logística, Universidad Andrés Bello.

PROGRAMA

21 de noviembre Campus Bellavista USS

9:00-9:15 Bienvenida
9:15-9:50 Charla Académica 1
9:50-10:25 Charla Académica 2
10:25-10:55 Break
10:55-11:30 Charla Académica 3
10:30-12:05 Charla Académica 4
12:15-13:00 Charla Invitada
13:00-14:45 Almuerzo
14:45-15:20 Charla Académica 5
15:20-16:20 Presentación corta de empresas
16:20-16:50 Break
16:50-17:50 Panel con empresas