[ES] El creciente requerimiento de procesos de producción eficientes, rentables y sostenibles ha intensificado el estudio de técnicas avanzadas de planificación y programación (scheduling) en los ámbitos industrial y logístico. Los problemas de scheduling, en los que los recursos deben asignarse a lo largo del tiempo para optimizar objetivos específicos, son fundamentales para la eficacia operativa de numerosos escenarios reales. Los métodos tradicionales suelen basarse en formulaciones centralizadas con supuestos fuertes, lo que pasa por alto la naturaleza dinámica y distribuida de los entornos de producción modernos. Además, el aumento de la competitividad y las crecientes preocupaciones por la sostenibilidad han introducido nuevos objetivos, a menudo contrapuestos, como minimizar el consumo energético y reducir el impacto ambiental, dando lugar a la aparición del Green Scheduling. Esta tesis se centra en el diseño y la evaluación de tecnologías inteligentes que abordan la planificación sostenible en entornos industriales complejos, distribuidos y dinámicos. En primer lugar, explora nuevos enfoques de programación matemática y basados en agentes para captar la dependencia energética de distintos recursos, incluyendo consideraciones de tarifas horarias (time-of-use) y características de consumo específicas de cada recurso. A continuación, desarrolla metaheurísticas híbridas que incorporan aprendizaje y comportamientos adaptativos para acomodar cambios en tiempo real, con el objetivo de producir soluciones robustas y, al mismo tiempo, eficientes. El trabajo investiga de forma sistemática estrategias de planificación proactivas y reactivas, demostrando cómo un modelado cuidadoso de la imprevisibilidad (p. ej., averías de máquinas, fluctuaciones en los costes energéticos) puede mejorar la robustez global del sistema., [EN] The growing need for efficient, cost-effective, and sustainable production processes has intensified the study of advanced scheduling techniques in industrial and logistics domains. Scheduling problems, where resources must be allocated over time to optimize specific objectives, are central to the operational effectiveness of many real-world scenarios. Traditional methods typically rely on centralized formulations with strong assumptions, which neglect the dynamic and distributed nature of modern production environments. Moreover, escalating competitiveness and mounting sustainability concerns have introduced new, often conflicting objectives such as minimizing energy consumption and reducing environmental impact leading to the emergence of Green Scheduling. This thesis focuses on designing and evaluating intelligent technologies that address sustainable scheduling in complex, distributed, and dynamic industrial settings. First, it explores novel mathematical programming and agent-based approaches to capture the energy dependence of different resources, including time-of-use considerations and resource-specific consumption characteristics. Next, it develops hybrid metaheuristics that incorporate learning and adaptive behaviors to accommodate real-time changes, aiming to produce robust yet efficient solutions. The work systematically investigates proactive and reactive scheduling strategies, demonstrating how careful modeling of unpredictability (e.g., machine breakdowns, fluctuating energy costs) can enhance overall system robustness. Through a combination of theoretical developments, empirical evaluations on realistic manufacturing data, and multi-agent frameworks tailored to energy-aware scheduling, the thesis shows how distributed optimization and dynamic constraint handling can significantly reduce energy consumption without sacrificing productivity. This research not only contributes new insights to the fields of Artificial Intelligence and Operations Research but also underscores the role of intelligent scheduling solutions in advancing sustainable manufacturing practices., [CA] El creixent necessitat de processos de producció eficients, rendibles i sostenibles ha intensificat l'estudi de tècniques avançades de planificació en els àmbits industrial i logístic. Els problemes de planificació, en què els recursos s'han d'assignar al llarg del temps per a optimitzar objectius específics, són fonamentals per a l'eficàcia operativa de molts escenaris del món real. Els mètodes tradicionals solen basar-se en formulacions centralitzades amb supòsits forts, que no tenen en compte la naturalesa dinàmica i distribuïda dels entorns de producció moderns. A més, l'augment de la competitivitat i les creixents preocupacions per la sostenibilitat han introduït nous objectius, sovint contradictoris, com ara minimitzar el consum d'energia i reduir l'impacte ambiental, cosa que ha donat lloc a l'aparició de la planificació verda.
Aquesta tesi se centra en el disseny i l'avaluació de tecnologies intel·ligents que aborden la planificació sostenible en entorns industrials complexos, distribuïts i dinàmics. En primer lloc, explora nous enfocaments de programació matemàtica i basats en agents per a captar la dependència energètica dels diferents recursos, incloent-hi consideracions de tarifació segons l'hora d'ús i característiques de consum específiques de cada recurs. A continuació, desenvolupa metaheurístiques híbrides que incorporen aprenentatge i comportaments adaptatius per a acomodar canvis en temps real, amb l'objectiu de produir solucions robustes però eficients.
El treball investiga de manera sistemàtica estratègies de planificació proactiva i reactiva, i demostra com una modelització acurada de la imprevisibilitat (per exemple, avaries de màquines o fluctuacions dels costos energètics) pot millorar la robustesa global del sistema. Mitjançant una combinació de desenvolupaments teòrics, avaluacions empíriques sobre dades realistes de fabricació i marcs multiagent adaptats a la planificació conscient de l'energia, la tesi mostra com l'optimització distribuïda i la gestió dinàmica de restriccions poden reduir significativament el consum energètic sense sacrificar la productivitat. Aquesta investigació no sols aporta noves perspectives als camps de la Intel·ligència Artificial i la Investigació Operativa, sinó que també posa en relleu el paper de les solucions intel·ligents de planificació en l'avanç de les pràctiques de fabricació sostenible., The paper has been partially supported by the Spanish research project TIN2016-80856R and TIN2015-65515-C4-1-R,andtheACIF/2017ProgramoftheConselleriad’Educació (Generalitat Valenciana).
The authors gratefully acknowledge the financial support of the European Social Fund (Investing In Your Future), the Spanish Ministry of Science (project PID2021-125919NBI00), and valgrAI- Valencian Graduate School and Research Network of Artificial Intelligence and the Generalitat Valenciana, and co-funded by the European Union.