- Martín Solano, Xabier Andoni
[ES] En muchas industrias, las empresas deben tomar decisiones en situaciones complejas con múltiples variables y restricciones. Estas situaciones a menudo pueden formularse como problemas de optimización combinatoria (COPs). Resolver estos problemas es esencial para mejorar la productividad y la eficiencia. Sin embargo, esto implica encontrar soluciones óptimas, lo cual puede ser extremadamente desafiante debido a la naturaleza \textit{NP-hard} de algunos problemas. Esta tesis propone diferentes \textit{x}-heurísticas para abordar las limitaciones de los enfoques existentes en la resolución de varios COPs. Estas metodologías incluyen diversas extensiones de algoritmos heurísticos, dependiendo de los requisitos específicos del problema. Concretamente, las heurísticas con sesgo aleatorizado combinan algoritmos heurísticos con técnicas de sesgo aleatorizado para resolver problemas con parámetros deterministas. Las heurísticas de eventos discretos combinan algoritmos heurísticos con simulación de eventos discretos para abordar problemas con cuestiones de sincronización, mientras que los métodos de optimización ágil resuelven problemas con restricciones de tiempo real. Las simheurísticas abordan problemas con incertidumbre estocástica, combinando algoritmos heurísticos con simulación. Esto se extiende a las fuzzy-simheurísticas mediante lógica difusa para resolver problemas con incertidumbre estocástica y no estocástica. Además, esta tesis propone una nueva metodología llamada sim-learnheurísticas para resolver problemas con incertidumbre estocástica y factores dinámicos, que combina algoritmos heurísticos, simulación y métodos de aprendizaje automático. El rendimiento de estas metodologías se valida a través de extensos experimentos computacionales. Los resultados destacan su eficiencia en términos de calidad de solución y tiempo computacional, así como su fiabilidad en la resolución de problemas con múltiples variables y restricciones. Finalmente, las futuras líneas de investigación discuten metodologías de optimización en tiempo real para la toma de decisiones inmediatas en contextos dinámicos., [CA] En moltes indústries, les empreses han de prendre decisions en situacions complexes amb múltiples variables i restriccions. Aquestes situacions sovint poden formular-se com a problemes d'optimització combinatòria (COPs). Resoldre aquests problemes és essencial per a millorar la productivitat i l'eficiència. No obstant això, tot allò implica trobar solucions òptimes, la qual cosa pot ser extremadament desafiant a causa de la naturalesa \textit{NP-hard} d'alguns problemes. Aquesta tesi proposa diferents \textit{x}-heurístiques per a abordar les limitacions dels enfocaments existents en la resolució de diversos COPs. Aquestes metodologies inclouen diverses extensions d'algorismes heurístics, segons els requisits específics del problema. Concretament, les heurístiques amb esbiaix aleatoritzat combinen algorismes heurístics amb tècniques d'esbiaix aleatoritzat per a resoldre problemes amb paràmetres deterministes. Les heurístiques d'esdeveniments discrets combinen algorismes heurístics amb simulació d'esdeveniments discrets per a abordar problemes amb qüestions de sincronització, mentre que els mètodes d'optimització àgil resolen problemes amb restriccions de temps real. Les simheurístiques aborden problemes amb incertesa estocàstica, combinant algorismes heurístics amb simulació. Això s'estén a les fuzzy-simheurístiques mitjançant lògica difusa per a resoldre problemes amb incertesa estocàstica i no estocàstica. A més, aquesta tesi proposa una metodologia innovadora anomenada sim-learnheurístiques per a resoldre problemes amb incertesa estocàstica i factors dinàmics, que combina algorismes heurístics, simulació i mètodes d'aprenentatge automàtic. El rendiment d'aquestes metodologies es valida a través d'extensos experiments computacionals. Els resultats destaquen la seua eficiència en termes de qualitat de solució i temps computacional, així com la seua fiabilitat en la resolució de problemes amb múltiples variables i restriccions. Finalment, les futures línies d'investigació discuteixen metodologies d'optimització en temps real per la presa de decisions immediates en contextos dinàmics., [EN] In many industries, businesses need to make decisions in complex situations with multiple variables and constraints. These situations can often be formulated as combinatorial optimization problems (COPs). Solving these problems is essential to improve productivity and efficiency. However, this involves finding optimal solutions, which can be extremely challenging due to the \textit{NP-hard} nature of some problems. This thesis proposes different \textit{x}-heuristics to address the limitations of existing approaches for solving several COPs. These methodologies comprise different extensions of heuristic algorithms depending on the specific requirements of the problem. Specifically, biased-randomized heuristics combine heuristic algorithms with biased-randomization techniques to solve problems with deterministic parameters. Discrete-event heuristics combine heuristic algorithms with discrete-event simulation to address problems with synchronization issues, while agile optimization methods solve problems with real-time constraints. Simheuristics address problems with stochastic uncertainty, which combine heuristic algorithms with simulation. This is extended to fuzzy-simheuristics using fuzzy logic to solve problems with stochastic and non-stochastic uncertainty. In addition, this thesis proposes a novel methodology called sim-learnheuristics to solve problems with stochastic uncertainty and dynamic factors, which combines heuristic algorithms, simulation, and machine learning methods. The performance of these methodologies is validated through extensive computational experiments. The results highlight their efficiency in terms of solution quality and computational time, as well as their reliability in solving problems with multiple variables and constraints. Lastly, future research directions discuss real-time optimization methodologies for immediate decision-making capabilities in dynamic contexts., Finally, I wish to acknowledge the essential support provided by the projects that have been instrumental in advancing this work: the Social and hUman ceNtered XR project (Horizon 2020 Europe program, HORIZON-CL4-2022-HUMAN01-14-101092612) and the Red Española de Transporte, Inteligencia Artificial, y Analítica de Datos (Agencia Estatal de Investigación, Redes de Investigación). And, of course, to the star that guides me and helps me grow not only as an academic but also as a person.