La aplicación de técnicas de Investigación Operativa, en particular programación entera
mixta (MIP), han sido muy exitosas en resolver problemas reales de planificación forestal.
Sin embargo, los modelos exactos han sido reemplazados por heurísticas aproximadas
para resolver problemas de gran tamaño y complejidad.
Apoyado por un proyecto Fondecyt, se esta proponiendo un nuevo enfoque para resolver
estos problemas usando técnicas de inteligencia artificial. Los primeros problemas que
vamos a desarrollar son:
a) Planificación de cosecha forestal de mediano plazo, en que se debe decidir qué
unidades cosechar en cada periodo, qué caminos de acceso construir, y además,
considerar que por motivos ecológicos hay restricciones espaciales que se deben
respetar (e.g Cohesión de habitats de especies animales).
b) Planificación forestal a mediano/largo plazo en los que hay incertidumbre de
mercado (e.g. precio de los productos, demanda esperada).
c) Planificación de uso de camiones para el transporte de madera, donde hay
incertidumbre asociada a el nivel de producción, colas de espera y demanda.
En estos tres temas propuestos, se espera utilizar un nuevo enfoque que se encuentra en
la intersección entre Machine Learning e Investigación de Operaciones: Reinforcement
Learning. En este, se le enseña a un agente computacional, usualmente una red neuronal,
a resolver un problema en base a su interacción con un ambiente simulado que
representa el contexto donde se enmarca el problema. Por lo mismo, el desarrollo de este
trabajo conlleva la construcción de un simulador y la implementación de algoritmos de
aprendizaje por refuerzo. Las soluciones obtenidas se compararán con los enfoques de
estado del arte actuales, tanto en su calidad (estructura de la solución) como en los
tiempos de solución y su escalabilidad en función del tamaño de la instancia a resolver.
Se cuenta con un equipo de investigación multidisciplinario, con vasta experiencia en
investigación de operaciones, machine learning e ingeniería forestal.
El trabajo del estudiante involucrará:
- Implementación de modelos de programación matemática de gran complejidad y
- modelos de simulación.
- Programación con Python.
- Exposición a librerías y frameworks de machine/deep learning (e.g., TensorFlow,
PyTorch).
- Aprendizaje teórico y práctico sobre Deep Reinforcement Learning.

Las tesis serán remuneradas. Se apoyará también en la presentación en congresos. Se
espera la publicación de los trabajos en revistas de alto impacto internacional. Interesados
escribir a Andrés Weintraub, aweintra@dii.uchile.cl con copia a lucasmurrayh@gmail.com
y galfarorojas@gmail.com.