Embedded Files
Ignacio E. Grossmann
Ignacio E. Grossmann
Carnegie Mellon University
Ignacio E. Grossmann is the Rudolph R. and Florence Dean University Professor in the Department of Chemical Engineering, and former department head at Carnegie Mellon University. He obtained his B.S. degree at the Universidad Iberoamericana, Mexico City, in 1974, and his M.S. and Ph.D. at Imperial College in 1975 and 1977, respectively. He is a member and former director of the Center for Advanced Process Decision-making, an industrial consortium that involves 20 petroleum, chemical, engineering, and software companies.
He is a member of the National Academy of Engineering, and Fellow of AIChE and INFORMS. He has received the INFORMS Computing Society Prize and the following AIChE awards: Computing in Chemical Engineering, William H. Walker for Excellence in Publications, Warren Lewis for Excellence in Education, Research Excellence in Sustainable Engineering, Founders Award for Outstanding Contributions to the Field of Chemical Engineering. In 2015 he was the first recipient of the Sargent Medal by the IChemE. He has honorary doctorates from Abo Akademi in Finland, University of Maribor in Slovenia, Technical University of Dortmund in Germany, University of Cantabria in Spain, Russian Kazan National Research Technological University, Universidad Nacional del Litoral, Argentina, Universidad de Alicante in Spain, RWTH Aachen, Germany, and Universidad Nacional del Sur, Argentina.
He has authored more than 700 papers, the recent textbook Advanced Optimization for Process Systems Engineering, and the textbook Systematic Methods of Chemical Process Design, which he co-authored with Larry Biegler and Art Westerberg. He has also organized the virtual library on process systems engineering. Grossmann has graduated 69 Ph.D. and 40 M.S. students. His main research interests are in the areas of mixed-integer and disjunctive programming, optimal synthesis and planning of chemical processes, sustainable energy and power systems, supply chain optimization, and stochastic programming.
Digital Supply Chains: The Role of Advanced Optimization Techniques
This seminar addresses the need for a more integrated approach to supply chain that considers the relationships between the different flows in the supply network: information, physical, and financial flows. We first focus on the modeling of information flows in the supply chain, as captured in business processes such as the order-to-cash and source-to-pay processes, wherein a request travels through a network of transactions that modify the state of the request until it is fulfilled. Various chemical plant scheduling models from the Process Systems Engineering (PSE) literature are extended to model the flow of customer orders through a business process network, making the analogy that a business process is like a multi-purpose chemical plant and an order is like a batch of product. Of the models extended, the discrete-time State Task Network (STN) is found to perform best in larger problem instances due to its continuous relaxation tightness and its amenability to performance boosts by commercial solvers. A digital twin framework for business processes is then presented, which leverages discrete event simulation (DES) and discrete-time STN models for online scheduling of customer orders in an order-to-cash process network under demand and processing time uncertainty. The use of DES as a tool for uncertainty propagation in disturbance impact forecasting and order fulfillment date estimation is also discussed. Finally, we consider models that integrate the different flows and processes. A model is presented for integrating the order-to-cash process with a make-to-order batch chemical plant model. The model performance is evaluated in an extended version of the digital twin presented, which simulates both transactional and physical processes. The integrated model is then compared against single-focused models that either ignore the transactional network or simplify the physical processes involved. The integrated model shows the benefits of capturing the details of both the material and information flows, as well as the relationships between them, providing schedules that result in higher system profit relative to the single-focused models. In order to extend this model to include more than one supply chain echelon and financial flows, another model based on the STN and RTN modeling approaches is proposed.
Julie Swann
Julie Swann
NC State University
Julie Swann is the department head and A. Doug Allison Distinguished Professor of the Edward P. Fitts Department of Industrial and Systems Engineering at NC State University. She is also the interim Assistant Vice Chancellor for Research Computing and Data for the university. Swann holds an affiliate faculty position in the Joint Department of Biomedical Engineering at NC State and the University of North Carolina at Chapel Hill. Swann is a Fellow of IISE, INFORMS and AIMBE as well as the current past-president of INFORMS.
Throughout her career, Swann has conducted research, outreach and education to improve how health and humanitarian systems operate worldwide. Her work with analytics relates to public health, public policy, epidemiology, infectious disease, supply chain management, and disaster response. This work allowed her to serve as a science advisor for the H1N1 pandemic response at the Centers for Disease Control and Prevention.
Along with the CDC, Swann has collaborated with health and humanitarian organizations such as:
• The American Red Cross
• The Carter Center
• CARE USA
• Children’s Healthcare of Atlanta
• Emory University Hospital
• State Departments of Public Health
• and many other companies
Worldwide, she has contributed to the education of thousands of practitioners in health and humanitarian systems through the co-creation and teaching in a professional certificate program at Georgia Tech. This contribution includes teaching in the MASHLM program in Lugano, Switzerland, and co-chairing the annual Health and Humanitarian Logistics Conference.
Data, Decisions, and the Drive to Optimize Health Systems
Behind every public health challenge—whether it is a pandemic, a chronic disease crisis, or gaps in healthcare access—are decisions that shape lives. In this talk, I will share how operations research and data-driven optimization can help improve those decisions, guiding systems toward better health outcomes. Drawing on examples from real-world crises and ongoing health system challenges, I will explore how mathematical models, grounded in data and designed with stakeholders in mind, can support efficient, effective, and equitable solutions. Whether it is determining where to send vaccines, how to allocate limited resources, or when to intervene in a fragile supply chain, optimization offers not just answers, but insight into what matters most. By combining systems thinking, analytical tools, and a commitment to impact, we can design strategies that do not just treat illness—but strengthen the systems that protect health in the first place.
Luis Enrique Sucar
Luis Enrique Sucar
Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE)
El Dr. Luis Enrique Sucar Succar es un referente en el ámbito de la inteligencia artificial en México y a nivel internacional. Es Investigador Titular en el Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE), donde ha desarrollado una sólida trayectoria académica y tecnológica por más de tres décadas. Es Ingeniero en Electrónica y Comunicaciones por el ITESM, Maestro en Ingeniería Eléctrica por la Universidad de Stanford y Doctor en Computación por el Imperial College de Londres. Ha realizado estancias de investigación en instituciones de alto prestigio como el Imperial College (Reino Unido), INRIA (Francia), la Universidad de British Columbia (Canadá) y CREATE-NET (Italia).
Miembro Nivel III del Sistema Nacional de Investigadores, pertenece también a la Academia Mexicana de Ciencias, la Academia de Ingeniería y es Senior Member de la IEEE. Fue presidente de la Sociedad Mexicana de Inteligencia Artificial, la Federación Mexicana de Robótica y la Academia Mexicana de Computación.
Su investigación se centra en inteligencia artificial, especialmente en modelos gráficos probabilistas, redes bayesianas y aprendizaje de modelos causales, con aplicaciones en visión computacional, robótica, energía y biomedicina. Es autor de más de 400 publicaciones y ha dirigido alrededor de 100 tesis de licenciatura, maestría y doctorado. En el campo de la innovación tecnológica, ha desarrollado soluciones en colaboración con el sector salud e industrial, incluyendo sistemas de diagnóstico para plantas eléctricas, predicción de viento para parques eólicos y tecnologías para rehabilitación neurológica. Cuenta con 8 patentes y es fundador de Aldawa Technologies, empresa dedicada a llevar la rehabilitación virtual a pacientes con daño neurológico.
En 2016, recibió el Premio Nacional de Ciencias en el área de Tecnología, Innovación y Diseño, y en 2014 fue reconocido con el Premio TECNOS por el desarrollo del sistema Gesture Therapy, una plataforma de rehabilitación asistida por inteligencia artificial para personas que han sufrido embolia cerebral.
Más allá de sólo predicciones: modelos causales en Inteligencia Artificial
Los sistemas inteligentes actuales hacen principalmente “predicciones”. Es decir, dada una entrada, estiman el valor más probable de la salida. Por ejemplo, cuál es el objeto en la imagen, que me interesa comparar en base a mi historial, dada una frase cuál es la siguiente palabra, etc. Estos sistemas tienen muchas limitaciones, se pueden confundir fácilmente cuando se les presenta un caso diferente a su conjunto de entrenamiento y no pueden explicar cómo llegan a cierto resultado. La inteligencia natural va mucho más allá. Somos capaces de predecir qué pasará cuando hacemos cierta acción, de imaginar que hubiera pasado si hubiéramos tomado otra alternativa, entre otras muchas capacidades de la inteligencia humana. Los modelos causales son una alternativa para extender las capacidades de los sistemas actuales; explicar el porqué de ciertas decisiones, predecir el efecto de intervenciones e imaginar situaciones alternativas. En esta plática presentaré una introducción a los modelos causales, en particular a modelos gráficos causales. Veremos cómo podemos hacer inferencias en base a estos modelos: predicciones y contrafactuales; así como el aprendizaje de modelos causales a partir de datos. Ilustraré la aplicación de modelos causales en diversos dominios: predicción de precios de energía, modelado causal de COVID-19, y la incorporación de modelos causales en aprendizaje por refuerzo en robótica.
Yasmín Águeda Ríos-Solís
Yasmín Águeda Ríos-Solís
Tecnológico de Monterrey
La Dra. Yasmín Ríos Solís es una destacada investigadora mexicana en el área de la optimización matemática, con una trayectoria internacional en investigación y vinculación académica. Estudió Matemáticas Aplicadas en el ITAM y posteriormente obtuvo su maestría y doctorado en Optimización Combinatoria por la Universidad París 6 (Sorbonne Université), en Francia. Con una beca de la Fundación Humboldt, realizó un posdoctorado en bioinformática en la Universidad de Bielefeld, Alemania. Entre 2008 y 2020 formó parte del Posgrado en Ingeniería de Sistemas de la Universidad Autónoma de Nuevo León, integrándose a uno de los grupos más activos en investigación operativa en México. Actualmente es profesora investigadora en la Escuela de Ingeniería y Ciencias del Tecnológico de Monterrey, donde forma parte del Grupo de Ciencia de Datos y Optimización. Sus líneas de investigación se centran en problemas de optimización discreta, para los cuales desarrolla modelos matemáticos y métodos exactos y metaheurísticos. Sus aplicaciones abarcan desde líneas de producción y transporte, hasta agricultura y finanzas.
La Dra. Ríos Solís ha liderado y colaborado en múltiples proyectos de investigación aplicada con el sector productivo y con financiamiento nacional, incluyendo CONACYT. Ha dirigido a más de una docena de estudiantes de posgrado, varios de ellos actualmente con carrera académica independiente. Ha sido profesora visitante en instituciones francesas como la Universidad París 6, París 13 y la Universidad de Avignon. En 2010, recibió el Premio Sofía Kovalevskaia otorgado por la Sociedad Matemática Mexicana, en reconocimiento a su contribución como joven matemática. Entre 2013 y 2015 se desempeñó como vicepresidenta de la Sociedad Mexicana de Investigación de Operaciones (SMIO), y de 2015 a 2020 representó a la SMIO ante la International Federation of Operational Research Societies (IFORS). También, fue secretaria de la Asociación Latino-Iberoamericana de Investigación Operativa (ALIO) y fue parte de la mesa directiva de la Sociedad Matemática Mexicana como secretaria de vinculación.
Miembro del Sistema Nacional de Investigadores (Nivel 2) y de la Academia Mexicana de Ciencias, la Dra. Ríos cuenta con más de 20 publicaciones en revistas internacionales indexadas, varios capítulos de libro y la edición del volumen Just-in-Time Systems de la serie Springer Optimization and Its Applications.
ORCID: https://orcid.org/0000-0003-3785-4440
Quantum Combinatorial Optimization
Quantum combinatorial optimization explores how quantum computing can address complex, NP-hard problems like the Traveling Salesman Problem and Max-Cut, which are critical in fields such as logistics and finance. Traditional algorithms struggle with scalability, especially for real-time applications, prompting interest in quantum approaches. Hybrid quantum-classical methods and quantum annealing show promise by leveraging quantum phenomena to explore solution spaces more efficiently. However, current noisy intermediate-scale quantum devices face hardware limitations, such as limited qubits and short coherence times, that restrict their practical utility. Overcoming these challenges requires rethinking problem formulations and quantum circuit designs to align with hardware constraints while preserving computational effectiveness.
Special Workshop
Christopher Mejía Argueta
Christopher Mejía Argueta
Instituto Tecnológico de Massachusetts (MIT)
Chris Mejía es el fundador y director del MIT Emerging Market Economies Logistics Lab (EMeL), anteriormente conocido como el Food and Retail Operations Lab (FaROL), es investigador científico en el Centro de Transporte y Logística del MIT, donde lidera investigación aplicada sobre cadenas de suministro de alimentos y operaciones minoristas en economías emergentes. Su trabajo se enfoca en mejorar la eficiencia logística, diseñar estrategias sostenibles de distribución y reducir problemáticas sociales como la desnutrición, el desperdicio de alimentos y la desigualdad en el acceso a productos esenciales. Es Director de la Red SCALE del MIT para América Latina y del programa GCLOG, que forma a líderes en logística en colaboración con universidades de alto nivel en la región. Es autor y editor de libros sobre cadenas de suministro en mercados emergentes, y ha trabajado en más de 16 países desarrollando proyectos con impacto en sectores como transporte, comercio minorista y logística verde. El Dr. Mejía obtuvo su maestría y doctorado en Ingeniería Industrial con honores summa cum laude por el Tecnológico de Monterrey. También ha sido investigador postdoctoral en la Universidad Tecnológica de Eindhoven, Países Bajos. Cuenta con más de 15 años de experiencia y ha colaborado con múltiples actores industriales y académicos en iniciativas centradas en la mejora de sistemas logísticos en contextos vulnerables.
Tema: Applied Interdisciplinary Operations Research: Reducing Food Waste and Combating Malnutrition
Behind every public health challenge—whether it is a pandemic, a chronic disease crisis, or gaps in healthcare access—are decisions that shape lives. In this talk, I will share how operations research and data-driven optimization can help improve those decisions, guiding systems toward better health outcomes. Drawing on examples from real-world crises and ongoing health system challenges, I will explore how mathematical models, grounded in data and designed with stakeholders in mind, can support efficient, effective, and equitable solutions. Whether it is determining where to send vaccines, how to allocate limited resources, or when to intervene in a fragile supply chain, optimization offers not just answers, but insight into what matters most. By combining systems thinking, analytical tools, and a commitment to impact, we can design strategies that do not just treat illness—but strengthen the systems that protect health in the first place.}
Page updated
Report abuse