La creciente demanda de estudiantes listos para el trabajo ha aumentado la necesidad de que las universidades brinden programas de aprendizaje integrado en el trabajo para mejorar y reforzar las experiencias de aprendizaje de los estudiantes. Los estudiantes se benefician más cuando las prácticas cumplen con sus requisitos académicos y aspiraciones de graduación. Las empresas y los socios comunitarios están más comprometidos cuando se les asignan estudiantes que cumplen con sus requisitos de la industria. En este documento, se proponen tanto un modelo de programación entera como una heurística de optimización de colonia de hormigas, con el objetivo de automatizar la asignación de estudiantes a prácticas en la industria. El énfasis está en maximizar la participación de los estudiantes y la satisfacción de los socios de la industria. Como parte de los objetivos, estos métodos incorporan diversidad en los sectores industriales para los estudiantes que realizan múltiples prácticas, equidad de género entre los proveedores de prácticas y la disposición para que los socios clasifiquen las selecciones de estudiantes. El análisis experimental consta de dos partes: (a) investigamos cómo se desempeña el modelo de programación entera en comparación con las asignaciones manuales y (b) se examina la escalabilidad del modelo de PI. Los resultados muestran que el modelo de PI supera fácilmente a las asignaciones manuales anteriores. Además, se genera un conjunto de datos artificial que tiene propiedades similares a los datos originales pero que también incluye un mayor número de estudiantes y prácticas para probar la escalabilidad de los algoritmos. Los resultados muestran que la programación entera es la mejor opción para instancias de problemas que constan de menos de 3000 estudiantes. Cuando el problema se vuelve más grande, aumentando significativamente el tiempo requerido para una solución de PI, la optimización de colonias de hormigas proporciona una alternativa útil, ya que siempre puede encontrar buenas soluciones factibles en cortos períodos de tiempo.