La aceptación de los robots está aumentando rápidamente en muchas aplicaciones industriales diferentes. El avance de los sistemas de producción y las máquinas requiere abordar la complejidad de la productividad y la flexibilidad de los procesos de fabricación actuales en tiempo cuasi-real. Hoy en día, la colocación de robots aún se logra a través de prácticas industriales basadas en la experiencia de los trabajadores y técnicos, con la adopción de software costoso fuera de línea que exige simulaciones que consumen tiempo, actividades detalladas de mapeo de tiempo y movimiento, y altas competencias. Los desafíos actuales se han abordado principalmente a través de la planificación de trayectorias o la optimización de la ubicación del robot con respecto a la pieza de trabajo. Se han discutido numerosas soluciones, desde formulaciones analíticas hasta basadas en la física y guiadas por datos, en la literatura para resolver estos desafíos. En este contexto, el enfoque de aprendizaje automático ha demostrado su rendimiento superior. Sin embargo, el entorno industrial es complejo de modelar, generando un esfuerzo adicional de entrenamiento y haciendo que el procedimiento de aprendizaje, en algunos casos, sea ineficiente. Los problemas industriales conciernen a la productividad de la estación de trabajo; movimientos de tiempo mínimo restringidos por trayectorias, considerando los límites de par del actuador; seguidos por la vibración del robot y la reducción de su precisión y vida útil. Este artículo presenta un procedimiento para encontrar la ubicación de la base del robot para una tarea prescrita dentro del espacio de trabajo del robot, cumpliendo con múltiples criterios. El procedimiento híbrido propuesto incluye modelado analítico, basado en la física y guiado por datos para resolver el problema de optimización. La contribución del algoritmo, para una tarea definida por el usuario, es la búsqueda de la mejor ubicación de la base del robot que permita los puntos objetivo, maximizando la manipulabilidad, evitando singularidades y minimizando el consumo de energía. En primer lugar, el método establecido fue verificado utilizando un robot antropomórfico que considera diferentes niveles de conocimiento a priori de cinemática y dinámica del sistema. La viabilidad del método propuesto se evaluó a través de varias simulaciones para robots de tamaño pequeño y mediano. Luego, se comparó un programa comercial fuera de línea, considerando tres escenarios y catorce robots, demostrando una reducción de energía en el rango del 7.6-13.2%. Además, se investigó la dependencia de las juntas desconocidas en aplicaciones de robots reales. De 11 posiciones de robot para cada junta activa, se evaluó una cinemática directa con un esquema DH automático que genera el espacio de trabajo 3D con un RMSE inferior a 65.0 um. Luego, se calculó la cinemática inversa utilizando una técnica de ANN ajustada con un algoritmo genético que mostró un RMSE en una tarea en forma de S cercana a 702.0 um. Finalmente, se realizaron tres campañas experimentales con un conjunto de tareas, repeticiones, velocidad del efector final y cargas útiles. Se observó una reducción en el consumo de energía en el rango del 12.7-22.9%. En consecuencia, el procedimiento propuesto apoya la reducción del tiempo de configuración de la estación de trabajo y el ahorro de energía durante las operaciones industriales.