Durante las últimas décadas, se han propuesto diversos optimizadores basados en costos para generar planes óptimos para consultas SQL. Estos optimizadores son clave para lograr un buen rendimiento en los sistemas de bases de datos y pueden acelerar la ejecución de consultas. Sin embargo, pueden requerir enormes esfuerzos de expertos y tener un rendimiento deficiente en consultas complicadas. Los optimizadores basados en aprendizaje han demostrado lograr planes de alta calidad al aprender de experiencias pasadas. Sin embargo, estas soluciones tratan cada consulta por separado y descuidan la equivalencia semántica entre diferentes consultas. Intuitivamente, un plan de alta calidad puede obtenerse para una consulta complicada al descubrir una consulta equivalente simple. Motivados por esto, en este documento presentamos Celo, un nuevo optimizador aprendido mejorado con restricciones para integrar directamente la información equivalente de las consultas en el modelo basado en aprendizaje. Aplicamos restricciones de negación para identificar consultas equivalentes al reemplazar predicados equivalentes. Dada una consulta, ampliamos los planes de consulta generados por el modelo basado en aprendizaje con los planes de alta calidad de sus consultas equivalentes. Luego, se predice un plan potencialmente mejor entre los planes de consulta ampliados. Experimentos extensos utilizando conjuntos de datos del mundo real demostraron que Celo supera los resultados anteriores del estado del arte (SOTA) incluso con pocas restricciones.