La mayoría de la investigación en optimización se centra en casos relativamente simples: un tomador de decisiones, un objetivo y, posiblemente, un conjunto de restricciones. Sin embargo, los problemas de optimización del mundo real a menudo vienen con complicaciones: pueden ser multiobjetivo, multiagente, multietapa o multinivel, y pueden tener incertidumbre, conocimiento parcial u objetivos no lineales. Cada uno ha dado lugar a áreas de investigación con métodos de solución dedicados. Sin embargo, cuando se encuentran nuevos problemas híbridos, típicamente no hay un solucionador disponible. Definimos una amplia clase de problemas de optimización discreta llamada programa de influencia y describimos un algoritmo ligero basado en el aprendizaje por refuerzo multiagente y multiobjetivo con muestreo. Mostramos que se puede utilizar para resolver problemas de una amplia gama de literaturas: programación por restricciones, redes bayesianas, programación estocástica, diagramas de influencia (estándar, de memoria limitada y multiobjetivo) y teoría de juegos (programación multinivel, juegos bayesianos y razonamiento de nivel-k). Esperamos que sea útil para el prototipado rápido de métodos de solución para nuevos problemas híbridos.