Algoritmos genéticos: población, cruce, mutación y selección en una mochila para la excursión

Genoma y aptitud, selección por torneo, cruce de un punto, mutación y elitismo, el teorema de los esquemas y la convergencia prematura — en el problema de la mochila con un óptimo conocido, de la tienda de campaña a FunSearch y AlphaEvolve.

14 minutos Matěj Žalmánek 2026-10-15

Serie Fundamentos de IA Parte 27 de 52

1. Mapa de la inteligencia artificial: qué es cada cosa y cómo encaja todo
2. Breve historia de la inteligencia artificial: de Turing a los modelos de lenguaje
3. Datos, modelo, entrenamiento, inferencia: los conceptos básicos en un solo ejemplo
4. Cómo leer la notación matemática: símbolos, subíndices, sumatorios y cuantificadores
5. Conjuntos y relaciones: las piezas con las que se construyen las definiciones en IA
6. Funciones y aplicaciones: por qué todo modelo de IA es una función
7. Lógica y demostraciones: las reglas con las que se razona en IA
8. Grafos y árboles: la estructura sobre la que se apoyan la búsqueda y las redes neuronales
9. Álgebra lineal para aprendizaje automático: vectores, matrices y por qué la IA sobre todo multiplica
10. Derivadas, gradiente y regla de la cadena: cómo sabe un modelo en qué dirección aprender
11. Descenso de gradiente: cómo aprende un modelo
12. Qué es la probabilidad: del lanzamiento de un dado a los axiomas de Kolmogórov
13. Probabilidad condicionada y teorema de Bayes: cómo cambiar una estimación cuando te enteras de algo nuevo
14. Variable aleatoria y función de distribución: una sola función que lo dice todo sobre la distribución
15. Función de densidad y función de probabilidad: por qué una variable continua tiene probabilidad cero en cada punto
16. Esperanza, varianza y covarianza: dónde está una distribución, qué anchura tiene y qué se relaciona con qué
17. Resumen de las distribuciones de probabilidad: Bernoulli, binomial, Poisson, uniforme, normal y exponencial
18. Ley de los grandes números y teorema central del límite: por qué las medias se comportan de forma tan predecible
19. Estadística y estimación de parámetros: máxima verosimilitud, MAP e intervalos de confianza
20. Teoría de la información: entropía, entropía cruzada y divergencia KL, el origen de las funciones de pérdida
21. Búsqueda en el espacio de estados: BFS, DFS, UCS y A* con animaciones
22. Juegos y adversarios: minimax, poda alfa-beta y Monte Carlo tree search
23. Satisfacción de restricciones: backtracking, propagación de restricciones y AC-3 con un sudoku y un mapa de regiones checas
24. Lógica y sistemas basados en conocimiento: encadenamiento hacia delante y hacia atrás, resolución y sistemas expertos
25. Planificación: STRIPS, el mundo de bloques, heurísticas a partir de la relajación y la planificación en los agentes de IA
26. Búsqueda local y recocido simulado: un viajante por las capitales regionales checas
27. Algoritmos genéticos: población, cruce, mutación y selección en una mochila para la excursión
28. Estrategias evolutivas y programación genética: de la regla de un quinto a la ley de Kepler
29. Optimización por colonia de hormigas: cómo un rastro de feromona encuentra un camino corto
30. Optimización por enjambre de partículas: inercia, experiencia propia y experiencia del enjambre
31. Neuroevolución: evolución de los pesos y la forma de las redes neuronales, y el algoritmo NEAT
32. Conjuntos difusos y funciones de pertenencia: cómo escribir «algo cálido»
33. Lógica difusa y probabilidad: por qué «algo cálido» no significa «probablemente cálido»
34. Lógica difusa: t-normas, implicaciones y reglas SI–ENTONCES
35. Control difuso: Mamdani y Sugeno, del ventilador al péndulo invertido sobre un carro
36. Agrupamiento difuso: el algoritmo fuzzy c-means y los puntos entre clusters
37. Sistemas neuro-difusos (ANFIS): reglas difusas que aprenden de los datos
38. Cadenas de Markov: matriz de transición, distribución estacionaria y PageRank
39. Modelos ocultos de Márkov: el algoritmo de Viterbi y el casino deshonesto
40. Redes bayesianas: por qué está mojada la hierba y qué significa eso para el aspersor
41. El filtro de Kalman: cómo estimar a partir de mediciones imprecisas dónde está un coche y a qué velocidad va
42. Tipos de aprendizaje automático: supervisado, no supervisado, semisupervisado y más
43. Prompts, contexto y RAG: cómo darle a un modelo la información correcta
44. Autocodificadores variacionales (VAE): imágenes nuevas a partir de un espacio latente continuo
45. Redes generativas adversarias (GAN): el falsificador contra el detective
46. Modelos de difusión: cómo el ruido puro se convierte en una imagen
47. Procesos de decisión de Markov: estados, acciones, recompensas y ecuaciones de Bellman
48. Q-learning y DQN: aprender el valor de las acciones, de la tabla a la red neuronal
49. Gradiente de la política y PPO: aprender directamente la política
50. Cómo funciona un agente de IA: un modelo de lenguaje en un bucle con herramientas
51. Programación con agentes de IA: encargo, pruebas y revisión
52. Evaluación y seguridad de los sistemas de IA: cómo medir y cómo vigilar

Temario completo de la serie 52 de 83 temas publicados

La naturaleza no tiene ingeniero y, sin embargo, ha producido el ojo, el ala y el cerebro. Le bastaron tres cosas: los individuos se diferencian entre sí, transmiten sus rasgos a su descendencia y los más aptos tienen más descendientes. En los años setenta, John Holland, de la Universidad de Michigan, mostró que esas mismas tres cosas funcionan también en un ordenador — como método general para buscar buenas soluciones a problemas que no sabemos resolver de forma ingeniosa. Un algoritmo genético no necesita gradiente ni fórmula; solo necesita saber decir cuál de dos soluciones es mejor.

Continúa la parte Búsqueda local y recocido simulado. El recocido mejoraba una sola solución; un algoritmo genético mejora toda una población de ellas a la vez.

1. El problema: una mochila para la excursión

Te preparas para una excursión de varios días. En casa tienes 24 cosas — tienda de campaña, saco de dormir, hornillo, cámara, libro… — y cada una pesa algo y sirve para algo. La mochila puede pesar como máximo 10 kg. ¿Qué llevar para que la utilidad sea lo mayor posible?

Definición — el problema de la mochila (0/1)

Se dan n objetos con pesos w_i > 0 y utilidades u_i > 0, y una capacidad W. Buscamos x ∈ {0, 1}ⁿ que maximice ∑_i u_ix_i sujeto a ∑_i w_ix_i ≤ W.

Con pesos enteros, el óptimo se puede calcular exactamente mediante programación dinámica — con los 24 objetos y una capacidad de 1 000 decagramos (1 dag = 10 g) son 24 000 pasos. La mejor mochila tiene 727 puntos de utilidad y pesa 9,9 kg; en casa se quedan la comida extra, la cámara, el libro, las sandalias y la crema solar. Gracias a ello veremos exactamente cuánto se acerca la evolución. Un algoritmo genético, sin embargo, resulta útil sobre todo donde no existe un método exacto así.

La programación dinámica rellena una tabla T[i][c] — la mejor utilidad que se puede alcanzar solo con los primeros i objetos cuando pueden pesar como máximo c. Cada casilla se calcula a partir de la fila de encima:

T[i][c] = max( T[i − 1][c] , T[i − 1][c − w_i] + u_i )

T[i][c]

la mejor utilidad de los primeros i objetos con capacidad c; la casilla T[n][W] es la respuesta a todo el problema

T[i − 1][c]

la opción «no llevo el objeto i-ésimo» — entonces lo mejor es lo que se podía componer con los objetos anteriores con la misma capacidad

T[i − 1][c − w_i]

la opción «lo llevo» — el objeto ocupa w_i, así que para el resto queda solo c − w_i; el mejor aprovechamiento del resto ya está en la tabla (solo vale para c ≥ w_i)

u_i

la utilidad del objeto que hemos añadido en esa segunda opción

Ejemplo — la tabla para cuatro objetos y una capacidad de 50 dag

Frontal (10 dag, 25 puntos), navaja (10 dag, 18), hornillo (40 dag, 30) y esterilla (50 dag, 45). Todos los pesos son múltiplos de diez, así que bastan columnas de 10 en 10 dag:

objetos	c = 0	10	20	30	40	50
ninguno	0	0	0	0	0	0
+ frontal	0	25	25	25	25	25
+ navaja	0	25	43	43	43	43
+ hornillo	0	25	43	43	43	55
+ esterilla	0	25	43	43	43	55

Navaja, c = 20: max(T[1][20], T[1][10] + 18) = max(25, 25 + 18) = 43

Hornillo, c = 40: max(T[2][40], T[2][0] + 30) = max(43, 0 + 30) = 43 — el hornillo no compensa

Hornillo, c = 50: max(T[2][50], T[2][10] + 30) = max(43, 25 + 30) = 55 — el hornillo y la frontal

Esterilla, c = 50: max(55, T[3][0] + 45) = max(55, 45) = 55

La estrategia voraz tomaría los objetos por utilidad por decagramo: la frontal (2,5 puntos/dag), la navaja (1,8), y después ni la esterilla (0,9) ni el hornillo (0,75) cabrían en los 30 dag restantes — solo 43 puntos. En el problema grande con 24 objetos, la estrategia voraz termina en 702 puntos: llena la mochila de cosas pequeñas y ya no queda sitio para la tienda (220 dag).

def batoh(w, u, W):                       # w, u: pesos y utilidades, W: capacidad
    T = [0] * (W + 1)                     # la fila para «ningún objeto»
    for i in range(len(w)):
        for c in range(W, w[i] - 1, -1):  # hacia atrás: T[c − w[i]] aún es de la fila i − 1
            T[c] = max(T[c], T[c - w[i]] + u[i])
    return T[W]                           # n · W pasos: 24 · 1000 = 24 000

2. Individuo, genoma y aptitud

Definición — genoma, población, aptitud

Un genoma (cromosoma) es una solución codificada — aquí una cadena x ∈ {0, 1}²⁴, un bit (gen) por objeto. Una población es un multiconjunto P de genomas de tamaño fijo μ.

La aptitud (fitness) es una función F : {0, 1}ⁿ → ℝ que el algoritmo maximiza. Para la mochila

F(x) = ∑ u_ix_i si la mochila cabe; si no, ∑ u_ix_i − 3 · (∑ w_ix_i − W).

F(x) = ∑ u_ix_i − 3 · max(0, ∑ w_ix_i − W)

F(x)

la aptitud de la mochila x — el único número con el que la selección compara individuos

∑ u_ix_i

la utilidad de los objetos empaquetados (x_i = 1 cuenta el objeto, 0 lo omite) — lo que de verdad queremos maximizar

3

el precio de un decagramo por encima del límite — es mayor que la mejor relación entre utilidad y peso (la frontal, 2,5 puntos/dag), así que añadir cualquier cosa a una mochila ya sobrecargada siempre reduce la aptitud

max(0, ∑ w_ix_i − W)

la sobrecarga en decagramos; el máximo con cero garantiza que una mochila que cabe no reciba penalización y que una mochila más ligera no salga favorecida

Ejemplo — la aptitud de dos mochilas

Óptimo: utilidad 727, peso 990 dag ≤ 1 000  ⇒  F = 727 − 3 · 0 = 727

Óptimo + cámara (80 dag, 20 puntos): utilidad 747, peso 1 070 dag  ⇒  F = 747 − 3 · 70 = 537

La cámara añade 20 puntos, pero la sobrecarga de 70 dag cuesta 210 — la selección aparta una mochila así de forma fiable.

3. Selección

Definición — selección por torneo y por ruleta

Selección por torneo de tamaño k: elige al azar k individuos de la población y devuelve el de mayor aptitud.

Selección por ruleta: elige el individuo x con probabilidad F(x) / ∑_{y ∈ P} F(y) (requiere aptitud positiva).

La presión selectiva mide con qué fuerza la selección favorece a los individuos más aptos; en el torneo crece con k.

Lo fuerte que es un torneo se puede calcular exactamente. Nuestro programa sortea k individuos con reemplazo (el mismo individuo puede entrar dos veces en el torneo). Ordenemos la población del mejor (i = 1) al peor (i = μ):

P(gana el i-ésimo) = ( (μ − i + 1)^k − (μ − i)^k ) / μ^k

P(gana el i-ésimo)

la probabilidad de que sea precisamente el i-ésimo mejor individuo el que se convierta en progenitor

(μ − i + 1)^k

el número de torneos en los que nadie es mejor que el i-ésimo — los k sorteos caen en él o en peores

(μ − i)^k

de ellos restamos los torneos en los que el i-ésimo no está — esos los ganaría alguien peor; la diferencia son los torneos en los que el i-ésimo es el mejor presente

μ^k

el número de todos los torneos posibles (k sorteos, cada uno entre μ individuos) — al dividir obtenemos una probabilidad

Ejemplo — un torneo de tres entre 40 mochilas

μ^k = 40³ = 64 000. En cada generación se seleccionan 38 progenitores (dos plazas las ocupan los individuos de élite):

el mejor: (40³ − 39³) / 64 000 = (64 000 − 59 319) / 64 000 ≈ 7,31 %,   se esperan 38 · 0,0731 ≈ 2,78 selecciones

el 20.º mejor: (21³ − 20³) / 64 000 = (9 261 − 8 000) / 64 000 ≈ 1,97 %,   se esperan ≈ 0,75 selecciones

el peor: (1³ − 0³) / 64 000 ≈ 0,0016 %,   se esperan ≈ 0,0006 selecciones

Un individuo medio recibe 38/40 = 0,95 selecciones; el mejor, casi el triple. En general, en una población grande el mejor recibe aproximadamente k veces más que la media — por eso la presión selectiva crece con k.

4. Cruce y mutación

Definición — cruce de un punto

Para los progenitores a, b ∈ {0, 1}ⁿ elige al azar un punto c ∈ {1, …, n − 1}. Los descendientes son

(a₁, …, a_c, b_c+1, …, b_n) y (b₁, …, b_c, a_c+1, …, a_n).

El cruce se realiza con probabilidad p_c; si no, los descendientes son copias de los progenitores. Otras variantes son el cruce de dos puntos y el uniforme (cada gen de un progenitor al azar).

Definición — mutación de bits

Cada gen del descendiente se invierte (0 ↔ 1) de forma independiente con probabilidad p_m, normalmente p_m = 1/n — de media un gen por individuo.

Ejemplo — cuántos genes invierte la mutación

El número de genes invertidos sigue una distribución binomial: P(j genes) = C(n, j) · p_m^j · (1 − p_m)^n−j. Para n = 24 y p_m = 1/24:

número esperado: n · p_m = 24 · 1/24 = 1

ningún cambio: (23/24)²⁴ ≈ 0,360   (para n grande se acerca a 1/e ≈ 0,368)

exactamente un gen: 24 · (1/24) · (23/24)²³ ≈ 0,376

Así que aproximadamente un tercio de los descendientes queda sin cambios, un tercio se diferencia en un gen y el resto en dos o más.

Los progenitores son las dos mejores mochilas de la población inicial (423 y 398 puntos), y el corte está después del duodécimo objeto. Ninguno de los descendientes es mejor que el mejor de los progenitores — tienen 403 y 418 puntos. El cruce no garantiza una mejora; solo ofrece combinaciones nuevas, y la selección decide luego cuáles sobreviven. En el primer descendiente, la mutación metió un filtro de agua (15 dag, 32 puntos), y de golpe tiene 435 puntos — más que ambos progenitores.

Ejemplo — recálculo del cruce de la figura

La utilidad se suma gen a gen, así que basta con sumar por separado la utilidad del principio (objetos 1–12) y del final (objetos 13–24):

progenitor 1: 310 + 113 = 423,   progenitor 2: 305 + 93 = 398

descendiente 1 = principio del progenitor 1 + final del progenitor 2: 310 + 93 = 403

descendiente 2 = principio del progenitor 2 + final del progenitor 1: 305 + 113 = 418

la mutación mete el filtro de agua: 403 + 32 = 435

El progenitor 1 es mejor en ambas mitades (310 > 305 y 113 > 93), así que con este corte ningún descendiente puede superarlo — el cruce no tiene con qué componer un todo mejor. La mejora solo llegó con la mutación.

5. El algoritmo completo

Algoritmo — algoritmo genético

1. Crea una población inicial aleatoria de μ individuos y evalúalos.
2. Copia sin cambios los e mejores individuos en la nueva generación (elitismo).
3. Mientras la nueva generación no tenga μ individuos: selecciona dos progenitores, crúzalos con probabilidad p_c, muta los descendientes y añádelos.
4. Evalúa la nueva generación y continúa con el paso 2 hasta agotar el número de generaciones.

import random

def evoluce(zdatnost, n, velikost=40, generaci=60, p_krizeni=0.9, elita=2):
    pop = [[int(random.random() < 0.3) for _ in range(n)] for _ in range(velikost)]
    for _ in range(generaci):
        pop.sort(key=zdatnost, reverse=True)
        dalsi = [g[:] for g in pop[:elita]]            # elitismo
        while len(dalsi) < velikost:
            a, b = turnaj(pop, zdatnost), turnaj(pop, zdatnost)
            if random.random() < p_krizeni:
                bod = random.randrange(1, n)
                a, b = a[:bod] + b[bod:], b[:bod] + a[bod:]
            dalsi += [mutuj(a), mutuj(b)]
        pop = dalsi[:velikost]
    return max(pop, key=zdatnost)

def turnaj(pop, zdatnost, k=3):
    return max(random.choices(pop, k=k), key=zdatnost)   # k sorteos con reemplazo

def mutuj(g):
    return [1 - x if random.random() < 1 / len(g) else x for x in g]

El coste del algoritmo lo medimos por el número de evaluaciones de la aptitud — en problemas reales (simulaciones, mediciones) es el paso más caro. Se evalúa la población inicial y después cada generación: μ + G · μ = 40 + 60 · 40 = 2 440 evaluaciones para μ = 40 individuos y G = 60 generaciones. Los individuos de élite se vuelven a evaluar aunque no hayan cambiado; un programa más listo recordaría su aptitud.

6. La evolución de la mochila

Pongamos en marcha el algoritmo: 40 mochilas, 60 generaciones, torneo de tres, cruce con probabilidad 0,9, mutación 1/24 y dos individuos de élite. La figura muestra la población en las generaciones 0, 5, 15, 30 y 60 — cada fila es una mochila, cada columna un objeto y, arriba, el óptimo para comparar:

Al principio la población es variada y las mochilas están más bien medio vacías: cada objeto entró en ellas con probabilidad 0,3, así que pesan unos cuatro kilos (el peso esperado es 0,3 · ∑ w_i = 0,3 · 12,75 kg ≈ 3,8 kg). La mejor tiene 423 puntos y la media, 231. Tras cinco generaciones, 36 de las 40 mochilas llevan la tienda, 35 la botella de agua, y la mejor mochila tiene 634 puntos. Hacia la decimoquinta generación la población choca con la capacidad — 12 mochilas están sobrecargadas — y empieza a aprender qué sacrificar: la comida extra y las sandalias casi han desaparecido, pero la cámara aún la llevan 39 mochilas. El algoritmo encuentra el óptimo, 727 puntos, por primera vez en la generación 26; en la generación 30 la cámara ya solo queda en una mochila. Sin embargo, la población nunca se funde en una sola solución — la mutación sigue probando pequeñas desviaciones.

Para ello el algoritmo evaluó 2 440 mochilas — no llega a dos centésimas por ciento de las 16 777 216 posibilidades. Una búsqueda aleatoria con el mismo número de intentos no encontró el óptimo ni una sola vez en cien repeticiones y terminó de media en 574 puntos.

Ejemplo — por qué la búsqueda aleatoria no encuentra el óptimo

Una mochila aleatoria toma cada objeto de forma independiente con probabilidad 0,3. El óptimo contiene 19 objetos y deja fuera 5, así que

P(mochila aleatoria = óptimo) = 0,3¹⁹ · 0,7⁵ ≈ 1,16 · 10⁻¹⁰ · 0,168 ≈ 1,95 · 10⁻¹¹

número esperado de aciertos en 2 440 intentos: 2 440 · 1,95 · 10⁻¹¹ ≈ 4,8 · 10⁻⁸

Incluso si se sorteara de manera uniforme (cada objeto con probabilidad 1/2), la probabilidad sería de una entre 16 777 216 por intento. Un algoritmo genético no saca el óptimo de una vez — lo va componiendo pieza a pieza a partir de mochilas que ya son buenas.

7. Para qué sirve el cruce y para qué la mutación

La línea naranja del gráfico es la misma ejecución con la mutación desactivada. Tras once generaciones se atasca en 573 puntos y ya no se mueve. El porqué lo muestra una comparación de cien ejecuciones con semillas distintas:

Sin mutación, la población pierde diversidad: cuando un gen no está en ningún individuo, el cruce no puede producirlo, y además la selección desplaza rápidamente todo menos lo mejor. A esto se le llama convergencia prematura. Sin cruce el algoritmo funciona — en el fondo es una población de escaladores con selección —, pero es más lento. El cruce ayuda a juntar buenas piezas que surgieron en individuos distintos.

Teorema — el teorema de los esquemas de Holland

Un esquema H es un patrón sobre {0, 1, ∗}, donde ∗ significa «cualquier cosa»; su orden o(H) es el número de posiciones fijas y su longitud de definición δ(H) la distancia entre la primera y la última posición fija. Para m(H, t) individuos que encajan en H en la generación t y selección por ruleta se cumple

E[m(H, t + 1)] ≥ m(H, t) · F(H) / F̄ · [1 − p_c · δ(H) / (n − 1) − o(H) · p_m],

donde F(H) es la aptitud media de los individuos del esquema y F̄ la media de la población.

E[m(H, t + 1)] ≥ m(H, t) · F(H) / F̄ · [1 − p_c · δ(H) / (n − 1) − o(H) · p_m]

m(H, t)

cuántos individuos llevan ahora el bloque — la siguiente generación parte de ellos, por eso se multiplica por esto

F(H) / F̄

cuánto más aptos que la media son los portadores del esquema — la ruleta les da proporcionalmente más descendientes; por encima de 1 el esquema se multiplica, por debajo de 1 se extingue

p_c · δ(H) / (n − 1)

la probabilidad de que el cruce corte el esquema: el cruce ocurre con p_c y el punto de corte cae entre las posiciones fijas con probabilidad δ/(n − 1) — por eso perjudican los esquemas largos

o(H) · p_m

la probabilidad (acotada por arriba) de que la mutación invierta alguna de las o(H) posiciones fijas — por eso perjudican los esquemas de orden alto

Ejemplo — un esquema corto y uno largo en la mochila

El corchete para los ajustes de nuestra ejecución (p_c = 0,9, n = 24, p_m = 1/24). Ambos esquemas tienen orden 2:

«la tienda y el saco de dormir» (genes 1 y 2, δ = 1): 1 − 0,9 · 1/23 − 2/24 ≈ 1 − 0,039 − 0,083 = 0,878

«la tienda y calcetines de repuesto» (genes 1 y 24, δ = 23): 1 − 0,9 · 23/23 − 2/24 ≈ 1 − 0,9 − 0,083 = 0,017

Al esquema corto le basta con que sus portadores sean un 14 % más aptos que la media (1/0,878 ≈ 1,14) para que, según el teorema, ya se propague. El esquema largo tendría que ser sesenta veces más apto — el teorema no promete prácticamente nada sobre él. Nuestro algoritmo usa torneo, no ruleta, así que para él solo vale el corchete; los dos primeros factores se calcularían de otra manera.

8. Los algoritmos genéticos en la práctica

• Diseño de formas. La antena de los satélites ST5 de la NASA (lanzados en 2006) fue diseñada por un algoritmo evolutivo: un alambre extrañamente retorcido que a ningún ingeniero se le habría ocurrido, pero que cumplió los requisitos al menos tan bien como una antena diseñada a mano (y en experimentos posteriores, incluso mejor).
• Horarios y logística. Horarios, turnos de trabajo o la distribución de un almacén — problemas con muchas restricciones en los que la aptitud se puede calcular, pero un algoritmo exacto tardaría una eternidad.
• Aprendizaje automático. La evolución ajusta los hiperparámetros de los modelos y, en la neuroevolución, a la que el temario dedica una parte propia, incluso los pesos y las arquitecturas de las redes neuronales.
• Evolución con modelos de lenguaje. Sistemas como FunSearch (2023) y AlphaEvolve (2025), de Google DeepMind, mantienen una población de programas y usan como mutación un modelo de lenguaje que modifica un programa. La selección corre a cargo de una evaluación automática. Así se han encontrado nuevas construcciones matemáticas y algoritmos más rápidos.

9. Resumen

• Un algoritmo genético mejora toda una población de soluciones: seleccionando a los aptos, con el cruce y con la mutación.
• La aptitud es lo único que necesita saber del problema; las restricciones incumplidas se pueden tratar con una penalización.
• La selección por torneo mantiene la presión selectiva y el elitismo no deja que se pierda la mejor solución.
• En una mochila con 16,7 millones de posibilidades encontró el óptimo en 88 de 100 ejecuciones tras evaluar 2 440 mochilas; la búsqueda aleatoria con el mismo presupuesto, ni una sola vez.
• La mutación aporta diversidad — sin ella la población converge prematuramente. El cruce junta buenos bloques de construcción y acelera la evolución.

¿Quieres probarlo tú? Pide a un agente de IA que escriba un algoritmo genético para tu propia mochila de excursión — y luego prueba a desactivar la mutación, agrandar el torneo o reducir la población, y observa qué pasa con la diversidad.

¿Lo ves de otra manera? Escribe a support@coden-app.com.