01¿Cómo se escribe una solución?
Representación
Convierte un problema en cromosomas. Compara seis codificaciones para mochila, asignación, viajante y funciones continuas.
Binaria · Entera · Permutaciones · Real
Explora · Practica · Compara
Laboratorio de
algoritmos genéticos.
Desde cómo se representa una solución hasta cómo evoluciona una población. Aprende cada decisión con módulos interactivos, simuladores y un libro práctico.
¿Empiezas de cero? El libro te guía paso a paso y abre cada herramienta desde sus ejemplos.
PadresUna generación
Cruce + mutación
Padre APadre BGen mutado
Cinco módulos. Un mismo proceso.
Abiertos · Interactivos · ES / EN02¿Cómo empieza y se mide?
Inicialización y evaluación
Crea la población inicial y calcula la aptitud. Compara diversidad, factibilidad, coste y paisajes de aptitud.
Poblaciones · Aptitud · Restricciones · Ruido
03¿Quién se reproduce?
Selección
Elige los padres de la siguiente generación. Explora el equilibrio entre aptitud, presión selectiva y diversidad.
Ruleta · SUS · Ranking · Torneo · Reemplazo
04¿Cómo se combina la información?
Cruce
Combina la información de dos padres. Observa qué heredan los hijos y qué conserva cada operador.
Binaria · Real · Permutaciones
05¿Cómo aparece la diversidad?
Mutación
Introduce cambios aleatorios en una solución. Explora cómo la representación y el tamaño del cambio afectan a la búsqueda.
Binaria · Entera · Real · Permutaciones
Así encajan en el algoritmo
El ciclo se repite en cada generaciónAntes del ciclo · Una sola vez
- Representar el problemaDefine los cromosomas
- Crear la población inicialGenera las primeras soluciones
La población inicial entra en el ciclo
En cada generación
- EvaluarMide la aptitud
- SeleccionarElige los padres
- CruzarCombina los genes
- MutarIntroduce variación
- ReemplazarForma la siguiente población
Reemplazar → volver a evaluar, hasta cumplir el criterio de parada.
Seleccionar elige los padres; reemplazar determina quién pasa a la siguiente población. En el reemplazo generacional, los hijos se evalúan al volver a «Evaluar». Si el reemplazo compara la aptitud de padres e hijos, hay que evaluar los hijos antes de reemplazar.
Experimenta a lo largo de generaciones
Del operador a la evolución de la poblaciónEl algoritmo completoPython · Streamlit
EvoTraveller
Observa un algoritmo genético aplicado al problema del viajante. Ajusta población, selección, cruce y mutación, y sigue cómo evolucionan las rutas entre generaciones.
Rutas · Aptitud · Población · Parámetros del algoritmo
Dinámica de la selecciónR · Shiny
SelectionMechanisms
Compara mecanismos de selección a lo largo de muchas generaciones y simulaciones. Explora cómo la presión selectiva afecta a la convergencia, la aptitud y la diversidad.
Selección · Convergencia · Diversidad · Comparación de modelos
En clase o por tu cuenta
Aprende haciendo.
Los cinco módulos comparten la misma forma de trabajar. Elige un ejemplo y sigue cada decisión del algoritmo.
Sigue cada paso
Animaciones con explicación, pseudocódigo y código en Python y JavaScript.
Predice el resultado
Resuelve el ejemplo y comprueba tu respuesta en el modo de práctica.
Compara alternativas
Aplica distintos mecanismos u operadores a los mismos datos.
Llévalo a Moodle
Bancos de preguntas para profesorado, con soluciones enlazadas al ejemplo.
El libro · Versión beta 0.9
Evolución a la vista
Algoritmos genéticos en un laboratorio interactivo
Un recorrido práctico para aprender y usar algoritmos genéticos con los materiales del laboratorio. Combina explicaciones, ejemplos reproducibles, actividades en las herramientas y ejercicios.
Explicaciones · Ejemplos reproducibles · Actividades · Ejercicios
Publicaciones relacionadas
La investigación detrás de las herramientasInteractive Visualization of Genetic Algorithm Solutions for the Traveling Salesman Problem: An Educational Tool
Organizational Engineering, Coping with Complexity · CIO 2024 · Lecture Notes on Data Engineering and Communications Technologies, 239 · pp. 6–10 · Springer, 2025.
Ver publicación en SpringerDOI: 10.1007/978-3-031-82334-3_2Visualizing Selection Pressure in Genetic Algorithms: An Interactive Tool for Convergence and Diversity Analysis
CIO 2026 · Aceptado para publicación en Springer Lecture Notes.
La referencia editorial y el enlace a la publicación se añadirán cuando estén disponibles.
Herramientas docentes abiertas
Para enseñar y aprender.
Este portal reúne cinco módulos interactivos, dos simuladores y un libro para cursos de metaheurísticas, computación evolutiva e ingeniería de organización. Consulta la autoría y la licencia de cada recurso en su repositorio.
Equipo del laboratorio de algoritmos genéticos y SelectionMechanisms
Los nombres enlazan a páginas personales o perfiles académicos.
1 Universidad de Burgos
2 Universidad de Salamanca
3 Universidad Politécnica de Madrid
Este portal: código MIT · contenido docente CC BY 4.0. El libro: CC BY 4.0. Cada herramienta indica su licencia en su repositorio.
Es una versión beta. ¿Has visto un error o tienes una sugerencia? Coméntalo en GitHub · sobre el libro · sin GitHub, escribe a los autores desde sus páginas, enlazadas arriba.
