01¿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
Explora · Practica · Compara
Algoritmos genéticos,
paso a paso.
De una población de soluciones a la siguiente. Descubre cómo se eligen los padres, se combina su información y se introduce diversidad.
Elige una herramientaPadresUna generación
Cruce + mutación
Padre APadre BGen mutado
Tres operadores. Un mismo proceso.
Abiertas · Interactivas · ES / EN02¿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
03¿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 generación- EvaluaciónMide la aptitud
- SelecciónElige los padres
- CruceCombina los genes
- MutaciónIntroduce variación
- Evaluación y reemplazoEvalúa hijos y elige supervivientes
La herramienta de selección explica tanto la elección de padres como el reemplazo: quién pasa a la siguiente generación.Ver selección y reemplazo →
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.
Las herramientas de selección, cruce y mutación 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.
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 materiales para cursos de metaheurísticas, computación evolutiva e ingeniería de organización. Consulta la autoría y la licencia de cada herramienta en su repositorio.
Equipo de la serie de operadores y SelectionMechanisms
Los nombres enlazan a páginas personales o perfiles académicos.
1 Universidad de Burgos
2 Universidad de Salamanca
3 Universidad Politécnica de Madrid
Portal: código MIT · Contenido docente CC BY 4.0
