Evolutionary Algorithms
Los algoritmos evolutivos hacen evolucionar una población de soluciones candidatas mediante selección, cruce y mutación. Incluye los principales tipos, código y usos reales.
Los algoritmos evolutivos (EA) son una familia de algoritmos de optimización que imitan la selección natural. Mantienen una población de soluciones candidatas, asignan una puntuación a cada una mediante una función de aptitud, permiten que las mejores candidatas produzcan descendencia mediante recombinación y mutación aleatoria, y repiten el proceso durante muchas generaciones para que la población evolucione hacia mejores soluciones. Un EA solo necesita evaluar una candidata; nunca tiene que calcular un gradiente, por lo que funciona con problemas que el descenso del gradiente no puede abordar: opciones discretas, objetivos no diferenciables o ruidosos y paisajes abruptos llenos de óptimos locales. Por eso, los EA son herramientas habituales para el ajuste de hiperparámetros, la búsqueda de arquitecturas neuronales, el diseño de ingeniería y la planificación.
Cómo funcionan los algoritmos evolutivos#
Todos los EA se componen de los mismos elementos:
- Representación: Cada candidata se codifica como un genoma, por ejemplo, una cadena de bits, un vector de números reales o un árbol de programa.
- Inicialización: La primera generación suele ser aleatoria, aunque a veces se inicializa con soluciones conocidas que funcionan bien.
- Evaluación de aptitud: Una función de aptitud asigna una puntuación a cada candidata según el objetivo que se optimiza.
- Selección: Las candidatas más aptas tienen más probabilidades de convertirse en progenitoras. Por ejemplo, la selección por torneo elige la mejor de varias candidatas aleatorias, y el elitismo copia sin cambios a la mejor candidata en la generación siguiente.
- Variación: El cruce combina partes de dos progenitores, y la mutación introduce pequeños cambios aleatorios para que la población siga explorando.
En el aprendizaje automático (ML), la función de aptitud suele ser una métrica de validación, como la precisión o la precisión media promedio (mAP); por tanto, evaluar una candidata implica entrenar y probar un modelo, con diferencia, el paso más costoso. El ciclo se repite hasta que se agota el presupuesto o la aptitud deja de mejorar:
La presión de selección y la intensidad de la mutación determinan el equilibrio entre explotación y exploración. Una selección intensa con mutaciones pequeñas converge rápidamente, pero puede quedarse atascada en un óptimo local; una selección débil con mutaciones grandes explora ampliamente, pero desperdicia evaluaciones.
Principales tipos de algoritmos evolutivos#
- Algoritmos genéticos (GA): Codifican las candidatas como cadenas, a menudo de bits, y se basan en gran medida en el cruce. John Holland los formalizó en su libro de 1975 Adaptation in Natural and Artificial Systems.
- Estrategias evolutivas (ES): Optimizan vectores de números reales mediante mutaciones gaussianas cuyos tamaños de paso se adaptan durante la ejecución. CMA-ES, que aprende la covarianza completa de su distribución de mutación, es uno de los métodos de propósito general más sólidos para problemas continuos de caja negra.
- Programación genética: Hace evolucionar programas o expresiones matemáticas representados como árboles; se utiliza en regresión simbólica y diseño automático de programas.
- Neuroevolución: Hace evolucionar los pesos y, en ocasiones, la estructura de las redes neuronales. En 2017, OpenAI mostró que las estrategias evolutivas ejecutadas en más de mil trabajadores paralelos podían entrenar a un humanoide 3D para caminar en 10 minutos, como alternativa escalable al aprendizaje por refuerzo.
Un algoritmo genético en código#
El problema de la mochila consiste en elegir qué objetos guardar para maximizar el valor total sin superar un límite de peso; es un problema discreto sin gradiente. Este algoritmo genético de NumPy hace evolucionar 50 genomas de cadenas de bits, con un bit por objeto, mediante selección por torneo, cruce uniforme, mutación por inversión de bits y elitismo, y luego compara el resultado con las 1,048,576 selecciones posibles:
import itertools
import numpy as np
rng = np.random.default_rng(0)
# Knapsack problem: pick from 20 items to maximize total value within a weight limit of 200
values, weights, limit = rng.integers(10, 100, 20), rng.integers(5, 50, 20), 200
def fitness(pop):
"""Return each selection's total value, or 0 if it exceeds the weight limit."""
return np.where(pop @ weights <= limit, pop @ values, 0)
population = rng.random((50, 20)) < 0.2 # 50 random genomes, one bit per item
for generation in range(100):
scores = fitness(population)
# Tournament selection: each parent is the better of two random genomes
pairs = rng.integers(50, size=(50, 2))
parents = population[np.where(scores[pairs[:, 0]] > scores[pairs[:, 1]], pairs[:, 0], pairs[:, 1])]
# Uniform crossover with the next parent, then flip each bit with probability 0.05
children = np.where(rng.random((50, 20)) < 0.5, parents, np.roll(parents, 1, axis=0))
children ^= rng.random((50, 20)) < 0.05
children[0] = population[scores.argmax()] # elitism: keep the best genome
population = children
all_selections = np.array(list(itertools.product([0, 1], repeat=20)))
print(f"GA best: {fitness(population).max()}, true optimum: {fitness(all_selections).max()}")Imprime GA best: 811, true optimum: 811. El algoritmo encontró la mejor combinación posible tras 5,000 evaluaciones de aptitud, alrededor del 0.5 % del millón de selecciones que tuvo que comprobar la fuerza bruta.
Evolución de hiperparámetros#
Los parámetros de entrenamiento, como la tasa de aprendizaje, los pesos de la función de pérdida y la intensidad del aumento de datos, interactúan de formas que ninguna fórmula puede predecir. Como evaluar cada candidata requiere un entrenamiento completo, la búsqueda evolutiva resulta adecuada. El método tune() de Ultralytics YOLO aplica este enfoque a los modelos YOLO26: en cada iteración elige un progenitor entre las nueve mejores configuraciones obtenidas hasta el momento, ponderadas según su aptitud, muta aproximadamente la mitad de los 26 hiperparámetros del espacio de búsqueda predeterminado con pasos gaussianos escalados según sus intervalos de búsqueda, entrena un modelo y registra su aptitud, que corresponde a mAP50-95 para la detección de objetos. Tras 30 resultados, algunas mutaciones también siguen la covarianza del 20 % de las mejores configuraciones, una técnica tomada de CMA-ES. La guía de ajuste de hiperparámetros muestra todo el espacio de búsqueda:
from ultralytics import YOLO
# Carga un modelo nano YOLO26 preentrenado
model = YOLO("yolo26n.pt")
# Evoluciona los hiperparámetros: 30 iteraciones, cada una entrena durante 10 épocas una configuración mutada
model.tune(data="coco8.yaml", epochs=10, iterations=30, plots=False)El optimizador guarda cada configuración y su aptitud en tune_results.ndjson y guarda la ganadora en best_hyperparameters.yaml, lista para usar en un entrenamiento completo.
Otras aplicaciones#
- Búsqueda de arquitecturas neuronales: AmoebaNet de Google surgió de una evolución regularizada, un EA con selección por torneo que retira los modelos más antiguos en lugar de los peores; en 2018 alcanzó una precisión top-1 del 83.9 % en ImageNet.
- Diseño de ingeniería: La misión Space Technology 5 de la NASA llevó al espacio en 2006 una antena de banda X diseñada por ordenador mediante evolución. Su forma irregular de alambre doblado igualó el rendimiento de una antena diseñada de forma convencional.
- Descubrimiento de algoritmos: AlphaEvolve, presentado por Google DeepMind en mayo de 2025, combina modelos Gemini que proponen cambios en el código con evaluadores automatizados y una base de datos evolutiva de programas. Una heurística de planificación que desarrolló para los centros de datos de Google recupera, de media, el 0.7 % de los recursos informáticos globales de la empresa.
Algoritmos evolutivos y métodos relacionados#
- Descenso del gradiente: Sigue el gradiente de una función de pérdida diferenciable y es mucho más eficiente para entrenar los pesos de redes con millones de parámetros. Los EA son adecuados para problemas con pocos parámetros, evaluaciones costosas o sin gradiente.
- Inteligencia de enjambre: Métodos como la optimización por enjambre de partículas desplazan por el espacio de búsqueda un conjunto persistente de agentes, cada uno de los cuales ajusta su posición a partir de su propio mejor resultado y el de sus vecinos, sin reemplazo generacional, cruce ni mutación.
- Optimización bayesiana: Ajusta un modelo probabilístico del objetivo y elige cada siguiente prueba en el punto donde ese modelo prevé la mayor mejora. En espacios de búsqueda pequeños y suaves requiere menos evaluaciones que un EA, pero escala peor cuando hay muchos parámetros y trabajadores paralelos.










