Paralelización de operadores
de cruce de un algoritmo genético
Alcívar Moreira Bryan Alexander
Escuela Superior Politécnica
Agropecuaria de Manabí Manuel Félix López, ESPAM MFL
Calceta, Ecuador.
Franco Salvatierra José Javier
Escuela Superior Politécnica
Agropecuaria de Manabí Manuel Félix López, ESPAM MFL
Calceta, Ecuador.
Zambrano Solórzano Ligia Elena
Escuela Superior Politécnica
Agropecuaria de Manabí Manuel Félix López, ESPAM MFL
Calceta, Ecuador.
Pinargote Bravo Víctor Joel
Escuela Superior Politécnica
Agropecuaria de Manabí Manuel Félix López, ESPAM MFL
Calceta, Ecuador.
DOI: https://doi.org/10.56124/encriptar.v8i16.002
RESUMEN
El
estudio aborda la optimización de algoritmos genéticos (AG) mediante la
paralelización del operador de cruce, inspirado en la teoría evolutiva de
Darwin. Su objetivo es mejorar el rendimiento y la escalabilidad de los AG para
resolver problemas complejos, como la optimización en la agricultura. La
investigación se desarrolló siguiendo una metodología experimental estructurada
en cinco fases: investigación previa, diseño, implementación, experimentación y
análisis. En la implementación, se utilizó Google Colab pro, Python y librerías
especializadas para procesamiento paralelo, optimizando el operador de cruce a
través de técnicas de paralelización y aceleración mediante GPU.
Los
resultados demuestran que la paralelización redujo el tiempo de ejecución en un
20% y mejoró la calidad de las soluciones en un 25%, especialmente en problemas
de alta complejidad. El operador de cruce de tres puntos destacó como la opción
más eficiente al equilibrar diversidad genética, rendimiento y tiempo de
ejecución. La utilización de recursos computacionales paralelos resultó
eficiente y sostenible, evidenciando su aplicabilidad en entornos reales.
Por
lo tanto, se puede afirmar que la paralelización del operador de cruce en los
AG mejora tanto la eficiencia computacional como la calidad de las soluciones,
consolidándose como una herramienta estratégica para resolver problemas de gran
escala en diversos campos.
Palabras claves: Algoritmos genéticos,
Optimización evolutiva, Computación paralela
Parallelization
of crossover operators of a genetic algorithm
ABSTRACT
The study focuses on the optimization of genetic
algorithms (GAs) through the parallelization of the crossover operator,
inspired by Darwin's evolutionary theory. The objective is to improve the
performance and scalability of GAs to address complex problems, such as
agricultural optimization. The research followed a structured experimental
methodology in five phases: preliminary research, design, implementation,
experimentation, and analysis. Python and specialized libraries for parallel
processing were used, optimizing the crossover operator through parallelization
techniques and GPU acceleration.
Results show that parallelization reduced execution
time by 20% and improved solution quality by 25%, particularly in
high-complexity problems. The three-point crossover operator proved to be the
most efficient option by balancing genetic diversity, performance, and
execution time. The use of parallel computational resources was efficient and
sustainable, demonstrating its applicability in real-world settings.
Therefore, it can be stated that the parallelization
of the crossover operator in GAs improves both computational efficiency and
solution quality, establishing itself as a strategic tool for solving
large-scale problems across various fields.
Keywords: Genetic
Algorithms, Evolutionary Optimization, Parallel Computing
- Introducción
“El cultivo de plantas, junto con la cría de animales
y su mejoramiento genético, han estado asociados al desarrollo de la
agricultura desde el mismo momento de la domesticación de las especies por el
hombre” (Núñez et al., 2022). Así como
el hombre en la antigüedad seleccionaba las mejores plantas y animales de forma
intuitiva, hoy en día los algoritmos genéticos permiten simular este proceso,
analizando una enorme cantidad de datos.
Los algoritmos genéticos son técnicas computacionales
basadas en la teoría de la evolución de Darwin. Su función es resolver
problemas complejos optimizando soluciones mediante procesos inspirados en la
naturaleza, como la selección, el cruce y la mutación. En este enfoque, se
genera una población inicial de soluciones candidatas que, a lo largo de varias
generaciones, evoluciona para aproximarse a la mejor respuesta posible.
Uno de los mayores desafíos de los algoritmos
genéticos es el tiempo de procesamiento, especialmente en problemas de gran
tamaño. A medida que aumenta la cantidad de soluciones y la complejidad de los
cálculos, el tiempo de ejecución puede volverse demasiado largo, limitando su
uso en situaciones prácticas. Un aspecto clave en este proceso es el operador de cruce, que permite combinar
información de distintas soluciones para generar nuevas.
El procesamiento secuencial del operador de cruce
puede ralentizar el rendimiento del algoritmo, convirtiendo en un obstáculo
para su eficiencia. Para solucionar este problema, se emplea la paralelización, una técnica que permite
dividir el trabajo en varias tareas simultáneas. Esto acelera el proceso sin
comprometer la calidad de las soluciones ni la capacidad del algoritmo para
encontrar respuestas óptimas.
La paralelización ha sido ampliamente estudiada por su
impacto en la eficiencia de los algoritmos genéticos. Según Pacioni (2023),
"los algoritmos genéticos representan un método eficaz y práctico para
resolver estos problemas",
destacando su flexibilidad y eficiencia. Su capacidad de adaptación los
convierte en una herramienta valiosa en problemas donde otros enfoques resultan
ineficaces o demasiado costosos en tiempo y recursos.
Esta
operación de cruce permite trabajar con diferentes representaciones, incluidas
las de punto flotante, lo que elimina el retraso causado por conversiones
innecesarias entre formatos. Operadores como el cruce de tres puntos fomentan
una mayor diversidad genética al dividir las soluciones en múltiples segmentos
y combinar información de los padres de manera más compleja. Investigaciones
recientes, como las de Pacioni (2023), han demostrado que este tipo de operador
puede mejorar significativamente la calidad de las soluciones en problemas de
optimización, al explorar un espacio de soluciones más amplio. De forma
similar, Zhan et al. (2021) destacan que este enfoque puede acelerar la
convergencia del algoritmo y reducir la probabilidad de soluciones inválidas
cuando se combina con mecanismos que manejan restricciones, haciéndolo
especialmente valioso en problemas complejos como la optimización estructural.
Esta
investigación tiene como objetivo aplicar la paralelización al operador de
cruce en un algoritmo genético básico, con el fin de mejorar su eficiencia y la
calidad de sus soluciones. Para ello, se utilizará procesamiento distribuido,
permitiendo una exploración más rápida del espacio de soluciones y reduciendo
el tiempo de ejecución.
El
objetivo principal es optimizar el rendimiento y la escalabilidad de los
algoritmos genéticos, lo cual permitirá lograr soluciones de mayor calidad en
la resolución de problemas complejos en diversas áreas de aplicación.
- Metodología
La
revisión sistemática de la literatura (RSL) es una metodología ampliamente
utilizada en la investigación para sintetizar información de diversas fuentes
con el objetivo de identificar tendencias, avances y vacíos en un área de
estudio. Según Sandoval (2024), la RSL es una parte fundamental de la
investigación documental cualitativa, ya que permite analizar a profundidad los
avances y vacíos existentes sobre un tema específico.
En
este estudio, se emplea la revisión sistémica de la literatura para analizar el
estado del arte en la paralelización de operadores de cruce en algoritmos
genéticos, con el propósito de identificar las áreas que requieren mayor
atención y desarrollo. Para el desarrollo de esta investigación, se utilizó una
metodología basada en experimentación computacional. Según Pérez (2021),
"el método experimental es un procedimiento científico diseñado para
comprobar la veracidad de enunciados hipotéticos mediante el uso de
experimentos". Este enfoque se estructuró en cinco fases: investigación
previa, diseño de la estrategia de paralelización, implementación,
experimentación y análisis, y evaluación. Cada una de estas fases se fundamentó
en enfoques contemporáneos y recomendaciones metodológicas basadas en
revisiones recientes de la literatura.
Investigación
Previa
En esta fase, se llevó a cabo una revisión exhaustiva de la
literatura científica reciente sobre la paralelización de algoritmos genéticos
y técnicas relacionadas, siguiendo una metodología sistemática. Según Cornejo
et al. (2023), "la investigación previa se caracteriza por ser aquella
etapa preprocesal, ya que no forma parte del proceso penal formal que conduce a
la sentencia, sino que tiene como finalidad descubrir y manifestar un motivo
suficiente para poder abrir el propio proceso penal". Aunque este concepto
pertenece al ámbito penal, en la investigación científica, la etapa de revisión
previa cumple una función similar al proporcionar un marco para justificar y
contextualizar el estudio.
Esta revisión permitió
analizar cómo otros investigadores han diseñado y ejecutado sus estudios,
considerando aspectos como los métodos de recolección de datos, los criterios
de análisis y evaluación, y las estrategias de validación de resultados. Comprender
estos elementos es esencial para estructurar la revisión, identificar enfoques
exitosos y reconocer las limitaciones presentes en el campo. Además,
proporciona una base sólida para futuras investigaciones y permite aplicar
mejoras en el estudio actual. La revisión sistemática se realizó utilizando
criterios de inclusión y exclusión claramente definidos, siguiendo las
recomendaciones de los métodos contemporáneos de revisión bibliográfica.
Diseño de la
Estrategia de Paralelización
El diseño de la estrategia de
paralelización aplicada a los operadores de cruce en un algoritmo genético
requiere una serie de pasos y decisiones clave para garantizar la eficiencia y
efectividad del proceso. Según Garrido (2022), este enfoque se basa en ayudar a
las organizaciones a identificar oportunidades para la innovación centrada en
el ser humano y a alinear estas oportunidades con una visión clara de lo que se
debe construir. En el contexto de la paralelización de operadores de cruce en
algoritmos genéticos, este enfoque puede interpretarse como una invitación a
diseñar estrategias que no solo busquen optimizar la eficiencia computacional,
sino también maximizar el impacto de estas innovaciones en problemas reales y
relevantes.
Durante esta fase, se diseñó
la estrategia de paralelización considerando tanto los recursos computacionales
disponibles como las características específicas del algoritmo genético. El
diseño se enfocó en optimizar el operador de cruce, dado que esta etapa
representa una de las mayores cargas en términos de tiempo de procesamiento del
algoritmo. Además, se definieron los requisitos de hardware y las
especificaciones mínimas del sistema necesarias para implementar la estrategia
con éxito.
Implementación
“El
uso de nuevas tecnologías en el campo agrícola es de gran importancia y
eficiencia para pequeños y grandes productores, ya que mediante la aplicación
de algoritmos genéticos y predictores se podría obtener un nuevo mecanismo de
siembra para lograr resultados favorables, como el ahorro de tiempo y dinero”
(Yaguar & Loor, 2020). Este enfoque destaca su impacto inclusivo, ya que es
aplicable tanto para pequeños como grandes productores, lo que sugiere que
estas innovaciones no solo representan un lujo, sino también una necesidad
estratégica para garantizar la sostenibilidad, eficiencia y competitividad del
sector agrícola en el contexto actual.
La
implementación del algoritmo genético paralelizado se realizó utilizando Python
como entorno de programación, debido a su flexibilidad y a la amplia
disponibilidad de librerías especializadas para procesamiento paralelo. Se
emplearon librerías específicas como Torch,
las cuales facilitaron tanto la gestión de tareas paralelas como la ejecución
eficiente de operaciones numéricas complejas.
En
esta fase, se integró el operador de cruce multipunto, reconocido ampliamente
por su efectividad en la exploración del espacio de soluciones. Estas técnicas
fueron seleccionadas y ajustadas cuidadosamente para maximizar la diversidad
genética y prevenir convergencias prematuras. Esto se alinea con estudios
recientes que subrayan la importancia de la diversidad en el rendimiento de los
algoritmos genéticos. Además, se exploró la incorporación de operadores
adaptativos, diseñados para ajustar dinámicamente las probabilidades de cruce y
mutación en función del progreso de las generaciones, con el objetivo de
alcanzar un balance óptimo entre la exploración y la explotación del espacio de
soluciones.
Finalmente,
se llevaron a cabo pruebas preliminares en escenarios controlados para validar
la eficiencia de los operadores implementados.
Durante
esta etapa, se evaluaron métricas clave, como el tiempo de convergencia, la
calidad de las soluciones finales y la tasa de diversidad genética en
generaciones posteriores. Estas evaluaciones aseguraron que los ajustes
realizados respondieron de manera efectiva a los desafíos asociados con
problemas agrícolas complejos, proporcionando así una base sólida para futuras
aplicaciones.
Experimentación
Según Flores (2024), en esta fase se diseñan y realizan
experimentos para probar la hipótesis formulada. Este enfoque es especialmente
relevante, ya que las condiciones de prueba controladas y la variación
sistemática de parámetros, como el número de procesadores o el tamaño de la
población, son esenciales para comprender el impacto real de la paralelización
y garantizar que los resultados sean precisos y reproducibles.
Dado que esta etapa es
crucial, se evaluó el rendimiento del algoritmo genético paralelo en
comparación con su versión secuencial mediante un diseño experimental riguroso.
Los ensayos controlados incluyeron variaciones específicas en parámetros clave,
como el tamaño de la población (20), el ciclo de la fruta (70), el área de
cosecha (8000) y el número de generaciones (1000). Estos valores fueron
seleccionados estratégicamente para cubrir escenarios de diferente complejidad
y carga computacional.
Además, cada experimento
se repitió en múltiples iteraciones (40 veces) para mitigar el impacto del
ruido estadístico y garantizar la fiabilidad de los resultados. Los datos
obtenidos se analizaron utilizando métricas clave, como el tiempo promedio de
ejecución, la calidad de las soluciones y la eficiencia relativa entre las
versiones paralelas y secuenciales. Para asegurar una evaluación robusta, se
aplicaron técnicas estadísticas, como intervalos de confianza y análisis de
varianza, lo que permitió validar las diferencias observadas.
Finalmente, los
experimentos se llevaron a cabo en un entorno controlado, utilizando hardware
consistente y condiciones uniformes, con el fin de garantizar la
reproducibilidad de los resultados y proporcionar una base sólida para
interpretar las conclusiones.
Análisis y
Evaluación
En
esta fase, se analizaron los resultados obtenidos de los experimentos para
evaluar el desempeño del algoritmo genético paralelizado en comparación con su
versión no paralelizada. Siguiendo recomendaciones recientes, se emplearon
métricas clave como el tiempo de ejecución, la calidad de las soluciones y la
escalabilidad del algoritmo.
Se
llevaron a cabo experimentos en diferentes escenarios, variando los tamaños de
los problemas y las configuraciones de parámetros, lo que permitió evaluar la
robustez y adaptabilidad del algoritmo. Los resultados indicaron que la
paralelización redujo el tiempo de ejecución en un promedio de 0,25 segundos y
mejoró la calidad de las soluciones en un 25 %, especialmente en problemas de
mayor complejidad.
Además,
se analizó el impacto en el uso de recursos computacionales, destacándose que
la paralelización ofreció un balance eficiente entre rendimiento y costo
computacional. Este análisis permitió identificar condiciones específicas en
las que la paralelización maximiza su efectividad, demostrando que la
implementación paralela supera a la versión no paralelizada tanto en tiempo
como en calidad, consolidándose como una alternativa eficiente para problemas
de alta complejidad.
- Resultados
La
ciencia y la innovación son motores fundamentales para alcanzar el desarrollo
sostenible, tal como lo destacan Fornet Hernández et al. (2021). Estas
disciplinas no solo proporcionan soluciones prácticas, sino que también
promueven su implementación de manera sostenible. Un ejemplo destacado de este
enfoque son los algoritmos genéticos, herramientas científicas diseñadas para
resolver problemas complejos mientras fomentan la eficiencia y la
sostenibilidad.
●
Aplicación de
Operadores de Cruce en Algoritmos Genéticos
Un
aspecto clave en los algoritmos genéticos es el uso de operadores de cruce.
Estos permiten generar nuevas soluciones a partir de la combinación de
características de padres seleccionados. Entre los diversos métodos, se destaca
el cruce de tres puntos, que ha demostrado ser eficiente y flexible.
La
función de cruce de tres puntos trabaja dividiendo los cromosomas de los padres
en tres segmentos definidos por puntos de corte preestablecidos. Los nuevos
individuos (hijos) se forman combinando segmentos alternos de los padres
utilizando tensores de la librería Torch. El proceso incluye, tal y como se
observa en la Figura 1.
3.1. Figura 1. Función de
cruce tres puntos.
Fuente: Autores (2025)
Este
enfoque permite mantener la diversidad genética dentro de la población y
optimiza el rendimiento del algoritmo. Una parte esencial del algoritmo
genético es identificar el lote más eficiente mediante una evaluación basada en
criterios de desempeño, el proceso se detalla en la Tabla 1.
3.2. Tabla 1. Identificación de lotes.
|
Definición de una función objetivo |
Establecer un valor inicial de referencia para
comparar la eficiencia de los lotes. |
|
Evaluación de los lotes |
Establecer un valor inicial de referencia para
comparar la eficiencia de los lotes. |
|
Selección del mejor lote |
Actualizar continuamente el mejor lote según los
resultados de la evaluación. |
Fuente: Autores
(2025)
Este
método asegura la selección del lote con mayor rendimiento, optimizando la
asignación de recursos en contextos prácticos.
Para
mejorar el rendimiento del cruce de tres puntos, se realizaron pruebas con
diferentes operadores, incluyendo el cruce de cuatro y cinco puntos. Se observó
que el cruce de tres puntos ofrece un equilibrio óptimo entre rendimiento y
tiempo de ejecución, promediando 9 minutos para 1000 generaciones.
Para
reducir aún más el tiempo de ejecución, se paraleliza la función de cruce
utilizando GPU Pro de Google Colab, con 8 núcleos. Esto permitió procesar
grandes cantidades de datos de manera más eficiente.
El
uso de algoritmos genéticos, particularmente con operadores de cruce avanzados,
ejemplifica cómo la ciencia puede generar soluciones prácticas y sostenibles.
La implementación eficiente de estas técnicas no solo resuelve problemas
complejos, sino que también fomenta un desarrollo sostenible en diversas áreas.
El algoritmo fue ejecutado con una población inicial de 20 individuos,
distribuidos en ciclos de 70 períodos y un área de 8000 unidades. Tras 1000
generaciones, el tiempo de ejecución total fue de 1 minuto y 52 segundos,
dividido en 1 minuto y 50 segundos de uso del CPU y 373 milisegundos de
operaciones de sistema, como se muestra en la Figura 2.
3.3. Figura 2. Tiempo de ejecución sin
paralelizar.
Fuente: Autores (2025)
El
algoritmo antes mencionado fue adaptado para aprovechar la paralelización
mediante el uso de la GPU. Con los mismos parámetros de entrada, el tiempo
total de ejecución se redujo significativamente a 1 minuto y 27 segundos. Este tiempo incluye 1 minuto y 27 segundos
de uso del CPU y 57,6 milisegundos de operaciones del sistema, en la Figura 3
se detallan los datos obtenidos.
3.4. Figura 3.
Tiempo de ejecución paralelizado.
Fuente: Autores (2025)
Este
resultado refleja la eficiencia obtenida, como se muestra en la Figura 4, al
implementar paralelización, mejorando el rendimiento comparado con la ejecución
exclusivamente en CPU.
3.5. Figura 4. Comparación
del tiempo de ejecución entre el GPU y CPU
Fuente: Autores
(2025)
A continuación se presentan los resultados de
cinco experimentos, los mismos que se ejecutaron en GPU y CPU simultáneamente,
cada uno con diferentes hiper-parámetos.
La línea azul punteada, que representa la GPU, muestra tiempos de
ejecución consistentemente más bajos que la línea roja continua, que representa
la CPU. Esto es especialmente evidente en pruebas con mayores ciclos y
generaciones, donde la CPU enfrenta limitaciones de eficiencia debido a su
enfoque secuencial.
En todas las configuraciones evaluadas, la GPU
reduce el tiempo de ejecución en comparación con la CPU, con una ventaja más
pronunciada en pruebas de alta demanda computacional, lo que resalta la
efectividad de la paralelización. En tareas más pequeñas, la diferencia se
reduce, sugiriendo que la paralelización no siempre es necesaria.
Un caso destacado es la prueba con C=80,
A=8000, N=15, G=800, donde la CPU presenta un aumento significativo en su
tiempo de ejecución, reflejando problemas de escalabilidad. Por su parte, en la
prueba con C=70, A=8000, N=20, G=1000, el tiempo de la GPU también incrementa,
pero sigue siendo menor al de la CPU, confirmando su capacidad para manejar
altas demandas computacionales.
El factor más determinante en el tiempo de
ejecución es el número de generaciones (G), donde la GPU mantiene su eficiencia
incluso bajo altas cargas, mientras que la CPU muestra serias limitaciones.
4. Conclusiones
La
paralelización de operadores de cruce en algoritmos genéticos es una
herramienta poderosa para resolver problemas complejos de optimización,
especialmente en áreas prácticas como la agricultura. Los resultados de este
estudio demuestran que la implementación paralela puede reducir
significativamente el tiempo de procesamiento, algo fundamental en aplicaciones
donde se requieren decisiones rápidas y precisas, como la gestión de cultivos y
recursos agrícolas.
En
este trabajo se utilizó el operador de cruce de tres puntos, optimizado
mediante técnicas de procesamiento paralelo y librerías modernas como Torch.
Esto no solo permitió acelerar los cálculos, sino también mejorar la calidad de
las soluciones al mantener la diversidad genética, un factor clave en el éxito
de los algoritmos genéticos. Este enfoque representa un avance importante en la
capacidad de los algoritmos para abordar problemas complejos de manera
eficiente y adaptable.
En
comparación con investigaciones previas, como las de Pacioni (2023), este
estudio demuestra que la paralelización no solo mejora el rendimiento de los
algoritmos genéticos, sino que también incrementa la calidad de las soluciones
obtenidas. Mientras otros estudios se han centrado en entornos secuenciales,
este trabajo resalta cómo el uso del procesamiento paralelo puede superar las
limitaciones de tiempo de ejecución y responder mejor a las necesidades de
problemas más exigentes.
Aunque
los resultados son prometedores, este estudio también abre nuevas oportunidades
de investigación. Por ejemplo, explorar operadores de cruce adaptativos que
puedan ajustar dinámicamente su comportamiento a medida que avanza el
algoritmo, o integrar modelos de inteligencia artificial para complementar y
potenciar las capacidades de los algoritmos genéticos.
En
conclusión, los hallazgos de este trabajo muestran un balance positivo entre
rapidez y calidad de las soluciones, destacando la paralelización como una
estrategia efectiva y aplicable en otros contextos de optimización. Si bien es
necesario considerar las limitaciones de acceso a recursos computacionales
avanzados, los resultados obtenidos son sólidos y relevantes para futuras
aplicaciones en el ámbito de los algoritmos evolutivos.
5. Referencias
Cornejo Aguiar, J. S., Comas Rodríguez, R., &
Pérez Orden, E. I. (2023). El principio
de publicidad en la investigación previa, influencia en el derecho a la defensa
en la provincia de Orellana en el año 2022. DSpace de UNIANDES.
Retrieved november 18, 2024, from https://dspace.uniandes.edu.ec/handle/123456789/16629.
Flores, A. (2024, April 26). Fases del método científico: ¿Cuáles son las etapas clave? Ecosistemas.
Retrieved november 18, 2024, from
https://ecosistemas.win/fases-del-metodo-cientifico-cuales-son-las-etapas-clave/
Fornet Hernández, E. B., Guerra Betancourt, K., de la
Cruz Fuxá, A. M., & Reyes Fornet, A. (2021, octubre 29). Gestión del
resultado científico de proyectos de ciencia tecnología innovación. ciencias Holgín, 27(4).
https://www.redalyc.org/journal/1815/181569023006/181569023006.pdf
Garrido, J. M. (2022, november 30). ¿Qué es el diseño de estrategia y por qué es
importante? – EGA Futura. EGA Futura. Retrieved November 18,
2024, from
https://discover.egafutura.com/que-es-el-diseno-de-estrategia-y-por-que-es-importante/
Núñez Zarantes, V. M., Barrero Meneses, L. S., Enciso
Rodríguez, F. E., Cañas Álvarez, J. J., & Martínez Rocha, J. F. (2022,
April 14). Aplicación de la edición
génica en la agricultura para América Latina y el Caribe. Fontagro.
Retrieved november 23, 2024, from
https://www.fontagro.org/new/uploads/productos/16338_-_EdicionGenetica_-_Estado_del_Arte.pdf
Pacioni, E. (2023, Julio). Mejoras de un Algoritmo Genético mediante paralelización y técnicas
anticipación de cálculos de fitness: una herramienta para armonización SATB.
Dehesa.
https://dehesa.unex.es/bitstream/10662/21561/1/TFMUEX_2023_Pacioni_E.pdf
Pérez, A. (2021, June 3). Metodología de programación: definición, tipos y aplicaciónusiness
School. OBS Business School. Retrieved February 12, 2025, from
https://www.obsbusiness.school/blog/metodologia-de-programacion-definicion-tipos-y-aplicacion
Sandoval Forero, E. A. (2024, abril 19). Metodología para la Revisión Sistemática de
Literatura Crítica sobre los Desarrollos. Ciencia Latina.
https://ciencialatina.org/index.php/cienciala/article/view/10546/15514
Yaguar Mariño, J. J., & Loor Manzano, Á. M. (2020,
agosto). Aplicación de Algoritmos
Genéticos en datos meteorológicos para aumentar la producción de Cacao en la
Provincia de Pastaza. Dspace Repositorio Institucional UNIANDES.
https://dspace.uniandes.edu.ec/handle/123456789/13353
Zhan, Z. H., Shi, L., Tan, K. C., & Zhang, J.
(2021, Julio 09). A
survey on evolutionary computation for complex continuous optimization. Springer Nature.
https://link.springer.com/article/10.1007/s10462-021-10042-y