Algoritmos genéticos: de la teoría evolutiva a la eficiencia industrial
Palabras clave:
bioprocesos, optimización, simulación computacionalResumen
La optimización de procesos ha buscado inspiración en la naturaleza para superar las limitaciones de los métodos matemáticos tradicionales. Este enfoque bio-inspirado ha sido fundamental para abordar problemas donde el cálculo convencional resulta insuficiente. Los Algoritmos Genéticos (AG) permiten explorar vastos espacios de búsqueda de manera eficiente, fortaleciendo la toma de decisiones y optimizando recursos sin la dependencia exclusiva de la experimentación física. El presente artículo explora de dónde provienen teóricamente los AG y demuestra su potencial a través de dos casos de estudio. Se evidencia cómo estas herramientas bio-inspiradas se aplican con éxito para resolver problemas industriales complejos.
Citas
Martí, R. (2003). Procedimientos metaheurısticos en optimización combinatoria. Matemátiques, Universidad de Valencia, 1(1), 3-62.
Talbi, E. (2009). Metaheuristics. From design to implementation. John Wiley & Sons Inc.
Glover, F. (1986). Future paths for integer programming and links to artificial intelligence. Computers and Operation Research 13(5),533-549. https://doi.org/10.1016/0305-0548(86)90048-1
McCall, J. (2005). Genetic algorithms for modelling and optimisation. Journal of Computational and Applied Mathematics 184(1), 205-222. https://doi.org/10.1016/j.cam.2004.07.034
Katoch, S., Chauhan, S. S., Kumar, V. (2021). A review on genetic algorithm: past, present, and future. Multimedia tools and applications 80(5), 8091-8126. https://doi.org/10.1007/s11042-020-10139-6
Ticona Melo, L. R., Oliveira, R., Echegaray, R., Bittencourt, T. N. (2010). Optimización de estructuras metálicas para puentes mediante algoritmos genéticos con el programa PUENFLEX Ver. 2.0. Mecánica Computacional 29, 9327-9344.
Angulo Guerrero, R. J., Garcia Camacho, D. J. (2023). Optimización de procesos de producción mediante el uso de algoritmos genéticos. Ingeniería y sus Alcances, Revista de Investigación 7(18), 316-324. https://doi.org/10.33996/revistaingenieria.v7i18.109
Ghaheri, A., Shoar, S., Naderan, M., Hoseini, S. S. (2015). The applications of genetic algorithms in medicine. Oman medical journal 30(6), 406. https://doi.org/10.5001/omj.2015.82
Nana Teukam, Y. G., Zipoli, F., Laino, T., Criscuolo, E., Grisoni, F., Manica, M. (2025). Integrating genetic algorithms and language models for enhanced enzyme design. Briefings in bioinformatics 26(1), bbae675. https://doi.org/10.1093/bib/bbae675
Sarkar, D., Modak, J. M. (2004). Genetic algorithms with filters for optimal control problems in fed-batch bioreactors. Bioprocess and Biosystems Engineering 26(5), 295-306. https://doi.org/10.1007/s00449-004-0366-0
Roubos, J. A., Van Straten, G., Van Boxtel, A. J. B. (1999). An evolutionary strategy for fed-batch bioreactor optimization; concepts and performance. Journal of biotechnology 67(2-3), 173-187. https://doi.org/10.1016/S0168-1656(98)00174-6
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista de divulgación científica iBIO
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Se permite el autoarchivo o deposito de los trabajos en su versi´ón post-publicación (versión editorial) en cualquier repositorio personal, institucional o temático, redes sociales o científicas. Lo anterior aplica desde el momento de la publicación del artículo en cuestión en la página web de la Revista de divulgación científica iBIO.
