La versión final está disponible: @YanboZhang3, @BeneHartl y @HananelHazan "Estrategia Evolutiva de Modelo de Difusión Adaptativa Heurística" Resumen: Los Modelos de Difusión (DMs) y los Algoritmos Evolutivos (EAs) comparten un principio generativo central: el refinamiento iterativo de distribuciones iniciales aleatorias para producir soluciones de alta calidad. Los DMs degradan y restauran datos utilizando ruido gaussiano, lo que permite una generación versátil, mientras que los EAs optimizan parámetros numéricos a través de heurísticas inspiradas biológicamente. Nuestra investigación integra estos marcos, empleando DMs basados en aprendizaje profundo para mejorar los EAs en diversos dominios. Al refinar iterativamente los DMs con bases de datos curadas heurísticamente, generamos parámetros de descendencia mejor adaptados, logrando una convergencia eficiente hacia soluciones de alta aptitud mientras se preserva la diversidad exploratoria. Los DMs aumentan los EAs con memoria profunda, reteniendo datos históricos y explotando correlaciones sutiles para un muestreo refinado. La guía sin clasificador permite un control preciso sobre la dinámica evolutiva, apuntando a rasgos genotípicos, fenotípicos o poblacionales específicos. Este enfoque híbrido transforma los EAs en marcos adaptativos mejorados por la memoria, ofreciendo una flexibilidad y precisión sin precedentes en la optimización evolutiva, con amplias implicaciones para el modelado generativo y la búsqueda heurística.