La versión final está disponible: @YanboZhang3, @BeneHartl y @HananelHazan "Estrategia evolutiva del modelo de difusión adaptativo heurística" Resumen: Los Modelos de Difusión (DM) y los Algoritmos Evolutivos (EA) comparten un principio generativo fundamental: el refinamiento iterativo de distribuciones iniciales aleatorias para producir soluciones de alta calidad. Los DM degradan y restauran los datos usando ruido gaussiano, lo que permite una generación versátil, mientras que los EAs optimizan parámetros numéricos mediante heurísticas inspiradas biológicamente. Nuestra investigación integra estos marcos, empleando DMs basados en aprendizaje profundo para mejorar los EAs en diversos dominios. Refinando iterativamente los DMs con bases de datos heurísticamente curadas, generamos parámetros de descendencia mejor adaptados, logrando una convergencia eficiente hacia soluciones de alta aptitud mientras preservamos la diversidad exploratoria. Los DM complementan a los EAs con memoria profunda, reteniendo datos históricos y explotando correlaciones sutiles para un muestreo refinado. La guía sin clasificadores permite además un control preciso sobre la dinámica evolutiva, dirigiéndose 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 la modelización generativa y la búsqueda heurística.