A) La teoría de juegos evolutiva
La teoría de juegos evolutiva [1] (o evolutionary game theory, EGT) es una extensión de la teoría clásica de juegos que incorpora conceptos de la biología evolutiva para estudiar cómo cambian las estrategias de decisión en poblaciones de individuos a lo largo del tiempo. La Figura 1 muestra una ilustración de este proceso.
Fig. 1. Ilustración del proceso de estrategias en teoría de juegos evolutiva
A diferencia de la teoría de juegos tradicional, que asume jugadores perfectamente racionales que eligen estrategias óptimas, la teoría de juegos evolutiva:
- Modela poblaciones de agentes que pueden usar estrategias simples y que no necesariamente son racionales.
- Estudia cómo la frecuencia de una estrategia cambia con el tiempo dependiendo de su éxito (o «aptitud») relativo al competir contra otras estrategias en la población.
- Se basa en principios como la selección natural o la imitación social, donde las estrategias más exitosas se replican o adoptan con mayor probabilidad.
- B) imitación social
Uno de los conceptos fundamentales en la teoría de juegos evolutiva es la imitación social [2]. Este principio establece que los agentes dentro de una población no necesariamente toman decisiones racionales o estratégicas desde el inicio, sino que aprenden observando a otros. En particular, tienden a imitar el comportamiento de aquellos individuos que han obtenido mejores resultados o mayores beneficios.
Bajo esta dinámica, las estrategias exitosas se propagan en la población porque los individuos que las usan obtienen mayores recompensas y, por tanto, son más propensos a ser imitados. En contraste, las estrategias menos eficaces tienden a desaparecer, ya que los agentes que las adoptan obtienen peores resultados y su comportamiento no es copiado por los demás.
Como resultado de este proceso de imitación, conforme avanza el tiempo, la población tiende a converger hacia una estrategia dominante o más exitosa, que será adoptada por la mayoría de los individuos. Esta dinámica puede entenderse como una forma de selección cultural o social, donde la presión adaptativa no es genética sino conductual, y las estrategias se difunden por aprendizaje o influencia.
Este mecanismo es clave para entender fenómenos como la emergencia de normas sociales, la cooperación espontánea en comunidades, o la convergencia estratégica en entornos donde los agentes no tienen conocimiento global, pero sí la capacidad de observar y adaptar su comportamiento localmente.
- C) optimización
El uso de estos conceptos ha sido empleado en la optimización [3]. La optimización es un proceso matemático y computacional cuyo objetivo es encontrar la mejor solución posible a un problema, dentro de un conjunto definido de opciones. En términos generales, consiste en maximizar o minimizar una función objetivo que representa algún criterio de interés, como el costo, el rendimiento, la eficiencia o el error
- C) Algoritmo metaheurístico con teoría de juegos evolutiva
Una de las técnicas más importantes de optimización son los métodos metaheurísticos [4]. Un método metaheurístico es una estrategia de optimización de alto nivel diseñada para resolver problemas complejos, especialmente aquellos donde los métodos exactos resultan ineficientes o inviables debido al tamaño del espacio de búsqueda o a la naturaleza no lineal del problema. Estos métodos no garantizan encontrar la solución óptima global, pero son capaces de obtener soluciones aproximadas de alta calidad en tiempos razonables. Su funcionamiento se basa en principios inspirados en fenómenos naturales, biológicos o sociales, como la evolución, el comportamiento de enjambres o la dinámica de sistemas físicos.
En un algoritmo metaheurístico se considera la interacción de N agentes de búsqueda, cada uno de los cuales explora el espacio de soluciones siguiendo su propia estrategia de búsqueda. Para incorporar los principios de la teoría de juegos evolutiva [5], se asume que cada agente es inicialmente asignado con una estrategia específica, y su movimiento en el espacio de búsqueda se genera de forma aleatoria mediante una distribución gaussiana caracterizada por una media μ y una desviación estándar σ. En este contexto, los puntos que cada agente evalúa provienen de muestras generadas según su distribución individual. A medida que el algoritmo avanza, los agentes observan los resultados obtenidos por los demás, especialmente por aquel que ha alcanzado la mejor solución hasta el momento. En consecuencia, cada agente ajusta sus parámetros μ y σ para imitar los del agente más exitoso, replicando así su patrón de búsqueda. Este proceso de imitación social, inspirado en la teoría evolutiva, guía la población hacia una búsqueda colectiva más coherente y dirigida. Conforme transcurren las iteraciones, las estrategias individuales evolucionan, y los agentes cambian y adaptan sus comportamientos, descartando aquellos que resultan ineficaces. Finalmente, el conjunto de agentes converge hacia la estrategia óptima, que permite localizar con mayor probabilidad la mejor solución al problema de optimización planteado. Esta dinámica no solo mejora la eficiencia del proceso de búsqueda, sino que también asegura una adaptación continua de la población ante los desafíos del espacio de soluciones. La Figura 2 presenta un esquema de actualización. En esta Figura la estrategia del Agente 2 sera adoptada por los agentes 1 y 3.
Fig. 2. Proceso de adopción de estrategia bajo el paradigma de teoría de juegos evolutiva
Referencias
[1] Pérez, F. O. M., Echavarría, L. F. D., Marín, M. L. U., Arias, A. V., TORRES, J. A., & Hernández, J. B. (2016). Acercamiento a la aplicación de la teoría de juegos evolutiva en el área de emprendimiento. Revista ESPACIOS| Vol. 37 (Nº 14) Año 2016.
[2] Dollard, J., & Miller, N. E. (2013). Social learning and imitation. Routledge.
[3] Caballero, J. A., & Grossmann, I. E. (2007). Una revisión del estado del arte en optimización. Revista Iberoamericana de Automática e Informática Industrial RIAI, 4(1), 5-23.
[4] Jiménez, E. V. C., Navarro, D. A. O., Cortés, M. A. D., & Enciso, J. V. O. (2016). Optimización: Algoritmos programados con MATLAB. Alpha Editorial.
[5] Escobar-Cuevas, H., Cuevas, E., Lopez, J., & Perez-Cisneros, M. (2025). Integration of metaheuristic operators through unstructured evolutive game theory approach: a novel hybrid methodology. Evolutionary Intelligence, 18(1), 1-28.
