El IEEE Congress on Evolutionary Computation aborda los fundamentos, algoritmos y aplicaciones de la computación evolutiva, una familia de métodos computacionales que utiliza principios de adaptación, selección y evolución para resolver problemas complejos. Su ámbito comprende algoritmos genéticos, programación genética, inteligencia de enjambre, optimización multiobjetivo, aprendizaje evolutivo, metaheurísticas, sistemas híbridos y análisis teórico de algoritmos. El congreso conecta investigación matemática, inteligencia computacional e ingeniería aplicada y examina cómo los métodos evolutivos contribuyen a encontrar soluciones en espacios de búsqueda amplios, problemas con múltiples restricciones y tareas donde los procedimientos convencionales presentan limitaciones.
El objetivo científico del IEEE Congress on Evolutionary Computation consiste en promover contribuciones originales que amplíen la comprensión teórica de la computación evolutiva y demuestren su utilidad en problemas reales. La convocatoria invita a participar a investigadores, profesionales y especialistas en educación que trabajan tanto en fundamentos algorítmicos como en aplicaciones. Esta combinación permite estudiar la relación entre propiedades formales, comportamiento experimental y utilidad práctica. La investigación puede aportar nuevos métodos, análisis comparativos, evaluaciones reproducibles y aplicaciones que demuestran cómo las estrategias evolutivas se adaptan a diferentes estructuras de problemas.
Los algoritmos evolutivos constituyen una de las principales líneas científicas. La convocatoria incluye algoritmos genéticos, programación genética, estrategias evolutivas, evolución diferencial, algoritmos de estimación de distribuciones, sistemas inmunitarios artificiales y algoritmos culturales. También contempla coevolución, algoritmos meméticos, métodos híbridos, computación evolutiva interactiva y sistemas clasificadores. Estas familias ofrecen diferentes mecanismos para explorar soluciones y adaptar el proceso de búsqueda a las características del problema. La investigación sobre representación, operadores, auto adaptación y teoría evolutiva permite estudiar cómo las decisiones de diseño influyen en el rendimiento de los algoritmos.
La inteligencia de enjambre y la optimización mediante colonias de agentes constituyen otra línea destacada. Estos métodos investigan procedimientos colectivos de búsqueda y coordinación que pueden aplicarse a problemas de optimización. La convocatoria incorpora optimización por enjambre de partículas y métodos relacionados con sistemas multiagente. Su estudio permite analizar cómo la interacción entre componentes simples puede generar comportamientos útiles para resolver tareas complejas. La investigación también examina algoritmos paralelos y distribuidos, cuya arquitectura permite explorar diferentes soluciones simultáneamente y estudiar problemas de escalabilidad computacional.
El aprendizaje automático para optimización y el aprendizaje evolutivo representan otra área oficial. La convocatoria incluye búsqueda de arquitecturas neuronales, aprendizaje por refuerzo evolutivo, sistemas difusos evolutivos, optimización neuronal, optimización asistida por modelos aproximados y algoritmos diseñados automáticamente. También contempla aprendizaje automático multiobjetivo, optimización federada y segura, métodos basados en grandes modelos de lenguaje y carteras de algoritmos. Estas líneas relacionan la computación evolutiva con técnicas contemporáneas de inteligencia artificial y permiten investigar procedimientos que adaptan modelos, estrategias o parámetros a las características de cada tarea.
La optimización constituye un núcleo transversal del programa. La convocatoria contempla optimización combinatoria, optimización numérica, problemas dinámicos, optimización a gran escala, optimización multimodal, manejo de restricciones y optimización robusta. También considera problemas con incertidumbre y tareas multiobjetivo, donde diferentes criterios pueden competir entre sí. La investigación en estos ámbitos permite estudiar cómo diseñar algoritmos que equilibran exploración, eficiencia y calidad de las soluciones. La comparación rigurosa de métodos resulta importante para identificar las condiciones en las que una estrategia ofrece ventajas y para determinar sus límites de aplicación.
La convocatoria incluye fundamentos teóricos relacionados con convergencia, análisis de paisajes de aptitud, complejidad, tiempo de ejecución, robustez, neutralidad y evolvabilidad. Estos temas permiten comprender las propiedades de los algoritmos más allá de resultados experimentales aislados. El análisis teórico contribuye a explicar por qué determinados métodos funcionan, cómo cambia su comportamiento al aumentar la dificultad del problema y qué condiciones afectan a su capacidad de encontrar soluciones. La relación entre teoría y experimentación resulta esencial para construir conocimiento acumulativo y evitar conclusiones basadas únicamente en ejemplos favorables.
Las aplicaciones abarcan bioinformática, biología computacional, diseño de fármacos, clasificación, agrupamiento, minería de datos, robótica evolutiva, ingeniería, finanzas, economía, ciberseguridad y sistemas inteligentes. El programa también incluye vida artificial, comportamiento adaptativo, hardware evolutivo, ingeniería de software evolutiva, biometría y aplicaciones creativas en arte y música. Esta diversidad permite estudiar cómo los métodos evolutivos se trasladan entre dominios y qué adaptaciones requieren para responder a restricciones específicas. La convocatoria reconoce asimismo la ética y la gobernanza de la inteligencia artificial como cuestiones relacionadas con el desarrollo y la utilización de sistemas inteligentes.
La participación científica contempla artículos completos y contribuciones breves originales sometidas a evaluación. La convocatoria de artículos breves admite investigaciones metodológicas, teóricas, empíricas y aplicadas, así como estudios de replicación, evaluación comparativa, resultados negativos y recursos científicos con aportaciones sustantivas. Las contribuciones aceptadas en esta vía se presentan como pósteres y pueden publicarse en unas actas complementarias, conforme a las condiciones oficiales. El IEEE Congress on Evolutionary Computation se dirige a investigadores en inteligencia computacional, optimización, aprendizaje automático, informática y disciplinas aplicadas. El IEEE Congress on Evolutionary Computation contribuye al avance científico al conectar fundamentos algorítmicos, evaluación experimental y aplicaciones interdisciplinarias, favoreciendo métodos de optimización más eficaces, transparentes y adaptables.
Palabras clave: computación evolutiva, inteligencia computacional, algoritmos genéticos, programación genética, evolución diferencial, estrategias evolutivas, inteligencia de enjambre, optimización por enjambre de partículas, optimización multiobjetivo, optimización combinatoria, optimización robusta, optimización numérica, metaheurísticas, algoritmos meméticos, algoritmos híbridos, aprendizaje evolutivo, aprendizaje por refuerzo, aprendizaje automático, búsqueda de arquitecturas neuronales, algoritmos distribuidos, algoritmos paralelos, sistemas clasificadores, sistemas difusos, optimización federada, grandes modelos de lenguaje, análisis de convergencia, complejidad algorítmica, paisajes de aptitud, robótica evolutiva, bioinformática, biología computacional, diseño de fármacos, minería de datos, ciberseguridad, ingeniería de software, hardware evolutivo, sistemas multiagente, inteligencia artificial, investigación reproducible, optimización bajo incertidumbre, evaluación comparativa
