Los Algoritmos Evolutivos (EA) son métodos de optimización útiles para la exploración del espacio de búsqueda, pero suelen tener problemas de lentitud para explotar el mínimo y converger con precisión. Por otro lado, los métodos basados en gradientes convergen más rápido a los mínimos locales, aunque no son tan robustos (por ejemplo, las áreas planas y las discontinuidades pueden causar problemas) y carecen de capacidades de exploración.

Esta tesis presenta y analiza cuatro versiones de un método de optimización híbrido que intenta combinar las virtudes de los Algoritmos Evolutivos (EA) y los algoritmos basados en gradientes, y superar sus correspondientes inconvenientes. Los Métodos Híbridos propuestos permiten trabajar con N algoritmos de optimización (llamados jugadores), múltiples funciones objetivo y variables de diseño, y definirlas de manera diferente para cada jugador. El rendimiento de los métodos híbridos se compara con un método basado en gradiente, dos Algoritmos Genéticos (GA) y un método de optimización de enjambre de partículas (PSO).

Se han realizado pruebas con problemas matemáticos de referencia (pruebas sintéticas diseñadas para probar específicamente métodos de optimización) y una aplicación de ingeniería con recursos computacionales muy exigentes, un actuador de chorro sintético para control de flujo activo (AFC) sobre un perfil aerodinámico 2D Selig-Donovan 7003 (SD7003) en el número de Reynolds 60000 y un ángulo de ataque de 14 grados. El problema de control de flujo activo se ha utilizado en un problema de optimización mono objetivo y en un problema de optimización de dos objetivos.