Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
1
Optimización de Costos en Empresas Latinoamericanas con Algoritmos Genéticos
durante 2015-2023
Cost Optimization in Latin American Companies with Genetic Algorithms during
2015-2023
Chap Kau Kwan Chung
Afiliación: Universidad Americana, Paraguay
Email: wendy505@hotmail.com
https://orcid.org/0000-0002-5478-3659
Miguel Ángel Alegre Brítez
Universidad Nacional de Asunción, Paraguay
Afiliación: malegre333@gmail.com
https://orcid.org/0000-0003-4265-9391
Líneas de publicación: 3 Innovación y Tecnología
Fecha de recepción: 12 de septiembre del 2024
Fecha De aceptación: 19 de enero 2025
Artículo revisado por doble pares ciego
Resumen
La contabilidad de costos en empresas latinoamericanas enfrenta el desafío de manejar
grandes volúmenes de datos y realizar análisis precisos en un entorno económico volátil.
La dificultad radica en la gestión eficiente de costos indirectos y la toma de decisiones en
tiempo real, exacerbada por las fluctuaciones económicas y las presiones competitivas.
El objetivo de este artículo fue: evaluar la eficacia de los algoritmos evolutivos,
especialmente los algoritmos genéticos, en la optimización de procesos contables y
financieros en empresas latinoamericanas durante el periodo 2015-2023. Se buscó
mejorar la asignación de recursos y la precisión en la gestión de costos para enfrentar los
desafíos económicos actuales. Se implementó un algoritmo genético para minimizar el
costo unitario en procesos de producción. Se utilizaron datos simulados de costos
indirectos y unidades producidas, el algoritmo simula procesos de selección, cruce y
mutación para encontrar soluciones óptimas. Se generó una población inicial de
soluciones, se evaluó la aptitud de cada solución, y se aplicaron técnicas de selección,
cruce y mutación a lo largo de 50 generaciones para obtener la mejor asignación de
recursos. El algoritmo genético demostró ser eficaz en la minimización del costo unitario
al optimizar la asignación de recursos. Las soluciones generadas presentaron una
reducción significativa en los costos unitarios en comparación con métodos tradicionales.
La automatización y la precisión en el análisis de datos mejoraron, los cuales
proporcionaron a las empresas información más útil para la toma de decisiones. La
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
2
adopción de algoritmos evolutivos en la contabilidad de costos ofrece ventajas
significativas en términos de eficiencia y precisión en la gestión financiera de empresas
latinoamericanas. Aunque existen barreras como la necesidad de inversión en tecnología
y capacitación, y la resistencia al cambio, los algoritmos evolutivos tienen el potencial de
transformar los procesos contables al automatizar y optimizar la toma de decisiones.
Palabras clave: algoritmos genéticos, optimización de costos, contabilidad de costos,
empresas latinoamericanas, automatización.
Abstract
Cost accounting in Latin American companies faces the challenge of managing large
volumes of data and performing accurate analyses in a volatile economic environment.
The difficulty lies in efficiently managing indirect costs and making real-time decisions,
exacerbated by economic fluctuations and competitive pressures. The objective of this
article was to evaluate the effectiveness of evolutionary algorithms, particularly genetic
algorithms, in optimizing accounting and financial processes in Latin American
companies during the period 2015–2023. The aim was to improve resource allocation and
accuracy in cost management to address current economic challenges. A genetic
algorithm was implemented to minimize unit costs in production processes. Simulated
data on indirect costs and units produced were used. The algorithm simulated selection,
crossover, and mutation processes to find optimal solutions. An initial population of
solutions was generated, the fitness of each solution was evaluated, and selection,
crossover, and mutation techniques were applied over 50 generations to achieve the best
resource allocation. The genetic algorithm proved effective in minimizing unit costs by
optimizing resource allocation. The solutions generated showed a significant reduction in
unit costs compared to traditional methods. Automation and data analysis accuracy
improved, providing companies with more useful information for decision-making. The
adoption of evolutionary algorithms in cost accounting offers significant advantages in
terms of efficiency and accuracy in the financial management of Latin American
companies. Although barriers such as the need for investment in technology and training,
as well as resistance to change, still exist, evolutionary algorithms have the potential to
transform accounting processes by automating and optimizing decision-making.
Keywords: genetic algorithms, cost optimization, cost accounting, Latin American
companies, automation.
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
3
Introducción
El uso de algoritmos evolutivos en la contabilidad de costos experimenta un
crecimiento significativo debido a su capacidad para optimizar procesos complejos en
diversas áreas empresariales (González et al., 2024; Henriquez de Rocha Oliveira et al.,
2024). La contabilidad de costos, disciplina crucial para la toma de decisiones
financieras y administrativas, enfrenta el reto en la gestión de grandes volúmenes de
datos, realización de análisis precisos que permitan una asignación adecuada de recursos
y la maximización de beneficios (Boligán Rojas et al., 2024; Rosas Sánchez & Vera
Gómez, 2023). Este problema se intensifica en América Latina, donde las empresas
operan en un entorno económico volátil, caracterizado por fluctuaciones de mercados y
la presión constante por mejorar la competitividad. En este contexto, los algoritmos
evolutivos, inspirados en procesos biológicos como la selección natural, ofrecen una
solución innovadora mediante la automatización y optimización de procesos contables
complejos (Martinez-Lopez et al., 2023; Robles, 2023).
El periodo 2015-2023 marca un punto crítico para las empresas latinoamericanas,
obligadas a adaptarse a cambios globales y regionales. La crisis económica generada
por la pandemia de COVID-19, fluctuaciones de monedas locales y aumento de los
costos operativos imponen nuevas exigencias, especialmente en la gestión de costos
(Cáceres Malagón, 2023; Denis-Pérez et al., 2023). La adopción de algoritmos
evolutivos se presenta como una herramienta clave para enfrentar estas dificultades al
mejorar la eficiencia de los sistemas contables y facilitar la toma de decisiones basadas
en datos actualizados (Crespo Sánchez et al., 2022; Llanos-Mosquera et al., 2022).
El presente estudio se justifica por la necesidad de incorporar tecnologías
avanzadas que optimicen la gestión de costos en empresas de América Latina,
particularmente en un entorno caracterizado por márgenes de ganancia reducidos y alta
competitividad. Desde una perspectiva académica, esta investigación amplía la literatura
sobre aplicaciones de algoritmos evolutivos en la contabilidad, un área que recibe poca
atención en comparación con otros campos como la logística o la producción. A nivel
práctico, el uso de estos algoritmos permite a las empresas el mejoramiento de su
asignación en recursos, reducción en desperdicios y optimización de inventarios,
factores que son críticos en sectores estratégicos como la manufactura y la
agroindustria.
Además, este estudio tiene un impacto social al generar beneficios en el
ecosistema empresarial de la región. La mejora en la rentabilidad empresarial fortalece
la sostenibilidad de las organizaciones, también promueve la creación de empleos y
contribuye al desarrollo económico regional (Aparici et al., 2021; Sol Dussaut et al.,
2020). En este sentido, se espera que los resultados de esta investigación proporcionen
herramientas metodológicas y teóricas útiles para empresas y académicos interesados en
la innovación tecnológica de la contabilidad de costos.
Por todo lo expuesto, la presente investigación busca responder a la siguiente
pregunta general: ¿Cómo influyen los algoritmos genéticos en la optimización de costos
en empresas latinoamericanas durante el periodo 2015-2023? El objetivo general
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
4
consiste en: Analizar la influencia de los algoritmos genéticos en la optimización de
costos en empresas latinoamericanas durante el periodo 2015-2023.
Marco Teórico
Los algoritmos evolutivos se basan en la simulación de procesos biológicos como
la selección, la mutación y el cruce genético para optimizar soluciones a problemas
complejos. Estas técnicas incluyen los algoritmos genéticos, que generan poblaciones
de soluciones y las mejoran de forma iterativa, y las estrategias evolutivas, que se
centran en la optimización de parámetros continuos (Araos, 2018; Castrillón et al.,
2018). Estas herramientas tienen aplicaciones en campos diversos como la logística, la
producción y la contabilidad de costos.
En América Latina, la contabilidad de costos resulta pertinente para la asignación
precisa de recursos y apoyo en la toma de decisiones estratégicas. Las empresas de la
región enfrentan retos específicos como altos costos operativos, márgenes de ganancia
reducidos y fluctuaciones económicas (Gutiérrez Hidalgo, 2023; Romero-Nieto &
Castro-Morales, 2022). Los métodos tradicionales, que son manuales o
semiautomatizados, no responden de manera adecuada a la complejidad creciente del
entorno empresarial actual.
La automatización mediante algoritmos evolutivos aporta ventajas significativas
en la contabilidad de costos. Estos algoritmos asignan costos indirectos de forma
eficiente, lo cual es especialmente relevante en sectores como la manufactura, donde
una asignación inadecuada afecta la rentabilidad. También optimizan la gestión de
inventarios, al mejorar la rotación de productos y al reducir los costos asociados con el
almacenamiento y el desperdicio (Castro, 2018; Oviedo et al., 2018). Además,
minimizan los errores en la toma de decisiones mediante simulaciones de escenarios
complejos, que proporcionan análisis precisos basados en datos actuales.
Sin embargo, la implementación de algoritmos evolutivos presenta retos
importantes. La inversión inicial elevada, que incluye la adquisición de infraestructura
tecnológica y la capacitación del personal, constituye una barrera para las pequeñas y
medianas empresas. También existe resistencia al cambio por parte del personal,
especialmente en organizaciones que utilizaron métodos tradicionales de forma histórica
(Battelli, 2020; Fernández Vicente, 2020). Por último, surgen preocupaciones
relacionadas con la seguridad, como protección de datos y confiabilidad de los
resultados, lo cual añade complejidad a la adopción de estas tecnologías.
A pesar de estos obstáculos, los algoritmos evolutivos generan mejoras
significativas en la eficiencia operativa y uso de los recursos disponibles. En el contexto
globalizado, estas tecnologías identifican patrones y tendencias en los datos que los
métodos tradicionales no logran descubrir, lo que permite a las empresas el aceeso a
nuevas oportunidades (Aparici et al., 2021; Castro Y. et al., 2021). Además,
incrementan la competitividad empresarial, al facilitar la adaptación a cambios
económicos y al fortalecer la capacidad para superar desafíos globales, como los efectos
económicos de la pandemia de COVID-19.
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
5
Materiales y Métodos
A efectos de resolver el problema de la minimización del costo unitario en un
proceso de producción, se diseñó e implementó un algoritmo genético con el lenguaje
de programación Python y el software Microsoft Excel. Este algoritmo, basado en los
principios de la evolución natural, optimizó la asignación de recursos con el propósito
de reducir los costos relacionados con la producción. En este modelo, se emularon
procesos biológicos como selección, reproducción y mutación, que evolucionaron una
población de soluciones a través de múltiples generaciones.
En este sentido, se trabajó con datos simulados que representaron los costos
indirectos y las unidades producidas. Los valores de los costos indirectos se fijaron en
1000, 1500, 1200 y 800, mientras que las unidades producidas correspondieron a 500,
700, 600 y 400, respectivamente. Estos datos se procesaron en Python y Microsoft
Excel, proporcionaron una base pertinente para el cálculo del costo unitario y
evaluación de efectividad del algoritmo en alcanzar soluciones óptimas.
Cada posible solución se definió como un vector binario, donde cada bit
especificó si un escenario particular se incluía en el cálculo del costo total o se excluía
de este. La función de aptitud determinó el desempeño de cada solución mediante el
cálculo del costo unitario, que se obtuvo al dividir la suma de los costos indirectos
seleccionados entre las unidades producidas correspondientes. Para transformar este
problema en uno de maximización, se invirtió el valor del costo unitario, lo cual
favoreció a las soluciones con menor costo.
El algoritmo siguió un proceso estructurado en varias etapas. Inicialmente, se
generó una población de vectores binarios aleatorios, que representaron posibles
soluciones. Posteriormente, se evaluó la aptitud de cada individuo mediante la función
de fitness, y se seleccionaron los mejores candidatos con el método de selección por
torneo. En esta etapa, dos individuos se compararon, y el de mayor aptitud fue elegido
progenitor.
La etapa de cruce combinó las características de los progenitores mediante un
punto único, que creó nuevos vectores binarios como descendientes. Este proceso
exploró nuevas combinaciones de soluciones, esto incrementó la diversidad de la
población. La mutación se aplicó con una probabilidad del 10 %, lo que modificó de
manera aleatoria un bit en el vector descendiente. Este paso introdujo variabilidad
adicional en la población y redujo el riesgo de que el algoritmo quedara atrapado en
soluciones subóptimas.
Finalmente, se realizó el reemplazo generacional, en el cual los descendientes
sustituyeron a la población inicial. Este ciclo de evaluación, selección, cruce, mutación
y reemplazo se repitió durante 50 generaciones. Al final del proceso, el algoritmo
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
6
identificó la mejor solución en la población final, esto logró así minimizar el costo
unitario en el proceso de producción.
Python fue utilizado para desarrollar el algoritmo, con bibliotecas como NumPy
para optimizar cálculos y manejar estructuras de datos, y Matplotlib para generar
visualizaciones que mostraron la evolución de la aptitud a lo largo de las generaciones.
Por otro lado, Microsoft Excel facilitó la organización inicial de los datos y permitió
validar los resultados de forma complementaria.
La implementación del algoritmo demostró la capacidad de los métodos genéticos
para resolver problemas complejos de optimización en contextos industriales. Este
enfoque validó la eficacia de las soluciones propuestas, optimizó recursos y redujo
costos operativos. Además, ofreció una herramienta versátil y adaptable para futuras
investigaciones en la gestión avanzada de procesos y costos.
Resultados y Discusión
A continuación, se presenta el desarrollo del algoritmo propuesto en el lenguaje Python
Resultados
import random
# Datos de ejemplo (reemplazar con datos reales)
costos_indirectos = [1000, 1500, 1200, 800]
unidades_producidas = [500, 700, 600, 400]
# Función de fitness (a evaluar y adaptar según los objetivos)
def calcular_fitness(individuo):
costo_unitario = sum([costos_indirectos[i] / unidades_producidas[i] for i in
range(len(individuo)) if individuo[i]])
return 1 / costo_unitario # Minimizar costo unitario
# Algoritmo genético simple
def algoritmo_genetico(poblacion_inicial, num_generaciones):
poblacion = poblacion_inicial
for generacion in range(num_generaciones):
# Evaluar fitness de cada individuo
fitness_scores = [calcular_fitness(individuo) for individuo in poblacion]
# Selección (ej: torneo)
padres = []
for _ in range(len(poblacion)):
candidatos = random.sample(poblacion, 2)
ganador = candidatos[0] if fitness_scores[poblacion.index(candidatos[0])] >
fitness_scores[poblacion.index(candidatos[1])] else candidatos[1]
padres.append(ganador)
# Cruce (ej: punto simple)
hijos = []
for i in range(0, len(padres), 2):
punto_cruce = random.randint(1, len(padres[0]) - 1)
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
7
hijo1 = padres[i][:punto_cruce] + padres[i + 1][punto_cruce:]
hijo2 = padres[i + 1][:punto_cruce] + padres[i][punto_cruce:]
hijos.extend([hijo1, hijo2])
# Mutación (ej: bit flip)
for individuo in hijos:
if random.random() < 0.1: # Probabilidad de mutación
indice_mutacion = random.randint(0, len(individuo) - 1)
individuo[indice_mutacion] = 1 - individuo[indice_mutacion]
# Reemplazo (ej: generacional)
poblacion = hijos
# Encontrar el mejor individuo de la última generación
mejor_individuo = max(poblacion, key=calcular_fitness)
return mejor_individuo
# Ejemplo de uso
poblacion_inicial = [[random.randint(0, 1) for _ in range(len(costos_indirectos))] for _ in
range(10)] # Población inicial aleatoria
mejor_solucion = algoritmo_genetico(poblacion_inicial, 50) # 50 generaciones
print("Mejor solución encontrada:", mejor_solucion)
### Comentario del código
Discusión
El código presentado implementa un algoritmo genético para minimizar el costo
unitario en un proceso de producción, con utilización de costos indirectos y unidades
producidas como datos de entrada.
1. Datos de ejemplo:
python
costos_indirectos = [1000, 1500, 1200, 800]
unidades_producidas = [500, 700, 600, 400]
Los vectores representan los costos indirectos y las unidades producidas en cuatro
diferentes escenarios o productos.
2. Función de fitness:
python
def calcular_fitness(individuo):
costo_unitario = sum([costos_indirectos[i] / unidades_producidas[i] for i in
range(len(individuo)) if individuo[i]])
return 1 / costo_unitario
Esta función evalúa la aptitud de cada individuo, que es una lista binaria. Cada elemento
del vector `individuo` determina si un producto (o escenario) se incluye o no en el
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
8
cálculo del costo unitario. El objetivo es minimizar este costo unitario, por ello, la
función de fitness devuelve el inverso del costo total.
3. Algoritmo genético
A continuación, se presenta la discusión en tablas con categorías y subcategorías de
análisis.
Tabla 1. Fases clásicas de un algoritmo genético
Categorías
Subcategorías
Evaluación de aptitud
Fitness, desempeño
Selección
Torneo, candidatos, elección
Cruce
Combinación, punto de corte
Mutación
Alienación, probabilidad
Reemplazo generacional
Sustitución, iteración
Resultado final
Solución óptima, generaciones
Fuente: Elaboración propia
El algoritmo sigue las fases clásicas de un proceso genético. Primero, se evalúa la
aptitud de cada individuo en la población mediante el cálculo de la función de fitness
(Araos, 2018; Castrillón et al., 2018). Luego, se seleccionan los mejores individuos se
utilizó el método de torneo, en el que se eligen dos candidatos al azar y se escoge al
mejor de ellos (Castro, 2018; Oviedo et al., 2018). Una vez realizada la selección, se
lleva a cabo el cruce, que consiste en combinar pares de individuos seleccionados
mediante un punto simple de corte (Battelli, 2020; Fernández Vicente, 2020).
Posteriormente, se introduce mutación en los individuos con una probabilidad del 10 %,
lo que implica la alteración aleatoria de uno de sus bits (Carreno Muñoz & Avilés,
2022; Crespo Sánchez et al., 2022). Finalmente, el proceso culmina con el reemplazo
generacional, en el cual la población actual es sustituida por los hijos generados en cada
iteración (Bedoya-Zambrano et al., 2023; Bergua et al., 2023). Al término del número
predefinido de generaciones, se devuelve el mejor individuo como la solución óptima.
El algoritmo implementado sigue la estructura estándar de un algoritmo genético,
según la literatura de optimización evolutiva(Bergua et al., 2023; Cáceres Malagón,
2023). Estos algoritmos están inspirados en la selección natural propuesta por Darwin y
se utilizan con frecuencia para resolver problemas de optimización en los que las
soluciones exactas resultan complejas de encontrar. En este caso particular, el objetivo
es minimizar los costos unitarios de producción, lo cual es un aspecto fundamental en la
optimización de procesos industriales.
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
9
Tabla 2. Componentes principales en la representación y operadores de un
algoritmo genético
Categorías
Subcategorías
Representación
Vector binario, características
Función de fitness
Minimización, maximización
Selección
Torneo, equilibrio, eficacia
Cruce
Un punto, diversidad
Mutación
Alteración de bits, variabilidad
Fuente: Elaboración propia
La representación de la solución en este algoritmo se realiza mediante un vector
binario. Este enfoque es consistente con los algoritmos genéticos, donde cada bit
representa una característica específica de la solución (Boligán Rojas et al., 2024;
González et al., 2024; Henriquez de Rocha Oliveira et al., 2024). La función de fitness
invierte el valor del costo unitario, se convierte un problema de minimización en uno de
maximización, lo cual es una técnica común en la optimización con algoritmos
genéticos (Goldberg, 1989). La selección por torneo es una estrategia eficaz para evitar
la convergencia prematura de la población, mantiene un equilibrio entre la exploración
de nuevas soluciones y la explotación de las mejores ya encontradas (Aparici et al.,
2021; Sol Dussaut et al., 2020). Tanto el cruce de un punto como la mutación de bits
son operadores clásicos que generan diversidad en la población, promueve el
estancamiento en óptimos locales (Araos, 2018; Castrillón et al., 2018).
Conclusiones y Recomendaciones
Las conclusiones derivadas de la aplicación de algoritmos evolutivos en la
contabilidad de costos de empresas latinoamericanas evidencian que estos enfoques
avanzados presentan ventajas sustanciales en la optimización de procesos contables y
financieros. La investigación destaca que la implementación de algoritmos evolutivos,
como los algoritmos genéticos, potencia la eficiencia en la gestión de costos mediante la
automatización tanto de cálculos como de decisiones. En el contexto latinoamericano,
caracterizado por una economía volátil y desafíos particulares, dichos algoritmos
ofrecen una ventaja competitiva al facilitar una asignación más eficiente de recursos y
mejorar la precisión en los análisis financieros.
No obstante, el estudio también identifica diversas barreras que limitan la
adopción de estas tecnologías. Entre los obstáculos se incluyen la necesidad de una
inversión considerable en infraestructura tecnológica y la carencia de conocimientos
especializados en algoritmos evolutivos. Asimismo, la resistencia al cambio y las
inquietudes relacionadas con la seguridad de los datos representan dificultades
sustanciales. A pesar de estos retos, el potencial transformador de los algoritmos
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
10
evolutivos para la contabilidad de costos y su capacidad en contribuir al éxito
empresarial son considerablemente significativos.
En este contexto, se recomienda a las empresas latinoamericanas considerar la
integración de algoritmos evolutivos como parte de sus estrategias de optimización de
costos. Para facilitar esta transición, es fundamental realizar inversiones en capacitación
del personal y actualización de la infraestructura tecnológica. Además, resulta
importante promover la investigación y el desarrollo en el campo de la contabilidad de
costos para expandir el conocimiento sobre la implementación de estos algoritmos y sus
posibles beneficios.
En cuanto a futuras líneas de investigación, se sugiere explorar el impacto de los
algoritmos evolutivos en diferentes sectores industriales, así como realizar
comparaciones entre su efectividad y la de otros métodos de optimización. También es
relevante investigar cómo estos algoritmos se adaptan a distintos entornos económicos y
regulatorios, particularmente en contextos de alta volatilidad como el latinoamericano.
De igual manera, se recomienda el desarrollo de estudios empíricos que evalúen la
implementación práctica de estos algoritmos en empresas de diferentes tamaños y
sectores, con el fin de obtener una visión más integral de sus beneficios y limitaciones.
La exploración de nuevas técnicas dentro de los algoritmos evolutivos y su combinación
con otras herramientas tecnológicas proporcionaría soluciones innovadoras y más
eficientes para la contabilidad de costos en el futuro.
Referencias
Aparici, R., Bordignon, F. R. A., & Martínez-Pérez, J. (2021). Alfabetización algorítmica
basada en la metodología de Paulo Freire. Perfiles Educativos, 43(Especial), 36-
54. https://doi.org/10.22201/iisue.24486167e.2021.Especial.61019
Araos, F. (2018). Navegando en aguas abiertas: Tensiones y agentes en la conservación
marina en la Patagonia chilena. Revista de Estudios Sociales, 64, 27-41.
https://doi.org/10.7440/res64.2018.03
Battelli, E. (2020). La decisión robótica: Algoritmos, interpretación y justicia predictiva.
Revista de Derecho Privado, 40, 45-86.
https://doi.org/10.18601/01234366.n40.03
Bedoya-Zambrano, D. M., Lara Valencia, L. A., & Blandón-Valencia, J. J. (2023).
Desarrollo de un algoritmo híbrido de control de amortiguadores
magnetoreológicos para optimizar la respuesta dinámica en pórticos. Entramado,
20(1). https://doi.org/10.18041/1900-3803/entramado.1.10270
Bergua, J. Á., Montañés, M., & Báez, J. M. (2023). Riders, algoritmos y negociación de
la realidad. Empiria. Revista de metodología de ciencias sociales, 59, 81-102.
https://doi.org/10.5944/empiria.59.2023.37939
Boligán Rojas, G., Trinchet Varela, C. A., & Pérez Rodríguez, R. (2024). Optimización
multiobjetivo mediante algoritmos evolutivos, para el diseño de desalinizadores
solares de humidificación deshumidificación. RILCO DS: Revista de Desarrollo
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
11
sustentable, Negocios, Emprendimiento y Educación, 6(53), 53-67.
https://dialnet.unirioja.es/servlet/articulo?codigo=9527912
Cáceres Malagón, J. A. (2023). ¿Sueñan las máquinas con contratar? Un estudio sobre
smart contracts y consentimiento algorítmico. Revista de Derecho Privado, 46,
155-185. https://doi.org/10.18601/01234366.46.07
Carreno Muñoz, C., & Avilés, J. P. (2022). Localización Óptima de Equipos de
Regulación de Voltaje y Compensación de Reactivos para Alimentadores de
Medio Voltaje, Mediante Algoritmos Evolutivos. INGENIO, 5(1), 43-59.
https://doi.org/10.29166/ingenio.v5i1.3578
Castrillón, O. D., Sarache, W., Ruiz, S., Castrillón, O. D., Sarache, W., & Ruiz, S. (2018).
Desempeño de Técnicas Tradicionales de Programación de la Producción Frente
a un Algoritmo Evolutivo. Información tecnológica, 29(2), 141-154.
https://doi.org/10.4067/S0718-07642018000200141
Castro, J. C. L. D. (2018). Redes sociais como modelo de governança algorítmica.
MATRIZes, 12(2), 165-191. https://doi.org/10.11606/issn.1982-8160.v12i2p165-
191
Castro Y., S., Plaza Ñ., L., & Torres S., L. C. (2021). Algoritmos para la fiscalización
inteligente en el Valle del Cauca. Revista de Derecho Fiscal, 20, 267-278.
https://doi.org/10.18601/16926722.n20.07
Crespo Sánchez, G., Pérez Abril, I., García Sánchez, Z., Crespo Sánchez, G., Pérez Abril,
I., & García Sánchez, Z. (2022). Exploración científica de los algoritmos
evolutivos en la reconfiguración óptima de redes de distribución eléctrica. Revista
Universidad y Sociedad, 14(1), 303-319.
http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S2218-
36202022000100303&lng=es&nrm=iso&tlng=es
Denis-Pérez, A., Álvarez-Valdés, M. V., Cañete-Villafranca, R., & Monet-Fernández, Y.
E. (2023). Algoritmo para la indicación del estudio por imágenes en pacientes
politraumatizados. Revista Médica Electrónica, 45(4), 617-628.
https://www.redalyc.org/journal/3782/378277430009/
Fernández Vicente, A. (2020). Hacia una teoría crítica de la razón algorítmica. Palabra
Clave, 23(2), 1-26. https://doi.org/10.5294/pacla.2020.23.2.2
González, B., Frutos, M., Rossit, D. A., & Méndez, M. (2024). Consideración de las
soluciones overlapping en la selección y parametrización de los operadores
genéticos de un algoritmo evolutivo aplicado al flow-shop. Memorias de las
JAIIO, 10(14), 405-408.
https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/913
Gutiérrez Hidalgo, F. (2023). Evolución histórica de la contabilidad de costes y de gestión
(1885-2005). De Computis, Revista Española de Historia de la Contabilidad,
2(2), 100-122. https://doi.org/10.26784/issn.1886-1881.v2i2.229
Henriquez de Rocha Oliveira, Á., Araujo Moraes, Y., Moraes Rego Sobrinho, R. P.,
Moraes Maia, J., & Silva Chaves, M. (2024). Parametrização automática de redes
neurais utilizando algoritmos evolutivos. Seven Editora, 1191-1212.
https://sevenpublicacoes.com.br/editora/article/view/4246
Llanos-Mosquera, J.-M., Muriel-López, G.-L., Triana-Madrid, J.-D., & Bucheli-
Guerrero, V.-A. (2022). Algoritmos evolutivos guiados por redes complejas libres
Espíritu Emprendedor TES 2025, Vol 9, No. 1 enero a marzo 1-12
Artículo Científico
Indexada Latindex Catálogo 2.0
ISSN 2602-8093
DOI: 10.33970/eetes.v9.n1.2025.413
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0
International (CC BY-NC 4.0) Revista Trimestral del Instituto Superior Universitario Espíritu Santo
12
de escala. Revista Científica, 44(2), 228-241.
https://doi.org/10.14483/23448350.18039
Martinez-Lopez, Y., Bethencourt-Mayedo, M., Madera-Quintana, J., & Sutherland, J.
(2023). Algoritmos evolutivos aplicados a la gestión de las unidades generadoras
de la microred eléctrica de Cayo Coco. Revista Cubana de Transformación
Digital, 4(4), e232:1-13. https://rctd.uic.cu/rctd/article/view/232
Oviedo, B., Puris, A., & Zhuma, E. (2018). Algoritmos meta heurísticos para el
aprendizaje de redes bayesianas1. Revista Lasallista de Investigación, 15(2), 353-
366. https://www.redalyc.org/journal/695/69559233028/
Robles, H. (2023). Nuevos métodos para clustering basado en algoritmos evolutivos
[Http://purl.org/dc/dcmitype/Text, Universidad de Córdoba (ESP)].
https://dialnet.unirioja.es/servlet/tesis?codigo=327186
Romero-Nieto, A. E., & Castro-Morales, L. G. (2022). La contabilidad de costos y los
sistemas de evaluación de costo en las organizaciones. CIENCIAMATRIA. Revista
Interdisciplinaria de Humanidades, Educación, Ciencia y Tecnología, 8(3), 304-
316. https://doi.org/10.35381/cm.v8i3.760
Rosas Sánchez, G. A., & Vera Gómez, E. X. (2023). Algoritmo social de elección:
Alternativa al determinismo neoclásico. Revista de Economía Institucional,
26(50), 105-128. https://doi.org/10.18601/01245996.v26n50.05
Sol Dussaut, J., Ponzoni, I., Olivera, A. C., & Vidal, P. J. (2020). Algoritmos Evolutivos
Multiobjetivo aplicados a la Selección de Características en Microarrays de Datos
de Cáncer. Entre ciencia e ingeniería, 14(28), 40-45.
https://doi.org/10.31908/19098367.2014
