The aim of the research is to implement a genetic algorithm using a computer application based on neural and evolutionary computing to obtain the best adapted chromosome, such development demands statistical analysis of decriptive based on genetic algorithms. I know specifically used twenty types of chromosomes that the input data will be a network in Pajek format (*.net) and the output data will mention the highest modularity partition found, in Pajek format (*.clu), and its corresponding modularity value, i.e. after chromosome selection, crossing or mutation is performed the evaluation for decoding by means of the Fitness parameter , thus selecting through the Wheel of roulette to obtain the best-adapted chromosome. Twenty types of chromosomes transformed into Pajek (.net) format were specifically used and genetic algorithms (AG) work between the solution set of a problem called phenotype, and the set of individuals from a natural population, encoding the information of each solution into a string, usually binary, called a chromosome. The symbols that make up the chain are called genes. When the chromosome representation is done with binary digit strings it is known as a genotype. Chromosomes evolve through iterations, called generations. In each generation, chromosomes are evaluated using neural and evolutionary computing using some measure of fitness. The following generations (new chromosomes), are generated by applying the genetic operators repeatedly, these being the operators of selection, crossing, mutation and replacement, to obtain the best adapted chromosome. This article explains the implementation of a genetic algorithm using a computer application based on neural and evolutionary computing to obtain the best adapted chromosome, which starts from a population of solutions, and based on the value of the adaptation function for each of the individuals (solutions) of that population, select the best individuals (according to that function) and combine to generate new ones. This process is repeated cyclically until a stop criterion is met.El objetivo de la investigación es implementar un algoritmo genético mediante una aplicación informática basado en la computación neuronal y evolutiva para obtener el cromosoma mejor adaptado, dicho desarrollo demanda del análisis estadístico decriptivo basado en algoritmos genéticos. Sé utilizó específicamente veinte y uno tipos de cromosomas que lo datos de ingreso serán una red en formato Pajek (* .net) y los datos de salida mencionará la partición de modularidad más alta encontrada, en formato Pajek (*.clu), y su valor correspondiente de modularidad, es decir después de la selección del cromosoma, del cruce o la mutación se realiza la evaluación para la decodificación por medio del parámetro Aptitud, seleccionando de ésta manera por medio de la Rueda de la Ruleta para obtener el cromosoma mejor adaptado. Se utilizó específicamente veinte y uno tipos de cromosomas transformadas en formato Pajek (.net) y los algoritmos genéticos (AG) funcionan entre el conjunto de soluciones de un problema llamado fenotipo, y el conjunto de individuos de una población natural, codificando la información de cada solución en una cadena, generalmente binaria, llamada cromosoma. Los símbolos que forman la cadena son llamados genes. Cuando la representación de los cromosomas se hace con cadenas de dígitos binarios se le conoce como genotipo. Los cromosomas evolucionan a través de iteraciones, llamadas generaciones. En cada generación, los cromosomas son evaluados mediante la computación neuronal y evolutiva usando alguna medida de aptitud. Las siguientes generaciones (nuevos cromosomas), son generadas aplicando los operadores genéticos repetidamente, siendo estos los operadores de selección, cruzamiento, mutación y reemplazo, para lograr obtener el cromosoma mejor adaptado. En este artículo se explica la implementación de un algoritmo genético mediante una aplicación informática basado en la computación neuronal y evolutiva para obtener el cromosoma mejor adaptado, que parte de una población de soluciones, y en base al valor de la función de adaptación para cada uno de los individuos (soluciones) de esa población, se seleccionan los mejores individuos (según dicha función) y se combinan para generar otros nuevos. Este proceso se repite cíclicamente hasta que se cumple un criterio de parada.