La optimización de estructuras ha sido una disciplina muy estudiada por numerosos investigadores durante los últimos cuarenta años. A pesar de que durante los primeros veinte años las técnicas de Programación Matemática fueron la herramienta fundamental en este campo, estas han ido perdiendo fuelle frente a un nuevo conjunto de técnicas metaheurísticas basadas en la Computación Evolutiva. De entre destacan, de manera significativa, los . Durante estos años la optimización de estructuras ha ido evolucionando de la mera optimización del tamaño, a la optimización del número óptimo de barras y coordenadas de los nudos (topología), y finalmente a la optimización de ambos tipos de variables de forma simultánea. La irrupción de estas nuevas técnicas en el campo de la optimización de estructuras es debida, en gran medida, a las dificultades que tenía la programación matemática para realizar la optimización simultánea de las variables de diseño debido a la elevada alinealidad de estas y sus restricciones. Las técnicas metaheurísticas por contra, son matemáticamente más sencillas y mas fáciles de implementar computacionalmente, ya que no requieren de otra información a parte de la función objetivo que determina la aptitud de las soluciones. No requieren por lo tanto de complejos procesos de linealización ni trabajar con las derivadas de la función. El objetivo fundamental del presente trabajo es ir un poco más allá en el proceso de la optimización simultánea de las variables de diseño, definiendo un algoritmo que no parte de una estructura predefinida y que incorpora los parámetros que determinan la geometría. A diferencia de los métodos actuales, el algoritmo desarrollado no requiere de ningún tipo de estructura inicial ni otro tipo de información adicional, aparte de la definición de los puntos de aplicación de las cargas, los puntos de apoyo y el tipo de apoyo. El nuevo algoritmo desarrollado se justifica según la siguiente hipótesis: La definición previa de la forma, geometría, regla o modelo preconcebido en una estructura suponen restricciones del diseño en sí mismas y por lo tanto aquel algoritmo que no se encuentre sujeto a estas deberá poder generar diseños necesariamente mejores, o al menos tan buenos como los existentes. A partir de esta hipótesis se desarrolla un nuevo algoritmo con una codificación mixta, adaptada a cada grupo de variables de diseño, donde los diferentes operadores se definen y actúan de forma independiente para grupo. El algoritmo incorpora además diferentes operadores que aseguran la legalidad de las soluciones a evaluar, así como un conjunto de estrategias orientadas a mantener la diversidad de las soluciones y a reducir las necesidades computacionales del algoritmo, el talón de Aquiles de las técnicas metaheurísticas. Una vez desarrollado el algoritmo se procede a su validación mediante un problema de optimización de estructuras clásico: la optimización de una estructura de diez barras y seis nodos en voladizo, sujeta a restricciones de tensión y desplazamiento. Mediante este problema se evalúa de forma individualizada las diferentes estrategias implementadas en el algoritmo para operador en cada grupo de variables de diseño. Como resultado a este apartado se logra el diseño de menor peso obtenido hasta la fecha de entre un total de sesenta artículos científicos indexados donde se ha empleado como técnica de validación. Del estudio del proceso evolutivo realizado en el apartado de validación, y su comparación con los diseños óptimos publicados en anteriores trabajos, se puede concluir que efectivamente el diseño del propio algoritmo condicionó el resultado de los mismos, probando la hipótesis inicial. Además se han podido corroborar los teoremas de Fleron, y se ha conseguido generalizar la topología óptima para la estructura analizada ya que esta ha permanecido invariable en todas las ejecuciones realizadas. Entre las principales aportaciones del presente trabajo, aparte del desarrollo del propio algoritmo destacan el desarrollo de nuevos operadores genéticos, aplicados deforma individualizada a cada grupo de variables de diseño, la definición de una nueva función de penalización, la posibilidad de adquirir información adicional mediante el proceso evolutivo debido a la propia definición del algoritmo y finalmente la obtención de un nuevo mínimo para la estructura analizada, un un 10,92 inferior al mejor resultado publicado hasta la fecha.