Muchos enfoques que modelan comportamientos inteligentes específicos tienen un excelente desempeño en la resolución de problemas de optimización complejos. La teoría de juegos es ampliamente reconocida como una herramienta importante en muchos campos. Este documento introduce un algoritmo evolutivo inspirado en la teoría de juegos para la optimización global (GameEA). Se proporciona una formulación para estimar las expectativas de pago, que es un mecanismo para hacer que un jugador se convierta en un tomador de decisiones racional. GameEA tiene una población (es decir, un conjunto de jugadores) y genera nuevas descendencias solo a través de un operador de imitación y un operador de aprendizaje de creencias. Un operador de imitación adopta estrategias de aprendizaje y acciones de otros jugadores para mejorar su competitividad y aplica estas estrategias a futuros juegos donde un jugador actualiza su cromosoma copiando estratégicamente segmentos de secuencias génicas de un competidor. El aprendizaje de creencias se refiere a modelos en los que un jugador ajusta sus estrategias, comportamiento o cromosomas analizando la información histórica actual para mejorar la calidad de la solución. Los resultados experimentales en diversas clases de problemas muestran que GameEA supera a los otros cuatro algoritmos en estabilidad, robustez y precisión.