Los modelos log-lineales gráficos son efectivos para representar estructuras complejas que surgen de datos de alta dimensionalidad. Es desafiante ajustar un modelo apropiado en un entorno de alta dimensionalidad y muchos métodos existentes se basan en una clase conveniente de modelos, llamados modelos descomponibles, que se prestan bien a un enfoque paso a paso. Sin embargo, estos métodos restringen el conjunto de modelos candidatos desde los cuales pueden buscar, y estos métodos son difíciles de escalar. Se puede demostrar que un modelo no descomponible puede aproximarse por el modelo descomponible que es su triangulación mínima, extendiendo así las convenientes propiedades computacionales de los modelos descomponibles a cualquier modelo. En este documento, proponemos un algoritmo genético local con un operador de cruce y escalada de colina, adaptado para modelos gráficos log-lineales. Mostramos que el algoritmo genético local gráfico puede usarse con éxito para ajustar modelos no descomponibles tanto para un bajo número de variables como para un alto número de variables. Utilizamos la probabilidad posterior como medida de ajuste y la computación paralela para disminuir el tiempo de cálculo.