El algoritmo genético (GA) es una de las técnicas más conocidas en el área de la computación evolutiva que desempeña un papel significativo en la obtención de soluciones significativas a problemas complejos con un gran espacio de búsqueda. Los GA implican tres operaciones fundamentales después de crear una población inicial, a saber, selección, cruce y mutación. La primera tarea en los GA es crear una población inicial adecuada. Tradicionalmente, los GA con población seleccionada al azar se utilizan ampliamente ya que son simples y eficientes; sin embargo, la población generada puede contener un bajo nivel de aptitud. La baja calidad o el bajo nivel de aptitud de los individuos puede llevar a que se tarde mucho tiempo en converger a una solución óptima (o casi óptima). Por lo tanto, la aptitud o calidad de la población inicial de individuos juega un papel significativo en la determinación de una solución óptima o casi óptima. En este trabajo, proponemos un nuevo método para la siembra de la población inicial basado en el análisis de regresión lineal del problema abordado por el GA; en este artículo, el problema del vendedor viajero (TSP). La técnica propuesta basada en regresión divide un problema TSP de gran escala en subproblemas más pequeños. Esto se hace utilizando la línea de regresión y su línea perpendicular, que permiten agrupar las ciudades en cuatro subproblemas de manera repetida; la ubicación de cada ciudad determina a qué categoría/clúster pertenece, el algoritmo trabaja repetidamente hasta que el tamaño del subproblema se vuelve muy pequeño, cuatro ciudades o menos, por ejemplo, estas ciudades son más propensas a ser vecinas entre sí, por lo que conectarlas entre sí crea una solución bastante buena para comenzar, esta solución se muta varias veces para formar la población inicial. Analizamos el rendimiento del GA al utilizar técnicas tradicionales de siembra de población, como la aleatoria y la de vecinos más cercanos, junto con la técnica propuesta basada en regresión. Los experimentos se llevan a cabo utilizando algunos de los casos de TSP más conocidos obtenidos de la TSPLIB, que es la biblioteca estándar para problemas de TSP. Se realiza un análisis cuantitativo utilizando herramientas de prueba estadística: análisis de varianza (ANOVA), prueba de rango múltiple de Duncan (DMRT) y diferencia mínima significativa (LSD). Los resultados experimentales muestran que el rendimiento del GA que utiliza la técnica propuesta basada en regresión para la siembra de población supera a otros GA que utilizan técnicas tradicionales de siembra de población, como las basadas en aleatoriedad y en vecinos más cercanos, en términos de tasa de error y convergencia promedio.