En este artículo introducimos un nuevo algoritmo de adaptación para el filtrado adaptativo de filtros digitales FIR e IIR en el contexto de la identificación de sistemas. El algoritmo LMS estándar se hibrida con GA (Algoritmo Genético) para obtener un nuevo algoritmo de aprendizaje integrado, a saber, LMS-GA. El objetivo principal de la herramienta de aprendizaje propuesta es evadir los mínimos locales, un problema común en el algoritmo LMS estándar y sus variantes, y acercarse al mínimo global calculando los parámetros óptimos del vector de pesos cuando solo se dispone de datos estimados. En la técnica LMS-GA propuesta, primero, funciona como el algoritmo LMS estándar y calcula los coeficientes óptimos del filtro que minimizan el error cuadrático medio; una vez que el algoritmo LMS estándar se queda atrapado en un mínimo local, el LMS-GA cambia a GA para actualizar los coeficientes del filtro y explorar nuevas regiones en el espacio de búsqueda aplicando los operadores de cruce y mutación. El LMS-GA propuesto se prueba bajo diferentes condiciones de la señal de entrada, como señales de entrada con características coloreadas, es decir, señales de entrada correlacionadas, y se investiga en un filtro adaptativo FIR utilizando la densidad espectral de potencia de la señal de entrada y la transformada de Fourier de la matriz de correlación de la entrada. Las demostraciones a través de simulaciones sobre la identificación de sistemas de filtros digitales adaptativos IIR y FIR revelaron la efectividad del LMS-GA propuesto bajo señales de entrada con diferentes características.