Estudiar las propiedades teóricas de algoritmos de optimización como algoritmos genéticos y estrategias evolutivas nos permite determinar cuándo son adecuados para resolver un tipo particular de problema de optimización. Tal estudio consta de tres pasos principales. El primer paso es considerar dichos algoritmos como Algoritmos de Optimización Global Estocástica (s), es decir, un algoritmo iterativo que aplica operaciones estocásticas a un conjunto de soluciones candidatas. El segundo paso es definir una caracterización formal del proceso iterativo en términos de teoría de la medida y definir algunas de esas operaciones estocásticas como núcleos de Markov estacionarios (definidos en términos de probabilidades de transición que no cambian con el tiempo). El tercer paso es caracterizar a los s no estacionarios, es decir, aquellos que tienen operaciones estocásticas con probabilidades de transición que pueden cambiar con el tiempo. En este documento, desarrollamos el tercer paso de este estudio. Primero, generalizamos las condiciones suficientes de convergencia de procesos de Markov estacionarios a no estacionarios. Segundo, introducimos la teoría necesaria para definir núcleos para operaciones aritméticas entre funciones medibles. Tercero, desarrollamos núcleos de Markov para algunos esquemas de selección y recombinación. Finalmente, formalizamos el algoritmo de recocido simulado y las estrategias evolutivas utilizando un enfoque formal sistemático.