En las redes vehiculares 5G, han surgido dos desafíos clave, que incluyen la minimización de la demora de extremo a extremo y la privacidad de los datos. Se han utilizado enfoques basados en el aprendizaje para mitigar estos problemas, ya sea prediciendo la demora o protegiendo la privacidad. Los enfoques tradicionales entrenan modelos de aprendizaje automático en dispositivos locales o servidores en la nube, cada uno con sus propias compensaciones. Mientras que el aprendizaje federado puro protege la privacidad, sacrifica el rendimiento de la predicción de demora. Por el contrario, el entrenamiento centralizado mejora la predicción de demora pero viola la privacidad. Los estudios existentes en la literatura pasan por alto el efecto de la ubicación del entrenamiento en la predicción de la demora y la privacidad de los datos. Para abordar ambos problemas, proponemos un enfoque novedoso de aprendizaje federado optimizado con algoritmos genéticos (GAoFL) en el que se consideran conjuntamente la predicción de la demora de extremo a extremo y la privacidad de los datos para obtener una solución óptima. Con este fin, definimos analíticamente una fórmula novedosa de demora de extremo a extremo y métricas de privacidad de datos. En consecuencia, se formula una función de aptitud novedosa para optimizar tanto la ubicación del modelo de entrenamiento como la privacidad de los datos. En conclusión, de acuerdo con los resultados de la evaluación, se puede afirmar que los resultados del estudio resaltan que la ubicación del entrenamiento afecta significativamente la privacidad y el rendimiento. Además, se puede afirmar que el GAoFL propuesto mejora la privacidad de los datos en comparación con el aprendizaje centralizado, al tiempo que logra una mejor predicción de demora que otros métodos federados, ofreciendo una solución valiosa para la computación vehicular 5G.