Presentamos un enfoque novedoso para realizar la aproximación de la aptitud en algoritmos genéticos (GAs) utilizando modelos de aprendizaje automático (ML), centrándonos en la adaptación dinámica al estado evolutivo. Comparamos diferentes métodos para (1) cambiar entre la aptitud real y la aproximada, (2) muestrear la población y (3) ponderar las muestras. Los hallazgos experimentales demuestran una mejora significativa en los tiempos evolutivos, con puntuaciones de aptitud que son idénticas o ligeramente inferiores a las del GA completamente ejecutado, dependiendo de la relación entre el cálculo de la aptitud aproximada y la real. Aunque nos enfocamos en agentes evolutivos en simuladores de Gymnasium (juegos), donde el cálculo de la aptitud es costoso, nuestro enfoque es genérico y se puede aplicar fácilmente a muchos dominios diferentes.