La memoria a corto plazo que registra la población actual ha sido un componente inherente de los Algoritmos Evolutivos (EAs). A medida que avanzan las tecnologías de hardware actualmente, la memoria económica con capacidades masivas podría convertirse en un impulso de rendimiento para los EAs. Este documento presenta una Asistencia de Memoria a Largo Plazo (LTMA) que registra todo el historial de búsqueda de un proceso evolutivo. Con LTMA, los individuos ya visitados (es decir, soluciones duplicadas) no necesitan ser reevaluados, y por lo tanto, los recursos originalmente destinados a evaluaciones de aptitud podrían ser reasignados para continuar la exploración o explotación del espacio de búsqueda. Se realizaron tres series de experimentos para demostrar la superioridad de LTMA. En el primer experimento, se mostró que LTMA registró al menos más individuos duplicados que una memoria a corto plazo. En el segundo experimento, se aplicaron ABC y jDElscop a las funciones de referencia CEC-2015. Al evitar la reevaluación de la aptitud, LTMA mejoró el tiempo de ejecución de los problemas más consumidores de tiempo en un rango entre el 7% y el 28% y entre el 7% y el 16%, respectivamente. En el tercer experimento, un problema real difícil para determinar los parámetros de los modelos de suelo, LTMA mejoró el tiempo de ejecución entre el 26% y el 69%. Finalmente, LTMA se implementó en un sistema de código abierto generalizado y extensible, llamado EARS. Cualquier investigador de EA podría aplicar LTMA a una variedad de problemas de optimización y algoritmos evolutivos, ya sean existentes o nuevos, de manera uniforme.