Actualmente, la utilización de tecnología de virtualización en los centros de datos a menudo impone una carga creciente en la máquina anfitriona (HM), lo que lleva a una disminución en el rendimiento de las máquinas virtuales (VM). Para abordar este problema, se emplea la migración virtual en vivo (LVM) para aliviar la carga en la VM. Este estudio presenta un modelo híbrido de aprendizaje automático diseñado para estimar la migración directa de máquinas virtuales migradas previamente dentro del centro de datos. El modelo propuesto integra procesos de decisión de Markov (MDP), algoritmos genéticos (GA) y algoritmos de bosque aleatorio (RF) para predecir el movimiento priorizado de las máquinas virtuales e identificar el objetivo óptimo de la máquina anfitriona. Los modelos híbridos logran una tasa de precisión del 99% con tiempos de entrenamiento más rápidos en comparación con estudios anteriores que utilizaron vecinos más cercanos, clasificación de árboles de decisión, máquinas de soporte vectorial, regresión logística y redes neuronales. Los autores recomiendan una exploración adicional de un enfoque de aprendizaje profundo (DL) para abordar otros problemas de rendimiento en los centros de datos. Este documento describe estrategias prometedoras para mejorar la migración de máquinas virtuales en los centros de datos. Los modelos híbridos demuestran alta precisión y tiempos de entrenamiento más rápidos que investigaciones anteriores, lo que indica el potencial para optimizar la colocación de máquinas virtuales y minimizar el tiempo de inactividad. Los autores enfatizan la importancia de considerar el rendimiento del centro de datos y proponen una investigación adicional. Además, sería beneficioso profundizar en la implementación práctica y la difusión del modelo propuesto en centros de datos del mundo real.