Los algoritmos genéticos imitan el proceso de selección natural para resolver problemas de optimización con mínimas suposiciones y funcionan bien cuando la función objetivo tiene óptimos locales en el espacio de búsqueda. Estos algoritmos tratan las posibles soluciones al problema de optimización como cromosomas, que consisten en genes que son sometidos a operadores inspirados biológicamente para identificar una solución mejor. Los hiperparámetros o parámetros de control determinan la forma en que se implementan estos operadores. Creamos un algoritmo genético para ajustar un modelo de difusión de opiniones DeGroot utilizando datos limitados, haciendo uso de operadores de selección, mezcla, cruce, mutación y supervivencia. Adaptamos el algoritmo de un algoritmo genético para el diseño de experimentos de mezcla, pero el nuevo algoritmo requirió cambios sustanciales debido a las suposiciones del modelo y al gran espacio de parámetros en relación con el espacio de diseño. Además de introducir nuevos hiperparámetros, estos cambios significan que los valores de hiperparámetros sugeridos para el algoritmo original no pueden esperarse que resulten en un rendimiento óptimo. Para hacer que el algoritmo para modelar la difusión de opiniones sea más accesible para los investigadores, realizamos un estudio de simulación investigando los valores de hiperparámetros. Descubrimos que el algoritmo es robusto a los valores seleccionados para la mayoría de los hiperparámetros y proporcionamos sugerencias para valores iniciales, si no predeterminados, y recomendaciones para ajustes basados en la salida del algoritmo.