Las Redes Generativas Adversarias (GANs) son altamente efectivas para generar imágenes realistas, sin embargo, su entrenamiento puede ser inestable debido a desafíos como el colapso de modo y la convergencia oscilatoria. En este trabajo, proponemos un novedoso método de optimización híbrido que integra Algoritmos Genéticos (GAs) para mejorar el proceso de entrenamiento de las GANs Convolucionales Profundas (DCGANs). Específicamente, los GAs se utilizan para evolucionar los pesos del discriminador, complementando el aprendizaje basado en gradientes típicamente empleado en las GANs. El modelo propuesto GAGAN se entrena en el conjunto de datos CelebA, utilizando 2000 imágenes, para generar imágenes de 128 x 128, con el generador aprendiendo a producir rostros realistas a partir de vectores latentes aleatorios. El discriminador, que clasifica imágenes como reales o falsas, se optimiza no solo a través de retropropagación estándar, sino también a través de un marco de GA que evoluciona sus pesos mediante procesos de cruce, mutación y selección. Este método híbrido tiene como objetivo mejorar la estabilidad de la convergencia y aumentar la calidad de las imágenes al equilibrar la búsqueda local de los métodos basados en gradientes con las capacidades de búsqueda global de los GAs. Los experimentos muestran que el enfoque propuesto reduce la pérdida del generador y mejora la fidelidad de las imágenes, demostrando que los algoritmos evolutivos pueden complementar efectivamente las técnicas de aprendizaje profundo. Este trabajo abre nuevas vías para optimizar el entrenamiento de GANs y mejorar el rendimiento en modelos generativos.