El algoritmo genético (GA) es un método de búsqueda de inteligencia artificial que utiliza el proceso de evolución y la teoría de la selección natural y está bajo el paraguas de los algoritmos de computación evolutiva. Es una herramienta eficiente para resolver problemas de optimización. La integración entre los parámetros del GA es vital para una búsqueda exitosa. Tales parámetros incluyen las tasas de mutación y cruce, además de la población, que son cuestiones importantes en el GA. Sin embargo, cada operador del GA tiene una influencia especial y diferente. El impacto de estos factores está influenciado por sus probabilidades; es difícil predefinir proporciones específicas para cada parámetro, particularmente, para los operadores de mutación y cruce. Este artículo revisa varios métodos para elegir las proporciones de mutación y cruce en los GAs. A continuación, definimos nuevos enfoques de control determinista para las tasas de cruce y mutación, a saber, Disminución Dinámica de alta tasa de mutación/aumento dinámico de baja tasa de cruce (DHM/ILC), y Aumento Dinámico de Baja Mutación/Disminución Dinámica de Alto Cruce (ILM/DHC). La naturaleza dinámica de los métodos propuestos permite que las proporciones de ambos operadores de cruce y mutación cambien linealmente durante el progreso de la búsqueda, donde el DHM/ILC comienza con una proporción del 100% para las mutaciones y del 0% para los cruces. Ambas proporciones de mutación y cruce comienzan a disminuir y aumentar, respectivamente. Al final del proceso de búsqueda, las proporciones serán del 0% para las mutaciones y del 100% para los cruces. El ILM/DHC funcionó de la misma manera, pero al revés. El enfoque propuesto se comparó con dos métodos de ajuste de parámetros (predefinidos), a saber, proporciones de cruce/mutación de cincuenta-cincuenta, y el enfoque más común que utiliza proporciones estáticas como tasas de mutación de (0.03) y tasas de cruce de (0.9). Los experimentos se realizaron en diez Problemas del Viajante (TSP). Los experimentos mostraron la efectividad del DHM/ILC propuesto al tratar con un tamaño de población pequeño, mientras que se encontró que el ILM/DHC propuesto era más efectivo al usar un tamaño de población grande. De hecho, ambos métodos dinámicos propuestos superaron a los métodos predefinidos comparados en la mayoría de los casos probados.