La necesidad de encontrar el mínimo global en funciones multivariables es un problema crítico en muchos campos de la ciencia y la tecnología. La resolución efectiva de este problema requiere la creación de estimaciones de soluciones iniciales, las cuales son posteriormente utilizadas por el algoritmo de optimización para buscar la mejor solución en el espacio de soluciones. En el contexto de este artículo, se presenta un enfoque novedoso para generar la distribución de soluciones iniciales, la cual se aplica a un algoritmo de optimización genética. Utilizando el algoritmo de agrupamiento k-means, se crea una distribución basada en la similitud de datos. Esto ayuda a generar estimaciones iniciales que pueden estar más adaptadas al problema. Además, el método propuesto emplea un algoritmo de muestreo de rechazo para descartar muestras que no producen mejores estimaciones de solución en el proceso de optimización. Esto permite que el algoritmo se centre en soluciones potencialmente óptimas, mejorando así su rendimiento. Finalmente, el artículo presenta resultados experimentales de la aplicación de este enfoque a varios problemas de optimización, proporcionando a la comunidad científica un nuevo método para abordar este problema significativo.