Recientemente, se han desarrollado algoritmos evolutivos que pueden resolver eficientemente problemas de optimización binaria descomponibles. Son los llamados algoritmos evolutivos basados en modelos, que construyen un modelo para generar candidatos a soluciones aplicando una técnica de aprendizaje automático a una población. Su procedimiento central es la detección de enlaces que revela una estructura del problema, es decir, cómo el problema completo consiste en subproblemas. Sin embargo, se ha demostrado que los algoritmos evolutivos basados en modelos son ineficaces para problemas que no tienen estructuras relevantes o cuyas estructuras son difíciles de identificar. Por lo tanto, se requieren algoritmos evolutivos que puedan resolver ambos tipos de problemas de manera rápida, confiable y precisa. El objetivo del artículo es investigar si el algoritmo evolutivo que evoluciona los tiempos de desarrollo (EDT) que propusimos anteriormente puede ser el deseado. El EDT hace que los valores de algunas variables converjan más rápidamente que los restantes para cualquier problema, y luego decide los valores de los restantes para obtener un valor de aptitud más alto bajo la fijación de los valores de las variables. Además, los factores para decidir qué valores de variables convergen más rápidamente, es decir, los tiempos de desarrollo, son objetivos de evolución. Los resultados de la simulación revelan que el EDT tiene un peor rendimiento que el algoritmo genético de árbol de enlaces (LTGA), que es uno de los algoritmos evolutivos basados en modelos más avanzados, para problemas descomponibles y también que la diferencia en el rendimiento entre ellos se vuelve más pequeña para problemas con superposiciones entre enlaces y también que el EDT tiene un mejor rendimiento que el LTGA para problemas cuyas estructuras son difíciles de identificar. Estos resultados sugieren que una estrategia de búsqueda adecuada es diferente entre problemas descomponibles y aquellos difíciles de descomponer.